#DHIHA8 Humanités numériques : et si nous avions créé une nouvelle discipline ?

D’après Émilien Ruiz, les humanités numériques se trouvent “à la croisée des chemins”. Cette communauté transdisciplinaire a émergé depuis plus de 10 ans, soit suffisamment de temps pour que les pratiques du futur deviennent celles du présent. Ou pas…

Car si les humanités numériques se sont ancrées institutionnellement, les promesses de renouveau scientifique et pédagogique restent encore à l’état de perspectives plus ou moins lointaines : « à ce stade, il me semble pourtant qu’il est possible de parler d’un demi-échec ». Les enseignements du numérique demeurent périphériques. Il y a eu une inflexion réelle dans les pratiques de recherche, les bases de données et les corpus en ligne devenant de plus en plus des outils “normaux” et attendus, mais avec finalement peu d’incidence sur les méthodes et sur les manières d’aborder et de construire l’objet de recherche. Au plus une révolution de l’indexation scientifique, mais certainement pas une révolution scientifique.

Émilien remarque avec justesse que ce bilan en demi-teinte a eu une incidence sur la définition-même des humanités numériques. La dimension quantitative et “computationnelle” a été progressivement reléguée au second plan, au profit d’une approche communicationnelle mettant l’accent sur l’éditorialisation et la diffusion des résultats. Les humanités numériques apparaissent davantage comme une étape supplémentaire dans le cycle de la recherche, sans altérer en profondeur l’existant.

À ce stade, l’on peut légitimement se demander si l’ambition principale des humanités numériques ne devraient pas être de “disparaître”. Réagissant au constat d’Émilien, Paul Bertrand appelle à la « fin nécessaire et heureuse des humanités numériques », appelées à se dissoudre dans les disciplines existantes. Si l’on se limite au versant communicationnel et éditorial des humanités numériques, cette réaction est amplement justifiée. Créer un site ou un carnet de recherche, alimenter une base de données, formater et visualiser un corpus devraient effectivement faire partie de l’outillage ordinaire des disciplines.

Mes recherches en cours m’amènent de plus en plus à faire le constat inverse : toutes les humanités numériques ne sont pas solubles. Ou plutôt, dans ce mouvement volontairement vague et informe, quelque chose a émergé qui change notre rapport aux objets, au savoir. Quelque chose qui ne représente qu’une partie des humanités numériques mais qui resterait même si toutes les pratiques estampillées DH venaient à se normaliser et à rentrer dans le giron de leurs disciplines d’origine. Quelque chose qui réactualise la dimension quantitative marginalisée mais en faisant autre chose que “l’histoire quantitative”.

Cette approche n’a pas vraiment de nom, ou plutôt, les labels existants ne sont pas satisfaisants : il est tantôt question de « computational literature studies » (sauf que cela ne se limite absolument à la littérature), de « lecture distante » (sauf qu’une part essentiel de la recherche actuelle porte sur des objets qui ne sont pas lus mais vus) ou de cultural analytics (expression qui se traduit terriblement mal en français et, sans doute, dans d’autres langues européennes). On pourrait aussi tenter une définition purement SHS, sans jamais faire allusion à l’informatique et parler, par exemple, de poétique historique des formes culturelles.

À défaut de nom, l’approche se caractérise par une intégration croissante de pratiques, de concepts, d’outils et de méthodes, plus ou moins marquées selon les contextes. Aux États-Unis il existe une revue dédiée qui fédère une petite communauté très active, le Journal of Cultural Analytics. En France les initiatives demeurent encore assez isolées.

De la numérisation à l’identification des régularités…

Le point de départ fondamental, c’est la numérisation de masse. Les bibliothèques numériques contiennent aujourd’hui une part substantielle des productions imprimées voire écrites. Je dispose ainsi d’environ un quart des éditions de romans de 1800 à 1900 (soit la totalité de ceux qui ont été numérisés par Gallica). Dans le cadre du projet Numapresse, nous commençons à réunir une bonne partie de la presse quotidienne nationale.

Les romans numérisés de la période 1815-1850 classés automatiquement par genre.

Si nous sommes encore loin de l’idéal d’une numérisation totale (qui ne relève néanmoins plus de l’utopie à moyen terme), il y a aujourd’hui suffisamment de ressources accessibles pour mettre en évidence des phénomènes culturels réguliers qui débordent totalement des narrations historiques courantes. Il existe des récurrences dans les manières d’écrire, dans les arrangements éditoriaux des textes, dans les figures visuelles (d’où d’ailleurs la notion de “stéréotype”).

Par exemple, à partir du début du XIXe siècle, la presse française introduit un objet éditorial, le feuilleton, sorte de supplément interne au journal, où va notamment se nicher le roman-feuilleton. Ce qui est moins connu et qui a été rendu pleinement visible par la numérisation de collections très variées, c’est que la forme feuilleton va s’exporter dans une bonne partie de l’Europe continentale et sans doute au-delà mais pas dans les pays anglo-saxon.

Ces régularités constituent autant un standard documentaire qu’un fait social : à un certain moment, il va de soi que l’on va composer un texte d’une certaine façon, l’illustrer d’une certaine manière, à partir du moment où l’on souhaite aborder tel thématique et s’adresser à tel public.

À partir du moment où il est question de “régularités” et de “récurrences” il devient envisageable d’utiliser des méthodes quantitatives. On peut compter les feuilletons tout comme on peut compter les titres de romans qui mentionnent un genre précis, par exemple “roman de mœurs”, dans leur titre. Et à partir de ces décomptes l’on peut commencer à observer des tendances temporelles et/ou des répartitions géographiques.

Compter à la main de tels objets est une activité plutôt rébarbative même si elle a été pratiquée dans certains domaines (comme les media studies). La numérisation rend possible de déléguer cette activité à des outils automatisés. Dans certains cas, les calculs sont triviaux : compter des occurrences, agréger des publications, dessiner un graphe de tendance… Rapidement, il devient nécessaire d’utiliser des outils plus complexes.

Historiciser par algorithme

Certaines régularités peuvent en effet apparaître évidentes à un œil humain, a fortiori un peu familier du contexte culturel d’origine du document. Je sais reconnaître le feuilleton d’un journal presque instantanément. Créer une définition du feuilleton ou de la note de bas-de-page qui soit compréhensible pour un outil automatisé est une tâche beaucoup plus ardue — on parle aussi d’opérationnalisation. Cela suppose de réfléchir sur un regard qui semble de prime abord spontané : « qu’est-ce que je vois précisément lorsque je distingue un feuilleton ? ».

Il est possible de fournir des règles précises pour repérer les objets (c’est ce que l’on appelle une approche « rule-based ») ou au contraire de laisser l’outil informatique extrapoler les règles à partir de corpus annotés. La seconde approche a été par exemple retenue pour une tentative d’identification automatisée des notes de bas de page dans des corpus anglo-saxon du XVIIIe — une pratique éditoriale notablement différentes des notes actuelles, caractérisées par l’emploi de signes spécifiques en lieu et place des numéros.

Essai de modélisation de la note de bas de page dans Detecting Footnotes in 32 millions of pages ECCO.

J’ai eu recours à la première approche par règle pour extraire automatiquement les romans-feuilleton du Journal des débats. Le texte journalistique était alors suffisamment standardisé pour se contenter d’une définition relativement triviale (un texte, en bas du journal déparé par une marge importante — la grande barre sombre ne survit pas au processus de numérisation/ocr).

Essai de modélisation du feuilleton à partir des “marges” laissées par l’absence du séparateur dans les données de l’OCR.

J’ai d’ailleurs pu constater que cette approche cesse de fonctionner correctement à partir du début du XXe siècle, signe parmi d’autres que l’économie générale des formes journalistiques était en train de changer profondément. Mes travaux actuels visent à aller plus loin que l’identification d’une seule forme journalistique pour reconstituer l’architecture éditoriale générale de la presse quotidienne au XIXe siècle (et, idéalement, au XXe siècle), en anticipant notamment les articulations régulières en forme et sémantique du texte — par exemple, les signatures sont toujours justifiées à droite et les titres sont toujours centrés.

Essai de modélisation éditoriale de la presse quotidienne à partir de la reconnaissance des colonnes et de la justification du texte.

J’ai beaucoup insisté sur la “modélisation éditoriale” car elle constitue un exemple très parlant visuellement, mais les mêmes principes peuvent être appliquées à d’autres formes culturelles. C’est évidemment le cas depuis déjà quelques temps pour les textes, notamment à la suite des recherches pionnières de Ted Underwood sur l’usage critique et « détourné » des classifications supervisées pour interroger la construction historique de la généricité. Il est de nouveau question de partir d’une définition plus ou moins naïve de certaines catégories textuelles pour repérer les phases de formation d’un genre et l’évolution de sa composition lexicale.

Les probabilités d’attribution d’une classification anachronique des romans politiques permettent d’interroger la formation lexicale du genre (Underwood, The Life Cycle of Genres)

L’interrogation critique des modèles de classification permet de sortir d’une approche d’indexation pure pour soulever des questionnements scientifiques : où ces formes se sont-elles développées ? comment se généralisent-elles et à quels moment ? dans quel contexte éditorial ?

Le développement de la page de cinéma dans le Petit Parisien (classification automatisée de tous les exemplaires parus de 1900 à 1940)

Cette “lecture distante” peut également porter sur des régularités plus élémentaires : figures de styles, tournures, articulation récurrents de concepts. Certaines recherches plus expérimentales utilisent ainsi de nouvelles techniques de linguistique computationelle, les Word Embeddings, pour cartographier des usages poétiques sous-jacents de vastes corpus.

Degré d’anthropomorphisme de certains terme dans la poésie anglaise du XVIIIe siècle (Ryan Heuser). La “Personified Abstraction Zone” renvoie aux figures allégoriques.

Le potentiel de la classification est peut-être encore plus important pour les formes visuelles. Contrairement aux textes les images ne sont pas préalablement indexées dans les bibliothèques patrimoniales. Sauf à disposer d’un paratexte explicite elles restent généralement introuvables, et même dans ces cas-là, il est difficile d’identifier précisément des régularités visuelles, qui ne relèvent pas forcément du sujet figuré mais aussi du mode de figuration. Les nouvelles techniques de classification automatisée rendent tout simplement possible une poétique historique de l’image à grande échelle.

Les illustrations de la page de cinéma du Matin de 1927-1940 (3e panel de l’application). Tous les portraits en médaillon composent un cluster rose en bas à gauche, ce qui rend possible d’historiciser la forme.

Les méthodes informatisées s’intègrent d’autant plus naturellement dans ce projet que les régularités se déploient fréquemment sur une échelle temporelle ample. L’histoire éditoriale de la forme feuilleton commence vers la toute-fin du XVIIIe siècle et s’achève vers les années 1970 et 1980 en France (les occurrences les plus tardives que j’ai pu identifier se trouvent dans des périodiques régionaux des années 1970). Aux États-Unis la plupart des chercheurs en cultural analytics ont empiriquement acquis une expertise chronologique ample — souvent de 1800 voire 1700 à aujourd’hui.

Part des personnages féminins dans 93000 ouvrages de fictions anglais parus de 1800 à 2007 (Ted Underwood, The Gender Balance of Fiction). Ce type de recherche n’est pas contraint par les délimitations chronologiques usuelles.

Où suis-je ?

En bref, depuis quelques années, une bonne partie de mon travail de recherche consiste à “opérationnaliser” des objets éditoriaux et des concepts . Et je serais bien en peine de dire précisément à quelle discipline correspond cette activité. Ce n’est pas de l’histoire, de la littérature, de la sociologie, de l’histoire de l’art, de la linguistique ou de l’informatique mais quelque chose qui croise ces disciplines et un peu plus encore.

L’enjeu fondamental des nouvelles méthodes de lecture distante ou de cultural analytics va au-delà de l’intégration de l’outil numérique dans des pratiques de recherches préexistantes qui ne sont pas appelées à changer en profondeur. Il s’agit bel et bien de proposer une redéfinition des frontières scientifiques, principalement au sein des sciences humaines et sociales, via, notamment, l’articulation paradoxale et constante entre observation minutieuse des réalités poétiques, éditoriales et documentaires et, d’autre part, l’ambition d’historicisation à grande échelle de formes culturelles.

Les transformations les plus marquantes, de mon point-de-vue, concerne les pratiques quotidiennes de la recherche. La programmation implique inévitable une textualisation et une explicitation des regards de recherche et des méthodes de travail. Il ne suffit pas de repérer instantanément que le feuilleton est en bas de page ou que les signatures sont systématiquement alignées à droite, il faut l’exprimer clairement en pourcentage de page ou en pourcentage de colonnes.

L’ampleur des corpus analysé et le recours à la programmation implique également de repenser l’organisation de la journée. Au-delà d’une certaine taille l’automatisation n’est pas instantanée : elle peut prendre plusieurs heures voire plusieurs jours. Je constate ainsi que je suis de plus en plus amené à anticiper les tâches à accomplir pour qu’elles tournent en mon absence (notamment pendant la nuit).

Disons-le clairement ces pratiques de recherche sont encore marginales, même au sein des humanités numériques. Je suis de plus en plus convaincus qu’elles sont appelées à se généraliser. Certes, les outils sont encore mal adaptés, les compétences manquent à l’appel, les corpus plus ou moins disponibles et dans un état plus ou moins hétérogènes, mais il y a un facteur plus important : c’est très tentant. Lorsqu’on s’intéresse aux collections patrimoniales et aux archives au sens large l’on est inévitablement confronté à tout ce savoir latent que je viens de décrire. L’on se familiarise avec les règles éditoriales, les marqueurs lexicaux de la généricité (que nous avons inévitablement assimilés lorsque nous procédons par lecture flottante) ou les stéréotypes visuels que l’on se résigne à cantonner dans un vague arrière-plan culturel sans pouvoir imaginer de décrire systématiquement une telle masse documentaire en dehors de quelques échantillons ponctuels.

Reconstituer les genres romanesque sur Gallica : essai de classification automatisée de 1500 romans (1815-1850)

Au XIXe siècle, 40 235 éditions de roman ont été publiées en français d’après le Catalogue de la BNF, la plupart correspondant à des éditions uniques. De cette immense production, guère plus d’un centième est aujourd’hui connu et couramment étudié. Cette sélection radicale occulte d’importants développements de l’histoire culturelle. Près de la moitié des romanciers étaient des romancières de 1800 à 1830 : leurs œuvres ont été totalement oubliées et sont seulement en train d’être redécouvertes grâce à des projets comme deuxième texte.

Aujourd’hui, un tiers de ces éditions sont aujourd’hui numérisées sur Gallica. Peut-être près de la moitié sont disponibles en ligne toutes bibliothèques numériques confondues.

Si ce patrimoine oublié redevient accessible, il n’est pas « visible » pour autant. Il est difficile de se retrouver dans ce maquis : contrairement à d’autres productions éditoriales, le roman est historiquement peu documenté. Les textes historiques ou médicaux de la BNF sont catégorisés dans des centaines de cotes ou de classifications Dewey avec un degré de précision parfois surprenant — on peut ainsi retrouver tous les traités d’Hygiène chevaline ou toutes les biographie des prix de vertus.

Pour les romans, il n’existe aucune subdivision : il n’est pas possible de chercher toutes les fictions du XIXe siècle se situant au Japon ou dans un futur proche ou lointain. Même des genres fondamentaux, comme le roman historique ou le roman d’aventures sont introuvables.

Les nouveaux outils des humanités numériques pourraient combler ce manque. J’ai créé une application permettant d’explorer les genres de 1500 éditions de roman parues entre 1800 et 1850, selon quatre classifications canoniques à l’époque (roman historique, roman de mœurs, roman chrétien, roman sentimental) et deux classifications plus diffuses (drame, robinsonade/roman d’aventures). Des probabilités de classification sont assignées à chaque texte.

Liste des romans les plus emblématiques de chaque genre. Le menu déroulant sur la gauche permet de sélectionner un seul genre. Les liens ramènent directement sur Gallica.

L’application a pour effet indirect de faire remonter des textes méconnus. Les romans historiques les plus « roman historique » ne sont pas de Dumas mais Wat-Tyler ou dix jours de révolte ou La chute d’un grand homme doté d’un sous-titre évocateur et intrigant : Des princes norwégiens, des ruines de Rothembourg, de l’aveugle de Valence et d’une nuit au fort de Derpt.

Cette prédilection est logique : la classification met en avant les textes qui surjouent leur appartenance générique et leur maîtrise de « codes » stylistique socialement reconnu. Par contraste, Dumas procède davantage à un mélange des genres — tout en ayant une composante “roman historique” forte, la Reine Margot est plutôt classée en drame.

Les classifications retenues pour la Reine Margot d’Alexandre: le Drame l’emporte finalement sur le roman historique. Les classifications peuvent être visualisées pour tous les titres du corpus à partir du second panel.

Les coulisses de la classification

L’application s’appuie sur une classification du texte intégral des romans dite « non supervisée ». Concrètement, les récurrences dans le vocabulaire employé d’un roman à l’autre suggère des recoupements possibles. Les six classifications du modèle tendent ainsi à privilégier les mots suivants :

Termes privilégiés par le modèle de classification automatisée des romans de 1815 à 1850.

On voit se dessiner dans chacune de ces catégories des proto-romans, une sorte de canevas idéal et moyen de se que serait le roman d’aventures (un navire accostant l’île au trésor), le drame (le docteur engagea le duel à l’ombre de la cheminée) ou le roman de mœurs (la veuve propriétaire se rendant à l’opéra).

Je privilégie rarement cette approche. Moyennant un important travail en amont, la classification dite « supervisée » offre des résultats plus fiables. Ici le modèle ne crée pas ses propres catégories (qui doivent ensuite faire l’objet d’une interprétation) mais tente de les reconstruire à partir d’un corpus manuellement annoté. C’est l’approche que nous avons mis en œuvre au sein du projet ANR Numapresse pour classer automatiquement les genres journalistiques dans l’ensemble des exemplaires parus du Matin ou du Petit Parisien de 1900 à 1940.

Pour l’instant, cette méthode reste difficilement applicable aux romans du XIXe siècle : bien que les genres ou « classes » du roman soient communément discutées, je n’ai pas trouvé pour l’instant de listes ou de recensions contemporaines suffisamment larges et exhaustives pour construire un modèle (je suis d’ailleurs preneur de suggestions…)

Étrangement, cette approche serait faisable pour le XVIIIe siècle : on y trouve sans difficulté des listes détaillées de roman par genre. Dès 1719 on trouve des tables détaillées des « romans historiques » alors même que l’expression n’était quasiment pas employées. Les 240 volumes de l’anthologie La Bibliothèque universelle des romans, parue de 1775 à 1789 à se livrent même à une véritable frénésie classificatoire digne de l’Encyclopédie :

Les sujets traités par la B.U.R. se divisent en huit classes inspirées de celles de Lenglet Dufresnoy : les traductions des anciens romans grecs et latins ; les romans de chevalerie (…) ; les romans historiques (…) ; les romans d’amour, y compris beaucoup d’ouvrages contemporains dès 1780 ; les romans de spiritualité, de morale et de politique ; les romans satiriques, comiques et bourgeois ; les nouvelles historiques et les contes ; et les romans merveilleux. L’intention de traiter méthodiquement les huit classes se transforma à partir du cinquième volume, ces limites ne répondant ni aux textes disponibles ni aux désirs du public. La notation de la classe devient de plus en plus irrégulière dans les volumes qui restent, pour disparaître presque complètement dans les deux dernières années. On sent aussi des difficultés d’organisation dans certaines décisions de classement plus ou moins arbitraires1

Il y aurait sans doute des choses à dire que l’usage ou l’abandon des classifications appliquées à la littérature. Pourquoi la Bibliothèque universelle s’évertue-t-elle à maintenir tout un système de classe en révision constante alors que son continuateur de 1839, la Revue des romans, renonce d’emblée à tout essai de catégorisation ?

La classification non supervisée ne devait être qu’un test préliminaire ; elle a donné des résultats étonnamment bons. Spontanément, la quasi-totalité des titres dotés d’un sous-titre « roman historique » ou d’un sous-titre « roman de mœurs » se retrouvent rattachés à une seule des six catégories. Sans avoir aucune donnée méta-textuelle, en s’appuyant uniquement sur le contenu effectif des romans, le modèle est parvenu à déduire des appartenances globalement justifiées.

Les romans portant le sous-titre « roman historique » se retrouvent généralement classés tous ensemble — alors que le modèle n’en savait rien…

Ce n’est pas tant un succès de l’intelligence artificielle que la conséquence de la codification déjà avancée des genres romanesques au cours de la première moitié du XIXe siècle. Les catégories répertoriées, par exemple, dans l’Histoire de la littérature de Godefroy n’étaient pas que des délimitations purement théoriques : elles avaient une opérationnalité pour les autrices et les auteurs, ainsi que pour les lectrices et les lecteurs.

Tous les genres ne sont cependant pas égaux en terme de reconnaissance sociale. Sur l’ensemble de la production romanesque recensée dans le Catalogue de la BNF, l’on décompte 140 sous-titres « romans historiques » ou 46 sous-titres « romans de mœurs » ; le « roman sentimental » et le « roman chrétien » sont quasiment absents ; le « drame » et la « robinsonade » demeurent de simples propositions de recoupements du modèle, justifiée dans le second cas par la montée en puissance du roman d’aventure pendant la deuxième moitié du siècle. Le catalogue ne conserve généralement que les sous-titre utilisés dans l’œuvre elle-même mais j’ai pu constater que les maisons d’édition ajoutaient fréquemment des sous-titres généricisés à des fins promotionnelles.

Vers une reconstitution de la dynamique des genres ?

Si les six classifications que j’ai proposées ici fonctionnent correctement, elles n’épuisent absolument pas la totalité des catégorisations fondées. D’autres essais ont ainsi fait remonter des genres plus confidentiels, comme le roman maritime (occasionnellement utilisé en sous-titre) qui va ultérieurement se fondre comme la robinsonade dans le roman d’aventures. Le genre non plus romanesque mais personnel est un également facteur déterminant de la délimitation du genre. La Revue des romans ne retient en introduction qu’une unique distinction entre les romans « de femmes » et d’hommes qui rejoue, de manière caricaturale, les assignations de genre et les ségrégations sociales en vigueur dans la France de 1839 :

Par le roman, les femmes sont intervenues dans la littérature avec la grâce et la délicatesse qu’elles savent mettre à toute chose ; le choix des sujets, les sentiments, la sensibilité, même le vague de l’expression, ont été pour elles des moyens de succès ; mais dans leurs productions il faut aussi choisir. Les hommes font du roman un cadre pour tous les tableaux : l’histoire avec ses scènes tragiques, le drame bourgeois avec ses émotions, la comédie avec son langage railleur, la farce avec son gros rire, y trouvent leur place ; la terreur et la pitié, la critique de mœurs, le merveilleux, le positif, les sciences même, dans leurs détails les plus minutieux ou dans leurs résultats les plus sommaires, en un mot, le monde est le domaine du romancier.

Un autre essai de classification que j’ai mené avec Mathieu Letourneux sur un corpus de romans policiers publiés depuis 2000 portait également sur la contribution des structures éditoriales à la formation de sous-genres : il est possible de prédire l’appartenance des textes à une dizaine de collections éditoriales du policier.

La numérisation de masse et, sous réserve d’être utilisés avec un regard critique, les outils de classification automatisés éclairent ainsi d’un jour nouveau la dynamique du genre littéraire avec ses fusions et ses décantations stylistiques et, surtout, ses interactions profondes avec les réalités sociales contemporaines (des rapports de genre à la structuration économique du champ de l’édition). Cela reste très largement un work in progress, notamment dans la mesure où des pans entiers de la production romanesque restent à numériser et que les choix de numérisation ne reflètent pas nécessairement la diversité du champ éditorial.

Plus prosaïquement, ces approches nouvelles permettent de trouver des romans oubliés et de varier les plaisirs de lecture. En attendant des croisements plus ambitieux par thèmes, mon premier essai de classification fait émerger tout un tas de titres intrigants qui n’ont probablement quasiment plus eu de lecteurs entre leur parution et leur résurrection numérique sur Gallica…

  1. Fabio Marinai, « La Bibliothèque Universelle des romans », Dictionnaire des journaux, 1660-1789, http://dictionnaire-journaux.gazettes18e.fr/journal/0172-bibliotheque-universelle-des-romans []

Classer l’écrit : explorer les données du Catalogue de la BNF.

En juillet 2017, la Bibliothèque Nationale de France a ouvert les données de son catalogue, créant une opportunité inédite de faire de l’analyse quantitative de longue durée en histoire culturelle.

Une information essentielle est devenue soudainement accessible : la cote, soit l’identifiant où un texte est rangé physiquement dans les lieux de conservations de la BNF. Cette cote est « signifiante ». Les romans ont été rangés en Y2, les textes de droit en F et les études d’anatomie en TA. Concrètement il devient envisageable de décompter les romans publiés chaque année depuis le XVIIe siècle et, à partir de là, de quantifier des transformations sociales de grande ampleur dans le champ littéraire, comme le fait que les romancières ont soudainement « disparu » à partir de la Monarchie de juillet.

Depuis j’ai pu récupérer la totalité du catalogue pendant tout le XIXe siècle, de 1800 à 1900. La base de données documente 3 419 594 « objets » correspondants à 568 550 identifiants du catalogue. Ce différentiel reflète l’existence de séries périodiques dispersées en un grand nombre de publications (jusqu’à 27000 pour l’Almanach de l’Indre) mais aussi, dans une moindre mesure, la conservation de plusieurs exemplaires d’une même œuvre : la première édition des Travailleurs de la Mer de Victor Hugo, elle-même découpée en trois volumes, est ainsi présente à cinq reprises à Tolbiac, et une fois à l’Arsenal, soit dix-huit exemplaires au total.

De plus les “objets” référencés correspondent à des productions éditoriales très différentes : imprimés, manuscrits, illustrés, partitions, etc. Dans le cadre de cette première exploration je me suis volontairement cantonné aux textes imprimés et édités.

Le catalogue permet d’emblée de se faire une idée générale des transformations de l’édition pendant le XIXe siècle. La série de graphes ci-dessous projette les catégories qui ont représenté à un moment donné au moins 3% de la totalité des livres publiés

Quasiment chaque graphe appellerait un commentaire. Dans l’ensemble, à quelques exceptions près (comme les thèses de Médecine), presque tous les champs sont concernés par une massification de l’édition après 1850, particulièrement sensible dans le cas de la presse ou de la production romanesque.

Malaises dans la classification

Le cas de l’Histoire de la France par règnes / régime (LB) est plus intrigant. Cette catégorie se distingue par des pics très soudains correspondants systématiquement aux changements de régimes majeurs en France : la Restauration, la Monarchie de Juillet, très notablement la Révolution de 1848, et finalement la fin du Second Empire. Est-ce que ces révolutions successives entraînent soudainement un intérêt massif pour l’histoire des régimes passés ?

Ce serait une hypothèse intrigante mais en réalité le phénomène est attribuable aux limites de la classification. La catégorie LB contient la plupart des textes qui correspondraient plutôt aujourd’hui à l’actualité politique : pamphlets, programme de tel ou tel courant, réaction “à chaud” de telle ou telle personnalité politique. Ces textes sont particulièrement intéressants et introduisent des concepts toujours fondamentaux aujourd’hui : “socialisme”, “communisme”, “extrême-droite”, etc. Mais ce n’est pas vraiment de l’histoire ou, à la rigueur, une histoire en train de se faire.

Pour avoir une idée des textes vraiment “historiques” il faut se pencher sur la catégorie LA, Histoire de France par époque (pas présente dans la série de graphe plus haut faute d’une production suffisamment importante sur le plan quantitatif). La production semble ici relativement insensible au bruit et à la fureur de la vie politique.

Ce n’est pas la seule étrangeté du Catalogue. Ce projet de classification documentaire a été en effet entrepris il y a plus de 300 ans : la première version a été émise par le bibliothécaire Nicolas Clément à la fin du XVIIe siècle (d’où le nom de Cotation Clément).

L’arbre de la connaissance de la BNF s’apparente à un étrange feuilleté temporel où les choix et les prédilections d’époques, de sociétés et de mentalités radicalement différentes doivent cohabiter dans la même structure. À l’époque de Clément la théologie était considérée non seulement comme une science mais comme la première des sciences. Les premières catégories sont naturellement affectées à ce domaine : “A” pour l’écriture sainte, “B” pour la liturgie, “C” pour les Pères de l’église, etc.

Cet ordre fondamental n’a pas varié. Les altérations les plus significatives sont intervenu au XIXe siècle dans deux domaines circonscrits : l’Histoire et la médecine. Dans les deux cas, des classifications très détaillées sont introduites, qui reflètent de nouveau un certain ordre des savoirs qui n’a plus vraiment cours aujourd’hui.

Par contraste, toute la littérature en prose reste subsumée dans l’unique catégorie “roman” ou Y2, introduite en 1730 comme supplément de la “poésie” . Aucune distinction n’est opérée entre les formes courtes et longues de la fiction. Paradoxalement, alors que les créations romanesques sont aujourd’hui très largement mises en avant par les bibliothèques, elles se trouvent reléguée à l’arrière-plan de l’arbre de la connaissance sous-jacent de la BNF.

L’arbre de la connaissance du Catalogue de la BNF (voir la version détaillée interactive)

Dans la Langue Analytique de John Wilkins, Borges ironisait sur l’arbitraire des catégories documentaires. Une encyclopédie chinoise auraient ainsi distingué les animaux selon les critères suivants : « appartenant à l’empereur, inclus dans la présente classification, qui s’agitent comme des fou, dessinés avec un très fin pinceau de poils de chameau ».

L’exercice relève à peine de la satire. Les données du catalogue permettent aussi de répondre à des questions déroutantes que personne ne s’est jamais posé. Par exemple, nous savons exactement le nombre de livres publiés sur l’hygiène chevaline pendant tout le XIXe siècle :

Malgré un énoncé prometteur, les « Maladies des gens du monde et des gens adonnés aux travaux de l’esprit » ne sont représentés que par un seul ouvrage : un traité du docteur Charles Karsner Mills édité en 1885, Mental over-work and premature disease among public and professionnal men.

Dans certains cas, les catégories procèdent à des rapprochements étonnants, tel que « Véhicules. Éclairage. Montgolfières. », sans doute ici reliés par un effet de modernité attaché à ces étonnantes machines volantes ou éclairantes au cours du XIXe siècle, même si en pratique cette dénomination s’est finalement avérée assez peu commode.

Les « Biographies des prix de vertus » ont eu un peu plus de succès même si elles ont été bien peu numérisées. De cette production pas négligeable (230 “exemplaires” au total), seul les Prix de Vertu fondés par M. de Montyon sont disponibles sur Gallica.

Visualiser l’effet performatif des catégories avec des “bibliothèques virtuelles”

Dans une bibliothèques les catégories s’incarnent matériellement dans l’espace : quoi que l’on puisse penser de la pertinence de ces classements, les romans sont rangés avec les romans et les Biographies des prix de vertus avec les Biographies des prix de vertus. Le dispositif a une portée éminemment performative qui fait encore sentir ses effets aujourd’hui.

Les cotes n’incluent pas seulement le “lieu” générique du rangement mais aussi potentiellement l’emplacement physique du document. La première édition d’Une Ténébreuse Affaire de Balzac (1842) occupe ainsi la cote 8-Y2-28589 (soit l’emplacement n°28589 des romans en format in-octavo), entre « Élisa de Mérival, ou Mémoires d’une jeune femme » de César du Bouchet (1819) et « Le Forçat colonel » de Fortuné de Boisgobey (1871).

Il n’est pas totalement assuré que l’ordre de succession des documents de la cote corresponde encore aujourd’hui à une succession effective dans les rayonnages. La numérisation des catalogues dispense peut-être d’organiser les rayons thématiquement. Néanmoins, cet ordre a été fonctionnel à un moment donné.

Il serait ainsi possible de reconstituer la disposition des documents dans l’espace. La visualisation ci-dessous déploie des rayonnages fictifs, à raison de vingt-cinq documents par étagères et de quatre étagères par bibliothèque pour tous les romans (Y2) entre la cote 43 000 et 43 500. Le document est coloré en vert s’il a été numérisé sur Gallica et en rouge autrement1.

Essai de Bibliothèque virtuelle. Chaque rectangle est un document, chaque ligne orange délimite une étagère “imaginaire” de vingt-cinq documents et chaque bibliothèque se compose de quatre étagères (voir la version interactive — attention le temps de chargement peut être long…)

Cette disposition régulière est purement imaginaire. En raison de la variété des documents, aucune bibliothèque ne peut être si ordonnée. À défaut la visualisation donne une idée de la “pesanteur” matérielle des catégories et des liens de proximité que dessine la bibliothèque entre les documents.

Pour l’instant ma visualisation ne relève que d’une petite expérience de pensée mais, moyennant un peu de développement, elle pourrait être généralisée à l’ensemble du catalogue. Nous pourrions imaginer une bibliothèque numérique d’un nouveau type, une “bibliothèque virtuelle”, qui rendrait de nouveau visible cet ordre sous-jacent qui conditionne encore aujourd’hui nos modes de lecture.

À supposer qu’elle existe réellement sous cette forme, la bibliothèque virtuelle est par définition “cachée” aux yeux du lecteur ordinaire : elle ne s’incarne au mieux que dans les coulisses et les magasins de la bibliothèque. La même approche peut aussi permettre de cartographier des lieux plus accessibles. Les données détaillées du Catalogue précisent également si un document est placé ou non en libre accès dans une des salles des sites de la BNF. À partir de là nous pouvons également tenter de repérer quels sont les salles du site principal qui mettent à disposition le plus de documents du XIXe siècle : sans trop de surprise ceux-ci se trouvent principalement dans le Rez-de-Jardin et, très notablement, dans la salle Histoire (L).


L’inertie des catégories documentaire dans le “numérique”

Les effets de ces dispositifs sont en effet toujours perceptibles dans l’espace a priori “dématérialisé” des bibliothèques numériques. Alors certes, l’ordre de consultation est totalement déliée des classements thématiques et même la structure des données ne les reflètent plus : sur Gallica, l’édition 1842 d’Une Ténébreuse Affaire est cataloguée comme “bpt6k68897j”, un identifiant purement arbitraire qui dispense de s’interroger a priori sur la classification documentaire.

Pour autant, tout n’est pas numérisé et les choix de numérisation semblent dépendre directement des anciens dispositifs de rangement. Toutes les catégories ne sont pas égales : le droit, les biographies, la poésie ou notre catégorie bigarrée d’actualité politique/histoire et, dans une moindre mesure le roman sont bien représentées avec souvent plus de la moitié des textes numérisés par années. Inversement le théâtre, l’histoire constitutionnelle, les sciences philosophiques et morales ou, surtout, les “thèses de médecine” ont été plutôt délaissés La sélection est parfois uniquement “documentaire” : les collections particulières, généralement des legs entiers hétérogènes, sont assez bien numérisées.

Tous ces choix ne sont pas facilement explicables : il s’y mêle sans doute à la fois des questions de prestige et/ou des besoins de recherche plus fortement exprimés dans certains domaines que dans d’autre (de la même manière que l’ontologie du catalogue est considérablement plus précise en Histoire et en Médecine que dans n’importe quel autre domaine). En tout cas, l’existence d’un tel différentiel suggère que les catégories conservent une part d’opérativité et peuvent avoir servi de point de départ pour déterminer des stratégies de numérisation.

Au-delà de l’impact “macroscopique” des grandes entrées thématiques il existe également un effet “microscopique” plus aléatoire. D’après un bibliothécaire dans certains cas la numérisation correspondait à une intention précise (tel que la saisie exhaustive de la production d’un auteur ou d’une collection éditoriale) mais dans d’autres « on prenait juste une étagère ». La projection du catalogue sous forme de bibliothèque virtuelle permettrait peut-être d’identifier ces cas de numérisation collective. Pour l’instant, en explorant les cotes des roman de 40 000 à 50 000 je n’ai rien trouvé d’absolument concluant même si les numérisations parfois à arriver “par grappe” après de longues séquences de documents non numérisés.

Dans les deux cas l’incidence des catégories serait très concrète : elles affectent la recherche textuelle. Parce qu’il y a eu une démarche de numérisation plus exhaustive au sein de cette cotation ou parce qu’une étagère a été prise, un texte sera présent ou absent. En raison de ces conditions de visibilité ou d’invisibilité les requêtes dans les moteurs de recherches peuvent générer des résultats de recherche différents, et affecter potentiellement les interprétations et hypothèses.


  1. À noter que j’ai également “déplié” les publications en volumes ou en série, ce qui peut se traduire parfois par une répétition de la cote []

Les femmes ont-elles disparu de la littérature en 1830 ?

Parallèlement au processus général de “féminisation” des professions, il y a des activités où les femmes disparaissent. L’informatique constitue un cas emblématique : alors que de nombreux pionniers étaient des pionnières, le sex-ratio est de plus en plus déséquilibré depuis trente ans. Dans les universités américaines, le part d’étudiantes en computer science serait passée de 35% en 1984 à moins de 20% aujourd’hui.

Ce phénomène de dé-féminisation n’est pas une anomalie isolée. Une excellente rétrospective historique de Béatrice Cherrier montre que les femmes ont de plus en plus été marginalisées dans les sciences économiques entre les années 1930 et les années 1970 (avec un taux de docteures passant de 20% à 4% entre les années 1920 et les années 1950).

Et il y a la littérature…

L’effacement de la femme auteur

Le graphe ci-dessous représente la proportion de publications signées d’une romancières de 1700 à 1900 d’après les données croisées de Data BNF et du catalogue de la BNF (voir la base complète déposée sur Github).

Taux de romancières dans data bnf

Nous retrouvons un schéma comparable à ce qui s’est produit en informatique ou dans les sciences économiques — sauf que tout se passe un siècle plus tôt. La littérature française s’est déjà largement féminisée au début du XIXe siècle, avec une quasi-parité atteinte pendant la décennie 1810. Après 1830, les romancières disparaissent : nous arrivons à des taux résiduels typiques d’activités fortement masculinisées (entre 10-20%).

Ces chiffres corroborent de nombreuses recherches consacrées à l’émergence (puis à l’occultation) de la “femme auteur” au XIXe siècle depuis la parution de l’étude classique de Christine Planté “La Petite sœur de Balzac” en 19891 . Planté montre en particulier que la visibilité croissante des romancières à partir de la Révolution débouche sur une série de procès en délégitimation contre ces “bas-bleus” (p. 10-13).

Dans ce processus d’effacement les instances de légitimation jouent un rôle particulièrement trouble : l’histoire littéraire tend à minimiser systématiquement la part réelle des écrivaines : “plus une histoire littéraire est courte, plus les femmes s’en voient exclues — plus massivement, semble-t-il, que des hommes écrivains mineurs2 .”

Ces interprétations peuvent s’appuyer sur de nombreux indices concordants, mais assez peu de chiffres. Quelques estimations attestent de la féminisation de la littérature à la fin du XVIIIe siècle (par exemple, pour Carla Hess, il y avait 206 écrivaines éditées entre 1754 et 1788, contre 329 de 1789 à 1800). Pour l’instant, il ne semble pas exister de quantifications globales qui attesteraient des phases successives d’émancipation et d’élargissement :

Première difficulté assumée de la présente démarche que l’obtention de chiffres concernant la production littéraire des femmes ou la part de femmes de lettres parmi les gens de lettres au cours du XXe siècle. Je n’ai, jusqu’à ce jour, trouvé aucune étude livrant ce chiffre sur l’ensemble du siècle et tous genres confondus ou même distingués3 .

Notre analyse quantitative porte pour l’instant sur la totalité des XVIIIe et XIXe siècle : nous intègrerons le XXe siècle ultérieurement.

Explorer l’ensemble des romans documentés par la BNF

L’idée de cette exploration de données m’est venue à la suite de la parution d’une étude similaire menée par Ted Underwood sur la littérature anglaise du XIXe siècle. The Gender Balance of fiction part d’un constat similaire à celui des recherches francophones sur la femme auteur : la féminisation n’est pas un processus continu et irréversible. Underwood repère également un temps d’exclusion mais il est beaucoup plus tardif : la fin du XIXe siècle (plutôt que les années 1830).

Proportion des livres de fiction écrits par des femmes (Underwood)

Dans cette optique de “longue durée”, la vague féministe des années 1970 constitue au mieux une restauration après une phase durable de marginalisation :

There is a clear decline from the nineteenth century (when women generally take up 40% or more of the “character space” in fiction) to the 1950s and 60s, when their prominence hovers around a low of 30%. A correction, beginning in the 1970s, almost restores fiction to its nineteenth-century state. (One way of thinking about this: second-wave feminism was a desperately-needed rescue operation.)

Il est techniquement possible de mener une analyse similaire en France depuis… la semaine dernière. BNF vient d’ouvrir (en bêta) un nouveau service expérimental d’accès à son catalogue par API. Or, les cotes dans lesquels sont rangés les exemplaires sont “signifiantes” : il s’agit de la cotation Clément du nom du bibliothécaire du XVIIe siècle.

La première version de cette classification privilégiait les productions intellectuelles au détriment des productions littéraires (reléguées à la seule catégorie Y, “Pœtæ”). Ce biais s’est graduellement corrigé par la suite : en 1730, les bibliothécaires introduisent une cotation spécifique pour les romans, Y2 (pour Y bis) ; au cours du Second Empire, la classification est réorganisée de fond en comble, avec des cotes beaucoup plus précises pour les ouvrages d’histoire.

Avec l’API j’ai pu récupérer la totalité des métadonnées des publications rangées dans la cote Y2 publiés entre 1700 et 1900. Évidemment je suis tributaire des choix effectués par les bibliothécaires au fil des siècles mais la définition élémentaire du genre “roman” (texte long de fiction en prose) est suffisamment pérenne et englobante au cours de la période pour être opératoire.

Pour mes premières explorations de données, je me suis concentré sur la littérature de la Restauration — une période que je connais bien et avec suffisamment peu d’entrées (200 en moyenne par an) pour que je puisse regarder les données en détail. Un phénomène m’a tout de suite intrigué : la part élevé d’autrices. Pour l’année 1816, la parité est parfaitement atteinte (avec 38 vs. 36 publications).

L’élaboration complexe d’un taux de romancière

Les données du catalogue ne disent rien du genre des auteurs mais elles peuvent être reliées à l’entrepôt de métadonnées de la BNF, Data BNF : les identifiants du catalogue (par exemple cb30911497p pour “Caroline ou les inconvénients du mariage”) sont les mêmes que ceux des éditions. Ces fichiers sont en libre accès mais difficilement maniables pour un ordinateur personnel. Pour rattacher les auteurs/autrices à chaque œuvre, il faut effectuer quatre jointures successives entre la base de données des personnes (“databnf_person_authors”), la base de données des contributions (“databnf_contributions” : elle indique quel est le rôle joué par chaque personne dans l’élaboration de la publication), la bases de données des éditions (“databnf_editions”) et, enfin, notre compilation des romans issues du catalogue. Les trois premiers fichiers ayant une taille de plusieurs gigaoctets, j’ai effectué pour un pré-traitement en python afin de les rendre manipulable dans R.

À terme, nous obtenons un tableau listant les 47300 interventions de chaque auteur pour chaque “édition” de 1700 à 1900. Il y a eu un peu de déperdition au passage : un certain nombre de romans (10-20%) n’ont pas de fiches correspondantes dans data bnf. Par ailleurs, comme le sex ratio peut être déformé par la parution de “classiques”, nous avons tenté de ne garder que les auteurs “récents” relativement à la date de parution (soit pas plus tard que cinq ans après leur décès) et limité le champ des “rôles” défini par la BNF à l'”auteur du texte” (code 70).

Cette nouvelle version du graphe montre les agrégations par cinq ans. Il y a beaucoup de “bruit” pendant tout le XVIIIe siècle, en raison d’une production annuelle beaucoup plus limitée. Par contraste, la tendance au XIXe siècle est nette. L’essor est continu depuis la Révolution (13% des “interventions” pendant les années 1790, 33% pendant les années 1800, 46% pendant les années 1810) : tout ceci corrobore parfaitement l’intuition exprimée dès 1811 par Félicité de Genlis sur “le nombre effrayant de femmes auteurs” (De l’influence des femmes sur la littérature française, p. XXIV).

Le déclin est très brutal (31% pendant les années 1820, 12% pendant les années 1830). L’accroissement de l’ensemble de la population des auteurs ne suffit pas à l’expliquer : en chiffre absolu, le nombre de publications avec au moins une autrice régresse (de 251 en 1820 à 171 en 1830) tandis que celui des publications masculines augmentent très fortement. Et l’évolution est trop rapide pour être attribué à un changement de génération : des femmes cessent soudainement d’écrire.

L’effacement des romancières a-t-il une incidence sur l’écriture romanesque ?

Les thèmes dominants des romans de 1816 le suggère. Contrairement aux autres années, où je me suis limité à reprendre les données de data BNF (ce qui peut inclure des oublis ou des duplications) ici j’ai tenté de retrouver systématiquement des versions numérisées ou, à défaut, des résumés détaillés de l’ensemble de la production romanesque. Les points de vue féminin sont bien représentés avec des titres comme “Caroline, ou Les inconvénients du mariage”, “Cécile, ou l’Élève de la pitié” (numérisé sur Internet Archive), “Irma, ou les Malheurs d’une jeune orpheline” (numérisé sur Internet Archive), “Nolbertine, ou les Suites du pélerinage”, “Valsinore, ou Le coeur et l’imagination” (numérisé sur Google Books), “La vierge de l’Indostan” (numérisé sur Gallica)… L’année se caractérise également par une réception française significative des romans de Jane Austen (avec des traductions d’Emma, de Mansfield Park…).

Mon estimation est ici limitée à une seule année mais Ted Underwood est habilement parvenu à étendre cette analyse à deux siècles. Des outils de reconnaissances d’entité nommées encore indisponibles en français (BookNLP) ont permis d’identifier automatiquement les personnages féminins de près de 100 000 romans. Sans surprise, dès lors que la proportion de romancière régresse, les mondes romanesques se “dé-féminisent” : nous retrouvons exactement les mêmes tendances que dans le précédent graphe d’Underwood.

Part des “caractérisations féminines” dans 100 000 fictions en anglais parus entre 1800 et 2007 (Ted Underwood).

Ce type d’approche a le mérite de souligner que le discours romanesque est perméable à la répartition des genre dans le champ littéraire. La disparition de femmes “réelles” marque aussi la disparition de femmes de fiction potentielles — ou une transformation de leur statut et de leurs caractérisation. Cette répartition conditionne également les manières d’instituer la féminité et — et je pense que cet aspect reste encore sous-estimé — la masculinité. Les romancières de années 1800-1830 abordent volontiers les enjeux et les troubles de l’identité masculine, d’où ce titre très parlant dans ma recension de 1816 “Lucien de Murcy, ou le Jeune homme d’aujourd’hui” d’Elisabeth Brossin de Mélé (non numérisé) mais aussi les premières fictions à aborder, à mots couverts, la question de l’homosexualité en société (Olivier de Claire de Duras).

L’industrie culturelle contre les femmes ?

La marginalisation post-1830 est presque trop complète pour être seulement expliquée par une réaction masculine. Je suis assez tenté d’y voir une corrélation avec l’industrialisation de la culture. La production romanesque amorce un premier décollage à partir des années 1840 (sans doute en partie tiré par les succès des romans-feuilletons) et atteint une croissance spectaculaire pendant le Second Empire.

Production romanesque de 1700 à 1900

Cette industrialisation implique un rapprochement des milieux littéraires et des milieux économiques et financiers — milieux d’où les femmes sont de facto exclus. Elles n’ont ni le droit d’ouvrir un compte en banque, ni le droit d’entrer à la Bourse — et bientôt sont de facto exclues des nouvelles structures de la profession organisant la répartition de ces flux. Lors de sa création la Société des gens de lettre comptait une femme (George Sand). Aucune femme ne sera plus admise avant… 1907.

Un champ d’activité quasi-paritaire vers 1815 se trouve ainsi représenté vers 1840 par une institution uniquement masculine. En trente ans, les femmes de lettres ont disparu : en proportion elles ne sont plus grand chose, en représentation elles ne sont plus rien.

  1. Pour un bon aperçu de ces travaux, voir l’introduction de la thèse d’Ève-Marie Lampron, “Entre cohésions et divisions : les relations entre femmes auteures en France et en Italie (1770-1840)“ []
  2. Christine Planté, “La place des femmes dans l’histoire littéraire : annexe, ou point de départ d’une relecture critique ?“, Revue d’histoire littéraire de la France, vol. 103 []
  3. Audrey Lasserre, “Les femmes au XXe siècle ont-elles une histoire littéraire”, Cahiers du CERACC, p. 41 []

L’exception Text & Data Mining sans décret d’application…

L’information vient d’être relayée sur Twitter (et n’a apparemment pas encore fait l’objet de publication par ailleurs) : le conseil d’État a rejeté le décret encadrant l’exception au droit d’auteur pour la fouille de texte et de données (Text & Data Mining) à des fins scientifiques.

Ce rejet n’est pas définitif : la loi prévoit de toute manière un décret (“Un décret fixe les conditions dans lesquelles l’exploration des textes et des données est mise en œuvre”). En attendant, cela limite considérablement l’application concrète de l’exception.

Que peut-on faire en attendant ?

Le principe de base demeure : il n’est pas illégal, au regard du code de la propriété intellectuelle, de constituer des “copies ou reproductions numériques réalisées à partir d’une source licite, en vue de l’exploration de textes et de données incluses ou associées aux écrits scientifiques pour les besoins de la recherche publique, à l’exclusion de toute finalité commerciale.”

Par exemple, j’ai extrait automatiquement plusieurs centaines articles de presse pour un projet de recherche sur le débat européen autour de la Liberté de panorama (notamment à partir de la base de données Europresse, à laquelle mon université est abonnée). J’étais alors potentiellement dans l’illégalité si je n’en faisais pas un usage strictement privé (par exemple en communiquant les copies à des collaborateurs). Aujourd’hui ce ne serait a priori plus le cas.

Par contre, en l’absence de décret d’application, les propriétaires des contenus ne sont tenus en rien de fournir ces corpus aux chercheurs ; ils ont même toute latitude de bloquer les extractions automatiques (en invoquant la nécessité de “protéger” le site des requêtes excessives). En somme, l’exception lève le risque juridique lié à l’utilisation de copies licites pour la fouille de donnée ; elle ne permet pas de récupérer ces copies (qui requièrent des arrangements contractuels au cas par cas).

Que prévoyait le décret ?

Le décret d’application visait à corriger cette déficience. La dernière version en date (republiée pour l’occasion sur Sciences Communes) correspond à un texte de compromis. La préservation de la “sécurité” des infrastructures face à des requêtes multiples ne peut servir d’argument pour entraver excessivement l’extraction : les détenteurs des droits (généralement des éditeurs) peuvent “appliquer des mesures destinées à assurer la sécurité, la stabilité et l’intégrité des réseaux et bases de données, dès lors qu’elles n’excèdent pas ce qui est nécessaire pour atteindre ces objectifs”.

Les établissements de recherche sont de plus habilités à conserver “sans limitation de durée les copies techniques produites dans le cadre de l’exploration de textes et de données”. L’objectif est d’éviter de mener d’effectuer des extractions multiples (alors que des corpus peuvent avoir déjà été constitués).

Qu’est-ce qui va suivre ?

Pour l’instant, l’argumentaire du Conseil d’État n’a pas encore été publié. Il sera intéressant de voir quelles dispositions du décret ont motivé le rejet (et, par contraste, quelles dispositions sont appelées à être reprises dans un futur décret).

Il semblerait également qu’une voie intermédiaire entre arrangement contractuel et cadre général soit également envisagée, sous la forme de “protocoles d’accords” intégrés dans les contrats entre les institutions de recherche et les éditeurs. Tout ceci risque de complexifier grandement la mise en œuvre de l’exception (rien ne garantit que les protocoles soient rendus publics, ni qu’ils soient systématiquement identique d’un contrat à l’autre…).

À plus long terme, une exception similaire est très sérieusement envisagée au niveau européen. Le principe d’un droit de fouille de textes et de données semble faire l’objet d’un relatif consensus : le débat porte davantage sur son extension au-delà du monde de la recherche (pour tous les usages non-commerciaux, voire pour des usages commerciaux). Le rapport Comodini, qui correspond déjà à un texte de compromis entre les différentes options retenues par le parlement européen, propose ainsi d’étendre le périmètre de l’exception à “l’innovation” (Amendement n°3) et non uniquement à la “recherche scientifique”.

Les bibliothèques numériques sont-elles représentatives ?

Au terme de 20 ans de programmes de numérisation, les bibliothèques numériques atteignent des dimensions colossales : il y a 4 millions de documents en libre accès sur Gallica et 5 millions sur son équivalent américain, Hathi Trust.

Et pourtant “colossal” ne veut pas dire “représentatif”. Certains référendums en ligne illustrent bien cette nuance : tout en récolant parfois beaucoup plus de réponses que les sondages classiques, ils sont notoirement moins fiables. Ils mesurent surtout la propension de certains groupes politiques à se mobiliser pour y répondre — quand ils ne sont pas complètement détournés par des votes multiples, avec ou sans robots…

Si elle n’est pas détournée par des groupes de pression, la numérisation n’est non plus une activité purement “aléatoire”.  Elle découle la conjonction de choix documentaires, déterminés par plusieurs contraintes ou opportunités externes : “prestige” ressenti du corpus, état de conservation, articulation avec des projets de recherche, intégration dans des dispositifs d’indexation antérieurs — sans compter les restrictions budgétaires qui amplifient tout le reste…

Cet enjeu méthodologique de la représentativité déborde complètement du cadre des humanités numériques. La recherche par mots-clés dans les bibliothèques numériques s’est généralisée, devenant pour de nombreuses études une porte d’entrée par défaut. Sans même tenter de quantifier les occurrences, la consultation prioritaire des documents qui “remontent” dans le moteur de recherche affecte notre perception de l’objet ou du corpus étudié — même si cela n’exclut en rien des des retours critiques ultérieurs.

Transformer le Catalogue de la BNF en une collection de fichiers csv

Dans le cas de Gallica, une excellente ressource permet de lever un coin de voile : Data BNF. Dans la continuité du mouvement d’ouverture des données culturelles, une grande partie des métadonnées de la BNF est aujourd’hui disponible sous une licence ouverte.

Le format utilisé (du web sémantique en RDF) se prête bien à l’indexation de relations complexes. Typiquement, un livre peut avoir plusieurs auteurs, qui peuvent avoir contribué à plusieurs livres — sachant qu’il existe tout un dégradé de “contributions”, de la rédaction de l’ensemble du livre, à celle de sa préface, en passant par la coordination d’un ensemble textes dans le même ouvrage.

Exemple d’entrée RDF d’une édition dans Data BNF

Ce format complexe ne se prête pas très bien à l’analyse de données sur un ordinateur personnel (raison pour laquelle, la BNF met à disposition un point SPARQL) Notamment, les fichiers sont très volumineux (20 gigaoctets pour l’ensemble des “éditions” : soit bien au-dessus des capacités standards de mémoire vive) et rangés de manière arbitraire (apparemment l’ordre dans lequel les documents ont été rentrés dans le catalogue de la BNF).

Avec un petit script en python, j’ai procédé à l’extraction des principales métadonnées de toutes les éditions antérieures à 1900. Chaque édition a été rangé dans un document en csv correspondant à une année. La collection complète peut être téléchargée par ici : elle compile les métadonnées de 1665095 éditions et “pèse” 400 mégaoctets (100 mégaoctets en version compressée). Chaque année peut être ouverte dans un tableur classique de type excel, même si l’application risque de tousser un peu à mesure que l’on se rapproche de l’année 1900.

Extrait de la collection de fichiers csv

À noter qu’il s’agit ici des éditions et non des œuvres : un même écrit peut figurer à plusieurs reprises. Il existe bien un recensement des œuvres en RDF mais il est pour l’instant très incomplet. Pour l’instant les auteurs ne sont pas mentionnés : c’est au programme d’une version future — il faudrait que je croise les documents csv avec le fichier RDF des “contributions” et celui des “auteurs”. Enfin, j’ai laissé les années telles qu’indiquées et les documents antérieurs à 1000 sont manipuler avec précaution : la BNF utilise apparemment des abréviations (19…) en cas d’imprécision.

Une couverture variable selon les époques

Il y aurait beaucoup d’enseignements à tirer de cette collection mais nous nous limiterons ici : quelle est la représentativité de Gallica au regard du catalogue de la BNF ? Toujours avec un petit script en python, nous pouvons extraire le nombre d’éditions du catalogue de la BNF disposant également d’un lien sur Gallica (qui correspond à la propriété rdarelationships:electronicReproduction en RDF).

Au total, 17,56% des éditions sont numérisées sur Gallica. C’est loin d’être négligeable : il ne s’agit que d’une seule bibliothèque.  En prenant en compte la totalité des publications disponibles sur l’ensemble des bibliothèques numériques, nous ne sommes peut-être plus très loin de cet objectif utopique : accéder à la totalité des documents imprimés dans le domaine public.

Cette proportion n’est pas uniforme dans le temps. Le graphe ci-dessous témoigne de variations substantielles : de 3% en 1530 (24 éditions numérisées sur 785) à… 31% en 1731 (813 éditions numérisées sur 2574) :

Editions du Catalogue de la BNF numérisées dans Gallica

Ces variations ne sont pas purement arbitraires. La tendance globale (représentée ici avec une courbe de régression en méthode Loess) témoigne de l’existence de trois “périodes” distinctes : des taux initialement bas en hausse constante pendant les XVe, XVIe et XVIIe siècles ; un palier élevé, supérieur à 20%, pendant tout le XVIIIe siècle ; un déclin continu amorcé à partir de la Révolution française.

Il n’y a sans doute pas d’explication simple à ces tendances mais je serai tenté d’y voir la conjonction de deux phénomènes : les documents anciens sont probablement plus coûteux à numériser (notamment en raison de leur fragilité) ; à mesure que l’on se rapproche de 1900, la production documentaire s’accroît fortement (et l’on commence à voir poindre les incertitudes sur le droit d’auteur). Entre ces deux écueils, le XVIIIe siècle constituerait un optimum de représentativité.

Sauf que… Nous avons jusqu’ici considéré le Catalogue de la BNF comme une référence absolu (à laquelle se mesurait plus ou moins bien Gallica). Rien n’est si simple : le Catalogue hérite lui-même d’une longue histoire assez passionnante, qui se confond avec celle du dépôt légal. Bien que théoriquement établi au XVIe siècle, le dépôt légal est très mal appliqué en pratique jusqu’au début du XIXe siècle : le progrès des techniques d’indexation permet alors d’établir cette remarquable base de données périodique qu’est la Bibliographie de la France.

Nombre d’éditions dans le Catalogue de la BNF

Si le catalogue s’approche d’un niveau d’exhaustivité idéal pendant les XIXe et XXe siècle, rien n’est moins sûr en-deçà. Une rapide inspection de l’année la plus représentative, 1731, instille le doute. Parmi les documents numérisés, nous trouvons beaucoup de cartes et d’arrêts du conseil d’État. Ils n’est pas totalement exclu que ces éditions n’ont été intégrées au Catalogue de la BNF qu’à l’occasion de leur inclusion dans Gallica…

Titre des éditions numérisées sur Gallica en 1731
Titre des éditions numérisées sur Gallica en 1731

Dans la mesure où elle entraîne une redéfinition des notions de “texte” ou d’éditions, la numérisation concourt peut-être à “créer” (ou du moins “instaurer”) des documents. Dans une bibliothèque, un arrêt n’est qu’une feuille volante qui ne va pas nécessairement être signalé dans les catalogues. Dans un système informatique, il devient un document comme un autre.

Gallica préfère les textes longs

Il existe une autre manière de mesurer la représentativité avec les données dont nous disposons : par le nombre moyen de page. Cette donnée figure souvent (mais pas toujours)  dans champ “description” et peut être extraite systématiquement à l’aide d’une expression régulière (ici avec R) :

scan_years %>%
 mutate(page_number = str_match(description, "(\\d+) ?p\\.")[,2]) %>%
 filter(!is.na(page_number)) %>%
 mutate(page_number = as.numeric(page_number))

Sur la période 1815-1870, le nombre moyen de pages des éditions numérisées est presque systématiquement plus élevé. Le différentiel avec les éditions non numérisées atteint même 30-40 pages pendant le Second Empire.

Les documents numérisés sur Gallica ont une pagination plus élevée

Cette préférence structurelle pour le texte long pourrait découler d’une préférence pour les grandes monographies. D’expérience, je retrouve bien plus souvent des textes romanesques, des traités scientifiques ou des annuaires que de petits opuscules ou pamphlets.

Comment “construire” la représentativité ?

Je pourrai poursuivre cet exercice avec d’autres données (notamment les éditeurs ou les lieux de publication, en attendant les auteurs), mais il deviendrait vite un peu frustrant. Deux informations essentielles manquent toujours à l’appel : les “genres” et les “sujets” abordés. La BNF dispose certes d’un référentiel prévu à cet effet, le RAMEAU. Il reste très peu employé pour les documents antérieurs à 1900 : dans le point SPARQL de Data BNF, quasiment aucun “roman” n’apparaît avant 1850. Or, manifestement, les variations constatées dans le temps ou sur le nombre de pages découlent au moins pour partie de prédilections plus ou moins explicites en faveur de tels ou tels corpus.

La représentativité reste encore aujourd’hui à “construire”. Elle ne peut uniquement s’adosser à des outils documentaires préexistants (qui sont eux même faillibles et incomplets) : il faut également repartir des textes eux-mêmes.

C’est là l’intuition fondamentale de la lecture distante. Chaque texte porte en quelque sorte sa “carte d’identité” : le lexique employé constitue une série d’indices stylistiques ou sémantiques permettant de classer et d’indexer le document. Une équipe de recherche américaine, coordonnée notamment par Ted Underwood, est ainsi parvenue à “cataloguer” automatiquement 13 millions d’ouvrages (dans le domaine public et sous droit d’auteur) d’Hathi Trust à partir du décompte du lexique. À partir de ces corpus libre accès, il devient envisageable, par exemple, d’observer la sédimentation sur le temps d’un genre littéraire comme la science fiction :

Probabilité d'attribution à la science fiction (Underwood, The Life Cycle of Genres)
Probabilité d’attribution à la science fiction (Underwood, The Life Cycle of Genres)

Ces nouvelles approches ne nécessitent pas seulement de lever des barrières techniques mais aussi légales. La revendication de droits de propriété intellectuelle sur des textes dans le domaine public (ou copyfraud) s’accompagnent bien souvent de restrictions contre le téléchargement.

Gallica restreint ainsi l’usage commercial des documents numérisés. Il n’existe pas d’API ou de dumps (soit de collections textuelles complètes) de Gallica : l’application Pyllica que j’avais développé avec Julien Schuh contourne cette difficulté en extrayant directement les pages web1 . À contrario, les métadonnées sont disponibles sous licence ouverte sur data BNF (et peuvent être téléchargées en une seule fois).

Néanmoins les bibliothèques numériques réduisent graduellement ces restrictions indues, en partie pour tenir compte de ces nouveaux enjeux. Alors que le copyfraud tend à s’insinuer dans la loi (notamment au travers de la Loi Valter), les bibliothèques passent graduellement à “une libre diffusion du domaine public numérisé” (ce qu’illustre notamment la conversion récente de la Bibliothèque de l’INHA à la Licence ouverte). Pour mes projets de recherche sur la presse quotidienne nationale, j’ai la chance de disposer du corpus Europeana Newspaper (disponible sous forme de dumps complets sous licence CC0).

Dans ce contexte, la levée de ces barrières et enclosures devient un enjeu scientifique majeur. La plupart des publications du domaine public sont peut-être aujourd’hui disponibles en ligne mais nous ne le savons pas. Pour être visibles et correctement indexés, ces immenses corpus doivent devenir mobiles : circuler librement d’un projet de recherche à l’autre, d’une infrastructure à l’autre et être continuellement enrichis au gré de ces passages.

  1. Pyllica va d’ailleurs bientôt recevoir une mise à jour substantielle : stay tuned []

De Trump à Léophane : d’une débâcle journalistique à une victoire désinformationnelle ?

[Analyse écrite à quatre mains]

Le 1er février, Le Monde lançait en fanfare un outil de vérification de l’information, Decodex. Dix jours plus tard, une adresse IP du journal s’est retrouvée bloquée pendant neuf mois sur Wikipédia pour… avoir introduit de fausses informations sur l’encyclopédie libre. Le journaliste scientifique du Monde, Pierre Barthélémy, a en effet créé (et laissé en place pendant plusieurs semaines) un article presque entièrement faux, consacré à un philosophe grec méconnu, Léophane. Le but de Pierre Barthélémy : faire “une expérience pour un article sur la vérifiabilité des infos sur Internet à l’heure des fake news”.

Quel lien entre la controverse autour de Decodex et les agissements de P. Barthélémy ? Certes ces deux événements ne sont pas directement liées. Mais les deux s’inscrivent dans un contexte particulier : le sentiment d’évoluer dans une « ère post-vérité » où l’exactitude des informations est sans importance et où toutes les sources se valent quelles que soient leurs approches de qualité des informations. Le point de départ de Decodex — aider les lecteurs du Monde à “se repérer face à une vague toujours plus forte de fausses informations” — et la prétendue exploration de P. Barthélémy semblent ainsi complémentaires. Nous ne commenterons pas ici la démarche de Decodex.

Nous avons demandé un droit de réponse au Monde spécifiquement après la publication d’un article par P. Barthélémy où il détaille son approche. Notre positionnement est multiple : scientifiques, éditorialistes et contributeurs à Wikipédia, nous identifions de graves problèmes dans la démarche de P. Barthélémy. Ces manquements sont aussi bien en amont qu’en aval de la publication de son article. La gravité des faits commis par P. Barthélémy et le manque apparent d’évaluation de l’impact de ses agissements s’ajoutent à l’outrage qui est le nôtre et celui de collègues, constaté à travers diverses discussions ces derniers jours.

Continuer la lecture de De Trump à Léophane : d’une débâcle journalistique à une victoire désinformationnelle ?

Les nouveaux modes d’éditorialisation du libre accès : l’étude critique de 2016 est là !

Je diffuse aujourd’hui mon principal projet de ces derniers mois, qui marque également l’aboutissement d’une réflexion engagée depuis plusieurs années sur Sciences communes : une étude critique sur les nouveaux modes d’éditorialisation des revues scientifiques en accès ouvert réalisée pour BSN — et très opportunément, cela tombe en pleine Open Access Week

couverture_rapport
Cliquez sur l’image pour accéder au rapport (hébergé sur scoms en attendant HAL)

L’étude n’est que la version « synthétique » d’une quarantaine de pages d’un ouvrage qui paraîtra dans quelques mois. On peut retrouver également certains éléments propres à l’ouvrage (non repris dans l’étude) dans la présentation que j’en ai tirée pour la BSN et que j’ai ressorti la semaine dernière pour le séminaire PragmaTIC :

Support de présentation de l’étude pour BSN

Le libre accès connaît aujourd’hui un tournant majeur. Il entre dans la loi : la Loi pour une République numérique prévoit un droit de republication des versions auteur ainsi qu’une exception au droit d’auteur pour faire de l’extraction automatisée de textes et de données (text & data mining, encore connu sous le sigle TDM). Au-delà de cette officialisation, le libre accès, sous toutes ses formes (archives ouvertes, revues, bases de données) est devenu un phénomène massif et incontournable, toutes disciplines, communautés et pays confondus.

De quel libre accès parle-t-on ?

La mise à disposition gratuite, voire sous licence libre, dissimule des choix éditoriaux, économiques et même politiques, radicalement distincts. Une partie du mouvement du libre accès est ainsi tentée par une mutation a minima : le journal flipping, soit une reconversion (to flip) des budgets consacrés aux abonnements en achats de « droits à publier » en libre accès, sans rien changer aux montants.

Cette reconversion maintient en l’état l’oligopole des géants de l’édition scientifique (bien présenté dans le dernier Datagueule), voire en étend la portée. Car un acteur comme Elsevier n’attend pas la généralisation du libre accès pour amorcer sa reconversion. Les acquisitions successives de Mendeley ou de l’archive ouverte SSRN (en attendant, peut-être, celles de ResearchGate ou Academia) témoignent de l’avènement de formes de contrôle et de captation inédites de l’activité scientifique : les interactions des chercheurs autour de leur publication alimentant un vaste recueil de métriques, revendues entre autres aux institutions universitaires. Nous assistons à l’émergence d’un nouveau modèle économique de l’édition scientifique assez largement inspiré de celui des grandes industries du web comme Facebook ou Google.

Une autre édition est possible

D’autres modèles existent : de par son ampleur-même, la conversion au libre accès autorise une réforme plus globale des conditions de diffusion de l’écrit scientifique. Les évolutions sont déjà engagées. C’est ce que rend visible la « cartographie » des pratiques et des initiatives émergentes qui se décline sur les quatre parties du rapport : outils d’édition, formes d’écritures, dispositifs d’évaluations et modèles économiques connaissent des transformations parfois radicales — et parfois convergentes. L’article n’est plus seulement ce un objet fixe et immuable une fois le processus de publication achevé mais connaît une multitude d’incarnation ultérieures (par exemple en se métamorphosant en données grâce aux techniques de text & data mining). L’évaluation ne s’arrête pas davantage au seuil de la revue : en s’ouvrant (open peer review), elle prend la forme d’une réception continue.

capture-decran-2016-10-27-a-16-18-45
Analyse de correspondance réalisée à partir des données d’une étude sur les pratiques d’écriture de 20 000 chercheurs : l’utilisation d’outils libre est étroitement liée à la pratique en libre accès (orange) tandis que des pratiques émergentes mettent davantage l’accent sur la réplication (bleu).

En 2016, la question n’est plus tant de susciter ou de développer des innovations, mais de les intégrer et de les combiner dans des infrastructures cohérentes. L’architecture du web permet de faire cohabiter et « dialoguer » des modèles très différents par le biais de standards communs. Pour soutenir cette « bibliodiversité », il est nécessaire de la donner à lire, de faciliter la circulation d’une forme à l’autre et d’une plateforme à l’autre. J’ai ainsi proposé une petite projection (connus par les initiés de BSN sous le nom de code de « slide 63 ») du rôle déterminant que pourraient désormais jouer les archives ouvertes au-delà du simple recueil de l’article en recensant la pluralité de ces incarnations : évaluations, réplications, extraction de données…

Projection d'une archive ouverte augmentée
Projection d’une archive ouverte augmentée (à partir d’un article déjà déposé dans HAL)

L’élaboration des infrastructures ne soulève pas des enjeux que « techniques ». Finalement un acteur comme Elsevier pourrait très bien jouer ce rôle (et commence à le faire). La différenciation s’opère sur un autre plan : celui, « politique », de la gouvernance. L’enjeu double est aussi bien d’empêcher le détournement de l’open access au profit de nouvelles enclosures que de développer des processus de prise décision plus efficaces et mieux adaptés à un contexte fortement évolutif. Le futur de l’édition scientifique passe ainsi peut-être par l’avènement de grandes plateformes auto-gérées. Celles-ci s’inscriraient la lignée de communs numériques comme Wikipédia ou OpenStreetMap, mais avec des modèles forcément différents, qui restent encore à inventer.

Bien qu’il m’ait été officiellement confié en janvier dernier, le rapport a été « préparé » depuis trois ans sur Sciences Communes. Le présent carnet a été créé en 2013 dans la perspective d’étudier et de référencer les « les nouvelles pratiques de réutilisation des publications et des données scientifiques ». Le rapport va aujourd’hui beaucoup plus loin que ce que j’imaginais alors : j’étais alors plutôt focalisé sur les questions de licences, tout en ayant en tête la perspective d’un écosystème élargi, né de la mobilité inédite des textes et données de la recherche (mon rapport particulier à l’open access, découvert alors que j’étais un simple contributeur sur Wikipédia dans l’incapacité d’accéder aux grandes bases d’articles sous paywall, n’y est pas étranger). Les dimensions de la « cartographie » du rapport sont en partie apparues dans le fil de ce carnet : la possibilité d’une captation de l’open access par des industries académiques 2.0, la nécessité d’une réponse politique, la longue « préhistoire » du libre accès…

Il y a une autre forme de continuité. Dans le rapport comme dans Sciences communes, les opportunités ouvertes par les nouvelles méthodes et formes d’écriture scientifique ne sont pas juste signalées mais mises en pratiques et exploitées. J’ai ainsi repris des données déposées sur Figshare ou Zenodo et j’ai développé des programmes d’extractions automatisés d’articles scientifiques (notamment pour situer le débat académique sur le terme d’open peer review) — tout comme, j’ai pu, par le passé, publier ici des « expériences » (1, 2, 3) qui démontraient, par l’exemple, l’opportunité de penser la publication scientifique comme une production croisée de textes, de données, de codes et de visualisations.

Réseau de similarité entre termes dans les blogs référencés dans l'Open Access Directory
Essai de text mining sur les blogs référencés dans l’Open Access Directory. Le réseau de similarité entre les termes met en évidence l’importance croissante des thématiques éditoriales (données, évaluation…) dans le mouvement sur libre accès

Et puis, ce travail est une forme de production collaborative par procuration. Si j’en suis techniquement le rédacteur, je ne peux pas laisser de côté toutes les influences, déterminantes, qu’il laisse percevoir : celles de mes « encadrants » (Serge Bauin, Emmanuelle Corne, Jacques Lafait et Pierre Mounier), celle de ma collaboratrice sur Sciences Communes Rayna Stamboliyska (qui a directement contribué à l’écriture de ce présent billet), celle de mes collègues de SavoirsCom1 (Lionel Maurel, Thelonious Moon, Mélanie Dulong de Rosnay — également contributrice sur Sciences Communes) et de tant d’autres, théoriciens ou acteurs du libre accès (Marin Dacos, Daniel Bourrion, Guillaume Cabanac, Marie Farge…)

Les données ouvertes et la recherche : quel état des lieux ?

Cette semaine c’est l’Open Access Week. Pour marquer l’occasion, de nombreuses ressources sont publiées (#teasing : reviendez demain pour une nouveauté de et par Pierre-Carl 🙂 ).

Parmi ces ressources, figshare a édité une compilation d’articles traitant des données ouvertes dans le domaine de la recherche scientifique. Pour rappel, figshare est la première plate-forme au monde à proposer la publication de jeux de données issus d’expérimentation scientifique ainsi que des figures et autres supports n’ayant pas trouvé de place dans un article scientifique « officiel ». Séquence émotion pour votre serviteure qui était en thèse au même moment que Mark, le fondateur de figshare, avec qui on avait organisé une compétition de blogs scientifiques et co-écrit la toute première FAQ de figshare.

Mais revenons à nos moutons. Le rapport de figshare, intitulé The State of Open Data, est une sélection de divers papiers de recherche écrits par des scientifiques de différentes universités, de représentants associatifs et d’experts du secteur privé. Le sujet est assez vaste et parle des données ouvertes en général, même si les données de la recherche y ont une place notable. N’y cherchez pas par contre de participation française…

Que disent les chercheurs ?

Deux articles présentent les conclusions du questionnaire adressé à la communauté scientifique par figshare. Le questionnaire a recueilli les réponses d’environ 2 000 personnes. Les données brutes anonymisées sont disponibles sur figshare. J’en ai utilisé pour illustrer certains points de la discussion.

Deux grandes dimensions ressortent des réponses : les défis structurels et ceux liés à la culture de l’ouverture de la recherche. Cette dernière englobe les questions « classiques » du genre « mais pourquoi devrais-je ouvrir mes données alors que mes collègues n’en font rien ? », « est-ce que mes concurrents vont utiliser mes données pour me devancer dans la publication et donc, avoir les financements pour lesquels je rempile ? » ou encore « peut-on se rendre compte que j’ai un peu exagéré les résultats obtenus ? ». La question de la reconnaissance des efforts individuels d’ouverture des données revient à différents endroits dans le rapport et notamment dans l’article de David Groenewegen (directeur de recherche à l’université Monash, Australie ; pp. 34-36). Ces questionnements sont « humains », pour reprendre le qualificatif des auteurs, mais je ne m’y attarderai pas.

La dimension structurelle qui émerge de ce questionnaire est discutée en de plus amples détails. Elle englobe des questionnements plus pratiques tels que « qu’est-ce que je dois faire pour ouvrir mes données ? », « quel(s) est(sont) le(s) bon(s) format(s) ? », « ai-je la permission de mon agence de financement de partager les données de mes recherches ? » ou encore « partager OK, mais n’est-ce pas du travail supplémentaire pour moi et qui ne reçoit aucune reconnaissance ? ».

Les réponses recueillies permettent de dresser un état des lieux de la connaissance et l’utilisation des données ouvertes en recherche. Bien évidemment, la méthodo peut être critiquée, mais les observations que l’on peut faire ont un intérêt qualitatif et méritent d’être soulignées.

La majorité des interrogés (n = 1 915) connaissent l'existence de données scientifiques ouvertes, soit des données librement accessibles et réutilisables.
La majorité des interrogés (n = 1 915) connaissent l’existence de données scientifiques ouvertes, soit des données librement accessibles et réutilisables.

Parmi les interrogés, une proportion importante a déjà fait des démarches d'ouverture de données.
Parmi les interrogés, une proportion importante a déjà fait des démarches d’ouverture de données.

Une majorité des interrogés (n = 1 777) a déjà réutilisé des données ouvertes qu'une autre équipe de recherche a mises à disposition.
Une majorité des interrogés (n = 1 777) a déjà réutilisé des données ouvertes qu’une autre équipe de recherche a mises à disposition.

Une proportion non-négligeable des interrogés juge que les données ouvertes réutilisées ont été importantes pour leur projet de recherche. La proportion de ceux ayant répondu "pas du tout important" est pratiquement de 0 %.
Une proportion non-négligeable des interrogés juge que les données ouvertes réutilisées ont été importantes pour leur projet de recherche. La proportion de ceux ayant répondu “pas du tout important” est pratiquement de 0 %.

Et parlant de recherche et d’obtention de financements, le monstre des citations s’impose. Les réponses sont assez intéressantes ici :

Parmi ceux ayant déjà rendu leurs données de recherche ouvertes, une proportion non négligeable estime que la citation de ces jeux de données est au moins aussi importante qu'une citation d'article, si ce n'est plus (10 % des interrogés).
Parmi ceux ayant déjà rendu leurs données de recherche ouvertes, une proportion non négligeable estime que la citation de ces jeux de données est au moins aussi importante qu’une citation d’article, si ce n’est plus (10 % des interrogés).

De manière assez surprenante quand même, les interrogés avouent ne pas toujours bien savoir comment citer les jeux de données réutilisés.

Au-delà des observations autour des pratiques, on peut également tirer quelques conclusions supplémentaires également intéressantes :

  • Une majorité des chercheurs (y compris des jeunes chercheurs) ont besoin d’accompagnement légal pour naviguer les complexités contractuelles de leurs financements. Ce besoin est exprimé aussi bien par les chercheurs ayant déjà publié des données en open data que par ceux qui ne l’ont jamais fait auparavant.

Parmi ceux ayant déjà rendu leurs données de recherche ouvertes, une proportion non négligeable a cependant des difficultés pour définir le conditions légales et, ainsi, le "niveau d'ouverture" desdites données.
Parmi ceux ayant déjà rendu leurs données de recherche ouvertes, une proportion non négligeable a cependant des difficultés pour définir le conditions légales et, ainsi, le “niveau d’ouverture” desdites données.

Le paysage des financements est très embrouillés : une majorité ne sait pas qui financera les démarches d'ouverture de données.
Le paysage des financements est très embrouillé : une majorité ne sait pas qui financera les démarches d’ouverture de données.

La question des licences est loin d’être anodine. Je vous recommande vivement la lecture de cette brève “twitterstorm” de John Wilbanks, anciennement à l’origine de Science Commons (l’initiative liée à la science chez Creative Commons) et aujourd’hui, l’un des piliers de Sagebio. Il souligne la complexité inhérente de la notion de propriété intellectuelle et son rapport peu amène avec l’objet “données” :

  • Le rôle des bibliothécaires a énormément évolué : ceux-ci se retrouvent au croisement des connaissances sur les données, le code et les cadres légaux ;
  • La perception de la publication scientifique a aussi énormément changé : un article n’est plus l’objet unique, statique, composé de texte gravé dans le marbre. Comme on l’a déjà dit par ailleurs sur ce blog, l’article scientifique est devenu la pub pour votre recherche ; ainsi, la routine éditoriale implique aujourd’hui la publication conjointe de l’article, des données produites dans le cadre de l’étude, du code utilisé pour les analyser et, dans certains cas, de fichiers multimédias annexes. La publication scientifique est donc une version de la connaissance du sujet pouvant évoluer.
  • Le volume a une importance (ou, plus prosaïquement, size matters) : si vous vous intéressez un peu au monde des données, vous ne serez pas étonné-e que l’attention (médiatique, financière) se porte le plus souvent sur le big data (les mégadonnées dont la volumétrie dépasse les terabytes). Cependant, les small data restent fermées : seulement 22 % des chercheurs indiquant produire des mégabytes partagent leurs données. Mais c’est aussi là que se cachent la diversité et les informations importantes mais trop souvent négligées, à savoir les résultats négatifs, les figures rejetées de l’article final, etc.

Ces observations font donc ressortir l’importance de trois éléments structurels du processus par lequel on rend publiques des données issues de la recherche scientifique :

  1. Les métadonnées : il s’agit de ce que l’on appelle communément des données sur les données (date de création du fichier, son format, etc.). Dans la mesure où une publication devient une version d’enregistrement de la connaissance, une quantité invraisemblable de métadonnées vient avec cet objet : on a aussi bien celles générées par l’utilisateur que celles générées par le traitement automatique. Il y a par ailleurs de nombreux éléments du processus de recherche qui ne figurent pas (encore) au firmament des objets à ouvrir : les protocoles expérimentaux utilisés, les réglages des appareils, etc. La quantité de métadonnées accompagnant la publication de données et résultats scientifiques ne fera donc que croître et on se retrouve rapidement dépassé-e par les volumes à appréhender et gérer.
  2. La « curation » : autrement dit, le fait de choisir ce qui est pertinent pour un sujet donné. Faire de la veille implique de faire ces choix-là et passe par diverses étapes qui enlèvent ce qui est peu pertinent et qualifient les sources retenues pour une exploitation future. Mais si on a des outils plutôt corrects pour suivre les publications de nos pairs, comment gérer l’invraisemblable quantité de métadonnées dont je parlais juste ci-dessus ? Les auteurs soulignent ainsi le besoin de toujours créer des outils pour structurer les métadonnées et les travailler pour faciliter leur curation et (ré)utilisation ultérieures.
  3. La revue par les pairs : j’allais parler de Retraction Watch (même si les auteurs ne le font pas), de la publication de résultats négatifs ou neutres et de diverses autres initiatives telles que Software Carpentry, Run my Code, etc. mais je vais laisser pour une prochaine fois.

« L’économie politique de la recherche »

Dr Sabina Leonelli (University of Exeter, Royaume-Uni, pp. 7-12) met l’accent sur l’impact des données ouvertes sur l’économie et la politique de la recherche tel que l’on peut le penser à partir des conceptions que l’on a des données scientifiques :

Que la recherche soit mue par des données plutôt que par des théories, des hypothèses, des modèles ou des changements de politiques publiques reste un sujet de débat. Ce qui est clair [cependant], c’est que les données sont de plus en plus conceptualisées comme des produits dont la valeur est inhérente à la recherche scientifique, plutôt que comme des composantes du processus de recherche qui n’ont pas de valeur propre.

Elle ajoute que les réutilisations que l’on peut faire de ces données ne ressemblent pas toujours celles que l’on fait traditionnellement des publications scientifiques. Ainsi, il est important de bien analyser pourquoi le mouvement en faveur des données ouvertes est devenu aussi populaire dans le discours scientifique et politique contemporain. Pour ce faire, elle propose d’articuler la réflexion autour des quatre dimensions suivantes :

  1. Les données ouvertes (mouvement open data) sont une plateforme commune où les chercheurs, les institutions de recherche et les bailleurs de fonds peuvent échanger autour des difficultés pratiques de l’ouverture et la réutilisation des données issues de la recherche.
  2. Les données ouvertes contribuent à une discussion plus large autour de la transparence et de la légitimité des financements ainsi que à celle du retour sur investissement, piliers des politiques publiques de la recherche et préoccupations des bailleurs de fonds.
  3. Le mouvement open data s’aligne sur des défis plus globaux tels que les acteurs désormais incontournables de la recherche issus de centres scientifiques hors de la zone euro-américaine.
  4. Les données ouvertes sont un exemple de l’introduction de la recherche scientifique dans des logiques de marché. Assez pragmatiquement, ce point aborde la conception des données comme des objets politiques, sociaux et financiers. « L’idée même des données scientifiques comme artéfacts pouvant être vendus, échangés et réutilisés pour créer de nouvelles formes de valeur est indissolublement liée à la logique de marché où les données sont des objets d’échange ». De même, l’idée de libre circulation de données scientifiques pose des défis quant à la conception de compétition et propriété non seulement au sein de la communauté scientifique, mais aussi dans les interactions de celle-ci avec d’autres acteurs.

Pour rebondir sur les considérations sociétales et culturelles et la valeur des données de recherche, l’article de Prof. Daniel Paul O’Donnell (université Lethbridge, Canada ; pp.38-40) sur les changements induits par les données ouvertes dans les sciences humaines est intéressant. Il y élabore le changement de pratique et la redéfinition des objets d’étude en SHS, dans une veine sensiblement épistémologique. En effet, la tradition veut que les chercheurs en SHS travaillent sur des détails provenant d’un corpus réduit lesquels permettent de construire une argumentation plus générale et généralisable. Comme il le remarque avec un certain amusement, « à l’ère de l’open data, on peut être tenté de voir cette démarche comme une analyse d’un petit échantillon sans puissance statistique ». Mais une telle critique constituerait « une sorte d’erreur catégorielle », comme il dit. En effet, la recherche SHS diffère de celle dans les sciences dites « dures » par sa finalité : les premières visent à l’interprétation alors que les dernières cherchent des solutions. Ainsi, conclut-il :

[l]e véritable défi pour les sciences humaines à l’ère des données ouvertes numériques est de reconnaître la valeur des deux types de sources, à savoir le matériau que nous pouvons générer avec des algorithmes à des échelles autrefois impensables et la valeur toujours actuelle du passage originel.

Enfin, diverses participations proposent des approches permettant d’accélérer les activités de plaidoirie et de sensibilisation autour de l’ouverture des données de recherche. Je vous laisse les découvrir et, qui sait, vous en inspirer !

Comment fonctionne Content ID ?

C’est l’un des dispositifs clés de la future réforme européenne du droit d’auteur (dévoilée par la commission le 19 septembre). L’art. 13 prévoit de contraindre tous les services en ligne (“information society service” dans le jargon de la commission) à mettre en place des “mesures pour assurer l’application effective des accords avec les ayant-droit”. Ces mesures se traduiraient notamment (et essentiellement, en pratique) par l’usage de “technologies d’identification du contenu”.

La commission songe ici à un exemple emblématique : ContentID de YouTube. Mise en place graduellement depuis 2008, cette technologie scanne l’ensemble des vidéos soumises au service de Google. Dès qu’elle intègre, même approximativement, une œuvre protégée (préalablement envoyée à Google par ses ayants-droits), plusieurs options peuvent être activées au gré des choix de l’ayant-droit : suppression de la vidéo, monétisation forcée (au profit de l’ayant-droit) ou, inversement, impossibilité de monétiser (afin d’assurer qu’il n’y a qu’un usage non-marchand).

content_id
Ce à quoi ressemble la plupart des interactions entre les utilisateurs de YouTube et ContentID

Ce dispositif est problématique plusieurs niveaux. Ce qui frappe notamment, c’est l’asymétrie d’information entre les ayant-droit et les industries du web d’une part et le public d’autre part. Nul ne sait comment fonctionne ContentID. N’ayant pas peur des explications techniques « brutes », j’ai essayé d’effectuer plusieurs recherches sur le sujet. Et je retombe toujours sur des présentations vagues (à l’image de celle-ci qui sort dans les premiers, mais il n’y a rien de mieux lorsqu’on creuse…). Cette asymétrie d’information est totalement assumée par la Commission européenne. Toujours selon l’art. 13 :

Les services devront apporter des informations adéquates aux ayant-droits sur le fonctionnement et le déploiement des mesures, ainsi que, chaque fois que nécessaire, des mises à jour appropriées (adequate reporting) sur les modalités de la reconnaissance automatisé, l’usage des œuvres protégées et d’autres sujets…

Bref, tout est mis en œuvre pour que le public ne connaisse pas les recettes de cette cuisine interne. Il peut à la rigueur tenter de les deviner (ce que fait tout youtuberun tantinet actif, parfois tenté de jouer au jeu du chat et de la souris en maquillant les contenus protégés). Mais les ressorts fondamentaux de cette infrastructure demeurent hors de sa portée. Ou pas ?

Paradoxalement, les bases théoriques de Content ID sont bien accessibles en ligne : une technique aussi stratégique ne peut pas ne pas laisser de traces dans la littérature scientifique spécialisée. Seulement, cela implique de contourner une autre forme d’opacité : les terminologies spécialisées.

Les techniques de reconnaissance portent le joli nom de « Perceptual Hash ». Les recherches sur le sujet sont tellement obscures que l’on ne trouve quasiment rien sur Wikipédia (juste une brève ébauche en anglais, jamais traduite en d’autres langues) et encore moins dans la presse (trois misérables résultats sur Google Actualités qui n’évoquent le terme qu’en passant).

La disproportion entre l’importance conférée à ces techniques (sur lesquelles reposent de plus en plus régulation numériques du droit d’auteur) et leur dissémination dans la sphère publique et politique au sens large est totale. Cet article vise à initier un début de correctif. Tout en nous limitant à quelques aspects fondamentaux, nous verrons que la généralisation du « Perceptual Hash » a des conséquences considérables sur l’évolution de nos pratiques et représentations culturelles.

Je vais essentiellement m’appuyer ici sur deux thèses. Tout d’abord un classique : Implementation and Benchmarking of Perceptual Image Hash Functions de Christoph Zauner (qui est à l’origine de l’un des outils les plus utilisés : PHash). Puis, Using Perceptual Hash Algorithms to Identify Fragmented and Transformed Video Files d’Ola Kjelsrud, qui a fait moins date mais, étant soutenue en 2014 et portant sur un sujet très à la mode, la détection de vidéo, elle présente l’avantage d’être très bien à jour.

Aux origines de la reconnaissance

Les premières expériences théoriques à l’origine de ContentID remonte au début des années 2000. À cette date, les industries culturelles misaient sur une autre technologique, qui s’est avérée beaucoup plus fragile : le watermark. À chaque œuvre protégée est associée un signal caché, en principe résistant aux transformations successives (changement de format, compression, etc.). Déjà, il est difficile de créer des techniques véritablement résistantes aux altérations volontaires ou involontaires de l’utilisateur. Surtout, le watermark est une protection du « support » et non de l’œuvre. Rien n’empêche l’utilisateur de récupérer l’œuvre par d’autres moyens (en scannant des illustrations ou, s’agissant d’œuvres antérieures à l’apparition du watermark, en récupérant des copies non « marquées »).

Le Perceptual Hash repose sur une philosophie radicalement différente : l’identification doit partir de l’œuvre elle-même, indépendamment du support, en s’appuyant par là sur un critère fondamental de la protection au titre du droit d’auteur, l’originalité. L’intuition est la suivante. Si le droit d’auteur ne s’applique qu’à des œuvres authentiques (et non sur des œuvres dérivées ou reprenant simplement des procédés fondamentaux déjà largement utilisés ou compilant des faits « bruts »), cette authenticité doit pouvoir être décrite formellement et réidentifiée automatiquement.

Les techniques fondamentales ont été élaborées pour un autre objectif que la protection du droit d’auteur : la détection du format du fichier (concrètement, savoir si un fichier est un document word, excel, etc.). Un article de 2003, « Content-based file type detection algorithm », décrit un processus devenu classique : la distribution statistique des octets est compressée dans une signature (ou « fingerprint ») toujours de la même longueur (ce qui permet de comparer des documents de longueur différente). À cette date, les résultats sont primaires (entre un quart et la moitié des productions sont reconnues et appariées). L’utilisation d’une signature inaugure néanmoins l’une des constantes de cette technologie. ContentID repose sur l’extraction, l’archivage et la comparaison de signatures associées à chaque œuvre. Cette méthode permet de diminuer considérablement la taille des bases de données : au lieu de stocker la totalité des œuvres consignées par les ayant droit, il devient possible de compresser l’authenticité en la réduisant à une chaîne de quelques dizaines ou centaines de caractères.

Ces essais font rapidement l’objet de raffinements supplémentaires. Kjelsrud cite notamment deux évolutions majeures : la classification préalable des contenus (ou « clustering » : j’ai l’impression que cela permet de prendre en compte l’utilisation concordante d’éléments hétéroclites, telles qu’une image comprenant plusieurs objets de formes et de couleurs différentes) et l’intégration des « voisinages » entre les octets (le fait qu’un octet correspondant à une lettre ou à une couleur soit suivi par tel autre octet étant a priori une donnée signifiante pour comprendre l’organisation générale de l’œuvre). Actuellement, la plupart des recherches portent sur le format vidéo. La complexité s’accroît en effet considérablement : pour diminuer les temps de traitement, il est nécessaire de sélectionner des captures (frames) significatives — d’autant qu’une seule vidéo peut contenir plusieurs œuvres.

Une architecture conçue contre les utilisateurs

Au-delà de ces recherches fondamentales, l’implémentation concrète soulève de nombreuses difficultés, bien résumées par Christoph Zauner. Par contraste avec les techniques de compression similaires utilisées en cryptographies, les « Perceptual Hash » ne doivent pas être sensibles aux altérations, même potentiellement significatives. C’est tout le sens de l’invocation de la perception : il faut, dans la mesure du possible, prendre en compte les productions qu’un être humain percevrait comme étant similaire.

Là-dessus, peut-être poussés en cela par leurs commanditaires (généralement des industries culturelles), les concepteurs des Perceptual Hash ont effectué un choix technique fondamental qui a de profondes implications sociales et esthétiques : garantir autant que possible que la plupart des œuvres sont reconnues, au risque de générer des faux positifs (alors que la pratique courante, en matière de classification et de reconnaissance automatisée, privilégie plutôt l’inverse : éviter autant que possible les faux positifs quitte à ne pas tout reconnaître). Je cite ici Zauner (p. 5) :

Lorsque nous identifions des objets média, un petit nombre de faux positifs n’encombre pas le système. Au contraire, il est bien plus important que pour tout objet x, il devient impossible de construire un objet perceptuellement similaire x’ (…) Cela couvre notamment la création de x’ à partir de x à travers n’importe quel type d’opération (tel qu’un découpage dans le cas d’une image).

Même ce choix fondamental ne règle pas tout. Zauner ajoute à la suite de sa démonstration un graphe qui résume d’une manière fascinante les problématiques de l’authenticité esthétique à l’ère du web :zauner

Sauf lorsque l’œuvre originelle est intégralement reproduite, l’authenticité n’est jamais une donnée certaine. Elle se mesure en probabilité et il convient de définir au préalable les meilleurs seuils possibles pour intégrer autant que possible la plupart des œuvres dérivés, sans générer un nombre excessif de faux positif (tout en gardant à l’esprit que les faux positifs sont acceptables!). Dans le graphe, Zauner présente deux critère distinct : le rognage de l’image et la compression JPEG. Dans le cas du rognage, le degré d’authenticité descend rapidement ; pour la compression, le degré d’authenticité est conservé bien plus longtemps.

L’authenticité redevient-elle un absolu ?

Ce que l’on voit aussi au travers de ce graphe, c’est que la définition de l’authenticité est graduellement déléguée à des arbitrages informatisée « de principe », alors qu’elle relevait jusqu’à présent d’un jugement informel au cas par cas (qui pouvait, dans les cas les plus sérieux, relever d’une instance judiciaire et, de manière informelle, par l’intermédiaire des critiques d’art, du grand public, des pairs, etc.).

Il faut se garder absolument d’y voir un remplacement de l’humain par la machine. Comme nous avons pu le voir, la base théorique de ContentID n’est que trop humaine et repose sur des choix sociaux et économiques fondamentaux (en particulier de privilégier, dans le doute, les ayant-droits au détriment des utilisateurs). Seulement, on ne peut pas nier que le système de représentation de l’authenticité évolue radicalement.

À la limite, je serai presque tenté de parler d’un retour aux utopies classificatoires du XVIIe siècle, cet âge classique où l’on pensait naïvement déduire la valeur d’une œuvre de  grands principes fondamentaux, à ceci près que nous valorisons désormais des principes « moches » et pragmatiques tel que le degré de saturation d’une image plutôt que la présence de tel motif ou l’intention morale de l’artiste.

L’authentification automatisée… contre les robots-créateurs

Autant dire que cela n’annonce rien de bon pour la liberté de création artistique. La généralisation de ContentID s’accompagne en effet d’une privatisation du dépôt légal, désormais gérée de manière occulte par les industries du web et les industries culturelles sans que la masse des créateurs et des amateurs aient leur mot à dire. L’architecture du code contribue ainsi à saper certaines libertés garanties par les règles de la propriété intellectuelle (aux États-Unis, le Fair Use ; en France, la parodie ; dans certains pays, la citation audiovisuelle). Et au-delà, elle accorde une prime de dépôts aux grands acteurs, qui en étant les premiers à transmettre leur base de données protégées, peuvent potentiellement usurper des productions préexistantes.

Cela ne va pas s’arranger. Les Perceptual Hash présente à mon avis une faille majeure : la saturation de l’espace de nom. Pour pouvoir être opérationnel, un hash ne peut jamais être totalement précis. Il doit se cantonner à une synthèse “générique” de l’œuvre qui admette la possibilité d’œuvres dérivées. Les plans de la commission européenne pourraient entraîner une rupture du système : au-delà d’un certain d’œuvres enregistrées, le nombre de faux positifs (déjà significatif) ne peut que s’accroître considérablement. Bien que le nombre de combinaisons potentiellement authentiques soit très important, l’utilisation intensive du service et la démultiplication des œuvres recensées implique qu’à un moment donné les fausses duplications doivent se multiplier. Nous risquons d’épuiser rapidement le capital collectif d’œuvres authentiques (dans le cadre rigide admis par les Perceptual Hash).

Une autre évolution parallèle risque d’accélérer cette saturation : l’utilisation de robots pour créer les œuvres. En 2000, un spécialiste de la génération automatique des œuvres musicales avait tenté de faire protéger près d’un milliards d’œuvres potentielles auprès de la SACEM. À cette date, les œuvres générées étaient une qualité assez faible. Les potentialités offertes permettent de reconsidérer la question.

Bref, si vous voulez saborder ContentID avant même que la commission européenne parvienne à imposer un système similaire partout, il reste encore une option « nucléaire » : déposer des milliards de créations automatiques vidéo/audio sur YouTube.