Renommée « data-mining », l’exploration automatisée des données est une activité en plein essor. Elle représente un gain de temps et de productivité considérable, dont profite aussi bien la recherche que la société civile. Le projet text2genome a ainsi pu cartographier en quelques années les connaissances scientifiques sur le génome humain en extrayant les données de 3 millions d’articles de recherche.

Cette évolution était, d’une certaine manière, prévisible. Dès la fin des années 1990, plusieurs prophètes de l’ère numérique annoncent l’émergence d’un web 2.0 : le web sémantique. Les communautés supplanteront finalement les données sémantisées et le XML. L’ouverture des données publiques et la frénésie actuelle autour du « big data » permettent de réactualiser un idéal un temps oublié.
Le data-mining n’attire cependant pas que des chercheurs et des bidouilleurs désintéressés. Les industries académiques tentent de capter cette manne nouvelle. Un groupe de travail de la commission européenne officiellement chargé de simplifier cette pratique émergente est en train de leur dérouler un tapis rouge.
Les industries académiques face au data-mining : de l’effroi à l’exploitation
Pour l’heure, le data-mining n’est encadré par aucune statut légal. L’activité est entièrement tributaire du bon vouloir des propriétaires des contenus extraits — ou de l’inventivité de l’extracteur, pour peu qu’il n’hésite pas à hacker le système.
Le code informatique se substitue ainsi à la loi. Comme le souligne Lawrence Lessig, les autorisations mises en place par les services en ligne ont valeur de règle inconditionnelle, alors même qu’elles ne disposent souvent d’aucun fondement juridique.
Les industries académiques redoutent cependant la libération d’un contenu protégé par des enclosures illégitimes. Une large partie des articles de recherche ont été financés par des fonds publics et rentabilisés de longue date : ils devraient être de fait en libre accès. Grâce au data-mining, le regretté Aaron Swartz avait ainsi pu télécharger et mettre en circulation la totalité de la base de données de JSTOR.
Aujourd’hui, cette crainte laisse aujourd’hui la place à un intérêt commercial grandissant. Le but n’est plus tant d’empêcher cette évolution (inévitable) mais d’y trouver des compensations voire de nouvelles sources de rentabilité en revendiquant pleinement l’appropriation des données textuelles.
On aboutit ainsi à des situations absurdes. Des universités paient chèrement un accès aux corpus de grands éditeurs. Pour autant, elles ne peuvent extraire automatiquement les éléments qui les intéresse.
Un article évocateur de Nature fait ainsi état de négociations chronophages. La réalisation du projet text2genome a nécessité 3 ans de tractations tortueuses afin de constituer une base de 3 millions d’articles. Et tous ne sont pas égaux face à l’arbitraire des industries académiques. Google obtient aisément un accès à un corpus, alors que de petites institutions scientifiques font face à des arguties sans fins.
Aux États-Unis, le problème tend à se solutionner. Les chercheurs peuvent invoquer une exception puissante : le fair use. Le procès contre Hathitrust a permis d’esquisser un début de jurisprudence favorable à une libéralisation du data-mining.
En Europe la situation actuelle est beaucoup moins claire. Elle tend même à s’aggraver.
Une réflexion européenne qui tourne mal
Au début de l’année 2013, la Commission Européenne a lancé un groupe de travail sur le statut légal de l’exploration automatisée des données : le Text and Data mining working group. Rapidement des dissensions émergent.
Les industries académiques envisagent la création de licences ad hoc : les chercheurs obtiendraient un droit à extraire moyennant le versement d’un abonnement supplémentaire.
Une présentation de Springer dévoile ainsi un système d’accès encore relativement complexe : tout chercheur désirant accéder à la base doit remplir un formulaire où il détaille son projet de recherche. C’est seulement au terme de ce processus qu’il reçoit une clé d’accès. Ce processus ne permet pas seulement de maintenir un droit de regard sur le data-mining : il facilite la constitution de vastes corpus de méta-données de la recherche. Springer sait désormais exactement qui étudie quoi avec son corpus.

Inversement, bibliothécaires et défenseurs de la culture libre rejettent le principe des licences. De leur point de vue, le data-mining devrait simplement faire l’objet d’une exception, au même titre que le droit de citation.
En avril, la Commission a finalement arbitré le conflit au profit des industries académiques. Le groupe de travail ne travaillera que sur les licences, sous le motif curieux que la question de l’exception est « déjà traitée dans d’autres groupes de réflexion ». De nombreux participants du Text and Data mining working group décident alors de boycotter une initiative qui ne rimait plus à rien. La Ligue des bibliothèques européennes de recherche a ainsi publié un communiqué d’une grande clarté :
[nous quittons] un processus de décision dont le résultat est déjà pré-déterminé : l’ajout de nouvelles licences serait la seule solution envisageable aux multiples écueils rencontrés dès lors que l’on souhaite extraire automatiquement les données d’un contenu auquel l’on a déjà accès.
Les termes du débat
La problématique juridique du data-mining est apparemment complexe. Elle se situe aux croisement de plusieurs régimes de la propriété intellectuelle : le droit d’auteur, le droit des bases de données et le droit des systèmes d’information.
La juriste Lucie Guibault a consacré une présentation assez exhaustive de ces questions intriquées et des évolutions inquiétantes de la Commission européenne. Intitulée Intellectual property rights’ obstructions to text and data Mining, elle a été mise en ligne sur YouTube :
L’exploration automatisée pose en effet plusieurs problèmes.
- Lorsqu’elle porte sur un trop grand nombre de données, il est nécessaire d’importer le contenu à extraire (une base MySQL est autrement plus efficace qu’une série de demandes via une API). Ce qui suppose concrètement de constituer une reproduction accessible à l’ensemble du groupe de recherche (ce qui excèderait la limite du « cercle familial »).
- Il existe depuis une vingtaine d’années un droit des bases de données spécifique à l’Europe. Ce droit possède des contours flous. Il était prévu pour durer 15 ans mais, pour peu que les bases de données soient continuellement actualisées, il pourrait bien être éternel. La jurisprudence a contribué à relativiser son application : il ne peut être invoqué que lorsque la base de donnée a été republiée substantivement (cf. notamment cet arrêt de la cour de Cassation de 2007). Les éditeurs n’y font d’ailleurs pas souvent appel : Guibault souligne qu’il s’agit plutôt d’un dernier recours, lorsque les méthodes traditionnelles (le droit d’auteur) ne sont plus valables. Si le droit des bases de données crée une certaine insécurité juridique (il n’y a pas de limite claire à partir du moment où la reprise devient « substantielle »), son application reste suffisamment souple pour autoriser l’immense majorité des initiative de data-mining.
Guibault passe également en revue plusieurs exceptions possibles. Elles se révèlent finalement assez peu probantes :
- À la suite de la directive sur la société de l’information de 2001, les reproductions temporaires à des fins purement techniques sont autorisées. Temporaire n’est cependant pas un vain mot : seuls sont concernées des reprises véritablement éphémères. Les reproductions nécessitées par le data-mining ne rentrent pas dans ce cadre.
- Le droit de citation permettrait de reprendre et de publier de simples données (qui ne permettent en rien de reconstituer le texte ou la base d’origine). Rien ne permet cependant d’indiquer que le droit de citation s’applique à des bases de données. En France, elles doivent être « justifiées par le caractère critique, polémique, pédagogique, scientifique ou d’information de l’œuvre à laquelle elles sont incorporées. » Or, même si elle possède un caractère scientifique, une base de donnée n’est pas une œuvre.
Guibault conclut en soulignant que, dans l’état actuel de la législation, le data-mining est de facto interdit : on ne peut extraire les données d’un contenu qu’avec l’accord de son propriétaire. Une conclusion que je ne partage pas…
Du droit de lire au droit d’extraire
Toute cette discussion assez formelle laisse de côté un des principes fondamentaux du droit de la propriété intellectuelle : il ne protège pas les informations, mais l’expression originale. Ce principe se retrouve dans toutes les législations. Il est particulièrement bien explicité aux États-Unis où la dichotomie idée/expression fait autorité depuis le procès Baker v. Selden.
En France, on le retrouve plutôt in absentia. Le code de la propriété intellectuelle porte sur des œuvres. Les bases de données ne sont concernées que dans la mesure où « par le choix ou la disposition des matières, [elles] constituent des créations intellectuelles. » Les données individuelles et les informations sont clairement exclues de cette définition.
À cet égard, il convient de démystifier la pratique du data-mining. Il s’agit avant tout d’une technologie intellectuelle (au même titre, par exemple, que le boulier ou la comptabilité à partie double) : un outil permettant de faciliter ou d’automatiser certaines opérations mentales. Au lieu de récupérer et de recouper manuellement des milliers, voire des millions de données, il est possible de confier ce boulot peu gratifiant à de sympathiques algorithmes.
Si le data-mining marque un changement d’échelle, il ne s’agit pas d’une activité fondamentalement nouvelle. Extraire et synthétiser des informations préexistantes constituent le pain quotidien du chercheur depuis que la recherche scientifique existe. Notes de bas de page, graphiques, tableaux : tous ces usages structurants de l’écriture académique reposent sur une forme d’extraction manuelle d’informations préexistantes.
Et la distinction entre extraction manuelle et automatisée n’est pas si évidente que cela. Un simple contrôle+f constitue déjà une forme d’automatisation de l’exploration. Les expressions rationnelles permettent d’affiner ce principe sans avoir recourt à un langage de programmation évolué ou à une base de données.
L’exploration des données est ainsi indissociable du droit de lire. L’accès à un texte permet la reprise de ses informations. Sauf à revenir sur des usages et des principes légaux fondamentaux des sociétés modernes, il n’y a pas à tergiverser : l’extraction de données, sous toutes ses formes, doit être autorisée autant que possible, sans aucune restriction, qu’il s’agisse de formulaires ou de licences ad hoc.
Puisque le débat est ouvert et que certains éditeurs exploitent abusivement une sorte de zone grise, il convient sans doute de préciser noir sur blanc le statut légal du data-mining (et d’en profiter pour autoriser les groupes de recherche à reproduire toutes les ressources qui leur serait nécessaire).
Il n’est pas impossible que la commission européenne fasse machine arrière. Le groupe de réflexion a peu avancé depuis la sécession d’avril. Le Royaume-Uni s’apprête à mettre en place une exception assez large dans le cadre d’un programme de modernisation du copyright. Elle se positionne toutefois sur le terrain restrictif de l’usage scientifique à des fins non commerciales, plutôt que sur celui du lien indissociable entre droit d’extraction et droit de lire.
Quelles que soient les ambitions des industries académiques en la matière, l’Union Européenne a sans doute peu de chance d’aller à contre-courant de l’évolution générale des pays anglo-saxons. Pour en être sûr, il conviendrait de faire davantage de publicité sur ces négociations qui se déroulent désormais loin des regards publics.
Merci pour cette excellente synthèse. Je suis d’accord avec toi sur l’essentiel, juste quelques nuances et compléments :
– Aux États-Unis, on a effectivement un mouvement d’extension du fair use et tu cites à raison l’affaire Hathi Trust. On peut également citer deux autres décision : l’affaire Georgia State University (dans laquelle les Universités se sont vues reconnaître le droit des scanner des articles scientifiques pour les rassembler en base de données = e-reserves) https://en.wikipedia.org/wiki/Cambridge_University_Press_v._Becker et aussi bien sûr l’affaire Google Books Search, où le juge Chin a explicitement parlé du Data et Text Mining, pour dire qu’il relevait en l’espèce du fair use http://scinfolex.com/2013/11/15/verdict-dans-laffaire-google-books-une-grande-lecon-de-democratie/
– Je serai plus pessimiste que toi sur les interférences possibles entre le droit des bases de données et le data mining, notamment parce que comme tu le dis, pour faire du data ou text mining, en général il faut copier les corpus et donc réaliser des extractions qui peuvent s’avérer substantielles. L’énorme problème, c’est le flou du droit des bases de données : à partir de quand une base est-elle protégée par le droit sui generis ? Quand elle est protégée, quelle est la portée exacte de la protection ? Tout cela créée trop d’incertitudes juridiques.
– Par ailleurs, une base de données peut être une oeuvre, lorsque sa structure est suffisamment originale. Elle est alors protégée à la fois par le droit sui generis sur les extractions et par le droit d’auteur (en ce qui concerne sa structure).
– En lisant ton article, je me suis souvenu qu’il existe une jurisprudence essentielle en France de la Cour de Cassation, qui pourrait ouvrir des pistes très intéressantes pour le data mining : c’est l’arrêt Microfor c. Le Monde de 1987, rendue à propos d’une question d’indexation http://www.les-infostrateges.com/article/880432/affaire-microfor-le-monde La Cour de Cassation à cette occasion a dégagé une nouvelle notion “d’oeuvre d’information ou à but documentaire” ; elle rappelle la distinction que tu cites entre la copie des contenus et l’extraction des idées et elle admet : « l’analyse purement signalétique réalisée dans un but documentaire, exclusive d’un exposé substantiel du contenu de l’œuvre, et ne permettant pas au lecteur de se dispenser de recourir à cette œuvre elle-même ».
J’avais parlé de cette décision dans ce billet et certains estiment qu’elle a consacré en France une véritable “liberté documebtaire” http://scinfolex.com/2009/03/07/fragile-si-fragile-la-liberte-documentaire/
Cette jurisprudence est cependant restée depuis assez “dormante”, pas vraiment réaffirmée par la Cour de Cassation. Dans le procès Google Books au TGI de Paris en 2009, Google l’avait invoquée, ce qui a mis le juge en mauvaise posture, car il a été obligé de démontrer que Google ne remplissait pas un vrai but “d’information” (ce qui est complètement faux selon moi) http://scinfolex.com/2009/12/20/jugement-googlela-martiniere-alea-jacta-est/
La ligne que tu proposes est très intéressante : lier le droit de faire du data mining au droit de lire.
Pourquoi est-ce intéressant ? Parce que le “droit de lire” ne constitue pas seulement une exception, mais une vraie liberté, qui se situe en dehors du champ du droit d’auteur (dans la sphère où les droits sont épuisés ou plutôt ne sont jamais nés). C’est beaucoup plus fort qu’une simple exception, toujours très fragile en droit français.
Or c’est ce que disait la jurisprudence Microfor pour l’indexation : ce n’est pas une pratique relevant du terrain du droit d’auteur. Elle est complètement libre.
Salut Calimaq.
Eh bien nous sommes d’accord sur tout. J’aime beaucoup cette notion de « domaine public vivant de l’information » qui exprime clairement l’idée que je cherchais à transmettre : la libre circulation des informations est un des principes fondamentaux de la législation sur la propriété intellectuelle. En revenant dessus, ne serait-ce que par le moyen détourné sur data-mining, on remet gravement en cause le compromis sur le statut légal des œuvres de l’esprit élaboré à l’ère des lumières.
La question des bases de données est effectivement le point le plus complexe — notamment parce qu’il s’agit d’une législation encore récente et que nous manquons d’élément pour évaluer son impact. Dans le cas particulier qui nous intéresse ici, trois questions se posent :
*Les industries académiques peuvent-elles protéger leurs bases de données d’article ? Sur le plan du droit d’auteur, on pourrait arguer que ces bases de données ne sont pas véritablement originales : il ne s’agit que d’un support visant à présenter d’autres publications. Elles ne portent pas la marque d’une réelle originalité (une notion que la jurisprudence actuelle considère avec beaucoup plus de sévérité que par le passé). J’ai l’impression que l’arrêt de 2007 a été en partie motivé par l’absence d’originalité de la base de données de Ouest-France, qui vise juste à mettre en forme certaines publications (des petites annonces), sans avoir un intérêt propre. Le droit des bases de données est beaucoup plus favorables aux éditeurs. Ce qui prime ce n’est plus l’originalité mais l’investissement monétaire et temporel. Or, il est clair que Elsevier et Springer consacrent beaucoup de moyens à l’entretien de leurs bases de données. À cet égard, leurs réclamations me paraissent relativement inattaquables. Le droit des bases de données inclut une autre dérive : il est potentiellement éternel. La jurisprudence n’a pas encore statué, mais si l’on en croit les textes européens, la durée de 15 ans pourrait être prolongé tant que la base est actualisé.
*Ceci m’amène logiquement à la seconde question : le droit des bases de données permet-il d’empêcher la constitution de bases de données dérivées ? Apparemment, non, dans la très grande majorité des cas. Seule la reprise substantive est prise compte ce qui ne concerne apparemment que la reproduction de l’essentiel du contenu et de la structure. Les publications issues des projets de data-mining impliquent généralement des imports d’information issus de plusieurs sources et inscrits dans une structure originale. Même si le droit des bases données contribue à créer une certaine insécurité juridique, les restrictions apportées restent relativement mince à partir du moment où l’on lit intrinsèquement droit à data-mining et droit de lire.
*Enfin, la reproduction intégrale des bases de données pourrait-elle être autorisée lorsqu’elle n’est accessible qu’à un petit groupe de chercheurs (ou de contributeurs, puisque la question ne concerne pas que les milieux scientifiques) ? Sans doute pas, mais une évolution du droit en ce sens me semble tout-à-fait légitime. D’un côté, on peut considérer que le groupe de recherche constitue une entité analogue au « cercle de famille » et que les reproductions ne sont pas « publiées ». De l’autre, une exception sur le modèle du « fair use » américain permettrait d’exempter les projets à visée scientifique ou pédagogique (avec le risque de laisser sur le carreau les projets issus de la société civile).