Tous les articles par Pierre-Carl Langlais

Will France get its text and data mining exception?

The French parliament is currently examining a significant law on « The Digital Republic ». It covers a wide array of topics: open data, open access, Freedom of panorama, data portability, digital platform regulation… Contrary to the initial plan of the French governement, several MPs have put forward another item to this list: a text and data mining exception. While approved by the French lower house, the final fate of the exception is still uncertain at this stage. The governement initially wanted to set a second vote, that has finally been upheld, so that the mining exception currently figures prominently in the « Digital Republic » law. Anyhow, it still has to gain the approval of the senate.

Mining and its legal issues

The current intellectual property regulation in Europe restrains an extraordinary scientific opportunity: being able to grasp the main features, ideas and entities of millions of texts. Both massive digitization of corpora and sophistication of mining and clustering tools allow to lead « distant reading » on an unprecedent scale. The Text2genome project can  draw an immense state of the art from genomic literature; ContentMine ambitions to liberate 100 millions facts from academic publications. I’m both an advocate and a pratician of text and data mining. My main focus concerns 19th century generalist and scientific periodicals — which are fortunately in the public domain, but I would be very happy to extend my scope beyond the beginning of the XXth century.

Yet, mining necessarily implies to reproduce: mostly for performance issues, online text or data has to put in a « local » database (it would be highly limitative to scrape on the fly). Within research projects, this output has to be shared to all the active members. As such, mining even lawful ressources infringes intellectual property rights. As absurd as it may sounds, the right to read does not entail the right to mine (which is nevertheless nothing more than an algorithm-assisted reading…).

New policies try correct this discrepancy. The United Kingdom has passed a text and data mining exception in 2014. This is a very hot topic within the ongoing European reform of intellectual property right. And now, come France.

The terms of the French Exception

The French exception reflects a consensual demand. All the major tendencies from the communist to the main right-wing party, the Republican, has proposed a similar amendment. I’ve made a very rough translation — certainly not an official legal translation by any means, but still better than Google Translate:

The Code of Intellectual property is modified as such:

1. After the 9th paragraph of the L. 122-5 article, a 10th paragraph is added:

« 10. The digital copies of reproductions made from a lawfull source, in order to mine text and data for the need of public research, all commercial end being excluded. A decree define the conditions by which the mining of text and data can be performed, as well as the modalities of preservation and communication the output files at the end of the research process ; theses files form research data. »

2. After the 4th paragraph of the L. 342-4, a 5th paragraph is added:

« 5° The digital copies of reproduction made by a person who has a lawfull access, in order to mine text and data in a research aim, all commercial ends being excluded. The preservation and communication of the technical copies from the data processings, at the end of the research activities for which they have been produced, are performed by certified organisations named by decree. The other copies or reproductions are deleted. »

The two articles add another element to previous list of exceptions to the French Intellectual property code. In European countries, databases are actually covered by two different rights: authorship rights (as possible « original » compilation of data) and « sui generis » rights (a special status given to the producer of the database, that gives him the right to contest any substantial copy of the database — as a side note, this right is currently under heavy criticism from the European Parliament, that is contemplating its complete deletion). The first articles focuses on the exceptions to authorship rights ; the second one targets the exceptions to « sui generis » rights.

The French exception is roughly similar than its British counterpart. They are both limited to scientific research ; they both aim to link the right to read and the right to mine, by giving a license to extract to researchers who have a lawfull access to a resource. There is nevertheless an additional restriction regarding the preservation of the output. So far the British exception does not seem to set any temporal limitation to the keeping of the « local » databases.

A first draft of the French exception actually envisioned to have the output fully deleted once the research was over. This would have proved quite unpractical. As every scientific work, text and data mining project are perfectible: the output is so large that it can be of use for many unexcepted outlooks. Fortunately, the adopted amendment comes to a better term: the output would be kept by a « certified » organisations (the French National Library is very likely to be one of them), and could therefore be reused.

A long road to go…

I have followed the making of the law from quite some time. Two years ago, the French Literary, Artistic and Scientific Council for Intellectual Property (CSPLA) initiated a consultation on text mining. I represented the collective Savoirscom1 with Lionel Maurel. We were the only member of « civil society » heared: most of the interlocutors were publishing companies (such as Elsevier or Springer, which concurely organized a « Licenses to Europe » process in Bruxelles with the final aim of transforming data mining as an additionnal service, fully controlled by the publishers). We argued in favor an exception on the ground of a « fair dealing » limited to scientific use (in a very similar way to the envisionned british exception, that was not adopted at the time). This measure was to be completed by a positive definition of the « informational public domain » in order to avoid the excessive extension of « sui generis » rights toward « raw » facts and data (cf. the synthesis of our argument).

Logically enough, our solitary position did not favor our arguments. The final report, publised by the end of 2014 strongly advised against an exception. Only, by this time, the debate has shifted. The debate surrounding the Elsevier National License — a 172 millions euros contract between the world leading publisher and French Universities that I leaked with Rayna Stamboliyska — gave a significant boost to the idea of pro-open access regulations.

While this has not been initially planned, the main law passed by the socialist legislature on digital issues includes an « open access law ». In a similar pattern to recent german and italian exceptions, it confers to researchers the ability to republish their work regardless of the terms of the contract they sign with their publisher. A mining exception was added to the package in a draft version of the law in july 2015… and finally removed in the first public version in september. It was a timid thing: researchers were forced to delete the  output at the end.

In-between, this technical measure, that merely relieved scientist of useless intellectual property barrier, has become a moving target of the rightholders lobbies. A counsellor of the French National Publishers Syndicate (Syndicat national des éditeurs) issued an angry brochure against intellectual property exceptions and, more widely, against immaterial commons: Free price is stealing (La gratuité c’est le vol). Ironically enough, the brochure was distributed free of charge. The mining exception envisionned in the European reform of author rights and in the French « Digital Republic » law was hold as some kind of communist apocalypse:

If such investments could be lawfully plundered, no publishers would ever grant any investment for digital tools. There is, in reality, no economic activity in the world of which the productions can be freely extorted for private use and without any compensation.

Yet, the fight was not unequal. An extraordinary procedure gave scientific communities the ability to speak up in favor of better terms for the open access law and in favor of the reintroduction of mining exception: apparently for the first time in France, a law was examined, evaluated and completed on an online platform. The « République Numérique » website hosted several thousand contributions from virtually everyone: lobbies, companies, public institutions, communities and simple citizens… Several of them argued in favor of a mining exceptions, and they were extremely well received.

Mining proposal of the Couperin Consortium on République Numérique
Mining proposal of the Couperin Consortium on République Numérique

This open consultation has given a lot of additional momentum to innovative measures that would have been otherwise upheld by powerful lobbies, or simply not conceived in the first place. MPs seem to have been particularly sensitive to original perspectives. Full Freedom of Panorama (that includes commercial use) was actively supported by one fifth of the lower house (more than one hundred MPs actually signed at least one favorable amendement). While MPs were more open-minded, scientific communities proved bolder : a few days ago, the President of Universities Collective (CPU) and the National Centre for Scientific Research (CNRS) signed a strong committment toward an open access law and a mining exception.

Rigthholders lobbies are still far from powerless. They were able to have a significant innovation partly removed from the law: a positive recognition of « informationnal commons » (a wider notion that cover both the public domain of « works », the public domain of « informations » and voluntary Free knowledge such as Wikipedia). Nevertheless, they have never been in such a weak position in the recent past.

All in all, the game remains fully open. The current state of the « open access » law reflect this tensed debate between coalitions of actors of gradually equal strength and influence: while scientific institutions, public libraries and open knowledge communities were able to append data to the focus of the law (something their german counterpart has not succeeded in) the publishers have, no less successfully, vetoed the inclusion of collected conference contributions. The suspense should still last till the end of the legislative procedure (probably no more than a month).

Le droit des bases de données va-t-il disparaître ?

C’est un coup de théâtre qui m’a laissé speechless : le parlement européen envisage  sérieusement de mettre fin au droit des bases de données. C’est la 108e recommandation d’une motion adressée à la Commission Européenne sous le titre « Vers un Marché digital unifié » (et relayée par une excellente synthèse de Julia Reda). Elle tient en une ligne :

108. Le parlement Européen note que l’évaluation par la Commission Européenne de la directive sur le droit des bases de données conclut que ce dispositif nuit au développement d’une économie de la donnée (« data-driven ») européenne ; il appelle la commission à en tirer les conséquences qui s’impose en supprimant la directive 96/9/EC.

En 1996, la directive européenne 96/9/EC ajoute un nouveau chapitre au code de la propriété intellectuelle. Elle prévoit un droit « sui generis » pour les producteurs des bases de données : ceux-ci peuvent empêcher toute réutilisation « substantielle » de la base :

Les États membres prévoient pour le fabricant d’une base de données le droit d’interdire l’extraction et/ou la réutilisation de la totalité ou d’une partie substantielle, évaluée de façon qualitative ou quantitative, du contenu de celle-ci, lorsque l’obtention, la vérification ou la présentation de ce contenu attestent un investissement substantiel du point de vue qualitatif ou quantitatif.

En pratique, le droit des bases de données s’est imposé comme, de loin, l’un des droits les plus « généreux » pour son titulaire (et, par réciprocité, le plus restrictif pour l’utilisateur et le public). En effet :

  1. Il n’est pas borné par un critère clair : toutes les bases de données sont concernées dès lors que son détenteur investit pour les maintenir. Par contraste, le droit d’auteur ne porte que sur des productions originelles (ce qui fait que l’on ne peut réclamer, à ce titre, une protection pour des idées, des données élémentaires pour des expressions non significatives) ; le droit des marques ne s’applique que dans le champ commercial où une entreprise est active.
  2. La notion d’usage substantiel n’est pas définie. Le législateur européen permet de l’évaluer de « façon qualitative ou quantitative » ; tout en visant avant tout la base de donnée dans son entièreté, il laisse la porte ouverte à une appréciation beaucoup plus restrictive (par exemple, toute reprise qui porte la « marque » de la base d’origine). En France, la jurisprudence retient de plus en plus une interprétation maximaliste (à l’image du procès Notre Famille).
  3. Le droit est potentiellement éternel. La durée de protection de 15 ans ne part en effet que du moment où le producteur de la base cesse de l’entretenir. Tant qu’il continuer d’apporter des modifications il peut repousser la date d’expiration : « Toute modification substantielle (…) permet d’attribuer à la base qui résulte de cet investissement une durée de protection propre. »
  4. Dans un environnement numérique, le droit est « contaminant ». Sur Internet, tout est donnée : un livre est un ensemble de données textuelles ; une œuvre musicale un ensemble de données sonores. C’est ainsi que dans le cadre du projet Notre Famille, les archivistes ont pu revendiquer un droit « sui generis » sur des documents administratifs du XVIIe ou du XVIIIe siècle. À ce titre, le droit des bases de données constitue un argument juridique privilégié pour défendre un copyfraud, soit l’application de droits indus sur une production entrée dans le domaine public.

On le voit, le droit des bases de données génère des insécurités juridiques majeures pour de nombreux usages. C’est à ce titre que la fouille de texte et de données a pu être dissociée du « droit de lire ». C’est à ce titre que les institutions publiques ou privées peuvent justifier l’adjonction de copyfraud. C’est à ce titre que les licences libres ont dû être amplement reformulées (à l’image de la version 4.0 de Creative Commons) pour éviter d’ajouter des restrictions indues contraires à leur intention initiale. C’est à ce titre, finalement, que la circulation des informations est largement bloquée dans notre société. Il est ainsi impossible, en l’état, de reprendre de nombreuses séries d’informations a priori brutes sur Wikipédia, sur WIkidata ou sur des plate-formes d’open data, sans encourir un procès potentiel.

Cet obstacle considérable reste cependant récent : il a été codifié il y a moins de vingt ans ; il figure de manière récurrente dans la jurisprudence depuis moins longtemps encore. Le droit n’a pas été suffisamment naturalisé dans notre législation pour rester indéracinable. En l’état, la mention du droit « sui generis » dans le code de la propriété littéraire et artistique fait figure d’anomalie : alors que tout le reste du code s’adresse à des « auteurs » on parle ici de « producteurs » ; alors que le critère d’originalité est un soubassement récurrent, il est totalement évacué.

Néanmoins la suppression du droit des bases de données n’est pas une certitude à ce stade. En dépit du soutien affiché du parlement européen, les oppositions risquent d’être considérables : les GAFAs ont très largement profité de ce cadre légal bien plus généreux que son équivalent américain (qui ne reconnaît qu’un droit à la compilation). On risque d’assister à l’émergence d’un front commun entre industries culturelles et industries du web (ce qui aurait au moins pour effet de clarifier les clivages…).

Par ailleurs, Lionel Maurel m’a signalé que l’abolition de la directive 96/9/EC ne suffira peut-être pas pour lever toutes les restrictions. Depuis l’affaire Ryanair, la jurisprudence européenne a consacré la supériorité des Conditions Générales d’Utilisations contractuelles sur le droit législatif : une entreprise ou une institution n’a même pas besoin d’invoquer le droit des bases de données pour empêcher des reprises, même limitées, de sa base. La Cour Européenne de Justice « a écarté l’application de cette exception pour considérer que les CGU de la base pouvaient valablement interdire l’exercice des droits reconnus par la directive aux utilisateurs légitimes d’une base de données. »

Au-delà du fondement légal, je pense que la présence du droit des bases de données consacre un certain état d’esprit « hyper-propriétaire », marqué par une extension toujours plus maximaliste des droits de propriétés sur les créations intellectuelles. Sa disparition aurait pour effet de refermer une parenthèse d’une vingtaine d’années en montrant que l’extension propriétaire n’est pas inéluctable et que les institutions politiques peuvent revenir sur les droits accordés s’ils nuisent à la société au sens large.

Loi numérique : le libre accès sans communs

En fin de compte, comme je le notais en novembre dernier, on s’achemine vers un libre accès sans communs.

Tandis que les débats en commissions ont abouti à une loi open access très satisfaisante les amendements (CL616, CL617) visant à intégrer une définition positive des communs informationnels ont été rejeté hier en commission des lois. Même si la mesure n’aurait pas eu d’effets concrets immédiats, elle comblait une déficience majeure du code de la propriété intellectuelle : les « non-propriétés » intellectuelles (idées, données brutes, œuvres dans le domaine public) ne sont définit que négativement ; il n’y a aucune base pour empêcher leur appropriation ou attaquer en justice les auteurs de copyfraud.

L’absence des communs fragilise, par contrecoup, la loi sur le libre acccès. Dans la précédente rédaction les données de la recherche étaient assimilées à des « choses communes ». Faute d’une définition applicable au champ informationnel dans la loi française, une qualification plus faible et ambiguë a dû être retenue : elles sont en « libre accès ».

Deux dispositions étroitement associées aux amendements précédents et qui auraient pu former l’embryon d’une législation plus étendue sur les communs ont été également remis en cause.

L’exception au titre du text mining (CL344 et CL463)  a été directement rejetée (alors qu’elle bénéficiait d’un large soutien transpartisan avec des amendements similaires en provenance de communistes, d’écologistes, de socialistes et de Républicains). Le rapporteur de la commission des lois, Luc Bellot, et la ministre Axelle Lemaire ont invoqué l’absence d’exception actuellement autorisée à Bruxelles et les discussion en cours visant à en créer une à l’échelon européen — sans trop s’attarder sur le fait que le Royaume-Uni dispose d’une telle exception depuis un an et demi.

Pour la liberté de panorama c’est un peu plus compliqué. Le rapporteur de la commission des lois a accepté de proposer une version excluant toute réutilisation commerciale moyennant le retrait de l’amendement. Autant dire que cela ne solutionnerait rien pour la plupart des grandes communautés de la connaissance sur le web (qui, à l’instar de Wikipédia ou de Wikimedia Commons utilisent des licences libre de type CC-BY-SA), ni pour de nombreux usages numériques amateurs (une publication sur Facebook ou l’écriture d’un blog financé, même faiblement, par de la publicité sont aisément assimilables à des usages commerciaux). Les revenus, apparemment considérables, que perçoivent les architectes sur les « magnets » valaient sans doute bien la peine de maintenir une machine à gaz de moins en moins appliquée et qui a disparu en Allemagne depuis un siècle et demi.

La loi open access amendée

Je pensais modifier mon précédent billet au fil des avancements mais la loi open access française a l’air désormais relativement bien fixée. Pour mémoire, il est question de créer un droit de republication valable pour l’ensemble des chercheurs, dès lors que la recherche est financée par moitié par fonds publics : au terme d’un certain délai et sous certaines conditions (pas de réutilisation à fin d’édition commerciale) les droits additionnels des éditeurs ne sont plus valables. Ce dispositif lève l’un des principaux verrous limitant le développement de l’open access : la nécessité d’avoir l’accord des éditeurs (qui contrôlent de nombreuses revues prestigieuses).

Les débats en commission des lois n’ont apporté que trois modifications au texte intégré dans la loi sur la République Numérique.

  1. Prise en compte de toutes les versions intermédiaires de la publication scientifique : « toutes les versions successives du manuscrit jusqu’à la version finale ». C’est une initiative plutôt bienvenue à l’heure où l’écrit scientifique devient un objet textuel de plus en plus coulant et hétérogène (le preprint, notamment, contient souvent des précisions détaillées, par exemple en matière de manipulation de données, que l’on ne trouve parfois pas dans l’article final).
  2. Possibilité de « réduire » les durées d’embargo par un simple arrêt du Ministère de la Recherche. La ministre du numérique était sceptique pour une raison que j’avais également évoquée : celle de démultiplier les régimes entre disciplines (alors que la distinction SHS/STM demeurait encore relativement lisible). Le risque existe que l’on ait 10 mois et deux semaines en socio, 3 mois et deux jours en bio et 11 mois et quatre heures en droit. Ce que l’on perd en simplicité on le gagne en souplesse : il n’est pas nécessaire de passer par une nouvelle loi pour changer les durées (en particulier si les chercheurs en SHS militaient entretemps pour l’intégration dans le régime de 6 mois)
  3. Un rapport d’évaluation doit être remis d’ici 2019. Disons que ce sera peut-être l’occasion de faire une nouvelle loi open access qui aille plus loin que la précédente 🙂

À l’heure où j’écris rien n’a été encore décidé sur trois mesures fondamentales : la reconnaissance des communs informationnels, la liberté de panorama et l’exception pour les usages de text mining.

Loi open access : les amendements retenus

Je précise tout de suite qu’il s’agit d’une page in progress montrant l’évolution de la loi open access intégrée à la loi sur la République numérique (en tant qu’art. 17 de la section sur l’économie des savoirs), au gré de l’évolution du texte dans les derniers stades de son acceptation.

L’examen en commission des affaires économiques et en commission des affaires culturelles le 12 janvier a marqué le coup d’envoi du débat parlementaire. Par contraste avec le retour soudain et inespéré des communs de la connaissance et de la liberté de panorama dans le texte, l’évolution des dispositions open access paraissent beaucoup plus timide. L’essentiel avait en effet déjà été acquis en amont : non seulement le gouvernement n’avait pas affaibli les dispositions initiales, mais ils les avaient renforcées.

Il y a tout de même quelques inflexions significatives :

  1. Sur les embargos : les durées réduites finalement adoptées (12 mois pour les STM et 6 mois pour les SHS au lieu de 24 et 12 mois) sont confortées : l’amendement visant à rétablir les anciennes durées a été rejeté (mais aussi celui préconisant une durée unique de six mois). Par contre, une disposition assez habile du rapporteur de la commission culture permet de les « réduire » facilement, sans avoir à passer par une nouvelle loi : il suffit que le ministère de la recherche passe des arrêts disciplines par disciplines. Il va sans dire que la disposition ne permet que de mettre en place des « durées inférieures ». Le seul risque, que je pointais dans mon billet précédent, est d’aboutir à des durées variables d’une discipline à l’autre (ce qui serait encore moins lisible que la distinction SHS-STM).
  2. Sur les types de publications : l’intégration des recueils de mélanges (une innovation française encore reprise par aucun pays européen) est confortée par le rejet de l’amendement CE103. Le rapporteur de la commission culture a prévu une autre disposition  intéressante : intégrer la publication des différentes versions des articles (AC22). À une époque où la publication scientifique tend à se démultiplier en plusieurs textes parfois complémentaires (on trouve ainsi dans les preprint des développements qui n’avaient pu figurer dans les revues par manque de place), c’est plutôt bien vu.
  3. Sur les licences : la restriction de l’utilisation commerciale est renforcée (ce qui a pour effet négatif d’éloigner encore l’open access à la française des standards de publications en open access, comme CC-BY). Toute forme de republication à des fins commerciales est illégale (et non la simple parution dans une édition à caractère commerciale).

Loi numérique : le retour des communs ?

Et oui déjà un nouveau billet : les choses s’accélèrent. La commission des affaires économiques et la commission des affaires culturelles viennent d’examiner les amendements déposés par les parlementaires à la loi sur le numérique. Il y a deux adoptions inattendues : deux amendements de Christian Paul visant à reconnaître positivement le domaine public et, plus largement, les communs informationnels ; un amendement d’Isabelle Attard établissant la liberté de panorama et, par-là, faisant de l’espace public un bien commun.

Le premier amendement de Christian Paul présente une version light de l’ancien art. 9 de la loi sur le numérique. Il reprend pour l’essentiel la définition du « domaine commun informationnel » finalement rejetée par le gouvernement : les informations/idées ne constituant pas une expression originale ; toute production intellectuelle dont les droits patrimoniaux ont expirés ; les informations administratives au sens de la loi de 1978. Rien n’est prévu par contre pour permettre de s’opposer au copyfraud. À défaut de déboucher immédiatement sur des retombées concrètes, cette proposition constitue un compromis acceptable. Inscrire les communs informationnels dans la loi constitue en effet une première étape essentielle (qui avait notamment fait défaut lorsque la section open access de la loi avait tenté de définir les données de la recherche comme « choses communes »). Il faut prendre l’amendement comme une fondation conceptuelle essentiel pour harmoniser et développer des législations sur des domaines très variés (l’open data, le libre accès…).

Le second amendement de Christian Paul crée un domaine commun vivant. Il consolide a posteriori le statut des licences libres en reconnaissant un droit de renonciation. La disposition ne va pas à l’encontre du droit moral, qui demeure inaliénable : il est juste question d’admettre la renonciation aux droits patrimoniaux.

Enfin, l’amendement sur la liberté de panorama introduit une nouvelle exception au droit d’auteur. Elle prend une forme concise, immédiatement compréhensible :

10° Les reproductions et représentations des œuvres architecturales et des sculptures, réalisées pour être placées en permanence dans des extérieurs publics.

L’amendement vise à résoudre un problème de plus en plus prégnant des usages numérisés : toute publication d’une photographie d’objet ou de bâtiment placé dans le domaine public doit faire l’objet d’une rémunération versée à son concepteur (s’il est mort depuis moins de 70 ans). En pratique cette règle a pour effet de privatiser l’espace public : au lieu d’être universellement reproductible, il se présente sous une forme « trouée », des paysages détenus par personne ou des artefacts dans le domaines publics alternant avec des biens protégés par le droit d’auteur. Bien que peu appliquée, elle crée une insécurité juridique, notamment pour les projets de libre diffusion des connaissance (comme Wikimedia Commons ou OpenStreetMap).

Un exemple d'espace trouvé : le Louvre obscurci par sa Pyramide
Un exemple d’espace public « troué » : le Louvre obscurci par sa Pyramide

Pour être finalement intégré à la loi ces trois amendements doivent avoir été approuvés par la commission des lois — ce qui se passera demain. Rien ne garantit donc leur adoption finale. A minima, ce dernier rebondissement montre que la liberté de panorama et le domaine commun informationnel constituent désormais des sujets récurrents dans le débat politique français et que l’on ne parviendra pas à les enterrer de sitôt. La liberté de panorama est notamment soutenue par des amendements similaires, soutenus par des députés de sensibilité politique différente. Ce soutien croissant contraste avec la réprobation marquée dont elle avait fait l’objet en 2011 : la route est longue, mais la route est droite…

Loi numérique : quels amendements pour le libre accès ?

Au cours de l’année écoulée, nous avons suivi de près l’élaboration d’une loi open access à la française, qui fait partie intégrante de la loi sur la société numérique. Une loi open access vise à lever le principal obstacle restreignant le développement du libre accès : les droits d’exclusivité dont disposent les éditeurs de revues ; lorsqu’ils souhaitent diffuser leurs publications les chercheurs. Pour y remédier, une recommandation européenne de 2012 a élaboré le mécanisme juridique suivant : toute recherche financée au moins par moitié par fonds public pourra être republiée sous une licence non-commerciale au terme d’une durée maximale de 6 mois à 1 an ; tous les engagements contractuels contraires pris entre les auteurs et l’éditeur expirent au terme de cette date.

Les différents épisodes de ce feuilleton législatif (qui incluent également, pratique inhabituelle, une consultation publique ouverte à tous) ont apporté leur lot de bonnes et de mauvaises surprises. Par rapport au projet initialement envisagé, le dispositif finalement retenu par l’exécutif (art. 17) est plus ambitieux dans deux domaines : les durées d’embargo (qui passent, de 12 à 6 mois dans les Sciences Techniques et Médicales et de 24 à 12 mois pour les Sciences Humaines et Sociales) et la diffusion des données associées à l’article (dont « la réutilisation est libre »). Par contre, deux mesures complémentaires importantes ont disparu : la mise en place d’une exception pour les projets scientifiques de text mining et la reconnaissance positive du domaine public (qui vise notamment à contrecarrer le copyfraud).

Après la publication du projet de loi finalement retenu par le conseil des ministres et l’examen du conseil d’État, nous en entrons dans une nouvelle phase : le débat législatif. Les amendements des parlementaires ont été publiés hier. Au total, j’en dénombre 430 à la commission des lois et 14 à la commission des affaires culturelles. Je me suis permis d’extraire automatiquement leur contenu à partir d’un petit scraping en python, ce qui me permet d’effectuer des requêtes plus précise et, accessoirement, de me laisser aller à une pratique délicieusement trollesque : du text mining, peut-être illégal, sur des amendements qui visent justement à autoriser le text mining :

assemble_link ="/Users/pclanglais/Desktop/assemble_link.txt", "r")
assemble_link =
assemble_link = assemble_link.split('\n')
for link in assemble_link:
	finallink = re.sub(ur"", ur'', link)
	finallink = re.sub(ur".asp", ur'', finallink)
	extractnotice(link, finallink)

Une confirmation de la loi open access

Commençons par les mesures qui concernent exclusivement les chercheurs. Actuellement, le dispositif principal de la loi open access est visé par une vingtaine d’amendements (dont la moitié dans la commission des affaires économiques). Ils n’apportent que des préconisations assez subsidiaires. Tirant clairement les conclusions d’une consultation publique très favorable à l’open access, le texte finalement adopté en conseil des ministres a déjà pris en compte plusieurs revendications majeures (l’intégration des données dans le dispositif de la loi et l’abaissement des durées d’embargo, en conformité avec la recommandation européenne de 2012). En fait, j’anticipais plutôt un retour en arrière. Il n’a, pour l’essentiel, pas eu lieu (exception faite d’une série d’amendements en commission des affaires économiques soutenus par seulement trois signataires).

Pour faciliter la lecture, j’ai regroupé les amendements dans les thématiques suivantes :

  1. Les durées d’exclusivité. Trois amendements pointent l’irrecevabilité de deux durées distinctes pour les Sciences Techniques et Médicales (6 mois) et pour les Sciences Humaines et Sociales (12 mois). AC7 et CL340 recommandent le passage général à 6 mois, tandis que CL289 préconise 12 mois. AC17 propose une alternative intéressante (mais qui risque de devenir rapidement peu lisible) : autoriser le ministère de la recherche à introduire des « délais inférieurs » discipline par discipline (ce qui permettrait concrètement d’abolir totalement l’embargo). Pour des raisons pratiques, je préconiserais plutôt un régime général de 6 mois (même si pas d’embargo du tout serait une situation encore préférable…). Enfin, le CE104 s’inscrit dans une dynamique rétrograde en revenant aux durées initialement prévues : 24 et 12 mois pour les SHS et les STM.
  2. Les publications concernées. Je n’ai vu que deux amendements souhaitant altérer le périmètre initialement envisagé. AC22 préconise de publier tous les manuscrits intermédiaires (et non, uniquement, la version finale approuvée par l’éditeur) : alors que l’écrit scientifique devient de plus en plus une production in progress associant plusieurs versions distinctes, l’idée me paraît intéressante. Inversement, CE103 (toujours le même groupe rétif à l’open access) prescrit d’exclure les « recueils de mélanges » du cadre de la loi.
  3. Les modalités de republication. Le CL339 apporte une spécification utile : les publications doivent non seulement être mises à disposition gratuitement mais dans un « format ouvert » (par exemple csv pour les données, OpenOffice ou HTML pour les articles, plutôt que respectivement excel et word). Le CE67 propose les mêmes spécifications.
  4. Le statut des données scientifiques. Les deux amendements portant sur ce sujet crucial apportent peu de chose. En prescrivant d’intégrer les « données sources » CL288 est redondant avec la loi dans son état actuel (qui met déjà les données associées à l’article en libre accès). CL473 ajoute une restriction de réutilisation par rapport au régime actuel le régime actuel (qui consiste approximativement à placer les données sous une licence de type CC0, en retirant toute forme de droits patrimoniaux et moraux) : il vise à astreindre toute utilisation à « faire référence à la source utilisée ». On basculerait ainsi plutôt dans un système de licence proche de la CC-BY ou de l’ODBL.
  5. Les licences. Le texte original autorisait la republication sous une licence ne permettant pas la diffusion commerciale par un autre éditeur. Ce texte est remis en cause par plusieurs amendements (peu soutenus) recommandant des restrictions additionnelles.  AC18 souhaite une mention explicite de l’interdiction de tout usage commercial (en dehors d’une rédaction différente, ça ne change rien au fond de l’art. 17). Soutenus par un même groupe de trois parlementaires plutôt rétifs à une loi open access, CE167 et CE102 tentent respectivement d’édicter une restriction commeciale générale (et non seulement dans le cadre de l’édition scientifique) et d’intégrer les réutilisation « indirectement » commerciales. Enfin, le CE105 des mêmes auteurs tentent d’inscrire dans le marbre la portée exclusivement individuelle de ce droit (en empêchant la mise en place de dépôts institutionnels et impératifs).
  6. L’évaluation a posteriori. Pour AC19 et CE155 il est souhaitable de commander une étude d’impact deux à trois ans après l’adoption de la loi.

Dans l’ensemble il y a finalement peu de choses. Seules les durées peuvent peut-être encore changer, au risque de braquer les éditeurs en SHS ou les chercheurs en STM selon que l’harmonisation se fait à la baisse ou à la hausse.

La configuration actuelle n’était pas trop favorable à un lobbying acharné des éditeurs scientifique. Les petits éditeurs en Sciences Humaines et Sociales ont été apparemment rassurés par la mise en œuvre d’une politique de subvention pour accompagner leur conversion à l’open access. Les grandes multinationales ont d’autres chats à fouetter. Suite aux contrats signés l’année dernière les universités continuent de verser des millions à Elsevier. D’ici l’expiration des contrats, le marché aura complètement changé en Europe (avec une conversion probable vers le modèle open access gold ou auteur-payeur). Même avec l’adoption de la loi sur le numérique, la France reste, du point de vue de ces acteurs, un cas beaucoup moins problématique que les Pays-Bas, le Royaume-Uni ou l’Allemagne.

La résurrection de l’exception au text mining

L’exception au titre du text mining avait été rapidement retirée du projet de loi : elle ne figurait pas dans le texte soumis à une consultation publique. À l’instar de l’avocat du Syndication National de l’Édition, Richard Malka, les ayant-droit avaient tirés à boulets rouges sur cette exception : dans une brochure intitulée La Gratuité c’est le vol (pourtant diffusée… gratuitement), il assimilait l’extraction automatisée à des fins scientifiques à un « pillage ».

Pourtant, cette exception existe aujourd’hui dans des pays aussi marxistes que le Royaume-Uni (depuis 2014) ou, de facto, aux États-Unis (suite à l’adoption d’une jurisprudence favorable, dans le cadre du procès Google Books); elle est actuellement sérieusement envisagée dans la réforme européenne du droit d’auteur. L’exception vise davantage à clarifier une zone grise qu’à créer un nouveau droit : l’enjeu est d’établir que, dans la recherche scientifique, le droit d’extraire est indissociable du droit de lire. Plus que le droit d’auteur, le droit des bases de données constitue le principal obstacle : il empêche toute forme de copie substantielle d’une base de données protégée. Or, les projets de text mining à grande échelle impliquent nécessairement une recopie significative voire intégrale d’une base.

Le débat parlementaire redonne des chances à l’exceptions. Elle est actuellement recommandée par pas moins de sept amendements (AC11, AC16, CL84, CL344 et CL463, CE29 et CE78). La mesure est œcuménique : elle est souhaitée aussi bien par des parlementaires de gauche (CE29 pour les communistes, CL344 pour des écologistes et indépendants (Attard), CL463 pour les socialistes) que par des parlementaires de droite (le seul CL84, mais adopté par un grand nombre de signataires).

La rédaction est quasiment identique (je n’ai pas détecté de variations notables). Elle prend la forme de deux dispositions. La première décrit le cadre général de l’exception : les copies numériques de « sources licites » sont autorisées pour les « besoins de la recherche publique ». Par contraste avec l’exception initialement envisagée par la Loi sur le Numérique, les parlementaires insistent sur la nécessaire conservation des données résultant de l’extraction automatisée :

2° Après le 4° de l’article L. 342‑3, il est inséré un 5° ainsi rédigé :« 5° Les copies ou reproductions numériques de la base réalisées par une personne qui y a licitement accès, en vue de fouilles de textes et de données dans un cadre de recherche, à l’exclusion de toute finalité commerciale. La conservation et la communication des copies techniques issues des traitements, au terme des activités de recherche pour lesquelles elles ont été produites, sont assurées par des organismes désignés par décret. Les autres copies ou reproductions sont détruites. »

En l’état l’exception au text mining dispose de chances significatives. Elle peut compter sur des soutiens significatifs dans les principaux partis (ainsi que sur l’approbation tacite des principaux acteurs concernés : les chercheurs) ainsi que sur la concrétisation parallèle d’une exception similaire au niveau européen.

Vers un retour des communs ?

En dehors du strict cas de l’open access une trentaine d’amendements portent sur l’art. 17 ou sur l’art. 18 (qui cible plus précisément la réutilisation des données personnelles à des fins de recherche). Ils ne se limitent d’ailleurs pas à l’open access. Comme les deux articles sont les seuls survivants d’une section plus largement consacrée à « l’économie des savoirs », plusieurs amendements visent à rétablir la section sur les communs informationnels et la reconnaissance positive du domaine public (AC8, AC9, AC13, CL117, CL341, CL342, CL460, CL461).

D’autres s’attachent à mettre en œuvre une exception souhaitée de longue date par les chercheurs et les projets de libre diffusion des connaissance : la liberté de panorama (AC10, AC15, CL30, CL88, CL343, CL462). Comme je le rappelais dans un billet sur Rue89 il y a quelques années, l’espace public français est actuellement « troué » : les architectes conservent des droits d’auteurs sur leurs réalisations ce qui rendent la plupart des photographies urbaines de facto illégales.

Projet de loi sur le numérique : vers un libre accès sans communs…

La version finale de la proposition de loi sur le numérique vient d’être publiée. Elle n’a pas suivi un processus ordinaire. Entre la phase d’élaboration par l’exécutif et l’examen au parlement, une nouvelle étape intermédiaire s’est intercalée : une consultation publique, où tout un chacun pouvait, sous certaines conditions, noter, commenter et reconfigurer la loi existante.

La version finale porte la trace de ces apports collaboratifs. Des petits cadres, sur le côté, viennent régulièrement justifier l’introduction de telle ou telle mesure à la lumière des suggestions formulées pendant la consultation publique. En soi, la loi est un exercice très intéressant de démocratie mixte, à la fois direct et indirect.

Exemple du système de rédaction collaboratif de la proposition de loi sur le numérique
Exemple du système de rédaction collaboratif de la proposition de loi sur le numérique

C’est aussi un exercice limité. Les avis convergents des intervenants de la plate-forme République Numérique n’ont été pris en compte que dans la mesure où ils ne heurtaient pas trop frontalement les intérêts de certains lobbys puissants. À ce jeu, l’édition scientifique s’est révélée moins influente que les industries culturelles.

La consécration du libre accès

La conversion de l’édition scientifique au libre accès n’est plus une vague promesse utopiste. Depuis 2011, plus de la moitié des articles scientifiques européens sont disponibles en ligne. Or, le droit existant est inadapté à cette transformation massive : le mouvement du libre accès repose fréquemment sur des hacks, des détournements plus ou moins légaux. Cela va des licences creative commons (qui détournent les arrangements contractuels pour créer des biens communs) aux bibliothèques numériques illégales sur le modèle de Libgen. Les contrats d’exclusivité avec les grands éditeurs en effet un obstacle majeur : même si les chercheurs sont assez largement favorables à une politique de libre accès, ils restent indéfiniment liés par des engagements auprès de revues prestigieuses, au sein desquelles on ne peut pas ne pas publier pour faire carrière…

En 2012, l’Union Européen a émis une recommandation aux États-membres, les incitant à mettre en ligne les articles de recherche financés par moitié par l’argent public dès que possible, ou au plus tard 6 mois après publication en STM et 12 mois en SHS. Elle a été suivi d’effets dans la plupart de grands pays européens, que cela passe par l’adoption de loi open access ou de grands programmes de diffusion.

La France restait à la traîne. Si dernière version de la loi sur le numérique est adopté, elle sera en avance. La nouvelle mouture de l’article 9 (devenu art. 14) a acté plusieurs évolutions déterminantes :

  • Les durée d’embargos sont raccourcies. De 12 mois pour les STM et 24 mois pour les SHS, on revient respectivement à 6 et 12 mois, ce qui place la France en conformité avec la recommandation européen et, surtout, ils deviennent des délais maximaux (et non des temps par défaut) : « au plus tard six mois pour les sciences, la technique et la médecine et douze mois pour les sciences humaines et sociales, à compter de la date de la première publication. »
  • Les données de la recherche sont intégrées dans le périmètre de la mesure. C’est là un acquis capital, qui représente une avancée par rapport à la loi sur le libre accès allemande : sous l’effet de la numérisation, la publication scientifique s’apparente de plus en plus à une création « composite » associant un contenu rédigé, des jeux de données ou des algorithmes (pour vous en donner une idée, cf. mon dernier billet sur les réseaux d’acteurs à partir de Wikidata). Non seulement les données sont prises en considération dans la loi mais leur statut est beaucoup plus souple : elles deviennent d’emblée des choses communes, échappant à toute appropriation et, de facto, diffusable librement dès la publication de l’article. « Les données de la recherche rendues publiques légalement issues d’une activité de recherche financée au moins pour moitié par des fonds publics et qui ne sont pas protégées par un droit spécifique sont des choses communes. » L’éditeur ne peut revendiquer aucun droit dessus : « L’éditeur d’un écrit scientifique mentionné au I ne peut limiter la réutilisation des données de la recherche rendues publiques dans le cadre de sa publication ». Ces dispositions sont cohérentes avec une innovation majeure apportée par l’art. 5 de la dernière version : les bases de données publiques ne pourraient plus revendiquer de droit sui generis (ce qui les transforment, d’emblée, en choses communes) : « le droit sui generis ne doit pas faire obstacle à la réutilisation du contenu des bases de données de l’administration. » Tout ceci va par contre à l’encontre des mesures adoptées par la loi Valter (qui conforte le statut d’exception des institutions de recherche au regard de la politique d’ouverture des données publiques).
  • Le libre accès porte plus spécifiquement sur les versions finales du processus éditorial. Dans un précédent article publié dans Sciences Communes, Mélanie Dulong de Rosnay pointait le risque de durcir en réalité les conditions actuelles de dépôt en archive ouverte : si la loi concernait non spécifiquement la version publiée, mais aussi la version auteur, elle risquait de soumettre les chercheurs à des embargos qu’ils n’étaient en aucun cas tenus de respecter : « La dernière version soumise par l’auteur (ou preprint) appartient donc bien en droit à l’auteur dès sa création, et peut par conséquent dans l’état actuel du droit déjà être déposée immédiatement en archive ouverte, en même temps qu’elle est envoyée à l’éditeur avec un éventuel contrat autorisant la reproduction de l’article. » A priori, la rédaction actuelle de l’art. 9/14 limite ce risque. Elle porte sur la « version finale du manuscrit acceptée pour publication ». L’indication sur la travail de mise en forme de l’éditeur disparaît.
  • La réutilisation non commerciale est moins contraignante. Tandis que la précédente formulation excluait toute forme de cession commerciale, il n’est plus question que « d’une activité d’édition à caractère commercial ». Même si ce n’est pas totalement clair, on peut supposer que la vente non lucrative d’une publication pourrait être autorisée (ce qui serait propice à des projets sur le modèle de la Framakey : diffuser des clés USB défrayés contenant des publications en libre accès).
  • Vers une rétroactivité ? A priori, cela était totalement exclu dans la rédaction précédente, comme en témoignait la mention « Elles ne s’appliquent pas aux contrats en cours. » Cette mention a disparu depuis. Le commentaire signale cependant que l’absence de rétroactivité va de soi : « Une application rétroactive serait attentatoire aux intérêts des auteurs et des éditeurs signataires des contrats en vigueur. »
  • Quid de l’exception pour le data mining ? L’exécutif a envoyé à ce propos des signaux contradictoires. Hier soir, le ministre de la recherche Thierry Mandon suggérait que l’exception serait rétablie dans la rédaction finale. Pour l’instant, je n’ai rien trouvé qui aille en ce sens. A priori, le gouvernement serait tenté de se défausser sur l’Europe, l’exception data mining étant maintenue au programme des projets de réforme européen du droit d’auteur.

La disparition des communs

La précédente version de la loi sur le numérique soumise à la consultation publique comportait une autre disposition importante pour la recherche : une reconnaissance positive du domaine public informationnel et des biens communs de la connaissance (art. 8). Même si la formulation n’était pas parfaite, ces mesures contribuaient à sécuriser considérablement les recherches effectuées des productions a priori dénuées de droits patrimoniaux telles que les informations « brutes », les données des documents administratifs ou les œuvres passées dans le domaine public.

Les projets scientifiques sont généralement très soucieux de la légalité de leur activité. Si l’usage des technologies numériques ouvre de nombreuses perspectives (par exemple, en terme d’analyse statistique de grands corpus), leur mise en œuvre effective reste limitée de facto par l’absence d’un cadre juridique clair (peut-on ou non importer automatiquement le contenu de telle bibliothèque numérique ou la base de données de telle institution publique ?)

Au-delà de cette sécurisation, l’art. 8 représentait un premier pas vers une reconnaissance des communs. À partir de cette base, on pouvait envisager ultérieurement l’intégration des communs volontaires tels que les logiciels libres, l’open data ou les publications sous creative commons. On disposerait ainsi d’un arsenal juridique apte à protéger ces communs contre diverses formes de réappropriation ou d’enclosure. Ainsi, même si elles ont été élaborées et acclimatées en droit français par d’excellents juristes, de par leur nature contractuelle, les Creative Commons n’offrent peut-être pas une protection suffisante.

L’art. 8 a suscité une contre-attaque virulente des société de gestion de droit d’auteur et des industries culturelles. Le Conseil Supérieur de la Propriété Littérature et Artistique, où des acteurs sont surreprésentés, a mandaté dans un premier temps mandaté un rapport à l’avocat Jean Martin, qui ne lui a pas donné satisfaction : tout en étant assez rétif à une reconnaissance positive du domaine public informationnel, Martin admettait que cette disposition n’attentait nullement aux droits de propriété intellectuelle sous leur forme actuelle, et qu’il ne faisait qu’expliciter certaines dispositions sous-entendue.

La définition du domaine commun informationnel préserve les principes fondamentaux du droit d’auteur malgré des imprécisions (…) Dans l’ensemble, toutefois, et même si elle pourrait être complétée et précisée, par exemple pour expliciter la notion potentiellement très large des « informations », cette première définition permet cependant le maintien du régime actuel.
En dépit de cette analyse prudente, le CSPLA s’est engagé dans une opposition virulente qui a porté ses fruits. Une réunion organisée hier à Matignon a tranché en sa faveur : l’art. 8 est abrogé et la réflexion continuera sous la forme d’une vague commission… Apparemment, les dés étaient déjà pipés : la réunion comprenait une vingtaine de lobbyistes des industries culturelles contre lesquels la parole de quelques bénévoles ne valaient pas grand chose.
Une victoire, donc, mais peut-être une victoire à la Pyrrhus. Du point de vue des industries culturelles, la reconnaissance des communs permettaient de sauver l’essentiel : le maintien du code de la propriété intellectuelle dans son état actuel, moyennant l’explicitation des libertés qu’il permet.
En refusant idéologiquement toute forme d’aménagement pragmatique et, surtout, en réduisant au silence une consultation publique ouverte à tous, ces acteurs risquent de radicaliser le débat public. Quitte à rentrer dans une logique du tout ou rien, je me sens de plus en porté à ignorer tout ce système. Et je suis loin d’être le seul…

Modéliser le réseau social des acteurs de cinéma des années 1920 et 1930 avec Wikidata

Certaines innovations majeures passent inaperçues. C’est le cas de Wikidata. Créé il y a deux ans, ce Wikipédia des bases de données placé dans le domaine public s’est imposé au détriment de ses homologues détenus par de grandes entreprises (comme Freebase de Google). Le contenu et l’architecture de cette ressource sont entièrement gérés et améliorés par une communauté bénévole, ouverte à toutes les contributions.

Pour reprendre l’expression de Lionel Maurel, Wikidata est l’un des principaux agents d’une science “wikifiée”, apte à développer une gouvernance autonome contre les tentatives hégémoniques des grands éditeurs. Détenteur direct ou indirect de 30% des revues publiées dans le monde, Elsevier est en train de se réorienter massivement vers les données scientifiques numérisées. Via son API, l’éditeur cherche à contrôler et à uniformiser les catégories et les modes d’accès à la connaissance.

Wikidata reste pour l’instant sous-utilisé, faute d’une interface d’accès et de requête adaptée. Depuis peu, il existe un point d’accès en SPARQL (soit le standard usuel du web sémantique). Sous réserve d’avoir déjà un peu tâté d’un langage SQL, SPARQL se prend facilement en main : il m’a suffit d’une après-midi pour commencer à monter des requêtes un peu complexe (je vous invite aussi à lire les très bons billets de Ash_Crow sur les chiens de traîneaux ou sur la proportion de femmes scientifiques recensées dans Wikipédia).

Ici, je vais tenter d’intégrer une requête Wikidata dans un projet plus vaste : l’analyse des réseaux sociaux d’acteurs des années 1920 et 1930. Le lien entre les acteurs repose sur cette affiliation : le fait d’avoir figuré dans le même film. Je cherche ici à tester l’hypothèse suivante : dans quelle mesure le passage du muet au parlant a entraîné une consolidation des traditions nationales du cinéma ? Tant que le langage parlé n’est pas imposé, rien n’empêche en effet un acteur français ou allemand qui ne connaît pas un mot d’anglais de faire carrière aux États-Unis.

On aboutit ainsi à deux réseaux, l’un pour la période 1920-1929 :

Réseau social des acteurs au cours de la période 1920-1929 (CC0)
Réseau social des acteurs au cours de la période 1920-1929 (CC0)

Et l’autre pour la période 1930-1939 :

Réseau social des acteurs au cours de la période 1930-1939
Réseau social des acteurs au cours de la période 1930-1939

Les couleurs correspondent à des ensembles reconnus automatiquement par un algorithme intégré au logiciel Gephi (et, comme on va le voir, ils ne représentent pas que des nationalités). La version interactive du réseau 1920-1929 peut-être consultée par ici (soyez patient : les données en JSON prennent un peu de temps pour être téléchargées). Pour 1930-1939, je vous invite plutôt à télécharger le document compressé et à ouvrir directement le fichier index.html dans un navigateur en local (les données sont trop lourdes pour mon petit hébergement). Enfin, vous pouvez également jouer avec les données recueillies et mises en formes (ici pour 1920-1929 et pour 1930-1939).

Les apports de Wikidata

Je pensais que les projection de réseaux sociaux d’acteurs étaient très fréquentes, au point d’être quasiment galvaudées. C’est en effet un excellent cas d’école pour tester des techniques et des analyses réticulaires (telles que développées par Gephi).

Eh bien en fait non : je n’ai peut-être pas très bien cherché, mais il n’y a pas eu grand chose dans ce domaine, qui porte quand même un nom : le Co-Stardom Network. Un article de 2010 qui compare les graphes des réseaux d’acteurs d’Internet Movie Database avec des graphes générés aléatoirement, constate ainsi qu’il y a très peu de publications.

Les conditions de production et de diffusion de ce savoir ont d’emblée une portée limitative : le modèle économique d’IMDB implique un contrôle étroit de la réutilisation de ces données (avec un accès au cas par cas, généralement moyennant une rétribution conséquente). Évidemment, sur un projet bénévole en libre accès comme Wikidata, ces restrictions n’ont plus lieu d’être.

Wikidata est probablement à ce jour la base de donnée “généraliste” la plus complète, mais elle n’est pas encore en mesure de concurrencer les bases de données spécialisées. Pour le sujet qui m’intéresse ici, les réseaux sociaux d’acteurs, le site propriétaire IMDB n’a pas encore d’égal. Seulement, Wikidata présente plusieurs avantages déterminants :

  • La reproductibilité (et son corollaire, la vérifiabilité) : toutes les données sont diffusées dans le domaine public. Tout projet dérivé donne ainsi au lecteur les moyens de le falsifier (il est possible de constater que les données sont biaisées ou qu’elles ont été mal exploitées).
  • La connectivité : en tant que base généraliste, Wikidata permet de dégager des corrélations relevant de domaines de savoirs distincts. L’identifiant de chaque acteur inclut ainsi des informations qui n’ont peut-être rien à voir avec le cinéma. Ainsi l’actrice Hedy Lamarr (Q49034) est aussi référencée comme la créatrice (P170) d’une technologie d’étalement du spectre (Q958957).
  • La rétroactivité : Wikidata étant universellement modifiable, les concepteurs d’un projet dérivé peuvent directement corriger les erreurs constatés ou améliorer la représentativité de certains décomptes.
  • La sophistication des relations : non seulement, il est possible d’indiquer plusieurs valeurs pour chaque propriété, mais chacune de ces valeurs peut-être qualifiée (par exemple, combien de temps tel acteur a été employé par tel studio) et référencée (en incluant une source de qualité où figure l’information).

Dans l’ensemble, la représentativité des données cinématographiques est plutôt élevée par rapport aux standard de Wikidata. Sur la période 1930-1939, nous avons les listes de castings de 4885 films ou quasiment 500 films par an, soit assurément la plupart des productions de l’industrie cinématographique. Par comparaison, au pic de sa production, vers le milieu des années 1940, Hollywood sortait 400 films par an. Pendant la décennie 1930, nous devons être aux alentours de 200 à 300 films : même en prenant en compte la production française, allemande, italienne, etc., le taux de couverture doit être de l’ordre de 70 à 80%.

Évidemment, la représentativité est beaucoup plus problématique pour tous les films qui sortent des circuits usuels (avant-garde) ou pour certaines traditions nationales peu favorisées par les contributeurs de Wikidata (déjà très actif, le cinéma russe est clairement occulté).

Quelques éléments de making-of

La requête pour récupérer les données de Wikidata est assez simple. Il suffit d’indiquer que nous cherchons la distribution d’un film (propriété P161, soit ?film wdt:P161 ?actor) et sa date de sortie (propriété P577, soit ?film wdt:P577 ?date), puis nous ajoutons des filtres pour restreindre la recherche à la période qui nous intéresse. Afin de ne pas surcharger le serveur, nous préféré effectué des requêtes années par années. Nous obtenons à la fin la requête suivante (dotée d’une commande spéciale pour faire afficher les labels) :

SELECT DISTINCT ?film ?filmLabel ?actor ?actorLabel ?date_name WHERE {
    ?film wdt:P161 ?actor .
    ?film wdt:P577 ?date .
    FILTER (year(?date) > 1938) .
    FILTER (year(?date) < 1940) .
    BIND(year(?date)AS ?date_name) .
    SERVICE wikibase:label {
        bd:serviceParam wikibase:language "en" .

Après avoir agrégé manuellement les fichiers pour chaque année (il serait sans doute possible de faire cela automatiquement, mais s’agissant d’un si petit nombre de fichiers, c’était plus rapide ainsi), nous obtenons une liste comprenant pour chaque film les acteurs qui y figurent.

Structure des données récupérées par SPARQL/Wikidata
Structure des données récupérées par SPARQL/Wikidata

Évidemment, cela ne suffit pas pour modéliser un réseau : le logiciel Gephi ne va pas déduire l’affiliation à partir de la mention commune du film. Il lui faut un fichier beaucoup plus explicite, qui indiquerait pour chaque acteur un acteur lié.

C’est ici qu’intervient le langage de statistique R (et deux extensions magiques, tidyr et dplyr). Quelques lignes de codes suffit pour avoir la transformation souhaitée. Nous transformons d’abord les films en liste d’acteurs. M le Maudit devient ainsi quelque chose comme « Gustaf Gründgens, Peter Lorre, Otto Wernicke… » et ainsi de suite. C’est l’affaire de la commande aggregate : actors <- aggregate(actorLabel ~ filmLabel, actors20, paste).

Les labels des films et la liste des acteurs en regard
Les labels des films et la liste des acteurs en regard

Après avoir isolé les acteurs et les films devenus des listes, nous “déroulons” ces derniers avec la commande, actors <- actors %>% unnest(actorLabel.y). Au lieu de mettre en relation Peter Lorre avec « Gustaf Gründgens, Peter Lorre, Otto Wernicke… », nous obtenons des couples Peter Lorre/Gustaf Gründgens, Peter Lorre/Peter Lorre, Peter Lorre/OttoWernicke etc.

unnestActorsEnfin, nous retirons les duplications avec la commande unique : actors <- unique(actors). Ce n’est pas obligatoire vu que Gephi les gère directement, mais cela permet de réduire notablement la taille du jeu de données.

Initialement, je voulais que la liaison s’opère à partir des identifiants non ambigus de Wikidata (ce qui permet d’anticiper des cas d’homonymies, tel un hypothétique second Peter Lorre qui aurait fait une carrière très différente du premier). Gephi n’a pas voulu admettre l’existence de labels distinct des identifiants, ce qui fait que j’ai laissé tombé1 .

Je ne vas pas rentrer dans le détail du traitement avec Gephi (qui est très standard). Pour distinguer les “grappes” de liens, j’ai appliqué une transformation Yifan Hu (toutes les autres étaient beaucoup trop laborieuses), puis opéré une reconnaissance automatique des “communautés” et coloré les nœuds et les liens en conséquence.

Des communautés

Rentrons maintenant dans le vif du sujet. À la fin de tout ce processus, nous obtenons deux jolis graphes colorés composé de plusieurs dizaine de milliers de liens. Qu’allons-nous en faire ?

En 1930-1939, les choses sont beaucoup plus simples : les ensembles se détachent aisément et le taux de reconnaissance est élevé (0,641). En inspectant les noms des entités voyons clairement se détacher des traditions nationales autonomes, avec quand même quelques spécificités. Les américains sont en bleu, les anglais en rouge, les français en jaune, les allemands en vert et les italiens en bleu ciel. J’insiste sur la fait qu’il s’agit d’une reconstitution a posteriori : le logiciel n’avait strictement aucune idée de la nationalité des films mais, simplement, par le jeu des récurrences des distributions, il parvient à déduire ces grands ensembles.

Traditions nationales dans le réseau des acteurs de 1930-1939
Traditions nationales dans le réseau des acteurs de 1930-1939

Les interactions entre les traditions nationales sont différenciées. Les anglais tendent ainsi à se mêler étroitement aux américains (au point, qu’il y a des erreurs de classement : Franck Coghlan Jr. est ainsi classé comme anglais). Nous voyons aussi se dessiner le mouvement d’exil partiel du cinéma allemand après la prise du pouvoir d’Hitler.

Un mouvement d'exil : le cinéma allemand post-1933
Un mouvement d’exil : le cinéma allemand post-1933

Le cinéma italien (et, dans une moindre mesure français) reste par contre assez soudé. Enfin, certains petits ensembles dispersés sur la carte reflète des traditions nationales plus isolées (comme le cinéma argentin en orange clair).

Un réseau périphérique : le cinéma argentin (en orange clair)
Un réseau périphérique : le cinéma argentin (en orange clair)

Dans l’ensemble, la variable nationale reste le critère privilégié. Il y a pourtant une exception : dans le coin supérieur droit du cinéma américain, nous voyons se dessiner un sous-ensemble distinct en vert foncé. Il s’agit des acteurs du muet qui n’ont pas tous réussi leur reconversion et tendent à tourner les uns avec les autres. Le réseau de Gloria Swanson (qui elle a encore plutôt bien réussi sa transition vers le parlant) illustre bien ce fait :

Le réseau de Gloria Swanson, à mi-chemin entre muet et parlant
Le réseau de Gloria Swanson, à mi-chemin entre muet et parlant

En 1920-1929, le tableau est assez différent. Le logiciel peine davantage à distinguer des ensembles cohérents : le taux de reconnaissance descend à 0,531. Il y a des chevauchements fréquents que je n’arrive d’ailleurs pas totalement à expliquer.

Si la tradition française et anglaise (respectivement en bleu ciel et en rouge orangé) restent globalement perceptibles, les allemands, les italiens et les suédois tendent à se confondre dans une catégorie plus générique (que l’on pourrait qualifier de cinéma européen continental). La solubilité du cinéma italien m’a notamment surpris (surtout au regard de la cohésion apparente de cette tradition nationale au cours de la décennie suivante).

Traditions nationales au cours de la période 1920-1929
Traditions nationales au cours de la période 1920-1929

Côté américain, c’est le bazar. Trois sous-communautés en jaune, doré et turquoise se mélangent, sans que j’en comprenne très bien les motifs : je passe la main aux spécialistes, qui, par la récurrence des noms d’acteurs, arriveront peut-être à en dégager des critères communs. Les studios jouent peut-être un rôle déterminant dans cette affiliation (auquel cas, il faudrait postuler une plus grande fluidité des carrières d’un studio à l’autre au cours de la décennie suivante). Ici, le réseau soulève plus de questions qu’il n’en résout.

Le grand bazar américain des années 1920
Le sapin de noël américain des années 1920

Des ambassadeurs

Les réseaux numérisés présentent un autre intérêt : celui de glisser rapidement du cas général au cas particulier. Il est possible de cliquer sur une entité et d’identifier rapidement son réseau propre. Nous pouvons ainsi mettre en évidence l’existence d’ambassadeurs, soit d’acteurs à cheval sur plusieurs traditions nationales.

Le mouvement de la carrière de Greta Garbo est ainsi explicité : après ses débuts suédois (en bleus), elle tente sa carrière aux États-Unis (toutes les autres couleurs) :

Le réseau social de Greta Garbo, entre Suède et États-Unis
Le réseau social de Greta Garbo des années 1920, entre Suède et États-Unis

Maurice Chevalier se tient à équidistance de la France, des États-Unis et, dans une moindre mesure du Royaume-Uni :

Le réseau social de Maurice Chevalier entre France et États-Unis
Le réseau social de Maurice Chevalier entre France et États-Unis

Il s’agit là d’exemple bien connus. Le réseau permet également de distinguer des ambassadeurs insoupçonnés, tels ce Vladimir Sokoloff situé entre États-Unis, France et Allemagne.

Le profil transnational ultime : Vladimir Sokoloff
Le profil transnational ultime : Vladimir Sokoloff

Les techniques de modélisations de données ne vont ainsi pas nécessairement “écraser” le cas particulier dans des configurations de plus grande ampleur. Elles contribuent aussi à le faire émerger. Apparemment, Sokoloff n’a jamais fait l’objet d’une case study approfondie (Wikipédia ne mentionne que des sources primaires)2 . Le réseau met en évidence sa position exceptionnelle d’acteur transnational.

Cartographier une réalité complexe

La comparaison des réseaux de 1920-1929 et de 1930-1939 met en évidence une réalité complexe. S’il y a bel et bien un mouvement général de structuration nationale sous l’effet du passage au parlant, il s’incarne dans des modalités très différentes. Au Royaume-Uni et en France, l’évolution est faible. Dans le premier cas, il n’y a pas de barrière de langue avec le cinéma américain. Dans le second cas, la persistance de partenariats privilégiés entre Hollywood et la production française contribue à modérer les effets de distanciation (les comédies musicales de la Paramount fonctionnaient quasiment comme des productions bi-nationales).

Par contre, pour le cinéma européen continental, la rupture est nette : en dehors des exilés post-1933, le cinéma allemand se referme sur lui-même. Encore très poreux pendant la décennie précédente, le cinéma italien se structure (ce qui fait d’ailleurs que le mouvement néo-réaliste des années 1940 pourra s’appuyer sur une production très bien développée). On ne peut ainsi faire abstraction de la situation politique de la période : l’établissement ou le renforcement de régime autoritaire contribuent également à une raréfaction des partenariats transnationaux durables.

Enfin, pour les américains, il reste ce mystère d’une substitution des sous-ensembles de la décennie précédente dans un ensemble unique (hors les acteurs du muets). Je l’attribuerai peut-être à la généralisation de la starification y compris au sein des seconds rôles : des acteurs secondaires comme Edward Everett Horton ou Frank Morgan deviennent des figures populaires que le public apprécie de retrouver d’un film à l’autre. Si vous avez d’autres idées, les commentaires sont ouverts…

  1. Apparemment, c’est possible de le faire avec Excel, mais je n’ai jamais réussi à générer un document avec autant de données dans ce format []
  2. Alors que ce nom ne me disait rien, je me rends maintenant compte que je l’ai effectivement vu dans une demi-douzaine de films, sans jamais faire le lien []

Data Mining et Loi sur le Numérique : une proposition de Sciences Communes

Comme je le signalais dans mon billet précédent, l’exception pour la fouille automatisée des texte et des données est l’une des principales omissions de la loi sur le numérique. Prévue dans une version “fuitée” en juillet dernier, elle a finalement été abandonnée (sans doute sous la pression du lobby de l’édition : c’est l’une de Némésis du pamphlet du président du Syndicat National de l’Édition Richard Malka).

Enfin, il ne faut jamais dire jamais. L’annonce officielle du projet de loi sur le numérique s’est accompagné du lancement d’un processus contributif inédit : la plate-forme République Numérique. J’ai publié tout à l’heure une nouvelle proposition intitulée 9.1 Exception pour l’extraction de textes et de données à des fins de recherche.

Comme la numérotation l’indique, il s’agirait d’une disposition complémentaire à l’article n°9 organisant le libre accès des publications scientifique. Le texte proposé est destiné à être ajouté à la liste des exception au droit d’auteur :

Les copies ou reproductions numériques réalisées à partir d’une source licite, en vue de l‘exploration de textes et de données à des fins de recherche, à l’exclusion de toute exploitation commerciale ou de toute republication, en dehors de courtes citations et d’éléments relevant du domaine public informationnel. Un décret fixe les conditions dans lesquelles l’exploration des textes et des données est mise en œuvre.

Ce texte reprend en grande partie la proposition initiale divulguée en juillet dernier. J’y ai ajouté les modifications et les précisions suivantes :

  • Les conditions de republication sont explicitées (puisque c’est clairement le point qui coince avec les ayant-droits). L’accès devrait être concrètement limité aux membres du projet de recherche, sans qu’il soit possible d’effectuer une diffusion plus large, en dehors d’éléments non protégés par le droit d’auteur (j’en ai profité pour invoquer la notion de domaine public informationnel qui apparaît dans un autre article de la Loi sur le Numérique).
  • L’exception n’est plus cantonnée à la seule recherche publique mais à la recherche en général. Il me semble que l’exclusion de l’exploitation commerciale suffit à discriminer la recherche privée à des fins pécuniaires. Seule reste le cas de la recherche bénévole qui devrait à mon avis être concernée par cette mesure (d’autant qu’en impliquant des Citizen Scientist, un projet comme ContentMine tend un peu à brouiller les frontières).
  • Je n’ai plus spécifié d’impératif de destruction des fichiers après utilisation. À partir du moment où on est dans le cadre d’un “fair use” déjà bien bordé, je ne suis pas certain que cela soit nécessaire.

Autant le dire franchement : dans l’immédiat, je n’attends pas grand chose de cet exercice. Je suis depuis déjà plusieurs années l’évolution des débats parlementaires sur des sujets liées aux nouveaux usages numériques. La seule conclusion que je tirerai de cette expérience accumulée, c’est qu’un nouveau dispositif légal ne s’impose généralement qu’à la longue (voire, à l’usure…). Des mesures essentielles comme la reconnaissance positive du domaine public ou l’élargissement de l’open data ont été fréquemment recalés, avant de commencer à se concrétiser. Elles ont fait leur chemin petit à petit : même les votes négatifs ont permis de conforter leur statut de sujet d’intérêt public. C’est tout ce que je peux souhaiter à l’exception pour le text and data mining…