Je diffuse aujourd’hui mon principal projet de ces derniers mois, qui marque également l’aboutissement d’une réflexion engagée depuis plusieurs années sur Sciences communes : une étude critique sur les nouveaux modes d’éditorialisation des revues scientifiques en accès ouvert réalisée pour BSN — et très opportunément, cela tombe en pleine Open Access Week…
Cliquez sur l’image pour accéder au rapport (hébergé sur scoms en attendant HAL)
L’étude n’est que la version « synthétique » d’une quarantaine de pages d’un ouvrage qui paraîtra dans quelques mois. On peut retrouver également certains éléments propres à l’ouvrage (non repris dans l’étude) dans la présentation que j’en ai tirée pour la BSN et que j’ai ressorti la semaine dernière pour le séminaire PragmaTIC :
Le libre accès connaît aujourd’hui un tournant majeur. Il entre dans la loi : la Loi pour une République numérique prévoit un droit de republication des versions auteur ainsi qu’une exception au droit d’auteur pour faire de l’extraction automatisée de textes et de données (text & data mining, encore connu sous le sigle TDM). Au-delà de cette officialisation, le libre accès, sous toutes ses formes (archives ouvertes, revues, bases de données) est devenu un phénomène massif et incontournable, toutes disciplines, communautés et pays confondus.
De quel libre accès parle-t-on ?
La mise à disposition gratuite, voire sous licence libre, dissimule des choix éditoriaux, économiques et même politiques, radicalement distincts. Une partie du mouvement du libre accès est ainsi tentée par une mutation a minima : le journal flipping, soit une reconversion (to flip) des budgets consacrés aux abonnements en achats de « droits à publier » en libre accès, sans rien changer aux montants.
Cette reconversion maintient en l’état l’oligopole des géants de l’édition scientifique (bien présenté dans le dernier Datagueule), voire en étend la portée. Car un acteur comme Elsevier n’attend pas la généralisation du libre accès pour amorcer sa reconversion. Les acquisitions successives de Mendeley ou de l’archive ouverte SSRN (en attendant, peut-être, celles de ResearchGate ou Academia) témoignent de l’avènement de formes de contrôle et de captation inédites de l’activité scientifique : les interactions des chercheurs autour de leur publication alimentant un vaste recueil de métriques, revendues entre autres aux institutions universitaires. Nous assistons à l’émergence d’un nouveau modèle économique de l’édition scientifique assez largement inspiré de celui des grandes industries du web comme Facebook ou Google.
Une autre édition est possible
D’autres modèles existent : de par son ampleur-même, la conversion au libre accès autorise une réforme plus globale des conditions de diffusion de l’écrit scientifique. Les évolutions sont déjà engagées. C’est ce que rend visible la « cartographie » des pratiques et des initiatives émergentes qui se décline sur les quatre parties du rapport : outils d’édition, formes d’écritures, dispositifs d’évaluations et modèles économiques connaissent des transformations parfois radicales — et parfois convergentes. L’article n’est plus seulement ce un objet fixe et immuable une fois le processus de publication achevé mais connaît une multitude d’incarnation ultérieures (par exemple en se métamorphosant en données grâce aux techniques de text & data mining). L’évaluation ne s’arrête pas davantage au seuil de la revue : en s’ouvrant (open peer review), elle prend la forme d’une réception continue.
Analyse de correspondance réalisée à partir des données d’une étude sur les pratiques d’écriture de 20 000 chercheurs : l’utilisation d’outils libre est étroitement liée à la pratique en libre accès (orange) tandis que des pratiques émergentes mettent davantage l’accent sur la réplication (bleu).
En 2016, la question n’est plus tant de susciter ou de développer des innovations, mais de les intégrer et de les combiner dans des infrastructures cohérentes. L’architecture du web permet de faire cohabiter et « dialoguer » des modèles très différents par le biais de standards communs. Pour soutenir cette « bibliodiversité », il est nécessaire de la donner à lire, de faciliter la circulation d’une forme à l’autre et d’une plateforme à l’autre. J’ai ainsi proposé une petite projection (connus par les initiés de BSN sous le nom de code de « slide 63 ») du rôle déterminant que pourraient désormais jouer les archives ouvertes au-delà du simple recueil de l’article en recensant la pluralité de ces incarnations : évaluations, réplications, extraction de données…
Projection d’une archive ouverte augmentée (à partir d’un article déjà déposé dans HAL)
L’élaboration des infrastructures ne soulève pas des enjeux que « techniques ». Finalement un acteur comme Elsevier pourrait très bien jouer ce rôle (et commence à le faire). La différenciation s’opère sur un autre plan : celui, « politique », de la gouvernance. L’enjeu double est aussi bien d’empêcher le détournement de l’open access au profit de nouvelles enclosures que de développer des processus de prise décision plus efficaces et mieux adaptés à un contexte fortement évolutif. Le futur de l’édition scientifique passe ainsi peut-être par l’avènement de grandes plateformes auto-gérées. Celles-ci s’inscriraient la lignée de communs numériques comme Wikipédia ou OpenStreetMap, mais avec des modèles forcément différents, qui restent encore à inventer.
Bien qu’il m’ait été officiellement confié en janvier dernier, le rapport a été « préparé » depuis trois ans sur Sciences Communes. Le présent carnet a été créé en 2013 dans la perspective d’étudier et de référencer les « les nouvelles pratiques de réutilisation des publications et des données scientifiques ». Le rapport va aujourd’hui beaucoup plus loin que ce que j’imaginais alors : j’étais alors plutôt focalisé sur les questions de licences, tout en ayant en tête la perspective d’un écosystème élargi, né de la mobilité inédite des textes et données de la recherche (mon rapport particulier à l’open access, découvert alors que j’étais un simple contributeur sur Wikipédia dans l’incapacité d’accéder aux grandes bases d’articles sous paywall, n’y est pas étranger). Les dimensions de la « cartographie » du rapport sont en partie apparues dans le fil de ce carnet : la possibilité d’une captation de l’open access par des industries académiques 2.0, la nécessité d’une réponse politique, la longue « préhistoire » du libre accès…
Il y a une autre forme de continuité. Dans le rapport comme dans Sciences communes, les opportunités ouvertes par les nouvelles méthodes et formes d’écriture scientifique ne sont pas juste signalées mais mises en pratiques et exploitées. J’ai ainsi repris des données déposées sur Figshare ou Zenodo et j’ai développé des programmes d’extractions automatisés d’articles scientifiques (notamment pour situer le débat académique sur le terme d’open peer review) — tout comme, j’ai pu, par le passé, publier ici des « expériences » (1, 2, 3) qui démontraient, par l’exemple, l’opportunité de penser la publication scientifique comme une production croisée de textes, de données, de codes et de visualisations.
Essai de text mining sur les blogs référencés dans l’Open Access Directory. Le réseau de similarité entre les termes met en évidence l’importance croissante des thématiques éditoriales (données, évaluation…) dans le mouvement sur libre accès
Et puis, ce travail est une forme de production collaborative par procuration. Si j’en suis techniquement le rédacteur, je ne peux pas laisser de côté toutes les influences, déterminantes, qu’il laisse percevoir : celles de mes « encadrants » (Serge Bauin, Emmanuelle Corne, Jacques Lafait et Pierre Mounier), celle de ma collaboratrice sur Sciences Communes Rayna Stamboliyska (qui a directement contribué à l’écriture de ce présent billet), celle de mes collègues de SavoirsCom1 (Lionel Maurel, Thelonious Moon, Mélanie Dulong de Rosnay — également contributrice sur Sciences Communes) et de tant d’autres, théoriciens ou acteurs du libre accès (Marin Dacos, Daniel Bourrion, Guillaume Cabanac, Marie Farge…)
Voici le second (et le dernier, sans doute) volet de mon enquête consacré à l’établissement du droit d’auteur dans les revues scientifiques. Le premier article s’intéressait à la persistance d’un domaine public des articles de recherche jusqu’au début du XXe siècle. Par la suite, l’appartenance des périodiques au régime général du droit d’auteur est reconnu en théorie… mais pas appliqué en pratique. Les usages des communautés scientifiques demeurent. Jusqu’à quand ? À quel moment les publications universitaires deviennent, sans contredit, des propriétés intellectuelles ?
Répondre à cette interrogation soulève de nombreuses difficultés. La période concernée tombe en effet dans le trou noir du web : trop tard pour relever encore du domaine public, mais souvent trop tôt pour avoir fait l’objet d’une numérisation (même si les revues scientifiques ne sont pas si mal loties à cet égard). De plus, ici, nous ne cherchons plus à identifier un cadre juridique de jure (il n’y a plus de doute que les revues périodiques relèvent bien du droit d’auteur, du moins pour tous les pays signataire de la convention de Berlin de 1908), mais à cerner des pratiques effectives.
À cette fin, nous avons commencé à répertorier les dates d’apparition des mentions légales de type “tous droits réservés” pour quelques revues (et dont les archives sont librement accessibles en ligne). La liste peut être consultée par ici et vous êtes cordialement invité à la compléter (eh oui, Sciences communes se met au crowdsourcing… avec faute de temps un outil bien cloisonné de Google).
Bien que la sélection soit extrêmement restreinte (il faudrait au moins quelques dizaines d’exemples pour avoir des résultats représentatifs), il y a une nette tendance favorable à une protection juridique explicite vers le tout début des années 1970. La réalisation finalement tardive de la transformation de la publication scientifique en propriété intellectuelle a sans doute contribué au succès du mouvement open access : il était d’autant plus facile de s’émanciper d’un paradigme légal qui commençait tout juste à se généraliser.
Des biens communs aux biens composites (1908-1970)
Jusqu’en 1908, les articles scientifiques pouvaient être globalement considérés comme des biens communs. Les législations européennes sur le copyright ou le droit d’auteur ménageaient une série d’exceptions pour les périodiques. Elles prévoyaient notamment un droit de recopie : tout article pouvait être reproduit, sous réserver de citer l’auteur ou la source originelle si il ne s’agissait pas d’une publication journalistique, et tant que la revue ne s’y oppose pas expressément. Ce principe a été acté dans les traités internationaux. La convention de Berne reconnaît ainsi que « Les articles de journaux ou de recueils périodiques publiés dans l’un des pays de l’Union peuvent être reproduits, en original ou en traduction, dans les autres pays de l’Union, à moins que les auteurs ou éditeurs ne l’aient expressément interdit. »
En 1908, le Congrès de Berlin suspend entièrement cette exception : le droit de recopie est maintenu pour les journaux, mais disparaît pour les « revues périodiques ». Cette disparition correspond probablement à un compromis : les petits pays européens souhaitaient à tout prix maintenir une exception pour la presse. Le retrait des revues périodiques de ce cadre légal semble ainsi avoir été initialement évoqué par la délégation belge.
Si les revues cessent légalement des communs, elles ne se transforment pas pour autant en propriétés intellectuelles. Il faut compter en effet avec l’inertie des pratiques éditoriales : toutes les revues puisaient alors dans le fond collectif des articles réutilisables. Le droit de recopie jouait notamment un rôle essentiel dans l’internationalisation de la recherche : il n’était pas nécessaire d’entreprendre des démarches compliquées pour traduire un article issu d’un pays étranger ou pour en rendre compte en détail par le biais de longues citations. Rien ne justifiait d’abandonner ces « arrangements » informels qui facilitait considérablement la diffusion des idées.
En 1942, le père fondateur de la sociologie des sciences, Robert K. Merton, estime que les communautés scientifiques sont fondamentalement « communistes » ou « communalistes » :
Les droits de propriétés en science se réduisent au strict minimum (…) Les revendications du scientifique vis-à-vis de sa propriété intellectuelle se limitent à la reconnaissance et l’estime qui, si les institutions scientifiques fonctionnent efficacement, sont globalement corrélées avec l’importance des apports introduits dans le fonds commun du savoir1 .
Merton n’évoque pas explicitement le cas des revues scientifiques, sans doute parce que la démarche d’appropriation restait rare et occasionnelle. Il s’inquiète davantage de la généralisation des brevets : « Le caractère communiste de l’éthos scientifique est incompatible avec la définition de la technologie comme « propriété privée » dans une économie capitaliste »2 .
Cette définition de Merton est autant prescriptive que descriptive. Elle correspond à la mise en place de subventions massives de la recherche scientifique publique à partir de l’après-guerre. Aux État-Unis, les modalités de cette nouvelle politique sont fixées par un rapport du conseiller de Roosevelt, Vannevar Bush (par ailleurs fondateur d’un des premiers projets théoriques d’Internet). Bush appelle à financer la recherche « en général », sans tenir compte de ses résultats effectifs. Dans ce cadre, la recherche scientifique devrait être diffusée aussi vite que possible, à un prix aussi faible que possible : « We should get this scientific material to scientists everywhere with great promptness, and at as low a price as is consistent with suitable format. »
Ce financement généralisé s’étend ainsi aux publications scientifiques : alors principalement soutenues par des sociétés scientifiques et de petits éditeurs, les revues sont désormais publiées grâce au concours d’institutions publiques. Pendant la période s’étendant de 1908 au années 1960 et 1970, leur statut légal effectif est éminemment composite : il s’agit à la fois d’un bien privé (le droit d’auteur est garanti en théorie), d’un bien commun (le droit de recopie se maintient en pratique) et, surtout, d’un bien public ou étatique (la survie des revues dépend de subventions).
La multiplication des mentions légales (1971-1973)
Quand est-ce que ce système composite a finalement basculé, au profit de la seule logique de propriété intellectuelle ? En dépit de recherches bibliographiques répétées, je n’ai pas trouvé d’étude approfondie sur le sujet. Le début de la décennie 1980 est souvent mentionné, dans le contexte plus général d’une mutation entrepreneuriale des universités ou en liaison avec les politiques néo-libérales de Reagan et Thatcher.
c’est surtout à partir des années 1980 que les universités, invitées par les gouvernements à participer plus directement à l’essor économique national, ont multiplié les collaborations avec des entreprises privées, vivement intéressées à protéger les résultats des recherches qu’elles ont contribué à financer3 .
Faute de mieux, j’ai commencé à me lancer dans une petite enquête : répertorier les mentions légales des revues scientifiques et identifier le moment où l’on passe du grand flou (droit d’auteur appliqué en théorie, mais jamais rappelé en pratique) à une application systématique.
Pour l’instant mon corpus est plutôt limité. Je n’ai tenu compte que des revues scientifiques numérisées (comme je ne connais pas, a priori, la date où les mentions légales de type « tous droit réservés » apparaissent, une telle vérification serait chronophage en bibliothèque, ces vieux exemplaires n’étant généralement plus disponibles en libre consultation). Évidemment, je ne peux accéder aux revues d’Elsevier ou de Springer (qui m’intéresserait pourtant tout particulièrement). Et même, lorsque l’accès est possible, je ne trouve pas forcément ce qui m’intéresse. La plus grande archive française de revues en science humaine a ainsi ne sélectionne ainsi que les articles et en ne publiant pas tout le “backstage” de la revue (table des matière, sommaire, mentions légales, index, annonces publicitaires…).
L’ordre documentaire de Persée laisse de côté le contenu hors article des revues
Au total, je me suis surtout appuyé sur deux ressources : les revues numérisées par Numdam, Gallica et, pour le monde non-francophone, l’index très complet de l’Université de Pennsylvanie. J’ai commencé à établir un minuscule échantillon composé de revues emblématiques dans plusieurs disciplines distinctes.
Même avec une sélection très restreinte, on remarque très vite des convergences. Les mentions de type tout droit réservé se multiplient d’un coup, en 1971-1973. À partir de janvier 1971, le Bulletin de l’Académie de Médecineinclut un avertissement détaillé, reprenant le détail de la loi de 1957 sur le droit d’auteur.
On retrouve exactement le même encart dans le Bulletin de la Société d’entomologie l’année suivante :
Ce n’est pas un hasard : les deux revues sont détenues par le même éditeur, Masson. La généralisation des mentions légales ne peut cependant être expliqué par ce seul acteur ou par le seul contexte national. Hors de France, le prestigieux British Medical Journal se dote d’une mention légale à partir de janvier 1973.
Pour le Bulletin de la société de Mathématique, le revirement intervient un peu plus tôt : la mention “Tous droits réservés” est affichée en couverture à partir de 1969. On retrouve également une mention identique dans une revue prestigieuse de Sciences humaines au cours de l’année 1971 : la Revue d’histoire de sciences humaines (édité par Collin).
Les revues scientifiques du bazar à la cathédrale (1950-…)
Comment expliquer ce basculement soudain ? J’avais songé initialement à trois facteurs : (1) un revirement de la jurisprudence (avec un ou plusieurs procès retentissants excluant définitivement la pratique du droit de recopie) (2) une diminution des subventions accordées aux revues (d’où la nécessité de garantir un monopole éditorial en limitant le droit de recopie) (3) L’établissement de grands groupes éditoriaux concentrant de vastes bouquets de revues (et qui tentent de renforcer leur valorisation en entretenant une rareté artificielle).
La troisième facteur constitue sans doute l’élément déclencheur (en association, probablement, avec les deux premiers). Avant 1950, l’édition d’une revue scientifique ne constitue pas vraiment une activité profitable. Généralement, elle ne constitue qu’un appoint symbolique. Pour prendre un exemple que je connais bien, la création du Journal des économistes en 1842 permet avant tout fédérer une petite communauté (il ne s’en vend que quelques centaines d’exemplaires), qui pouvait ensuite participer à des activités éditoriales beaucoup plus profitables (telles que l’édition du Dictionnaire du commerce, réalisées par les contributeurs régulier de la revue, qui se vend très bien).
Elsevier diffuse sur son site une intéressante synthèse historique. Même si sa visée promotionnelle ne fait aucun doute, elle n’élude pas les difficultés rencontrées par l’entreprise dans son opération de conquête tous azimuths des publications scientifiques. Le premier grand titre de l’entreprise, les Biochimica et Biophysica Acta ne parviennent pas à rentrer dans leurs frais avant 1951 et ne dégagent que de modestes bénéfices. Et surtout, le modèle promu (celui d’un journal international dédié à un champ de recherche hautement spécialisé) aurait été très contesté par de petits éditeurs locaux, qui redoutait un tarissement des manuscrits au profit de quelques grands titres mondialement connus. Finalement, à partir des années 1970, les budgets des universités commencent à régresser après deux décennies d’expansion. Les petits éditeurs, dépendant désormais de subventions publiques, sont considérablement fragilisés : ils sont rachetés, absorbés voire sabordés par les grands groupes en voie de constitution.
Ces quelques données (potentiellement sujettes à caution : n’oublions pas que c’est Elsevier qui parle) mettent en évidence le lien étroit entre un modèle économique (l’acquisition d’un monopole de fait sur la publication de recherches très spécialisées, tous pays confondus) avec un modèle éditorial. L’émergence des mentions légales correspond à peu près avec l’industrialisation du processus de publication (avec des recommandations très précises sur le format des références, l’inclusion des résumés et des mots-clés, les étapes de l’évaluation). Je vais y tenter une une généralité, sans doute abusive : les revues scientifiques sont passées du modèle du bazar à celui de la cathédrale.
Comme nous l’avons vu plus haut, l’internationalisation de la recherche n’a pas attendu Elsevier. D’abord garanti par en droit, puis maintenu en pratique, le droit de recopie facilitait la retransmission des publications de pays à pays, sans avoir à attendre l’approbation de l’auteur ou de l’éditeur. La barrière de la langue (car la recherche reste alors très largement polyglotte : les résumés s’écrivent usuellement en français, russe, allemand et anglais) est compensée par l’absence de contraintes administratives liées à la réutilisation.
Par opposition à ce bricolage qui n’a pas si mal fonctionné que cela, les industries académiques parviennent à imposer un nouvel ordre documentaire très structuré. La codification des usages éditoriaux et la formalisation des statistiques d’évaluation vont de pair. Le premier volume du Science Citation Index d’Eugene Garfield paraît en 1963. Il ne couvre alors que des revues de chimie, mais contribue à introduire une notion qu contribue à perpétuer l’hégémonie de quelques revues de référence : le facteur d’impact.
Le fonctionnement du Science Citation Index de Garfield en 1997.
Les publications sont en effet notables parce qu’elles sont notables. Dans la mesure où Nature a un facteur d’impact très élevé, il va continuer d’attirer durablement des chercheurs réputés, qui vont drainer un grand nombre de citations. L’imposition explicite du régime du droit d’auteur constitue le second verrouillage décisif : non seulement les revues des bouquets des grands éditeurs constituent des références absolues, dont on ne peut se passer, mais leur contenu n’est pas disponible ailleurs.
L’histoire ne se termine pas là. Il restait encore quelques espaces de libertés informels : autant il était impossible de rééditer des articles déjà publiés, en faisant appel aux services d’un autre éditeur, autant les chercheurs pouvaient toujours concevoir des copies informelles. Ou pas… Car les grands éditeurs concentrent leurs efforts dans la lutte contre le photocopillage (comme en témoigne ce compte-rendu affolant de 1994, décrivant des presses universitaires littéralement asphyxiées par des millions de pirates armés de photocopieuses…).
Mais à ce stade, nous touchons aux tous débuts de l’open access numérisé : le premier site web de l’histoire, diffuse des travaux scientifiques de Tim Berneers-Lee (je ne suis pas certain que l’éditeur lui ai donné son accord…) ; la première grande archive scientifique, arXiv, est créé dans la foulée. Dès 1996, quelques articles annoncent que la mutation est engagée :
De plus en plus d’universitaires et d’universités reprennent, sur Internet et grâce aux réseaux, la vocation éditoriale qui fut la leur à travers les très anciennes presses d’université. Et c’est sans doute vers ce moyen qu’il faudra se tourner, afin de favoriser l’expression d’une culture scientifique et des travaux de langue française, au risque de voir la totalité des travaux de nos chercheurs devenir non disponibles pour la communauté qui les finance. Ce qui se produit déjà4 .
Ironiquement, au moment même où les industries académiques étaient sur le point d’abolir définitivement les droits d’usage et les tolérances anciennes sur la diffusion des articles scientifiques, un nouveau paradigme documentaire reposant sur la réutilisation commence à s’imposer…
Robert K. Merton, « The Normative Structure of Science », The Sociology of Science, 1973 (réédition d’un article de 1942, parue dans le Journal of Legal and Political Sociology sous le titre « Science and Technology in a Democratic and Social Structure »), p. 273 [↩]
Le mouvement open access entre depuis quelques années dans une phase politique. Le recours à des normes “informelles” montre aujourd’hui ses limites. Les déclarations successives de Berlin et de Budapest et la généralisation des licences Creative Commons ne suffisent pas à réformer dans sa globalité le système de l’édition scientifique.
La libre diffusion des travaux de recherche se heurte toujours à un blocage majeur : les chercheurs ou leurs institutions n’ont souvent pas le droit de les republier. Les modes d’évaluations en vigueur acte la prééminence des périodiques détenues par les grands éditeurs : la liste des revues qualifiantes de l’AERES est emblématique de cette consécration activement encouragée par l’administration publique. Certaines sections disciplinaires vont jusqu’à proscrire toute publication en libre accès.
Cette pression sociale, voire politique entraîne une enclosure massive. La plupart des recherches financées par fonds publics sont aujourd’hui détenues par un oligopole, capable d’imposer unilatéralement ses conditions. Elsevier a ainsi conclu une licence nationale de 5 ans avec la France pour un montant total de 172 millions d’euros. En amont, les chercheurs doivent bien souvent payer pour être publié : ils acquièrent des contenus « premium » (le droit de publier un graphique supplémentaire ou une image en couleur, ce qui en 2015 constitue un luxe absolu…), quand ils ne prennent pas en charge la totalité des coûts du processus éditorial…
Un logo « marketing » d’Elsevier, bien évocateur de son emprise monopolistique…
Pour déjouer ce cercle vicieux, il n’y a pas d’alternative : il faut changer les règles du jeu. L’autorité des grands éditeurs dépend d’un contexte légal très favorable. Comme nous venons de le voir, ils sont au cœur du système d’évaluation. La transformation de la propriété littéraire et artistique en propriété intellectuelle garantit l’appropriation des articles scientifiques. C’est un phénomène récent : en France, la loi du 11 mars 1957 est apparemment la première à étendre explicitement le droit d’auteur au productions scientifiques (même si ce principe était déjà supposé plus anciennement par la jurisprudence). La reconnaissance des droits voisins de l’éditeur puis l’établissement par l’Union Européenne de droits sui generis pour les bases de données, les index et les compilations concrétisent un savant maillage de restrictions, d’enclosures et de contraintes. Elsevier peut ainsi pleinement revendiquer un statut de “gestionnaire de base de données” et renoncer de facto à toute activité d’éditeur tout en maintenant pleinement des droits de propriété sur d’immenses corpus d’articles scientifiques.
Ce que l’État a fait, il peut le défaire. Actuellement, seuls les grands éditeurs maîtrisent à la perfection ce maillage de droits voisins et annexes et l’utilisent massivement à leur profit : tous les autres acteurs de l’écosystème de publication scientifique sont perdants, les auteurs (qui cèdent leurs droits sans rien comprendre), les lecteurs (qui ne peuvent accéder à des publications qu’ils ont indirectement financés et qui renoncent parfois à exercer leurs droits, faute de les connaître) et les petits éditeurs traditionnels (qui, en dehors des sciences humaines, ont été largement absorbés par quelques acteurs monopolistiques). Une petite évolution légale suffirait pour commencer à remédier à ce déséquilibre désastreux : limiter à un an tous les droits de l’éditeur sur les publications scientifiques financées par l’argent public.
Ce principe n’a rien de révolutionnaire : il est déjà appliqué dans plusieurs États européens. Tout est parti d’une recommandation de l’Union Européenne de 2012 sur l’accès et la préservation de l’information scientifique. Le premier article estime ainsi
qu’il devrait y avoir un libre accès à toute publication résultant d’une recherche sur fonds publics aussi rapidement que possible, de préférence immédiatement et, de toute manière, par plus tard que 6 mois après publication et 12 mois pour les sciences sociales et les humanités.
L’Allemagne a ainsi adopté en juin 2013 une loi open access, la Zweitverwertungsrecht, devenu effective il y a tout juste un an (à quelque jours près, l’on fête son premier anniversaire). La mesure était ainsi conçue :
L’auteur d’une contribution savante, née d’une activité de recherche financée au moins pour moitié par des ressources publiques et publiée dans une collection périodique paraissant au moins deux fois par an, est en droit, même lorsqu’il a cédé un droit d’exploitation exclusif à l’éditeur, de rendre publiquement accessible cette contribution dans la version acceptée du manuscrit, après un délai de douze mois suivant sa première publication, toute fin commerciale étant exclue. La source de la première publication doit être indiquée. Un accord dérogatoire au détriment de l’auteur est sans effet.
L’Italie a suivi de peu l’Allemagne. Une loi du 9 octobre 2013 établit que tout article publié dans une revue financé au moins par moitié pour l’État devra être publié en open access 18 mois après publication pour les textes de STM et 24 mois pour les textes de SHS. Le lien avec le libre accès est mieux explicité que pour la loi allemande (le terme figure in extenso dans le texte de loi), et, surtout, la disposition est contraignante : les auteurs ne sont pas autorisés à republier leurs articles ; ils doivent le faire. Par contre, les droits de l’éditeur ne sont pas clairement suspendus.
Le Mexique s’est également doté d’une loi open access. Le Royaume-Uni, les États-Unis et la Chine ont opté pour des mandats nationaux, plutôt que des évolutions légales. Il y a là un mouvement de fond mondial…
En France, ces perspectives sont encore lointaines. Un an et demi après la loi allemande il n’y a actuellement aucune discussion législative en ce sens ; il n’y a même pas un véritable débat public sur le sujet. On y viendra sans doute par l’entremise de l’Union Européenne, mais on aura perdu au moins dix ans…
Je profite de la nouvelle année et des braises encore chaudes de l’Affaire Elsevier pour proposer une loi open access. Je m’inspire ici d’une précédente initiative ambitieuse de Lionel Maurel, qui mettait en œuvre une refonte globale du code de la propriété intellectuelle à partir de la reconnaissance positive du domaine public. Mon propos est beaucoup plus modeste : je me contente de reporter, avec quelques altérations, le dispositif commun à la loi allemande et italienne. Le texte est suivi d’un petit commentaire explicitant mes intentions.
Proposition de loi visant à faciliter la diffusion des connaissances scientifiques et à encourager le développement du libre accès
Un article L952-15 sera ajouté à la section 1, chapitre II, titre V, livre IX de la 4e partie du code de l’éducation nationale définissant les dispositions générales du statut d’enseignement chercheur :
Les travaux de recherche financés au moins par moitié par l’argent public ou réalisés par les enseignants-chercheurs dans le cadre de leurs fonctions ne peuvent être cédés à un tiers pour une durée supérieure à un an. Tout droit réservé, notamment au titre de la propriété intellectuelle, devient alors caduque.
Cette exemption porte sur la totalité des formes prises par les travaux de recherche. Elle couvre notamment les versions finales acceptées des articles de recherche parus dans des revues périodiques. Les formes non rédigées donnant lieu à des droits de propriété intellectuelle, telles que les compilations de données, sont également concernées.
Au terme de cette période d’exclusivité, les modalités de l’accès à la publication peuvent être définis par l’enseignant-chercheur ou par son institution de tutelle.
La diffusion des connaissances est garantie et facilitée par l’application de l’article L952-15
Commentaire
Projection de la proposition de loi dans le code de l’éducation nationale
La proposition de loi a été d’emblée rattachée au code de l’éducation nationale et plus spécifiquement à la partie formalisant le statut d’enseignant-chercheur. Ce choix est clairement limitatif : il laisse de côté de nombreuses formes de recherche et d’activité ne relevant pas de ce statut. Néanmoins ce n’est qu’une première loi et j’ai jugé préférable de limiter sa portée à une situation simple et correctement identifiée (le statut d’enseignant-chercheur est clairement défini par l’État).
Le choix du code de l’éducation nationale ne relève pas non plus du hasard. Cela permet de centrer le sujet sur une situation bien précise. Une réforme du code de la propriété intellectuelle risque a contrario de susciter des réactions ou des réticences annexes (bien qu’elles ne soient pas du tout concernées, les industries culturelles ou les société de gestion de droit y verraient une tentative de détricotage du droit d’auteur).
Le périmètre des travaux concernés reprend le critère de les lois allemandes et italiennes (tout projet financé au moins par moitié par fonds publics). J’y ajoute également un second cas de figure : un travail “réalisé par un enseignant-chercheur dans le cadre de ses fonctions”. En effet, toutes les publications ne supposent pas un financement explicite. Les articles de sciences humaines reposent ainsi souvent sur une activité inquantifiable et déliée d’un projet de recherche précis. Des éditeurs pourraient aisément se glisser dans la brèche et prétendre que ce travail n’a pas été financé par fonds publics (alors que c’est le cas, indirectement : l’enseignant-chercheur est payé pour chercher). Avec ce critère supplémentaire, je laisse simplement l’auteur décider : à lui d’évaluer si le travail de recherche rentre dans ses attributions de chercheur ou si il les excède.
La durée d’exclusivité est fixé à un an, comme pour la loi allemande. Cela me paraît un compromis convenable : la durée est suffisamment longue pour laisser des perspectives de monétisation aux éditeurs et suffisamment courte pour permettre la réalisation de programmes d’open access de grande ampleur. Elle permet également de rééquilibrer la balance entre des multinationales comme Elsevier et de petits éditeurs. Les premières s’inscrivent beaucoup plus dans une logique de stock : la vente de revues récentes importe moins que le contrôle de vastes bases de données. Inversement, le modèle économique des éditeurs en science humaine repose encore largement sur la vente de revues à l’unité dans les semaines et les mois suivants leur parution.
La proposition tente tranche le nœud gorgien des droits voisins et des enclosures accumulées depuis un demi-siècle. Tous les droits cédés aux éditeurs disparaissent : il n’y a pas d’échappatoire ou de recours possible à des formes d’appropriation annexes.
Les deux points suivants contrastent plus nettement avec les lois allemandes et italiennes.
Les formes de publications concernées sont beaucoup larges et vont bien au-delà de la « contribution savante » publiée dans une « collection périodique publiée plus de deux fois par an ». Je vise ici la « totalité des formes de publication scientifique », y compris les « formes non rédigées ». Il s’agit d’anticiper sur les évolutions des structures éditoriales scientifiques. La publication des jeux de données s’impose de plus en plus comme un impératif épistémologique. Les grands éditeurs ont bien perçu cette jonction de l’open data et de l’open access. La stratégie commerciale d’Elsevier repose de plus en plus sur la captation de données et de métadonnées. La licence de data mining de la multinationale néerlandaise acte un droit de propriété sur les données “brutes” et non simplement la structure d’une base de données.
Le second point vise à laisser le champ ouvert entre deux options concurrentes : reconnaître un droit d’auteur sui generis de chaque scientifique (c’est la voie allemande) ou développer des mandats contraignants mettant en œuvre la publication en libre accès (c’est la voie italienne). Ici, la republication peut être effectué par le chercheur-auteur OU par son institution. Concrètement, chaque institution est libre d’imposer un mandat ou de laisser les chercheurs republier (ou pas) comme ils l’entendent.
Conclusion ouverte…
Nécessairement ouverte, même. Ce n’est qu’une première proposition exploratoire. Je ne prétends pas avoir fait le tour de la législation en vigueur même si, à première vue, la loi s’intègre bien dans le code de l’éducation nationale : l’article L952-3, modifiée pour bonne mesure, actait déjà une nécessaire mission de “diffusion des connaissances”. Il resterait également de nombreux point à éclaircir (notamment la question des collaboration multiples, extrêmement fréquentes…). Je me suis aussi abstenu de retenir des solutions trop définitive : l’alternative entre mandat institutionnel ou libre republication n’est pas tranchée et la loi s’efforce simplement d’autoriser les deux modèles.
Même si elle était adoptée, cette loi n’est qu’une loi. D’autres évolutions sont nécessaires pour adapter le droit au libre accès et, plus largement, à la révolution numérique des usages scientifiques. La difficile question du statut légal du data mining ne pourra difficilement être résolue autrement que par une exception — une perspective qu’un récent rapport du CSPLA vient malheureusement d’enterrer. Et l’évaluation reste plus que jamais la clé de voûte du système hégémonique des grands éditeurs.
Le contrat de la licence nationale Elsevier a été divulguée sur Rue89 depuis une semaine (et très largement partagé, bien au-delà des cercles universitaires : l’article que j’ai rédigé avec Rayna Stamboliyska totalise 80000 visites à ce jour).
Une réaction officielle se fait toujours attendre. L’AEF vient tout de même de publier quelque chose qui y ressemble : une interview du président de Couperin, Jean-Pierre Finance, et d’un des principaux négociateurs, Grégory Colcanap, qui explicite la position du ministère.
Seulement, je vous le donne en mille : cette dépêche est bloquée derrière un paywall… L’accès est conditionné par un abonnement à l’AEF. Voilà qui a le mérite d’une certaine cohérence : l’accord Elsevier, qui enterre pour cinq ans toute politique ambitieuse de libre accès, ne pouvait qu’être justifié que sur une plate-forme bien enclose…
Les deux intervenants se placent eux-même dans une position paradoxale. Ils sont tout à fait conscients de l’emprise monopolistique d’Elsevier. Jean-Pierre Finance résume bien cette boucle vicieuse où l’éditeur s’approprie des travaux de recherche financés par fonds publics puis les revend, chèrement, à des bibliothèques publiques :
nous sommes bien conscients d’être dans un rapport de force où l’éditeur impose à l’auteur de lui céder ses droits pour accepter de publier ses travaux, puis refacture l’accès à cette même publication à la communauté scientifique sans justification crédible du coût de la valeur ajoutée.
Quelle serait la meilleure réponse face à une telle captation ? Laisser ce système de double-captation mourir de lui-même, se dirait-on spontanément. Visée par des coupes budgétaires sans précédents, de nombreuses institutions (parfois très prestigieuses, comme Harvard ou la Bibliothèque Interuniversitaire de santé de Paris) renoncent à accéder aux corpus des grands éditeurs. Cette dynamique de désabonnement est très prometteuse : au pire, elle contraindra Elsevier et ses collègues à réviser sérieusement leur politique tarifaire, au mieux elle entraînera l’émergence de modèles éditoriaux inédits, structurés par le principe du libre accès.
Mais non : Jean-Pierre Finance appelle à négocier une licence nationale de cinq ans avec Elsevier. Cette procédure corrigerait le rapport de force actuel. Les universités ne sont plus isolées face au géant de l’édition scientifique.
Nous avons réussi une négociation centralisée, ce qui signifie que l’éditeur n’a pas la possibilité de faire une proposition plus avantageuse à certains avec l’optique de diviser pour mieux régner.
Sauf que… c’est exactement ce que l’éditeur fait. Que ce soit à l’échelle d’une université ou d’une licence nationale, les clauses de confidentialité d’Elsevier sont toujours valables. En l’absence de toute publicité, il est strictement impossible de savoir si les conditions obtenus sont réellement avantageuses. De l’aveu de Grégory Colcanap, le principal gain reste une « majoration modérée » par rapport à 2013 (ce qui ne serait pas mal, sur le principe, sauf que après 30 ans d’augmentation continue, l’on part de très haut).
Inversement, l’avantage de laisser les universités négocier seules, c’est qu’elles sont libres de claquer la porte au gré de l’évolution de leurs budgets et de leurs politiques éditoriales. La loi d’airain de l’offre et de la demande a au moins l’avantage de contraindre les institutions à faire des choix difficiles. Avec la licence nationale, l’on s’engage pour cinq ans et avec un budget a priori incompressible (172 millions au total, sans compte la TVA).
À ce propos, l’AEF évoque un point très sensible : le retrait de nombreux établissements initialement associés à la licence dans le premier projet d’accord divulgué en février. On passe de 631 à 476 établissements, soit plus d’un tiers d’établissements en moins. Jean-Pierre Finance justifie ce retrait au nom d’une clarification :
Le chiffre de 600 avancé lors de la signature du protocole d’accord était une estimation large qui comprenait des établissements achetant peu mais aussi les chancelleries des universités (rectorats), des IFSI non concernés, etc. Depuis, nous avons déterminé de manière précise les véritables ayants-droits.
En réalité, des institutions importantes se sont également retirées (entre autres, la BNF). D’après les informations dont je dispose, les conditions tarifaires ont joué un rôle décisif : ces établissements ont jugé plus avantageux de négocier directement avec Elsevier ou de renoncer à tout accès.
Sur l’open access, Jean-Pierre Finance considère que les modèles existants ne sont pas suffisamment matures pour envisager une substitution au modèle éditorial classique. Il pointe avant tout le manque d’engagement des chercheurs :
sortir de cette logique nécessite une adhésion complète des chercheurs et un changement de paradigme en termes d’évaluation.
Cette réaction correspond à un élément de langage récurrent au sein du Ministère de la recherche et de l’enseignement supérieur : si l’on ne fait pas plus d’open access, c’est avant tout parce que les chercheurs ne se mobilisent pas suffisamment. Or, les principaux blocages viennent du ministère. Aussi bien l’inscription dans le marbre de critères d’évaluation fondés sur des revues qualifiantes que la protection des droits de l’éditeur (qui garde une entière propriété sur la publication scientifique) bloquent de fait le développement du libre accès.
Pour le reste, l’interview évoque trois avancées effectivement positives (mais ça n’enlève rien au fait que la procédure est entièrement viciée) :
Les universités françaises gardent la propriété des données. C’est-à-dire que, si dans cinq ans, la licence nationale n’est pas reconduite, les universités continueront d’accéder aux articles déjà publiés. Seulement, un tel dispositif était déjà opérationnel cette année. Le consortium Couperin avait conçu une base de secours, PANIST, dans l’éventualité d’une rupture des accords avec Elsevier.
Une distinction nette est posée entre les publications en open access “gold” et les publications sous le régime du droit d’auteur classique. L’enjeu est d’éviter. Le principe est louable sur le papier. À ceci près que la part des publications Elsevier publiées en libre accès est très réduite (1% de revues en open access, 8% qui en contiennent selon mes calculs).
La licence de data mining a été assouplie : les chercheurs ne seront pas obligés de passer par l’API d’Elsevier. J’étais déjà revenu sur cette évolution il y a quelques semaines.
Quoi qu’il en soit, la licence nationale change clairement les règles du jeu. Je comptais beaucoup sur un pourrissement du système, dépassé par ses propres contradictions : les tarifs délirants des éditeurs et les politiques d’austérité budgétaires menant tout droit au point de décrochage total. Or, tout sera verrouillé pour cinq ans. Plutôt que d’attendre patiemment que les choses se décantent d’elles-mêmes, il devient nécessaire de s’engager concrètement : le manifeste du regretté Aaron Swartz pour une guerilla open access est plus actuel que jamais…
Update : I have published a much detailed account of the Elsevier-France deal on Rue89 with Rayna Stamboliyska. It has also been translated in english on the blog of the OKFN
This is a disturbing parallel. While the Dutch proudly rebuke Elsevier and contemplate embracing a 100% open access policy, France has just signed a € 172 millions national check with the leading scientific publisher.
This agreement is official… well not really in fact. Some universities echoes the agreement. But the website of the French Ministry of research and Higher education remains surprisingly silent.
There is actually nothing to be proud of. According to some leaked sources, the whole agreement costs almost 172 millions (171 697 159 € 27 c., to be accurate). For each year, the cost will vary from 33 to 35 millions.
That’s a lot of money. Granted, the agreement covers several hundred of universities and hospitals. Granted, this is probably comparable to to the expenses of the previous national license with Elsevier (so far, the deals remaining confidential, there is no way to know).
Yet, French research is in disarray. Some universities are on the verge of bankruptcy. Others anticipates four meager years. Strangely enough, money is not the problem. The French State actually gives away several billions each year in the form of tax incentives so that private companies fund research (the “Crédit impôt recherche”). This policy has proven dramatically ineffectual : it is actually nothing more than a tool for tax optimization, that does little if nothing to encourage research.
Rejecting the agreement (as the dutch seems to dare), would not only save a lot of money. It would have forced the universities to impulse a radical change. Creating new editorial models (like the collaborative, autonomous, researchers-owned journals), reforming bygone evaluation criteria, adopting a german-like law to partly remove the publishers’ right after a short period of exclusivity: all theses much-needed evolution would have become unavoidable. We had a great opportunity to change a system that breaks apart in every possible way. We have just missed it.
The France Ministry of research can be held directly responsible. While we have heard a good deal of open access hocus pocus for the past few years, the real program was quite different. In a private exchange with the French Academy of Science, the Minister of Research, Geneviève Fioraso, specified her three top priorities : developing a national open repository, HAL (that’s the nice part), concluding a national license with Elsevier, developing the Istex project (that requires one additional national license with Elsevier). That’s right : Elsevier is at the very center of two of the tree main priorities to favor the development of French research.
Everything was already decided, even before the negotiation began. The French negotiator, the Couperin consortium, was forced to play a game with loaded dices. It has not managed so badly. The new deal is actually 15 millions euros cheaper (partly because some institutions, like the French National Library leaved the national license to negotiate directly with Elsevier). And the wording of the agreement is, to some point, witty. For instance, the data mining license (that draws from the terrible Elsevier license) states that “researchers can do text and data mining mainly through Elsevier API”. This adverb, “mainly” (“notamment” in French) changes a lot of thing : it means that French researchers could retrieve data from the Elsevier database using other technique than the limitative API.
You can already read the text and data mining agreement of this blog. I have received other leaked documents. I will probably disclose them by the next few days.
N.B. : ce billet est régulièrement mis à jour pour tenir compte de nouvelles informations complémentaires.
Le consortium Couperin, qui représente les universités et établissements hospitaliers français vient de renouveler pour 5 ans une licence nationale avec Elsevier, le leader mondial de l’édition scientifique. L’information est officielle… sans l’être vraiment. À ma connaissance, on ne la trouve encore nulle part sur le site de Couperin ou du Ministère de l’Enseignement supérieur. Seules quelques universités s’en font discrètement l’écho. Ainsi en est-il d’une école de Management de Nantes :
Les possibilités de consultation des revues éditées par Elsevier via la plateforme Science Direct ont changé ! La négociation a été longue et pleine de rebondissements, mais le consortium Couperin, l’Agence Bibliographique de l’Enseignement Supérieur et l’éditeur Elsevier sont finalement arrivés à un accord : désormais la « Freedom Collection » d’Elsevier est accessible aux abonnés à ScienceDirect, dans le cadre d’une licence nationale
Il n’y a en effet pas de quoi triompher. D’après mes informateurs, l’opération représente un investissement de 172 millions d’euros sur cinq ans (171 697 159 € 27 c. exactement), soit 33 à 35 millions par an (le versement varie légèrement d’une année à l’autre).
Certes, l’accord couvre l’accès de plusieurs centaines d’universités et de centres hospitaliers. Certes les sommes engagées ne sont probablement pas supérieures à ce qui était dépensé par le passé (le déficit systématique de transparence sur les licences nationales conclues avec Elsevier ne permet pas d’en juger).
Seulement, la recherche française est à la diète : des universités sont en situation de quasi-faillite ; les autres se préparent quatre ans de galère ; le gouvernement reste sourd à la mobilisation des chercheurs. Et la non-reconduction de l’accord n’aurait pas seulement généré des économies appréciables : elle aurait accéléré la conversion de l’édition scientifique au libre accès, en mettant les responsables de la recherche publique au pied du mur. Création de nouveaux modèles éditoriaux (basé, par exemple, sur les épirevues), réforme de critères d’évaluation obsolètes, adoption d’une loi à l’Allemande suspendant les droits de l’éditeur au bout d’un an : toutes ces évolutions salutaires seraient devenues indispensables. Et, en attendant, Couperin avait développé une plate-forme de secours pour continuer d’accéder aux articles d’Elsevier antérieurs à 2013. On tenait là l’occasion idéale de réformer un système vermoulu de toute part. On vient de la louper.
Et pourtant, la licence nationale est présentée comme l’un des axes principaux de la politique scientifique française. En témoigne cet échange privé de la Ministre de la recherche et de l’enseignement supérieur à l’Académie des sciences relayé par un discours d’Alain Abécassis au congrès de l’ADBU :
Le 10 mars 2014, la ministre a exposé à l’Académie des Sciences, via un courrier, les 3 avancées faites ces deux dernières années par la France dans ce domaine de [l’édition de l’information scientifique et technique] : la convention HAL (…) le projet Istex (…) la mise en œuvre d’une licence nationale avec l’un des principaux groupes d’édition scientifique mondiaux, Elsevier.
Prisonnier d’un jeu où les dés étaient pipés d’avance, le consortium Couperin s’est sans doute bien débrouillé. Il a obtenu un rabais non négligeable de 15 millions d’euros par rapport à la somme initialement envisagée dans un document confidentiel de février (188 millions d’euros). Une partie de ce rabais semble cependant dû au retrait de plusieurs institutions (telles que la BNF) qui financent peut-être directement leur accord avec Elsevier.
La licence de data mining a été clarifiée et limite partiellement les prétentions d’Elsevier à revendiquer un droit d’auteur sur l’information et les données “brutes”. Les multiples réactions suscitées par la divulgation du document de février par Daniel Bourrion et par sa reprise sur Rue89 ont sans doute aidé…
Vous pouvez déjà consulter sur Sciences communes la clause de data mining contenue dans le contrat. Je publierai plusieurs compléments dans les prochains jours, notamment si j’arrive à obtenir les documents du marché (a priori ils seraient communicables). Et, si vous disposez d’informations supplémentaires sur le sujet n’hésitez pas à me contacter.
À défaut de pouvoir contester cet accord définitivement acté, je vais lui faire un peu de publicité…
La semaine est placée sous le signe de la divulgation de documents officiels sur le text mining (pourrait-on parler de MiningLeaks ?). Le collectif Savoirscom1 vient de publier le rapport du Conseil supérieur de la propriété littéraire et artistique sur « l’exploration de données ». De mon côté, j’apporte quelques informations sur l’accord conclu entre le consortium Couperin et Elsevier concernant la licence de data et text mining accordée par le géant de l’édition scientifique à plusieurs centaines d’établissements universitaires et hospitaliers français.
Contre toute attente, les nouvelles sont meilleures du côté d’Elsevier que du CSPLA : en digne représentant des ayants-droits, le Conseil vient de retoquer toute éventualité d’exception au droit d’auteur pour les projets scientifiques de text mining (alors que le Royaume-Uni vient tout juste d’en voter une, et qu’il s’agit d’un des principaux axes des projets de réforme européens du droit d’auteur). Savoirscom1 condamne fermement cet attentisme doublé d’un certain mépris pour de nouvelles pratiques de recherche :
Le ton est donné dès la préface dans laquelle l’exploration de données est qualifiée d’activité de « nature parasitaire ». Ce terme est particulièrement choquant, puisqu’il il englobe sous cette dénomination péjorative des activités d’étude et de recherche, qui sont les premiers bénéfices que l’on peut attendre du développement des pratiques de fouilles de données (…) cet attentisme aura de graves conséquences, car l’absence d’intervention du législateur laissera le champ libre à de gros acteurs du monde de l’édition, comme Elsevier ou Springer
Puisque l’on parle des licences privées, les nouvelles conditions obtenues par Couperin sont meilleures (ou plutôt moins pire…) que prévues. Elles bordent certaines dérives graves habilement agencées par l’équipe juridique d’Elsevier qui tente d’instrumentaliser les licences Creative Commons pour introduire des enclosures inédites. Néanmoins, la situation demeure assez inquiétante et ne fait que souligner l’urgence d’une exception légale correctement délimitée.
Avant toute chose, remontons un peu dans le temps pour ceux qui n’auraient pas suivi le feuilleton.
Des Creative Commons au service des enclosures
En janvier dernier, Elsevier dévoile ses nouvelles conditions d’accès au Text et Data mining (fouille de texte et de données en bon français). Cette initiative vise à répondre à une pratique émergente : l’utilisation de techniques d’analyse automatisée d’un corpus pour synthétiser un champ de recherche. Le projet Text2Genome a ainsi permis d’identifier les acquis de plusieurs millions d’articles de recherche en biologie sur le génome humain. Très prometteuses, ces techniques se heurtent à une limite légale : les éditeur détiennent les droits d’accès aux publications scientifiques. De délicates négociations sont nécessaires pour y accéder, ce qui peut prendre plusieurs années.
Le Processus d’indexation de Text2Genome
Elsevier a pris l’initiative de définir un cadre d’accès unique. Cela paraît louable à première vue. Sauf que la multinationale en profite pour poser toute une série de précédents juridiques, allant jusqu’à contester par anticipation plusieurs principes fondateurs du droit de la propriété intellectuelle. Toute utilisation de techniques de Mining sur le corpus d’Elsevier est soumis à plusieurs restrictions :
L’utilisation obligatoire de l’API maison d’Elsevier
Une limitation des extraits à 200 signes.
L’obligation de placer le résultat de la recherche sous une licence non-commerciale.
L’obligation d’inclure un lien DOI vers la source originelle (article…)
Les trois dernières restrictions sont particulièrement problématiques. Elles s’apparentent à une remise en cause de deux droits fondamentaux : le droit de citation (qui doit être courte, mais n’est pas limitée à 200 signes et n’est pas couverte par des droits patrimoniaux) et, surtout, le droit de diffuser librement une information (on parlerait ici plutôt de domaine public de l’information).
Les termes de la licences sont en effet suffisamment larges pour servir de base à un droit d’auteur de la donnée. Depuis une vingtaine d’année, il existe certes un droit des bases de données en Europe, mais il ne peut porter que sur la structure de la base (sous réserve qu’elle soit suffisamment complexe et originale ; la jurisprudence a été assez sévère à cet égard). Les données brutes contenues dans la base ont le statut d’informations, soit d’entités non originales qui demeurent librement appropriables.
Or, Elsevier souhaiterait manifestement revenir sur cette limite. L’éditeur n’est pas le seul. Les industries culturelles tentent également d’emprunter cette voie, en instrumentalisant le débat sur les données personnelles. Une initiative marketing du forum d’Avignon, la déclaration préliminaires des droits de l’homme numérique, procède ainsi à un amalgame entre protection des données et protection des œuvres sujettes au droit d’auteur. Cette récupération a été fermement dénoncé par une réaction collective de plusieurs associations (dont Savoirscom1, l’OKFN et République citoyenne) :
Nous souhaitons donc rappeler qu’une donnée dite personnelle n’est pas une œuvre de l’esprit et ne devrait pas être considérée comme telle. De même, une œuvre de l’esprit n’est pas une donnée personnelle et ne devrait pas être considérée comme telle.
Elsevier n’a au moins pas l’hypocrisie de prétendre protéger les données personnelles. Sa tactique est différente : sous prétexte de requérir une gentille licence Creative Commons il introduit subrepticement une forme de droit patrimonial sur les informations ou les courtes citations.
Représentées par le consortium Couperin, les universités françaises tentent de renouveler une licence nationale avec Elsevier, venue à expiration fin 2013. Elles parviennent en février à un accord… fortement critiqué. Un bibliothécaire, Daniel Bourrion, dévoile son contenu, avant d’être contraint de se rétracter au nom d’un devoir de réserve. L’accord détaillé est finalement republié sur ce blog, puis repris dans un article sur Rue89.
Le montant total des sommes engagées sur cinq ans, près de 200 millions d’euros, paraît extravagant dans un contexte de crise globale des universités. Et la clause de Data Mining crée un précédent dangereux, un peu comme si Elsevier écrivait sa propre loi. Dans l’ensemble, les dispositions initiales de l’éditeur sont reprises sans plus de précision. Rien n’empêche d’éluder totalement le droit de citation ou d’introduire les bases d’un droit d’auteur de l’information :
Tous les contenus accessibles et souscrits sur ScienceDirect dans le cadre de cet accord seront utilisables à des fins de data et text mining via une interrogation des données par une API connectée à la plateforme ScienceDirect. Les modalités appliquées seront celle du cadre juridique défini par Elsevier pour ce type de service.
Ce projet initial a été clarifié. Comme je le signalais plus haut, une nouvelle version de la clause de Data Mining a été transmise à Sciences communes (j’ai changé la mise en forme pour en clarifier la lecture). Elle a manifestement profité des mises au point de plusieurs acteurs de poids et d’une réflexion beaucoup plus poussée du consortium Couperin. Ainsi, dans le cadre des auditions du CSPLA sur le statut juridique du data mining, Couperin avait cosigné avec l’Association des Directeurs et personnels des Bibliothèques Universitaires (ABDU) une critique cinglante des licences contractuelles proposées par les éditeurs.
Hors de l’exception, point de salut :
L’exception sans compensation apparaît donc comme la seule voie praticable pour régler juridiquement le problème soulevé par le TDM au regard du droit sui generis des bases de données.
Parallèlement, l’ABDU et une vingtaine d’autres bibliothèques européennes diffusent une lettre ouverte à Elsevier, forçant la multinationale à réagir. Le 10 juillet, la directrice juridique d’Elsevier, Gemma Anderton, est contrainte de réaffirmer la position générale de la firme et énonce plusieurs concessions secondaires. Ainsi la licence ne doit plus être précisée à chaque produit (notons tout de même que l’éditeur pratique toujours une stratégie des termes juridiques vagues…) mais peut faire l’objet d’une annonce globale :
Grâce aux réactions des chercheurs, nous ne requerrons plus l’association d’une licence spécifique à chaque produit mais nous invitons les chercheurs à signaler clairement que le contenu diffusé dans chaque produit peut appartenir à d’autres et qu’ils ne pourront les réutiliser que dans un but non commerciale, sous réserve que l’auteur original et la source soient crédités.
Un accord plus équilibré ?
En dépit de cette sensibilisation accrue et d’un recul notable d’Elsevier, certaines dérives n’ont pas été entièrement écartées. Le contrat final ressemble en partie à un copier-coller du contrat conclu avec ISTEX
Par rapport à l’annonce, l’accord a gagné en clarification. Il n’est plus question de tous les contenus mais de produit TDM (pour Text et Data Mining). On ne parle plus d’une information au sens large mais bel et bien de la bases de données constituée à partir des recherches. Le risque d’une contamination des conditions de licence (obligatoirement non-commerciale) à la totalité des productions scientifiques issues du projet est en partie désamorcé.
[l’Abonné peut] procéder à des analyse de données et de la fouille de texte (« Text and data mining » ou TDM) notamment via l’API accessible à l’adresse http://www.developers.elsevier.com pour, en continu, et de manière automatique, indexer, extraire et/ou traiter des informations provenant des Produits Souscrits auxquels l’Abonné souscrit séparément et charger et intégrer les résultats (la « Production TDM ») sur un serveur utilisé pour le système de text-mining de l’Abonné en vue de sa consultation et de son utilisation par les Utilisateurs Autorisés;
Comme on le voit dans l’extrait ci-dessus, un adverbe marque une autre concession importante : notamment. Les chercheurs pourront notamment utiliser l’API d’Elsevier ce qui laisse à entendre que ce ne sera pas la seule porte d’entrée possible. Pour mémoire, la politique générale d’Elsevier fait toujours de l’API l’unique voie d’accès (ce qui conditionne fortement les usages possibles) :
All access to content for text mining purposes must take place through our APIs and remind you that in order to maintain performance and availability for all users, the terms and conditions of access to ScienceDirect continue to prohibit the use of robots, spiders, crawlers or other automated programs, or algorithms to download content from the website itself.
Par ailleurs, la limite de 200 signes a été retirée pour tous les chercheurs bénéficiant de la licence nationale. Ce retrait met fin à plusieurs absurdités, telles que l’impossibilité de faire rentrer des noms de composés chimiques, dont la taille excède parfois 200 signes.
[l’Abonné peut] distribuer à l’extérieur (en dehors du groupement d’Abonnés, c’est-à-dire du Consortium Couperin.org, du MENESR et des établissements listés à l’annexe 1 du CCAP du marché n° 201412 ABES-Elsevier) la Production TDM, pouvant inclure quelques lignes d’un texte reposant sur la requête et extrait d’articles individuels ou de chapitres de livres complets dans la limite de 200 signes
Le problème se posera toujours dès lors qu’il s’agira d’impliquer un chercheur ou une institution extérieure, mais il y aura sans doute moyen de frauder discrètement (les identifiants d’accès universitaires circulent déjà largement…). À cet égard la licence nationale opère un rapprochement souhaitable entre le droit de lire et le droit d’extraire : ceux qui peuvent accéder aux articles peuvent également en retirer automatiquement des données et des informations sans contraintes techniques lourdes.
Pour autant, tout n’est pas parfait. Même si il a dû revenir sur certaines de ses prétentions (telles que le contrôle généralisé par l’API ou le flou de la notion de contenu), Elsevier écorne toujours ces deux droits fondamentaux que sont le droit de courte citation et, surtout, le droit de diffuser l’information. Le produit TDM est envisagé dans sa totalité, ce qui va bien au-delà de la législation européenne sur les bases de données. Si l’on applique le texte de l’accord à la lettre, l’ensemble des données passent sous une licence creative commons non-commerciale. À l’instar de la déclaration bidonnée du forum d’Avignon, l’éditeur scientifique considère la base de données dérivée comme une œuvre, dont l’on pourrait délimiter les conditions de protection :
La présente œuvre est distribuée en vertu des conditions Creative Commons Attribution – Pas d’utilisation commerciale (CC BY-NC) 3.0, qui autorise son utilisation non-commerciale, sa distribution et sa reproduction sur tout support, pour autant que l’auteur et la source d’origine soient cités.
Tout ceci s’appliquerait parfaitement à une œuvre de l’esprit. Sauf que nous avons à faire à une base de données, dont seule la structure (et encore dans des cas fortement délimités par la jurisprudence) peut faire l’objet d’une forme de protection et celle-ci n’a rien de comparable Et, ce faisant, Elsevier maintient également subrepticement une forme de droit d’auteur patrimonial sur les citations. C’est là l’élément déterminant qui fonde l’exercice de ses droits sur les œuvres dérivées : la présence de citation de 200 signes, dont il est explicitement précisé qu’elles ne peuvent pas permettre de reconstituer les articles originaux. C’est là une posture cohérente avec la politique générale d’Elsevier en matière de text mining :
Le chercheur doit accepter que bien qu’il détienne le produit de sa recherche, les extraits présentés dans cette production peuvent contenir des droits de l’éditeur, de l’auteur ou de tierces parties.
Cette dérive ne surprendrait pas le fondateur des Creative Commons, Lawrence Lessig. Dès le milieu des années 2000, il s’inquiète de l’inadaptation des licences libres aux droits des bases de données. Mal appliquées, elles risquaient de recréer des enclosures, en conditionnant certaines libertés offertes par les divers codes de la propriété intellectuelle (libre reprise des informations ou des courtes citation). La conception du projet Science Commons a permis d’identifier clairement ce risque :
The core insight behind the Science Commons Data Protocol is that the solution to these problems is to return data to the public domain by relinquishing all rights, of whatever origin or scope, that would otherwise restrict the ability to do research (…) So in Kuhn’s terms, this is a revolution, in the sense that it departs from a trend towards placing increasing restrictions on data. But in another sense, it is far from revolutionary, because it is how science has worked best in the past and, we believe, how it must work in the future if we want science to help us find cures.
Cette réflexion essentielle (et, pour partie, prémonitoire) n’est pas si bien connue. Pour ceux que le sujet intéresse, je l’ai évoqué en détail à l’occasion d’une journée d’étude de l’Université d’Angers sur le droit d’auteur :
Depuis l’année dernière, dernière version des licences Creative Commons (dite 4.0) délimite clairement l’amplitude des droits réservés en matière de bases de données : ils ne s’appliquent qu’aux structures de la base et jamais aux informations. Évidemment, Elsevier ne se réfère qu’à la version 3.0.
Une monstruosité juridique
Enfin, ce n’est qu’un contrat parmi d’autres. Elsevier s’empresse de préciser que cela ne remet nullement en cause plusieurs accords antérieurs (tel que ceux conclus avec ISTEX) :
Les parties conviennent qu’en aucun cas, les droits garantis dans la licence au titre du marché n° 2014-12 ne viennent limiter ou annuler les droits concédés par Elsevier sur les données dans le cadre du marché n° 2013-20 concernant l’acquisition d’archives de revues dans le cadre du projet ISTEX.
La comparaison du contrat de Couperin avec le contrat ISTEX conclu l’année dernière (sur une plus petite échelle il est vrai) est d’ailleurs évocatrice. La clause de text mining accordait une limite élargie à 350 mots (et non des signes), mais elle était moins souple sur les usages (les métadonnées sont également inclues parmi les propriétés d’Elsevier et l’API est la seule et unique voie d’entrée) :
distribuer à l’extérieur la production TDM pouvant inclure quelques lignes d’un texte reposant sur la requête et extrait d’articles individuels ou de chapitres de livres complets (« Fragments ») dans la limite de 350 mots consécutifs ou des métadonnées bibliographiques. En cas de distribution de fragments et/ou de métadonnées bibliographiques, ils doivent être accompagnés d’un lien DOI (identificateur d’objet numérique) redirigeant vers l’article ou le chapitre de livre complet concerné (p. 12).
Et c’est là que l’on perçoit un autre effet néfaste de ces licences privées : créer des monstruosités juridiques en démultipliant les régimes d’usages. Que se passera-t-il si un chercheur associé à ISTEX collabore avec un chercheur bénéficiant de la licence nationale ? L’un pourra publier une base contenant des citations de 350 mots et l’autre se contentera de 200 misérables signes (soit environ 10 fois moins). Inversement, l’un aura peut-être la possibilité d’extraire le contenu des corpus d’Elsevier sans passer par l’API (alors que pour l’autre c’est définitivement exclu). Évidemment je n’envisage pas le cas suprême de la collaboration internationale d’une dizaine de chercheurs ayant chacun leurs propres conditions (j’imagine que Elsevier a essaimé des déclinaisons de sa licence data mining un peu partout).
Si, comme le prévoit le CSPLA, la possibilité d’une ébauche de débat sur une exception ne sera pas ouverte avant deux ans, je sens que le data mining pirate va devenir furieusement tendance. D’ailleurs, pour ceux qui cherchent des trucs et astuces, j’en ai quelques uns en magasin…
Après Elsevier et Gallica, voici un nouvel épisode de ma série sur le data mining. Cette fois-ci je m’attaque à L’industrie majeure du web, celle qui fait figure de métaphore de l’internet tout entier : Google. Ou, plus exactement, son service d’indexation bibliométrique des articles scientifiques, Google Scholar (même si les problématiques abordées ici sont largement applicables à l’ensemble de l’écosystème Google).
Les techniques de data mining (ou extraction automatique des données en bon français) s’apparentent à autant de sympathiques secrétaires, prompts à assister le chercheur dans la moindre de ses tâches. Ils peuvent être employées dans des projets d’analyse classique portant sur un corpus proprement délimité (c’était l’objectif de ma petite application d’extraction des textes journalistiques hébergés sur Gallica, Pyllica). Ils ont aussi une vocation plus méta : permettre de saisir rapidement un champ de recherche en moissonnant les méta-données bibliographiques.
Modéliser un champ de recherche avec Google Scholar
À ce jour, Scholar est la principale alternative gratuite aux grandes bases de données scientifiques telles que le Web of Science de Reuters ou Scorpus d’Elsevier. Par-delà son accessibilité, le service se distingue par une conception volontairement laxiste de la référence scientifique : est référencée sur Google Scholar toute publication déjà citée dans un publication présente sur Google Scholar. Cette ouverture présente plus d’avantage que d’inconvénients. Les conférences ou les working papers, globalement absents de Scorpus, sont correctement recensés. Par compensation, les résultats doivent être appréhendés avec un certain esprit critique (mais c’est de toute façon nécessaire pour n’importe quelle recherche bibliographique : même la revue la plus réputée qui soit peut se tromper et publier un article de qualité relative).
La page d’accueil de Google Scholar.
Scholar intègre une fonction très utile pour les recherches bibliographiques : la fonction « cité par ». Concrètement, il est possible d’évaluer l’influence d’une étude en retrouvant l’ensemble des études ultérieures qui la citent. Je me sers fréquemment de cette fonction pour reconstruire rapidement l’état d’un champ de recherche (dans le jargon académique on parle aussi de faire l’état de l’art).
La fonction « Cité par » de Google Scholar appliquée à l’article culte de la physique quantique, EPR…
Dans certains cas, le nombre de citations est considérable : des publications influentes peuvent être citées des centaines voire des milliers de fois. Sauf à y passer des heures, il devient difficile d’avoir un tableau global de cette littérature dérivée. C’est là qu’intervient le data mining. L’extraction automatisée des métadonnées bibliographiques permettrait de repérer rapidement certaines tendances structurelles (typiquement, le nombre de publication par années, les mots-clés utilisés dans les résumés). Évidemment, ce repérage ne prétend pas se suppléer à une lecture approfondie, mais il permet un gain de temps substantiel.
Pourquoi Google Scholar n’a pas d’API ?
On pourrait penser que Google Scholar serait le terrain de jeu idéal pour une série d’extractions automatisées. Après tout, Google se donne fréquemment une image de firme open, amie du logiciel libre et du mouvement d’ouverture des savoirs. Et pourtant ce n’est pas du tout le cas.
Avant toute chose, nous nous mettons en quête d’une API. Pour mémoire, une API, ou Application Programming Interface, désigne un programme permettant à une interface de communiquer ses données avec l’extérieur. Les APIs montrent vite leurs limites pour une recherche sophistiquée : le détenteur de l’interface définit en effet des catégories pré-remplies qui limitent fortement le champ des recherches possibles. Néanmoins, notre projet (récupérer toutes les métadonnées des références qui citent une référence pré-définie) reste assez simple. On peut légitimement espérer que l’API de Google Scholar permette de réaliser quelque chose qui s’en approche.
Or, il n’existe pas d’API pour récupérer les données de Google Scholar. C’est là une anomalie curieuse. Google Books dispose d’une API depuis plusieurs années. Pourquoi Google néglige-t-il de développer un service d’extraction pour Scholar ? L’intérêt du public ciblé est pourtant patent : Scholar s’adresse à des chercheurs plutôt familiers des nouvelles technologies, soit des gens a priori intéressés (et motivés) pour utiliser des outils de recherche un peu poussés. Vraisemblablement, Google ne tient pas à froisser les multinationales de l’édition scientifique. Google Scholar n’a que vocation à enrichir « l’expérience utilisateur » : il n’est pas valorisé en tant que tel. Google ne tient pas à saborder le business d’Elsevier et Reuters (d’autant plus que ces deux entreprises ont vraisemblablement des budgets d’e-marketing non négligeables).
L’API de Google pour Google Books n’a pas d’équivalent pour Scholar
Je suis donc amené à rédiger mon propre petit programme d’extraction. En combinant une bibliothèque de parsing HTML (Beautiful Soup) et des expressions régulières, j’arrive rapidement à obtenir des résultats satisfaisants. Pour des raisons qui deviendront vite évidentes par la suite, je n’ai pas republié ce bout de code sur Github.
Mon programme d’extraction automatisé, écrit en python…
Le titre, l’année, le nom de la revue, le nombre de citations : toutes ces données sont correctement extraites et reportées dans un document csv.
Les données bibliographiques sont bien rangées…
Il y a pourtant un petit souci. Lorsque le nom de la revue est trop long, Google Scholar le présente sous une forme abrégé. Ce problème survient assez peu souvent. Il reste envisageable de le corriger à la main ou, si les résultats deviennent trop nombreux, de l’ignorer purement et simplement (lorsqu’on manipule une base de données de bonne taille, on n’est pas à une marge d’erreur près).
Le nom de la revue est abrégé sans que l’on puisse récupérer le nom complet.
Tout fonctionne pour le mieux… Il y a pourtant un hic. Tout comme Elsevier, Google interdit formellement le parsing : on est prié de se servir d’une API sauf que, dans le cas de Google Scholar, l’API n’existe pas. Faute de mieux, je maquille mon programme d’extraction en navigateur web standard. Je prends soin d’inclure un temps d’attente de quelques secondes entre chaque ouverture de page : après tout, il m’arrive d’ouvrir compulsivement des pages de résultats de cette manière.
Mes précautions sont vaines. Google finit par me repérer. Mon petit programme est bloqué et n’extrait plus rien. Lorsque je rouvre Google Scholar par des voies traditionnelles, je dois rentrer un captcha pour prouver que je ne suis pas une machine. Il va falloir trouver une tactique plus subtile pour tromper l’attention de big brother.
Quand le data scientist se fait hacker…
Le maquillage de mon programme en navigateur standard ou l’utilisation d’un temps d’attente entre chaque ouverture de page n’étaient que des détournements élémentaires. Pour faire du data mining « sauvage » avec les contenus publiés par les grandes industries du web, il n’y a d’autres alternatives que le hacking pur et dur.
Une première stratégie efficace consiste à travestir complètement notre algorithme en humain. Cela suppose d’opter pour des intervalles d’ouverture de page aléatoires (typiquement dans une échelle allant de 15 à 60 secondes), en prenant un temps minimal au moins supérieur à 15 secondes. Les résultats de cette stratégie sont améliorés si l’on change de navigateurs en cours de route. Seulement, dans ce cadre, l’extraction devient looooooooooongue… Pour 60 pages de Google Scholar il faut compter au minimum une demi-heure. Bref, ce n’est praticable que l’on ne s’intéresse qu’à un nombre de pages assez limité (pas beaucoup plus d’une cinquantaine).
Une seconde stratégie, beaucoup plus ambitieuse, vise à empêcher toute tentative d’identification pérenne en passant sur le réseau TOR. La mascarade va beaucoup plus loin : Google ne va pas croire que notre programme est une personne, mais qu’il est plusieurs personnes, l’adresse IP n’arrêtant pas de changer. Je n’ai pas encore tenté l’affaire. Cette nouvelle stratégie demande une préparation non négligeable : le navigateur TOR doit être préalablement configuré pour être utilisé par un script externe.
Bonjour Google Scholar ! Je suis une IP polonaise et dans deux secondes je deviens une IP argentine…
Faire de la bibliographie un bien commun
Que conclure de cette petite mésaventure ?
D’abord que Google n’est pas une organisation caritative. L’accès apparemment gratuit ne doit pas induire en erreur : la firme californienne veille jalousement sur son patrimoine numérique. Ses nombreuses activités ne sont peut-être pas immédiatement rentables, mais elles aspirent toutes à une rentabilité à terme. Google Scholar fait typiquement partie de ces opportunités en attente. Avec, l’intégration des mesures quantitatives du web dans les métriques d’évaluation, le tournant numérique des grands éditeurs scientifiques et le développement des réseaux sociaux scientifiques, les diverses statistiques de Scholar (notamment la consultation) prennent de plus en plus de valeur.
Ensuite, les bibliographies scientifiques sont soumises à d’importantes enclosures. Avec le déclin des revues traditionnelles, le modèle économique des industries académiques se déporte de plus en plus vers l’accès aux données et métadonnées scientifiques. Or, les métadonnées bibliographiques font partie du domaine public de l’information : leur privatisation de facto est totalement illégale. Rien ne devrait empêcher leur libre reprise.
Faute de mieux, Google et Elsevier recourent à un argument qui ne fait guère illusion : l’extraction automatisée risque de casser les serveurs en mobilisant excessivement leur ressources (un programme d’extraction adossé à une bonne connexion internet peut récupérer plusieurs milliers de pages en une minute). C’est un exemple typique du sophisme de l’épouvantail : prendre un exemple extrême pour rejeter la totalité d’une proposition. Il est tout à fait envisageable d’autoriser un usage modéré du data mining (pour un site aussi light que Google Scholar, 100 pages par minute est tout-à-fait supportable : une vidéo de YouTube en haute qualité consomme bien plus de ressource).
Comme le soulignait un collègue blogger en 2009, il serait grand temps de faire de ces ressources bibliographique un bien commun. Certains projets s’y emploient. C’est le cas de Wikidata qui vise à créer des entrées pour la plupart des sources fiables afin de référencer et de vérifier les données dans une approche typiquement wikipédienne. Si je disposais d’un peu plus de temps, je suis presque tenté de pomper une bonne partie de Google Scholar pour le transférer sur Wikidata (une opération-commando de libération du savoir tout-à-fait légale soit dit en passant…).
Enfin, comme pour Gallica, voici une petite évaluation de l’accessibilité de Google Scholar aux projets de data mining (je pourrais presque finir par créer les data mining awards) :
Accessibilité des pages : 0/20. Les choses sont simple : c’est catch me if you can. Sauf à truquer la surveillance de l’ami Google, Google Scholar est complètement inaccessible
Lisibilité des urls : 7/20. Je n’ai pas eu l’occasion d’en parler : les urls sont suffisamment lisibles pour lancer des boucles, mais demeurent un peu cryptiques.
Sémantisation des documents : 5/20 : Les marqueurs HTML sont corrects. Par contre, des indications sont volontairement parcellaires, peut-être pour décourager les tentatives de recueil automatisé.
Statut légal : 0/20. Bien que les métadonnées soient, pour l’essentiel dans le domaine public de l’information (les résumés font peut-être exception), Google interdit complètement l’extraction automatisée.
Note globale : 4. La conception de Google Scholar n’est pas rebutante en soi et permet de monter en peu de temps un programme d’extraction automatisé potable. Seulement, Google ne vous aime pas, et le fait savoir.
L’organisation Statewatch vient de mettre en ligne un document confidentiel de la Commission européenne qui spécifie les principaux scénarios envisagés pour l’évolution du droit de la propriété intellectuelle des pays-membres. J’ai publié hier une présentation générale de ce document sur Rue89. Les perspectives ne sont pas très exaltantes. Au mieux, la Commission recommande une évolution timide (avec l’introduction d’une version allégée du fair use américain). Au pire, elle acte le développement d’une régulation exclusivement marchande, les industries culturelles et les industries du web se réconciliant sur le dos du consommateur et du citoyen…
Il y a pourtant une bonne surprise : le data mining. Pour rappel, le data mining désigne l’ensemble des techniques permettant d’extraire automatiquement des éléments présents dans un document : des textes (on parle alors de text mining), des images (grâce au logiciel de reconnaissances visuels), voire même des vidéos… Cette activité est en plein essor, grâce au développement d’outils d’extraction plus efficaces et plus accessibles. Le projet Text2Genome est ainsi parvenu à compiler plus de 3 millions d’articles scientifiques afin de dresser un état de l’art monumental de l’ensemble des travaux réalisés sur le génome humain. À ma petite échelle, je suis parvenu à récupérer plus de dix ans de chroniques boursières publiées dans le Journal des débats (sans être considérable, cela représente un corpus inhabituellement grand pour les études de la presse quotidienne).
Pyllica, ma petite application de data mining développée pour Gallica
Les éditeurs scientifiques tentent de capter cette manne naissante, afin d’en tirer des avantages monétaires directs ou indirects. Elsevier tire ainsi parti de sa position quasi-monopolistique pour écrire sa propre loi sur le data mining, en imposant des contraintes qui servent au mieux ses intérêts économiques et symboliques (obligation de s’inscrire, ce qui permet de récolter des méta-données, tout projet passe par l’API, ce qui permet de pré-définir les catégories d’extraction…).
Le système de licences pour le data-mining préconisé par Springer
Échaudée par l’échec du processus Licences for Europe, qui préconisait l’élaboration de licences contractuelles sur le modèle du service de data mining d’Elsevier, la Commission européenne semble sérieusement acquise au principe d’une exception : dans ce cadre, le droit d’extraire ne dépendrait plus d’accords contractuels, souvent aléatoires, mais ferait l’objet d’une exception aux diverses protections offertes par le code de la propriété intellectuelle. Deux études récentes auguraient de ce retournement : une synthèse d’avis d’expert réalisée par le juriste britannique Hargreaves, partisan d’un assouplissement du droit des bases de données (et inspirateur de l’exception actuellement discutée au Royaume-Uni) et un rapport du juriste belge Jean-Paul Trialle, dévoilé début avril, qui pointait les limites du droit d’auteur.
Les scénarios les plus crédibles développés dans le document révélé par Statewatch recommandent, avec des variations plus ou moins importantes, d’intégrer le data mining dans une sorte de fair use : a minima, toute extraction à des fins non-commerciales serait autorisée, sans avoir à passer par un accord contractuel.
Un diagnostic équilibré
Avant de passer aux recommandations et aux « scénarios » (je ne peux m’empêcher de penser que les services juridiques de la Commission sont peuplés de cinéphiles…), le document développe une séries d’analyses sur les principaux enjeux d’une modernisation du copyright. L’analyse consacrée au data mining se déploie dans deux textes : une brève synthèse de deux pages (p. 35-36) et une version développée inclue en annexe, mais qui ne reprend pas non plus tous les points de la synthèse (p. 144-149). Pour ceux qui n’ont pas envie de scroller, il est possible de consulter ces extraits dans un autre document publié par Statewatch.
Le diagnostic posé par la synthèse et sa version développée est plutôt juste. Les auteurs soulignent que le data mining constitue une activité d’avenir en raison des importants gains de temps apportés au travail scientifique. Ils reprennent également les arguments stéréotypés en faveur du big data (avec plusieurs centaines de milliards de dollars de croissance en perspective). Pour autant, le data mining reste un trou noir juridique,
D’un point de vue légal, la nouveauté et le caractère évolutif des techniques d’extraction automatisée des textes et des données soulève de nombreuses incertitudes dans de nombreux champs d’applications de la loi (p. 144).
Cette lacune risque d’affecter négativement les recherches scientifiques européennes
Certaines parties prenantes s’inquiètent du retard pris par l’Union Européenne par contraste avec d’autres régions du monde ou l’extraction automatisée des textes et des données est devenu une pratique commune dans la recherche scientifique (p. 35)
Par contraste avec le processus Licences for Europe, la présentation des enjeux n’est pas unilatérale au profit des seuls éditeurs. Le point de vue des chercheurs et des bibliothécaire est correctement exposé.Le texte fait état du questionnement sur le lien irréductible entre droit de lire et droit d’extraire :
Dans ce contexte, chercheurs et institutions scientifiques (telles que les bibliothèques universitaires) considèrent que, tant qu’elles ont accès légalement à un contenu numérique, le droit de lire ce contenu devrait automatiquement entraîner le droit de l’extraire (p. 147).
Le texte décrit également en détail le point de vue des multinationales de l’édition scientifique. Il s’étend en particulier sur deux arguments-massue des éditeurs : la nécessité de préserver la sécurité et la stabilité des plate-forme (p. 148)) ; le risque d’une dissémination accrue de contenus protégés ( p. 149). Il est intéressant de voir que la défense des éditeurs repose sur un brouillage entre les droits d’auteurs et des enjeux totalement externes. La sécurité des infrastructures n’est absolument pas incompatible avec une politique progressive en matière de data mining. Par exemple, Wikipédia autorise toute forme d’extraction sous réserve de ne pas dépasser un nombre de requêtes plafonné (si mes souvenirs sont bons, cela tourne autour de plusieurs milliers de requêtes par heure). Et la création de dérivés est déjà permise au nom du domaine public de l’information (des données et métadonnées des articles de recherche sont déjà très largement disséminées sur Google Scholar, entre autres).
Le texte mentionne également un élément intéressant dont je n’avais pas connaissance, et qui alarme beaucoup les éditeurs : le développement d’undata mining pirate (on parle aussi de grey market), qui aurait pris de l’ampleur depuis plusieurs années (p. 148). J’imagine que certains chercheurs ayant d’excellentes compétences en programmation web n’hésitent pas à hacker les plate-forme existantes (le regretté Aaron Swartz avait montré la voie…). En l’occurrence, cet argument se retourne tout seul : les vrais hackers auront toujours un train d’avance sur les plate-forme des éditeurs ; par contre la très grande majorité des chercheurs sont coincés face à un trou noir juridique.
Ce diagnostic ne débouche pas sur une résolution claire. Néanmoins, par rapport au processus Licences for Europe, la position des éditeurs a été clairement fragilisée. Les recommandations exposées dans les différents « scénarios » de la commission iront plus loin encore…
Trois scénarios pour une exception
Le document de la Commission expose cinq scénarios distincts (en comptant les deux variantes du scénario n°3) en vue d’une modernisation de la législation sur la propriété intellectuelle en Europe. Je ne vais pas m’intéresser ici aux scénarios ne comprenant pas de dispositions explicites sur le data mining : le scénario n°1 recommande de ne rien changer, le scénario n°4 préconise de créer un code de la propriété intellectuelle européen sans ne rien dévoiler de son contenu éventuel. Reste donc le scénario n°2, le scénario n°3(a) et le scénario n°3(b).
En apparence, le scénario n°2 n’est pas du tout favorable à une exception. Il se présente comme un « soutien pour les initiatives du marché ». En clair, il s’agit de redéfinir les règles de la propriété intellectuelle directement avec les industries culturelles et les industries web (la société civile passant totalement à la trappe). On pourrait ainsi s’attendre à ce que les licences contractuelles promues dans le processus Licences for Europe soient directement reprises. Et là, ô surprise… le principe de l’exception n’est pas évacué.
La Commission développerait des recommandations à l’attention des États-membres afin de clarifier dans quelle mesure les activités et les techniques d’extraction automatisée sont couvert (ou non) par le droit de la propriété intellectuelle et dans quelle mesure ils s’insèrent dans le cadre des exceptions existantes pour les usages à des fins de recherche (en particulier en regard de la directive sur la société de l’information et de la directive sur le droit des bases de données). La Commission encouragerait l’implantation maximale, par les États-membres des limitations existantes pour la recherche scientifique à des fins commerciales (p. 54).
Cette disposition reste floue et utilise fréquemment le conditionnel. Les éditeurs pourraient certainement tirer partie de la faiblesse de ces recommandations pour imposer leurs propres usages. Néanmoins, il faut garder à l’esprit qu’il s’agit du pire scénario possible : même dans cette éventualité, la Commission promeut une interprétation aussi généreuse que possible des usages non-commerciaux tels que définis dans la Directive sur la société de l’information et qui ont toujours été intégrés a minima dans les législations nationales. Pour mémoire, l’article 5(3)(a) de cette directive était ainsi conçu :
[Les États membres peuvent prévoir des exceptions] lorsqu’il s’agit d’une utilisation à des fins exclusives d’illustration dans le cadre de l’enseignement ou de la recherche scientifique, sous réserve d’indiquer, à moins que cela ne s’avère impossible, la source, y compris le nom de l’auteur, dans la mesure justifiée par le but non commercial poursuivi.
Les scénarios n°3(a) et n°3(b) présentent un point commun : l’intervention législative (ce qui, concrètement, revient à introduire des exceptions). Seulement, le 3(b) va plus loin que le 3(a) en terme d’assouplissement des dispositions de la propriété intellectuelle. En p. 62-63 on trouve un résumé rapide de leurs implications pour le data mining.
Le scénario (a) s’apparente à un fair dealing sur le modèle de la disposition envisagée par le Royaume-Uni : la mise en place d’une exception pour le data mining serait obligatoire pour l’ensemble des pays européens ; n’importe qui peut extraire un contenu sous réserve d’y avoir accès (ce qui revient à lier indissolublement droit de lire et droit d’extraction) ; seuls les projets/initiatives non commerciales relèvent de cette exception (sans doute le point le plus problématique en raison de l’imprécision du « non-commercial » : les articles de recherche, édités dans des revues, peuvent sans doute intégrer cette définition). Les licences contractuelles ne peuvent se substituer à l’exception : « les arrangements contractuels permettant l’accès légal au contenu (i. e. un abonnement) ne devraient pas outrepasser l’exception » (p. 62).
Le scénario (b) reprend tous les termes du scénario (a) et les élargit pour admettre des usages commerciaux sous réserves que les réutilisateurs ne soient pas en concurrence avec les ayants-droits ou les détenteurs du service d’accès (« tant que les usages permis n’entrent pas en concurrence avec le contenu ou le service originel » (p. 62)).
Plus loin, le texte tente de définir les impacts de chaque scénario. L’évaluation du scénario n°2 ne mentionne pas le cas particulier du data mining. Néanmoins, la Commission n’est pas totalement convaincue par la démarche générale (recommandations non contraignantes visant à s’adapter au mieux à la situation du marché). Le scénario n°2 n’aurait qu’un « impact modéré » et ne parviendrait pas unifier les dispositions des États-membres (p. 71-72).
Le scénario 3(a) est jugé plutôt équilibré : « La recherche et l’innovation bénéficieraient d’une sécurité juridique qui prendrait la forme d’une exception pour le data mining. » (p. 67).
Inversement, le scénario 3(b) est assez sévèrement critiqué :
Même si, dans certains cas, la distinction entre un usage commercial et un usage non-commercial s’avère problématique, l’introduction d’une exception couvrant aussi bien le data mining non-commercial que commercial (même en spécifiant que les usages ne doivent pas entrer en concurrence avec le contenu ou le service originel) ne semble justifié par aucune défaillance du marché, étant donné l’existence d’un marché efficient de licences de data mining entre les éditeurs et les utilisateurs commerciaux, tels que le secteur pharmaceutique. (p. 68-69)
Le texte souligne cependant que tout n’est pas perdu pour les ayant-droit et les détenteurs de service d’accès :
En même temps, [le scénario 3(b)] peut encourager le développement de nouveaux modèles économiques, permettant aux détenteurs des droits de trouver de nouvelles sources de financement.(p. 69).
Les raisons d’un revirement
Par-delà les timidités ou les réticences de la Commission (qui se montre notamment assez rigide sur les usages non-commerciaux), il est assez fascinant de voir à quel point le discours a changé en un an. En avril 2013, le processus Licences for Europe rejetait d’emblée toute solution non contractuelle : faute de parvenir à quoi que ce soit, des associations comme le LIBER (association des bibliothèques européennes) ou l’OKFN avaient été contraintes de claquer la porte.
[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.
Depuis la situation s’est presque inversée. Les éditeurs et leurs licences contractuelles sont sur la défensive. Ils peuvent au mieux espérer que l’exception restera suffisamment floue pour ne pas empiéter sur leurs licences contractuelles.
Qu’est-ce qui a pu motiver un tel changement ? Plusieurs variables ont joué, sans doute, mais la plus importante figure en introduction de l’analyse développée par la commission : la peur du déclassement. Grâce à la souplesse du « fair use », les États-Unis se sont aisément adapté à ces pratiques émergentes. Le dernier procès contre Google Books met en évidence que, pour la justice américaine, le data mining n’est pas un trou noir juridique. En sécurisant une pratique appelée à jouer un rôle considérable dans la recherche scientifique et au-delà, les américains se dotent d’un avantage décisif sur les européens. Les anglais ne s’y sont pas trompés et devraient bientôt voter une exception assez proche du scénario n°3(a) prévu par l’Union Européenne.
La géopolitique a peut-être finalement eu raison des réticences politiques…
This is a free translation of a previous french publication: Faut-il signer l’accord d’Elsevier? I’ve put it in the public domain: feel free to share.
France is on the verge of signing a national agreement with Elsevier. The forthcoming deal has been announced a week ago by the main negotiator on the French side, Couperin, a consortium of public and research libraries. The announcement is short on details: the global price of the 5-years national subscription has not been communicated.
Yet, a much deeper account has been leaked. Considering the information to be of public interest, a librarian, Daniel Bourrion, published this comprehensive document… before being force to withdraw it by his administration. Nothing really disappear on the Internet : the document soon reappeared on my blog and has, since then, been extensively disseminated. It appears the whole deal is to cost 190 millions. A disturbing amount as French Universities are going into dire economic troubles.
Couperin claims the deal is quite favorable. While subscription prices have been continuously increasing for the past 30 years, they were actually lowered: “On the five years, the mean annual prices paid by all the parties concerned will be inferior to the 2013 cost”.
Not only is the new agreement less expensive, but it would also include several significant enhancements. The number of partnered institutions goes from 147 to over 600. Data mining is no longer submitted to the law of the jungle, but to a global legal framework.
All theses points appear quite convincing. They have not shaken my intimate conviction: this agreement should not be signed.
Nurturing a speculative monopole with public funds
Elsevier is no ordinary publisher. This international group listed in three stock exchanges draws colossal margins. In 2010, its overall profits exceeded one third of its revenue: 720 millions v. 2 billions. It is the outspoken leader of the scientific edition: the revenue of its three main competitors (Springer, Wiley and Informa) equals half its revenue.
How to account for such a success? Beyond the assumed quality of Elsevier services, the company commercial strategy is effectively reinforced by a worldwide manipulation of scientific institutions. Elsevier’s Deputy Director of Universal Sustainable Research Access, David Tempest, has recently disclosed a staggering justification of the confidentiality of Elsevier’s agreements.
indeed there are confidentiality clauses inherent in the system, in our Freedom Collections. The Freedom Collections do give a lot of choice and there is a lot of discount in there to the librarians. And the use, and the cost per use has been dropping dramatically, year on year. And so we have to ensure that, in order to have fair competition between different countries, that we have this level of confidentiality to make that work. Otherwise everybody would drive down, drive down, drive drive drive, and that would mean that…
This horrible system, where institutions are free to get commercial information, drive down prices and opt for the more interesting offers has a name: free trade. Elsevier’s monopoly depends solely on the continuous ignorance of its costumers. In a well-balanced market, its business would get into serious trouble. And all of this is done at this expense of taxpayers’ money.
What is Elsevier selling?
Elsevier publications are indirectly subsidized by public funds. Scholar are to publish, preferably in acknowledged journals in order to get grants and career advancements. Writing and evaluating an academic paper requires a lot of time: this significant investment is ultimately paid by scientific institution, which frequently happened to be public institution.
What brings Elsevier to all this? Not much. The effective production cost of publications has become quite marginal, if not nullified, with the replacement of printing editions by electronic editions.
The world leader of scientific publishing looks more and more like a cultural industry: it does no trade in commodities, it trades in fetishes. The name of a prestigious journal gathers the same level of symbolic attention than a drawing of Mickey Mouse. It is deeply anchored in the daily life and representations of one or several scientific communities. Although the journal, once bought by Elsevier, has a quite different editorial and social structure than the one that ensures its preeminence, its aura remains. The metrics tends to perpetuate the aura. The more the publication is quoted, the higher goes the impact factor; the higher the impact factor is, the more attention the publication will draw from esteemed researchers.
Open access has not fundamentally altered this vicious mechanism. Following the example of Springer, Elsevier has begun to adopt the author fees model: a researcher buys (generally through its institution), a right to publish ; its work would therefore be freely accessible online. This model reinforces the fetishist trend of the scientific publishing market. Elsevier does not even have to make believe that it sells a commodity: it explicitly claims to monetize some symbolic recognition.
In an open access world, the value has not only been displaced toward the journal names star-system. Elsevier has also invested a lot in additional services: bibliometric database like Scopus or ScienceDirect and an API allowing text and data mining of the whole Elsevier corpus. Both these services are not so good. Scorpus includes numerous shortcomings: updating is insufficient, bibliographic data are sometimes inconsistent, only a fraction of scientific publications are taken into accounts (conference are completely overlooked). The new data mining license creates a very unworkable framework for data analysis: use of the API is mandatory (robots are forbidden on the Elsevier usual websites), queries are limited to 10 000 per week and cannot exceed 200 characters. This prevents a lot of projects: chemical names are often longer than 200 characters. Finally the license goes against one of the core principle of intellectual property: informational public domain. Elsevier claims some property rights on its published information: all the outcome of the data mining project has to be published with a non commercial license, regardless be it an extensive quotations or a mere information.
What makes additional services especially interesting is that they bring some new currency in the evergreen Elsevier economy: metadata. Consultations statistics, forms to get a right to read or a right to data mine feed a gigantic log of scientific activities. From careers evolution to institutions structure, through research projects duration and topic et bibliographic queries, Elsevier knows it all. This wide profiling can be sold to partners or directly used by Elsevier marketing strategy. The publishers accomplishes a radical transformation that brings it closer to the new web industries, like Facebook or Google.
This Elseverian imperialism is not a fatality. The « fetishist » trends of scientific activities were quite acceptable 20 years ago. Days are only 24-hours long: it was clearly more advisable to limit its reader’s horizon to some trustworthy journals. Digital networks have partly remove this limitation. The growing accessibility of publications and the development of annotation tools have enhanced our reading capabilities. And trustworthiness does no longer solely depends on the prestige of a journal.
For instance, the research community surrounding Wikipedia (the « Wiki Studies ») have developed an innovative ecosystem allowing for the horizontal exchange, diffusion and legitimation of publications. Works are evaluated and publicized through a collectively written newsletter, the Wikimedia Research Newsletter. They are archived and classified in two community-driven databases, Wikipapers and Wikilit. In such a context, the editorial frame has lost much of its aura. Preprints gets more disseminated than official versions, as they can be effectively evaluated by the research community.
Do we still need it?
The fundamental shift happened sometime in 2011. According to a study funded by the European Union, since that year more than half of all academic publications have been freely available online.
This evaluation is low. It takes only into account the « official open access » (that is, done with the approval of all the interested parties: publisher, authors…). Yet, there is also a much more significant « dark open access »: researchers putting previous publications online without the agreement of the publisher, or pure illegal copies, without even the consent of the authors. Personally, I always succeed in finding 9 publications out of 10, and my research field is not too open access friendly (mostly social sciences: history, media studies, economics…).
For recent publications, the Elsevier subscription appears quite unnecessary. Besides the agreement is to last five years. By the next few years, most of Elsevier publications are likely to goes into the « official open access ». What’s the use of acquiring a set of free works for 190 millions?
For older publications, the issue is more tricky, as open access is not retroactive. An efficient solution would imply a modification of the French intellectual property code: creating a fair use. Publications already made profitable could be copied for scientific and pedagogic ends (that’s about the exact terms of the US fair use). Scientific institution could digitize older Elsevier journals and create a new bibliometric database. 190 millions would be much more than enough to fund all this process, and this would be a one-shot investment: once Elsevier’s corpus is recreated, taxpayers will never have to fund it again.
France would probably not be the only european country to rebuke Elsevier. Germany and the United Kingdom have already initiated bolder open access policies. A german law passed last year allows, under some conditions, every researcher to disseminate its work 12 months after its initial publication, regardless of the rights of the publisher. The digitization of Elsevier’s corpus could even be an european project.
The importance of being open
The possibilities are numerous: these few ideas do claim to act as a definite solution to the Elsevier problem. The negotiation between Couperin, the Ministry of Research and Elsevier does not seem to have really taken into account this wide set of alternatives. This is hardly surprising. As a popular French saying puts it: « there’s more ideas in two heads than in one ». The negotiation was limited to some heads, whereas it involved a lot of people: researchers, librarians and, more widely, French citizens who will pay the final bill.
An open negotiation would have been quite beneficial. The shortcomings of the deal would have been clearly exposed: the true value of Elsevier’s publications, the efficiency of the additional services, the problematic data mining legal terms…
Instead we are getting to a really weird situation. Hundred of millions of euros will be invested in a deal with an opaque company, delivering a devaluated corpus and questionable services. Meanwhile, French research faces hard austerity measures, that drives some university to bankruptcy…
