Archives pour la catégorie Licences

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

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

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

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

Support de présentation de l’étude pour BSN

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

De quel libre accès parle-t-on ?

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

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

Une autre édition est possible

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

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

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

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

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

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

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

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

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

Vers une loi open access

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…
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.

L’article L952-3 intègre la disposition suivante :

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
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.

Data Mining : quand Elsevier écrit sa propre loi…

Le leader mondial incontesté de l’édition scientifique, Elsevier s’engage en faveur d’une simplification du data mining. De nouvelles conditions d’accès, dévoilées le mois dernier, vont grandement simplifier l’accès à l’un des principaux corpus de publications scientifiques. D’autres éditeurs devraient prochainement adopter un modèle similaire. C’est notamment le cas du principal concurrent d’Elsevier, Springer.

En apparence ce pourrait être une bonne nouvelle. La recension de Nature met ainsi en évidence l’engouement de certains chercheurs. Max Hauessler, l’instigateur d’un immense projet d’extraction des articles scientifiques sur le génome humain, a salué l’initiative : « Finalement, tout ceci montre qu’il n’y a plus aucune raison d’être effrayé par le text-mining ». Les membres du Human Brain Project (le projet européen d’étude du cerveau humain, doté d’un budget d’un milliard d’euros) semblent également emballés par l’affaire : « Nous sommes enchanté par tout ceci. Cela résout d’importantes questions techniques ».

En France, le consortium Couperin vient de conclure un accord avec Elsevier, qui comprend une clause spécifique sur le data mining :

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.

Selon les termes de l’accord, plus de 600 établissements publics français pourront accéder au corpus Elsevier. Ce qui constitue autant de point d’accès pour faire du data-mining à une vaste échelle.

Alors, une bonne nouvelle ? En apparence seulement… Le choc de simplification d’Elsevier n’a qu’un mérite : il met fin à une situation relativement chaotique où, faute de cadre légal défini, les chercheurs passaient plus de temps à négocier avec les éditeurs qu’à extraire et analyser le corpus. Pour le reste, tout est mauvais…

API obligatoire…

Les termes de la licence sont profondément inadaptés. Elsevier oblige tout-le-monde à passer par son API. Les robots et les algorithmes de recueil automatiques ne peuvent accéder au site lui-même afin de « garantir la performance et la disponibilité du site pour tous les usagers ». Ce prétexte ne saurait légitimer une interdiction complète. Seul l’usage excessif de requêtes automatisées peut entraîner une baisse de performance du site — raison pour laquelle Wikipédia plafonne les requêtes sur sa base de données (je n’ai plus les chiffres en tête, mais cela devait tourner autour de quelques milliers de requêtes par heure par utilisateur).

L’API n’est obligatoire que parce que Elsevier tient à contrôler directement les termes et les modalités de la recherche. Pour reprendre la terminologie introduite par la thèse (en cours…) de Samuel Goyet, l’API s’apparente étroitement à un texte de loi : elle détermine par avance les commandes qu’il est possible de réaliser.

Les requêtes à l’API sont elles-mêmes plafonnées à 10 000 articles par semaine. Pour un projet ambitieux, c’est peu. En réutilisant ce système pour analyser 3 millions d’articles, Text2Genome y aurait passé près de 300 semaines, soit 6 ans. Et en plus, il lui aurait fallu découper son corpus en rondelle, sans avoir la possibilité de faire une requête unique à l’ensemble du corpus.

Le passage par l’API limite considérablement les possibilités d’analyse. Il est nécessaire de passer par le réseau Internet. Là où une simple base de donnée MySQL permet de survoler plusieurs millions d’entrées en quelques dizaines de seconde, le recours à l’API génère des délais d’attente bien plus longs, dépendant qui plus est des aléas de la connexion (le wifi parfait, ça n’existe pas…).

Vers une privatisation de l’information

L’emprise d’Elsevier ne s’arrête pas là. L’éditeur ne cherche pas seulement à contrôler les projets de data mining en amont, mais aussi en aval. La licence Elsevier comprend trois conditions. Tout élément (output) issu de l’extraction :

  1. peut comprendre des extraits de 200 caractères au maximum du texte original.
  2. doit être publié sous une licence non commercial (CC-BY-NC)
  3. doit inclure un lien DOI vers le contenu original.

La dernière condition est clairement la moins problématique. La traçabilité des données nécessite certes un équipement technique adéquat (pour reprendre le jargon des data scientists, il faut passer du triplet sujet-prédicat-objet au quadruplet sujet-prédicat-objet-source). Mais elle constitue une pratique saine, d’ailleurs appelée à se généraliser. Wikidata inclut ainsi des notes de base de donnée : chaque donnée étant appelée à être étayée par une source fiable.

La première condition contredit ouvertement l’exception de courte citation. En France, le législateur a volontairement adopté une définition floue afin de laisser le juge statuer sur chaque cas selon ses spécificités. Les exceptions sont beaucoup trop nombreuses pour envisager de faire une règle fixe. L’application du droit de citation sera beaucoup plus rigoureuse pour une œuvre courte (comme par exemple un poème) que pour un roman de mille pages. Or Elsevier tente de contourner le droit existant pour imposer sa propre règle : une limite de 200 caractères, purement arbitraire. Cela hypothèque quantité de projet comme le souligne bien Peter Murray-Rust : les noms de composés chimiques excèdent fréquemment la barre des 200 caractères.

Là n’est pas encore le plus grave. La deuxième condition introduit une dérive beaucoup plus problématique : elle requiert une forme de privatisation de l’information. Nul ne peut en effet réclamer de droit de propriété sur une information, une opinion ou une idée. Tous ces éléments relèvent du domaine public de l’information. Pour reprendre l’excellente définition de l’UNESCO, il existe un « indivis mondial de l’information » composé de toutes les informations publiquement accessibles. Le fonctionnement de la recherche repose explicitement sur cet indivis : le format classique de l’article de recherche, quadrillé de notes de base de page, suppose de pouvoir légitimement reprendre une information préalablement publiée.

Les données « solitaires » font globalement partie de ce domaine public de l’information. À moins de reprendre une expression textuelle originale, elles ne sont pas concernées par le droit d’auteur. Le droit des bases de données ne porte qu’au niveau structurel : chaque donnée individuelle est disponible pour n’importe quelle reprise, au même titre que n’importe quelle information publiquement accessible.

Or Elsevier impose discrètement l’idée que les informations pourraient être protégées. L’utilisation du terme ambigu output permet d’opérer ce glissement lourd de conséquence : tout ce qui sort des publications d’Elsevier reste la propriété d’Elsevier et l’éditeur est libre d’imposer ses propres conditions pour leur réutilisation. Ni les informations, ni les données « solitaires » n’échappent à cette appropriation globale : toute reprise du contenu d’Elsevier à des fins de data mining devra être publié sous une licence non-commerciale.

Cette dérive est lourde de conséquence. Une fois que Elsevier est parvenu à imposer l’idée que tout output donne potentiellement lieu à une protection, rien ne l’empêche d’aller beaucoup plus loin. Cette règle peut aisément être généralisée à l’ensemble des pratiques de reprises de l’information. Nous faisons, tous, au quotidien du data-mining en récupérant des informations dans des textes préalablement publiés. L’API et les algorithmes d’extraction ne sont que des outils supplémentaires visant à simplifier cette activité fondamentale. Un projet de l’ampleur de Text2Genome aurait très bien pu être réalisé avec un papier et un crayon : son élaboration aurait simplement pris un ou deux siècles plutôt que quelques années.

Les données sur le data mining

Il ne suffit pas de payer un abonnement à Elsevier pour avoir accès à l’API. Il est nécessaire d’enregistrer son projet sur developers.elsevier.com. Je n’ai pas pu accéder au formulaire (cela requiert un enregistrement préalable). Par contre, Springer a dévoilé un système assez similaire dans une présentation publiée sur le site de la Commission européenne.

Le système de licences de Springer
Le système de licences de Springer

L’éventail des informations nécessaires est large. Les chercheurs doivent décrire le projet et spécifier sa durée, délimiter le contenu à extraire, indiquer si un tiers aurait accès aux informations, etc. Le data-mining selon Springer et Elsevier s’apparente ainsi à une transaction commerciale non monétaire : les projets doivent céder leurs métadonnées pour obtenir les données du corpus éditorial. L’éditeur est ensuite libre d’exploiter ces métadonnées à des fins de marketing ou de les revendre à d’autres organisations.

On aboutit ainsi à un véritable paradoxe. Alors que l’essentiel de la recherche française est financée par l’argent public, seuls quelques grands éditeurs privés ont une vue globale sur l’ensemble des projets réalisés. Et les licences sur le data-mining vont aggraver une situation déjà déséquilibrée. Les éditeurs n’auront pas seulement des informations sur les projets réalisés, mais sur ceux en train de se faire.

Elsevier vs. La loi

Au début de l’année 2013, les grands éditeurs scientifiques marquent un grand coup. Ils parviennent à s’approprier entièrement le seul processus européen visant à doter le data mining scientifique d’un cadre légal : le text and data mining working group. En dépit de nombreuses protestations, les licences éditoriales au cas par cas s’imposent comme la seule solution envisageable : la Commission européenne a explicitement refusé de considérer des solutions alternatives (comme une exception générale).

Dès lors, chaque éditeur pourrait écrire sa propre loi et s’arranger librement avec la législation existante. Elsevier s’affranchit ainsi à la foi du droit de courte citation et du domaine public de l’information.

Depuis quelques mois, cette issue est devenue beaucoup moins certaine. Boycotté par de nombreux interlocuteurs essentiels (comme l’OKFN ou la Ligue des bibliothèques européennes), le Text and Data Mining Working Group a succombé à une certaine léthargie. Plusieurs pays européens envisagent ouvertement une exception (c’est notamment le cas du Royaume-Uni et de l’Irlande). L’exception a d’ailleurs été actée de facto dans la loi américaine à l’issue de la dernière décision du procès Google Books : elle est couverte par le fair use.

La recension de Nature fait ainsi état d’un revirement progressif de la Commission Européenne (peut-être lié à l’approche des prochaines élections européennes). Un nouveau processus de réflexion aurait été confié au juriste britannique Ian Hargreaves. Hargreaves a joué un rôle essentiel dans la conception du programme britannique de modernisation du copyright. Il a également fortement encouragé le développement d’une exception pour le data-mining. En juin dernier, il critiquait ouvertement la politique actuelle de l’Union européenne en matière de droit des bases de données.

Hargreaves devrait remettre son rapport à l’Union Européenne à la fin du mois. La Commission semble désormais assez sensible à un argument économique : les éditeurs ne sont pas, et de loin, les principaux bénéficiaires d’un data-mining libéralisé ; un tel cadre légal profiterait à l’ensemble de la société.

En France, le collectif Savoirscom1 a été récemment auditionné sur le sujet par le Conseil Supérieur de la Propriété Littéraire et Artistique (CSPLA). Les propositions du collectif ont été exposées dans une petite synthèse, que j’ai rédigé avec Lionel Maurel, Quel statut légal pour le content-mining ?.

Le rapport formule pour l’essentiel deux propositions :

  • Reconnaître l’existence d’un domaine public de l’information, qui permet d’extraire toutes les informations et les données solitaires ne répondant pas à un critère d’originalité.
  • Mettre en place une exception limitative, autorisant notamment l’importation substantielle d’une base de données ou de textes soumis au droit d’auteur sous réserve que la copie ne reste accessible qu’au seul projet de recherche.

Bien que nous ayons reçu un assez bon accueil du CSPLA, ces deux propositions sont très loin d’être acquises. Au cours de la semaine passé j’ai été auditionné au sénat par la Mission commune d’information sur l’accès aux documents administratifs et aux données publiques. Je représentais le collectif Savoirscom1 avec Silvère Mercier et Thomas Fourmeux. J’ai commencé à évoquer l’intégration des données de la recherche au régime général des données publiques et la nécessité de formaliser le domaine public de l’information : le président de la mission n’a pu réprimer un certain étonnement tant ces suggestions paraissaient exotiques…

Réutilisation des informations du secteur public : quand l’Union Européenne oublie la recherche…

La France devrait prochainement intégrer les dispositions de la nouvelle directive européenne sur la réutilisation des informations du secteur public (ou ISP), qui complètent une précédente directive de 2003. Il y a encore un an, cette évolution aurait pu être considérée comme une avancée notable : la directive en question élargit le périmètre de la réutilisation aux institutions culturelles, telles que les bibliothèques, les musées ou les centres d’archives. Seulement, entre temps, la France a amplement rattrapé son retard en la matière.

Le rapport Trojette remet ainsi radicalement en cause la politique des redevances. la revente des données à des organisations privées apportait un petit complément non négligeable au budget souvent serré de plusieurs institutions publiques. Or, cette activité est d’emblée condamnée par la démultiplication des informations accessibles en ligne. Par exemple, OpenStreetMap a progressivement recréé le corpus de données cartographiques de l’IGN. Au cours des années 2010 et 2011, le produit des redevances a baissé d’un tiers. Selon toute vraisemblance, cette tendance de fond s’est poursuivie depuis.

Le Guide Data Culture rédigé par Camille Domange appelle, pour sa part, à normaliser les données culturelles. Elles ne doivent pas être considérées comme un ensemble à part au nom d’une supposée exception : « il est important que le secteur culturel, quelles que soient ses spécificités qui doivent être reconnues, ne s’inscrive pas en marge d’un mouvement qui est en marche. » (p. 3)

La directive européenne ISP n’apporte pas grand chose de neuf. Elle se situe même en retrait. Les redevances sont maintenues sur le principe (même si celles-ci ne doivent désormais pas dépasser les coûts marginaux ce qui limite grandement leur intérêt). Plusieurs dérogations limitent de fait l’ouverture des données culturelles.

Et la recherche dans tout cela ?

La directive ISP réussit un véritable exploit : ne pas parler une seule fois des implications scientifiques et intellectuelles de l’ouverture des données publiques. Le secteur entrepreneurial mobilise toute l’attention. Ainsi, en ce qui concerne les données culturelles :

L’élargissement des possibilités de réutilisation du matériel culturel public devrait entre autres permettre aux entreprises de l’Union d’exploiter le potentiel de ce matériel et contribuer à la croissance économique et à la création d’emplois.

Cette focalisation est, en soi, regrettable. La directive passe à côté d’un des aspects les plus intéressants et le plus tangible de l’open data : l’accélération du temps de la recherche et l’élargissement de l’écosystème des connaissances (qui implique désormais, de plus en plus, des projets collaboratifs para-universitaires).

Combinée aux techniques d’extraction automatisées, l’accessibilité renforcée des données permet de déléguer une partie essentiel du travail de la recherche à des algorithmes. La recherche d’information peut être en grande partie automatisée, ce qui libère du temps pour réaliser des tâches de plus haut niveau (conceptualisation de l’ensemble du projet…). Cette délégation permet également d’envisager des projets d’une ampleur inédite, à l’image de l’initiative text2genome, qui a pu cartographier le génome humaine en compilant 3 millions d’articles de recherche.

Inversement, les perspectives économiques de la directive (au sens restreint que lui donne la théorie néo-classique) restent floues. On peut très bien argumenter que l’ouverture des données publiques va se solder par une dévaluation globale de la valeur de la donnée, au détriment des entreprises qui en faisait le commerce. Le pétrole du XXIe siècle pourrait devenir de l’air : un bien commun indispensable à la bonne respiration de la société mais qui ne saurait fonder de modèles économiques viables.

Cette omission étonnante a une implication directe sur les recommandations finales. Les universités ne sont pas concernées : elles sont classées parmi les « établissements culturels autres que les bibliothèques, les archives ou les musées ». Le statut des données de recherche n’est pas logiquement précisé. En France, la loi de 1978, va forcément prévaloir. Or, les données de recherche sont explicitement exclus de son champ d’application. Elle ne porte que sur des documents administratifs et non sur l’ensemble des documents exclusivement financés par l’argent public :

Sont considérés comme documents administratifs, au sens des chapitres Ier, III et IV du présent titre, quels que soient leur date, leur lieu de conservation, leur forme et leur support, les documents produits ou reçus, dans le cadre de leur mission de service public, par l’Etat, les collectivités territoriales ainsi que par les autres personnes de droit public ou les personnes de droit privé chargées d’une telle mission. Constituent de tels documents notamment les dossiers, rapports, études, comptes rendus, procès-verbaux, statistiques, directives, instructions, circulaires, notes et réponses ministérielles, correspondances, avis, prévisions et décisions.

Quelle licence pour les données publiques ?

La directive préconise clairement un nombre minimal de contraintes légales pour la diffusion des données publiques, sans que cette préconisation ne soit une obligation. Elle recommande de se limiter à la simple attribution des auteurs.

Le nombre de restrictions à la réutilisation imposées par les licences éventuellement octroyées pour la réutilisation d’informations du secteur public devrait en tout état de cause être le plus bas possible, en limitant, par exemple, ces restrictions à l’indication de la source.

Le partage à l’identique paraît ainsi exclu de cette recommandation. Les données publiques européennes pourraient ainsi être redistribuées sous des licences plus strictes, voir sous le régime traditionnel du droit d’auteur. L’absence de toute licence virale (c’est-à-dire d’un dispositif qui établit que le statut légal originel de la publication va contaminer la republication) autorise le rétablissement des enclosures.

Ce raisonnement pose plusieurs problèmes. Il n’est tout d’abord compatible avec aucune des licences les plus souvent envisagées pour les bases de données. L’excellente licence de l’Open Knowledge Foundation, l’ODBL, prescrit explicitement un partage à l’identique. Quant aux licences Creative Commons (élargies depuis peu aux bases de données) elles incluent toutes un mécanisme viral (eh oui, même la licence CC-BY). Enfin, le domaine public ne semble pas davantage compatible avec cette conception : le copyfraud est, de plus en plus, jugé répréhensible et, du moins en France, plusieurs projets législatifs visent à endiguer cette pratique.

Le rétablissement des enclosures est une conséquence directe du soubassement discursif de la directive : considérer que l’ouverture des données publiques doit avant tout bénéficier au secteur privé. Dans ce cadre, la privatisation est inévitable. La donnée ne vaut rien tant qu’elle n’a pas été enclose et artificiellement raréfiée.

En lieu et place, je recommanderai plutôt le cadre légal suivant :

  • Formalisation d’un domaine public de l’information afin de définir le statut légal de la donnée indépendante. Ce domaine public n’inclut pas de droit moral (encore que, même si elle est difficile à mettre en œuvre, l’attribution des données individuelles est de plus en plus souvent envisagée : Wikidata est ainsi bardé de notes de bas de données). En revanche, l’interdiction du copyfraud est beaucoup mieux établie : comme le code de la propriété intellectuelle ne porte que sur des œuvres de l’esprit, la protection d’une information publiquement accessible est d’emblée impossible.
  • Préconiser une publication de la structure originale de la base sous une licence ODBL. Les licences Creative Commons CC-BY et CC-BY-SA prévoient à peu près la même chose, mais elles restent beaucoup plus flous et n’apportent pas une réelle sécurité juridique au réutilisateur. Il serait presque envisageable d’élargir le domaine public de l’information aux bases de données dans leur ensemble. Ses dispositions sont pleines de bon sens : pas d’attribution obligatoire, mais un mécanisme anti-copyfraud.

Quid des données culturelles ?

Les institutions culturelles sont clairement les plus rétives à une politique audacieuse d’ouverture des données publiques. Elles disposent généralement d’un budget assez serré : les redevances constituent des compléments non négligeables.

Le rapport Trojette avait déjà éludé la question. Le gouvernement se garde bien de trancher. Le collectif Savoirscom1 met ainsi en évidence une succession de discours et d’engagements contradictoires. Le ministère de la culture ne tient pas à passer à côté du mouvement open data. Et en même temps il traîne autant que possible :

Avec Data Culture, le ministère de la Culture a cependant accompli ces derniers mois un travail louable, confirmé par la feuille de route Open Data du ministère et les orientations prises à la suite de « L’Automne numérique ». Mais les recommandations d’ouverture du ministère ne sont pour l’instant qu’incitatives : à la différence des décisions du CIMAP, elles ne sont pas contraignantes. Les libérations de données effectuées à l’occasion de l’Automne numérique reposent, elles aussi, sur le bon vouloir des établissements.

La directive ISP ne fait pas beaucoup mieux. Bien que dans son principe, elle les intègre dans le périmètre des données publiques à ouvrir, elle inclut de nombreuses dérogations. Le GFII va jusqu’à évoquer d’une directive dans la directive. Les redevances ne sont ainsi pas plafonnées aux coûts marginaux pour les données culturelles :

Les bibliothèques, les musées et les archives devraient également pouvoir prélever des redevances supérieures aux coûts marginaux pour ne pas entraver leur bon fonctionnement.

Les données culturelles constituent ainsi, en quelque sorte, le chat de Schrödinger des politiques d’open data. Elles sont officiellement ouvertes, mais tout est fait pour qu’elles restent fermées.

Cette incertitude est fortement dommageable. Le champ des études culturelles est en pleine effervescence. L’élargissement considérable des corpus accessible et la possibilité de déléguer une partie du travail à des algorithmes offrent des perspectives inédites.

Certaines sont assez triviales. Pendant la rédaction d’un mémoire sur l’apparition de la critique musicale dans la presse quotidienne française, j’avais cherché en vain une compilation des œuvres créées et représentées à l’Opéra de Paris de 1820 à 1850 (les excellentes métadonnées de la BNF fournissent depuis peu une liste non exhaustive). Le data-journalisme est également friand de ce genre de compilations, qui permettent de créer des visualisations instructives et attrayantes (l’article du Monde sur les prix littéraires constitue un très bon exemple du genre).

D’autres sont proprement inimaginables. La connectivité croissante de données touchant à tous les aspects de la vie humaine pourrait permettre de saisir des phénomènes dont nous n’avons pas la moindre idée. Les projets Wikimédia (désormais épaulés par Wikidata) passent à la vitesse supérieure. Les données culturelles sont tout particulièrement concernées : un partenariat est en cours d’élaboration avec le JocondeLab afin de compiler les informations sur 300 000 œuvres des musées français.

Le mouvement des humanités numériques commence tout juste à évaluer l’incidence de ces avancées. Nous ne sommes qu’au tout début d’une révolution des usages scientifiques qui nous réserve bien des surprises… IL convient de la contraindre aussi peu que possible.

La licence de référence du mouvement Open Access repose-t-elle sur un malentendu ?

C’est un coup de théâtre : la licence de référence du mouvement open access avait été en partie mal comprise. Et de longue date.

Depuis plusieurs années, la licence CC-BY de Creative Commons s’impose progressivement comme l’unique statut légal recommandé pour la publication en libre accès. La déclaration de Budapest de 2012 est sans ambiguïté :

Autant que possible, les politiques des détenteurs de publications scientifiques devraient , de préférence sous une licence CC-BY ou équivalente.

Cette licence est très libérale : toutes les réutilisations sont possibles sous réserve de citer les auteurs. Il serait possible de vendre la publication originelle (ce que ne permettrait pas une licence non-commerciale). Il serait même envisageable de la republier sous une licence différente, voire sous le régime usuel du droit d’auteur sans avoir l’accord des auteurs.

Cette libéralité repose sur un principe philosophique : ne pas préjuger des usages et n’en limiter aucun. Elle découle également de considérations plus pratiques. La licence CC-BY favoriserait grandement les exploitations commerciales.

Les entreprises ne pourraient pas seulement monétiser la publication mais également la privatiser, ce qui contribue à recréer de la valeur. Un service commercial mieux indexé pourrait ainsi faire croire au lecteur que la publication est payante, alors que seule une recherche plus approfondie permettrait de déceler la version originelle gratuite.

Enquête sur le CC-BY…

Cette interprétation très répandue est apparemment erronée (raison pour laquelle, je m’obstine à employer le conditionnel depuis le début de ce texte). Au cours d’une discussion assez épique sur la liste « Open Access » de l’OKFN, Jan Velterop souligne que CC-BY n’autorise pas les republications sous des licences plus strictes. En effet, la page de référence pour la définition de la licence incluait cette précision :

Aucune restriction additionnelle — Vous ne pouvez pas mettre en œuvre de mesures légales ou technologiques qui empêchent les utilisateurs de faire ce que la licence autorise.

J’ai dès lors fait observer que, dans ce cadre, la licence CC-BY constitue une sorte de licence virale, au même titre que la licence CC-BY-SA. SA est le sigle de Share Alike (partage à l’identique), ce qui spécifie que, sauf dans le cadre d’une courte citation, toute reprise ou transformation ultérieure du texte originel doit reprendre la même licence :

La clause « pas de restrictions additionnelles » me semble très similaire au partage à l’identique : interdire la republication sous des conditions légales plus strictes revient, finalement à préserver la même licence.

Mike Taylor, l’une des figures de proue du mouvement Open Access, a reconnu l’exactitude de mon interprétation :

Eh bien vous avez tout-à-fait raison (…) Ma compréhension de la distinction entre CC-By et CC By-SA est que la première est « virale » seulement en ce qui concerne les COPIES du travail, alors que la seconde est également virale concernant les travaux dérivés. (Traduction partielle par Simon Villeneuve, CC-BY-SA).

Une erreur virale

Tout cet épisode soulève pas mal de questions. La conception inexacte du CC-BY était également virale et se retrouve aujourd’hui dans quantité de textes institutionnels. Par exemple, l’Association des éditeurs de publications universitaires en libre accès (OASPA) argue que le CC-BY est de loin préférable au CC-BY-SA, car les publications peuvent être republiées selon une autre licence :

Les contenus sous CC-BY peuvent être combinés avec n’importe quel contenu et redistribué en accord avec le statut légal de ce contenu.

Dans certain cas, la viralité de l’erreur a eu des conséquences durables. La dernière directive de l’Union Européenne sur la réutilisation des informations du service public inclut plusieurs recommandations sur le libre accès. Elle prescrit clairement une licence sans partage à l’identique :

Le nombre de restrictions à la réutilisation imposées par les licences éventuellement octroyées pour la réutilisation d’informations du secteur public devrait en tout état de cause être le plus bas possible, en limitant, par exemple, ces restrictions à l’indication de la source. (paragraphe n°26)

Cette incompréhension est dommageable pour tout-le-monde. Elle place certains réutilisateurs de contenu en CC-BY dans une insécurité juridique problématique : des entreprises ont effectivement rétabli, de bonne foi, des enclosures. Elle contribue à fragiliser le processus d’ouverture des publications scientifiques : les recommandations de l’Union Européenne ne sont, de fait, compatibles avec aucune licence Creative Commons (eh oui, même CC0 dans une certaine mesure).

Une licence approximative

Le CC-BY n’est pas seulement une licence incomprise. C’est une licence approximative, au même titre que les licences non commerciales. Il n’est pas possible de saisir clairement, en lisant le descriptif réalisé par Creative Commons, quels sont les usages possibles. L’interprétation de Mike Taylor est peut-être juste (elle paraît tout à fait vraisemblable). En réalité, il n’y a pas de moyen de trancher.

Par définition, toutes les licences Creative Commons incluent un mécanisme de partage à l’identique. Et c’est là tout à fait légitime : lorsqu’un contenu est libre, il doit le rester. Même le domaine public, conçu comme le mode de publication le moins codifié et le moins restrictif, commence à inclure un mécanisme de défense et de préservation : cela s’appelle le copyfraud.

Manifestement, CC-BY ne saurait être considéré comme la seule licence de référence — du moins pas au risque de nuire à l’ensemble du mouvement Open Access. Il n’y a eu pour l’heure aucun procès impliquant des licences Creative Commons. Si un juge est un jour saisi d’un cas impliquant une licence CC-BY et qu’il se contente simplement d’appliquer les prescriptions explicites de Creative Commons, la situation risque d’être totalement intenable : du jour au lendemain tout un processus impliquant des institutions au plus haut niveau (y compris l’Union Européenne) risque de s’effondrer. Il est encore temps de corriger le tir…

Quel statut légal pour le data-mining ?

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

Un exemple devenu classique des bienfaits du data-mining à grande échelle : text2genome
Un exemple devenu classique des bienfaits du data-mining à grande échelle : text2genome

Cette évolution était, d’une certaine manière, prévisible. Dès la fin des années 1990, plusieurs prophètes de l’ère numérique annoncent l’émergence d’un web 2.0 : le web sémantique. Les communautés supplanteront finalement les données sémantisées et le XML. L’ouverture des données publiques et la frénésie actuelle autour du « big data » permettent de réactualiser un idéal un temps oublié.

Le data-mining n’attire cependant pas que des chercheurs et des bidouilleurs désintéressés. Les industries académiques tentent de capter cette manne nouvelle. Un groupe de travail de la commission européenne officiellement chargé de simplifier cette pratique émergente est en train de leur dérouler un tapis rouge.

Les industries académiques face au data-mining : de l’effroi à l’exploitation

Pour l’heure, le data-mining n’est encadré par aucune statut légal. L’activité est entièrement tributaire du bon vouloir des propriétaires des contenus extraits — ou de l’inventivité de l’extracteur, pour peu qu’il n’hésite pas à hacker le système.

Le code informatique se substitue ainsi à la loi. Comme le souligne Lawrence Lessig, les autorisations mises en place par les services en ligne ont valeur de règle inconditionnelle, alors même qu’elles ne disposent souvent d’aucun fondement juridique.

Les industries académiques redoutent cependant la libération d’un contenu protégé par des enclosures illégitimes. Une large partie des articles de recherche ont été financés par des fonds publics et rentabilisés de longue date : ils devraient être de fait en libre accès. Grâce au data-mining, le regretté Aaron Swartz avait ainsi pu télécharger et mettre en circulation la totalité de la base de données de JSTOR.

Aujourd’hui, cette crainte laisse aujourd’hui la place à un intérêt commercial grandissant. Le but n’est plus tant d’empêcher cette évolution (inévitable) mais d’y trouver des compensations voire de nouvelles sources de rentabilité en revendiquant pleinement l’appropriation des données textuelles.

On aboutit ainsi à des situations absurdes. Des universités paient chèrement un accès aux corpus de grands éditeurs. Pour autant, elles ne peuvent extraire automatiquement les éléments qui les intéresse.

Un article évocateur de Nature fait ainsi état de négociations chronophages. La réalisation du projet text2genome a nécessité 3 ans de tractations tortueuses afin de constituer une base de 3 millions d’articles. Et tous ne sont pas égaux face à l’arbitraire des industries académiques. Google obtient aisément un accès à un corpus, alors que de petites institutions scientifiques font face à des arguties sans fins.

Aux États-Unis, le problème tend à se solutionner. Les chercheurs peuvent invoquer une exception puissante : le fair use. Le procès contre Hathitrust a permis d’esquisser un début de jurisprudence favorable à une libéralisation du data-mining.

En Europe la situation actuelle est beaucoup moins claire. Elle tend même à s’aggraver.

Une réflexion européenne qui tourne mal

Au début de l’année 2013, la Commission Européenne a lancé un groupe de travail sur le statut légal de l’exploration automatisée des données : le Text and Data mining working group. Rapidement des dissensions émergent.

Les industries académiques envisagent la création de licences ad hoc : les chercheurs obtiendraient un droit à extraire moyennant le versement d’un abonnement supplémentaire.

Une présentation de Springer dévoile ainsi un système d’accès encore relativement complexe : tout chercheur désirant accéder à la base doit remplir un formulaire où il détaille son projet de recherche. C’est seulement au terme de ce processus qu’il reçoit une clé d’accès. Ce processus ne permet pas seulement de maintenir un droit de regard sur le data-mining : il facilite la constitution de vastes corpus de méta-données de la recherche. Springer sait désormais exactement qui étudie quoi avec son corpus.

Le système de licences pour le data-mining préconisé par Springer
Le système de licences pour le data-mining préconisé par Springer

Inversement, bibliothécaires et défenseurs de la culture libre rejettent le principe des licences. De leur point de vue, le data-mining devrait simplement faire l’objet d’une exception, au même titre que le droit de citation.

En avril, la Commission a finalement arbitré le conflit au profit des industries académiques. Le groupe de travail ne travaillera que sur les licences, sous le motif curieux que la question de l’exception est « déjà traitée dans d’autres groupes de réflexion ». De nombreux participants du Text and Data mining working group décident alors de boycotter une initiative qui ne rimait plus à rien. La Ligue des bibliothèques européennes de recherche a ainsi publié un communiqué d’une grande clarté :

[nous quittons] un processus de décision dont le résultat est déjà pré-déterminé : l’ajout de nouvelles licences serait la seule solution envisageable aux multiples écueils rencontrés dès lors que l’on souhaite extraire automatiquement les données d’un contenu auquel l’on a déjà accès.

Les termes du débat

La problématique juridique du data-mining est apparemment complexe. Elle se situe aux croisement de plusieurs régimes de la propriété intellectuelle : le droit d’auteur, le droit des bases de données et le droit des systèmes d’information.

La juriste Lucie Guibault a consacré une présentation assez exhaustive de ces questions intriquées et des évolutions inquiétantes de la Commission européenne. Intitulée Intellectual property rights’ obstructions to text and data Mining, elle a été mise en ligne sur YouTube :

L’exploration automatisée pose en effet plusieurs problèmes.

  • Lorsqu’elle porte sur un trop grand nombre de données, il est nécessaire d’importer le contenu à extraire (une base MySQL est autrement plus efficace qu’une série de demandes via une API). Ce qui suppose concrètement de constituer une reproduction accessible à l’ensemble du groupe de recherche (ce qui excèderait la limite du « cercle familial »).
  • Il existe depuis une vingtaine d’années un droit des bases de données spécifique à l’Europe. Ce droit possède des contours flous. Il était prévu pour durer 15 ans mais, pour peu que les bases de données soient continuellement actualisées, il pourrait bien être éternel. La jurisprudence a contribué à relativiser son application : il ne peut être invoqué que lorsque la base de donnée a été republiée substantivement (cf. notamment cet arrêt de la cour de Cassation de 2007). Les éditeurs n’y font d’ailleurs pas souvent appel : Guibault souligne qu’il s’agit plutôt d’un dernier recours, lorsque les méthodes traditionnelles (le droit d’auteur) ne sont plus valables. Si le droit des bases de données crée une certaine insécurité juridique (il n’y a pas de limite claire à partir du moment où la reprise devient « substantielle »), son application reste suffisamment souple pour autoriser l’immense majorité des initiative de data-mining.

Guibault passe également en revue plusieurs exceptions possibles. Elles se révèlent finalement assez peu probantes :

  • À la suite de la directive sur la société de l’information de 2001, les reproductions temporaires à des fins purement techniques sont autorisées. Temporaire n’est cependant pas un vain mot : seuls sont concernées des reprises véritablement éphémères. Les reproductions nécessitées par le data-mining ne rentrent pas dans ce cadre.
  • Le droit de citation permettrait de reprendre et de publier de simples données (qui ne permettent en rien de reconstituer le texte ou la base d’origine). Rien ne permet cependant d’indiquer que le droit de citation s’applique à des bases de données. En France, elles doivent être « justifiées par le caractère critique, polémique, pédagogique, scientifique ou d’information de l’œuvre à laquelle elles sont incorporées. » Or, même si elle possède un caractère scientifique, une base de donnée n’est pas une œuvre.

Guibault conclut en soulignant que, dans l’état actuel de la législation, le data-mining est de facto interdit : on ne peut extraire les données d’un contenu qu’avec l’accord de son propriétaire. Une conclusion que je ne partage pas…

Du droit de lire au droit d’extraire

Toute cette discussion assez formelle laisse de côté un des principes fondamentaux du droit de la propriété intellectuelle : il ne protège pas les informations, mais l’expression originale. Ce principe se retrouve dans toutes les législations. Il est particulièrement bien explicité aux États-Unis où la dichotomie idée/expression fait autorité depuis le procès Baker v. Selden.

En France, on le retrouve plutôt in absentia. Le code de la propriété intellectuelle porte sur des œuvres. Les bases de données ne sont concernées que dans la mesure où « par le choix ou la disposition des matières, [elles] constituent des créations intellectuelles. » Les données individuelles et les informations sont clairement exclues de cette définition.

À cet égard, il convient de démystifier la pratique du data-mining. Il s’agit avant tout d’une technologie intellectuelle (au même titre, par exemple, que le boulier ou la comptabilité à partie double) : un outil permettant de faciliter ou d’automatiser certaines opérations mentales. Au lieu de récupérer et de recouper manuellement des milliers, voire des millions de données, il est possible de confier ce boulot peu gratifiant à de sympathiques algorithmes.

Si le data-mining marque un changement d’échelle, il ne s’agit pas d’une activité fondamentalement nouvelle. Extraire et synthétiser des informations préexistantes constituent le pain quotidien du chercheur depuis que la recherche scientifique existe. Notes de bas de page, graphiques, tableaux : tous ces usages structurants de l’écriture académique reposent sur une forme d’extraction manuelle d’informations préexistantes.

Et la distinction entre extraction manuelle et automatisée n’est pas si évidente que cela. Un simple contrôle+f constitue déjà une forme d’automatisation de l’exploration. Les expressions rationnelles permettent d’affiner ce principe sans avoir recourt à un langage de programmation évolué ou à une base de données.

L’exploration des données est ainsi indissociable du droit de lire. L’accès à un texte permet la reprise de ses informations. Sauf à revenir sur des usages et des principes légaux fondamentaux des sociétés modernes, il n’y a pas à tergiverser : l’extraction de données, sous toutes ses formes, doit être autorisée autant que possible, sans aucune restriction, qu’il s’agisse de formulaires ou de licences ad hoc.

Puisque le débat est ouvert et que certains éditeurs exploitent abusivement une sorte de zone grise, il convient sans doute de préciser noir sur blanc le statut légal du data-mining (et d’en profiter pour autoriser les groupes de recherche à reproduire toutes les ressources qui leur serait nécessaire).

Il n’est pas impossible que la commission européenne fasse machine arrière. Le groupe de réflexion a peu avancé depuis la sécession d’avril. Le Royaume-Uni s’apprête à mettre en place une exception assez large dans le cadre d’un programme de modernisation du copyright. Elle se positionne toutefois sur le terrain restrictif de l’usage scientifique à des fins non commerciales, plutôt que sur celui du lien indissociable entre droit d’extraction et droit de lire.

Quelles que soient les ambitions des industries académiques en la matière, l’Union Européenne a sans doute peu de chance d’aller à contre-courant de l’évolution générale des pays anglo-saxons. Pour en être sûr, il conviendrait de faire davantage de publicité sur ces négociations qui se déroulent désormais loin des regards publics.

Faut-il légiférer sur le libre accès ?

L’année 2014 débute sur une belle promesse : HAL, le principale service français d’archive ouverte, va prochainement se convertir aux licences libres. Je suis revenu sur cette perspective à deux reprises, d’abord en relevant ses multiples avantages, puis en m’interrogeant sur la meilleure licence possible (CC-BY-SA a actuellement ma préférence).

Cette évolution, souhaitable à tous points de vue, bute sur un obstacle de taille : les chercheurs ne sont pas toujours maîtres de leurs propres travaux. Les contrats varient grandement d’un éditeur à l’autre.

Tout chercheur qui se dispose à rendre accessible son travail doit entreprendre une procédure potentiellement chronophage sans garantie d’aboutissement. Chaque éditeur a ses propres exigences : on ne saurait comparer une petite structure artisanale, fréquente dans les sciences humaines et sociales, aux mastodontes Elsevier ou Springer.

D’autres variables viennent compliquer une situation déjà peu lisible. Chaque discipline possède sa propre culture de l’écrit (les synthèses des astronomes ont peu à voir avec les développements des sociologues). La collaboration scientifique ne connaît pas de frontière : il est bien difficile de s’accorder sur un cadre juridique lorsque les auteurs sont indiens, français, brésiliens et américains.

Le droit d’auteur tolérant

Comment gérer une telle complexité ?

Jusqu’à présent, les archives ouvertes avaient privilégiées une tactique du plus petit dénominateur commun : maintenir le régime du droit d’auteur, tout en autorisant une accessibilité de facto. Je suis déjà revenu en détail sur les nombreux inconvénients de ce droit d’auteur tolérant. Il présentait pourtant une petite compensation : rassurer les intermédiaires.

Certes, une version de la publication était accessible en ligne, mais ça n’allait pas plus loin. L’éditeur pouvait préempter un certain nombre de droits non négligeables : le monopole de la commercialisation, de la dérivation (impossible de faire une traduction sans son accord) et de la circulation (la publication ne pouvant être reproduite sur d’autres supports).

Cette préemption ne pose évidemment aucun problème lorsque la publication été majoritairement financées par des fonds privés (ceux du chercheur, de l’éditeur, d’une institution tierce…). Elle devient beaucoup moins légitime dès lors que ce financement a été assuré par des fonds publics (ce qui est très souvent le cas en France).

On en arrive ainsi à une situation absurde. Les citoyens français paient pour un bien scientifique sans pouvoir en disposer. Dans le meilleur des cas, ils peuvent tout juste le consulter, mais qu’ils ne s’avisent pas d’en faire quelque chose : le droit d’auteur tolérant prévient toute réutilisation.

L’exemple allemand

L’Allemagne a mis fin à ce paradoxe en amendant significativement son code de la propriété intellectuelle. Une loi votée en juin dernier, la zweitveroffentlichungsrecht, permet de court-circuiter la jungle juridique des contrats d’éditeur. Toute recherche financée majoritairement par l’État allemand doit devenir inconditionnellement accessible. Que l’éditeur soit américain ou sud-africain, qu’il s’agisse d’une multinationale ou d’une petite boîte à lettre ne changent rien à l’affaire.

Pour parvenir à une solution aussi radicale, il a bien fallu faire des concessions. Elles ne sont pas négligeables. La lecture du texte (traduit par l’INIST) permet de s’en rendre compte :

« 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’on relève pour l’essentiel trois dérogations fondamentales.

La première porte sur l’objet de la loi. Il ne s’agit que des articles de revues : les monographies et les ouvrages collectifs sont exclus de son champ d’application. Plus curieusement encore, les données sont également laissées de côté, alors que le mouvement d’ouverture des données scientifique tend à s’accélérer (et que les allemands sont loin d’être les derniers de la classe en la matière).

La seconde est d’ordre temporel. Les éditeurs disposent d’un monopole de 12 mois. Cela reste moins long que les embargos usuels des éditeurs français (au minimum 36 mois sur les revues hébergées par CAIRN). Cette restriction contribue néanmoins à ralentir la circulation des travaux scientifiques, ce qui ne peut que pénaliser in fine l’avancement des recherches.

La troisième restreint fortement les réutilisations possibles : la publication ne peut être utilisée à des fins commerciales. Quantité d’activités légitimes sont potentiellement concernées : la republication dans la presse, les traductions, le défraiement de diffusions hors ligne (via des clés USB ou des brochures imprimées par exemple). Inversement, l’interdiction de la commercialisation n’empêche en rien les abus, dans la mesure où elle reste relativement vague.

On pourrait également souligner que seule la version acceptée du manuscrit (ou preprint) est concernée. En réalité, ça ne me paraît guère problématique : le travail éditorial réellement effectuée doit pouvoir être valorisé. Si il n’y a guère de différence entre le preprint et la publication finale, le public n’y perd rien ; si les différences sont significatives, l’éditeur peut légitimement monétiser sa contribution.

Et en France ?

Pour l’instant rien n’est prévu. Pour Stéphanie Bouvier les autorités françaises se complaisent dans la position de l’âne du Buridan. Elles essaient de contenter un peu tout-le-monde en privilégiant les initiatives informelles et non-contraignantes. La mise en place d’Open Edition est ainsi censé compenser la perpétuation de pratiques éditoriales en perte de vitesse, sans les remettre en cause.

M. Genet a expliqué que la diversité des pratiques disciplinaires et des écosystèmes de diffusion était telle qu’aucun modèle ne pouvait être adopté par tous. Il me semblait au contraire que les archives ouvertes présentaient cet avantage de pouvoir être utilisées par les chercheurs de toutes les disciplines, notamment parce qu’elles ne remettent pas en cause la liberté académique de l’auteur en matière de choix d’éditeur. Pourquoi donc ne pas opter pour un dépôt systématique des publications financées sur fonds publics dans des archives ouvertes, comme cela a été officiellement décidé dans d’autres pays ? Encourager l’Open access ne suffit pas, et adopter un mandat en faveur d’une des deux voies n’équivaut pas à rejeter l’autre, cela accroît juste la lisibilité de la politique nationale pour les chercheurs.

La conversion de HAL aux licences libres permettra peut-être d’accélérer les choses. Le droit d’auteur tolérant apparaît comme l’une des principales alternatives à une régulation contraignante. Pour reprendre l’axiome célèbre de Lampedusa, il permet de « tout changer pour ne rien changer », soit mener une politique libre accès minimale, tout en confortant les usages établis.

Une zweitveroffentlichungsrecht version française s’intégrerait aisément dans le code de la propriété intellectuelle. Elle peut constituer un éventuel article L-112-5 du chapitre consacré aux œuvres protégées. Le chapitre sur les contrats d’édition s’y prêterait également bien.

Le modèle allemand montre cependant ses limites : procéder à un simple décalque représenterait un progrès notable, mais insuffisant.

Les dérogations sur l’embargo ou le preprint ne paraissent pas totalement inconsidérées. Elles garantissent la subsistance des éditeurs sans entraver durablement la circulation des idées scientifiques. Quelques exceptions pourraient limiter leur portée — lorsque la publication a été entièrement financée par l’État, l’embargo paraît peu légitime.

Limiter l’application de la loi aux seuls articles de revues ou à n’importe quelle forme éditoriale que ce soit relève d’une politique à courte-vue. Ces limitations purement formelles ne tiennent pas compte de la grande diversité des pratiques de publication scientifique. Et surtout, elles entravent l’adaptabilité de la loi, qui ne peut prévoir par avance tous les usages à venir. La question, émergente, des données n’est ainsi pas prise en compte par la loi allemande.

Enfin, je suis déjà revenu longuement sur les inconvénients d’une licence non-commerciale. Il existe une alternative plus efficace : le maintien de la licence initiale pour toutes les réutilisations à venir. Le ressort principal de l’open washing, ce n’est pas la monétisation, mais la captation. À partir du moment où il n’est pas possible de s’approprier la publication, les usages commerciaux deviennent de fait marginaux.

La définition d’une loi française sur le libre accès nécessiterait une réflexion beaucoup plus poussée que ces quelques esquisses. Quelques discussions informelles intéressantes ont émergé depuis début décembre (notamment au sein du collectif Savoirscom1 : je vous renvoie notamment à la très bonne synthèse de Numeribib). Ouvrir un débat public sur le sujet apparaît de plus en plus souhaitable, voire inévitable.

Quelle licence pour les archives ouvertes ?

Voici la suite logique de mon billet d’hier. Le principal service d’archive ouverte français, HAL, va peut-être se convertir aux licences libres. Une licence libre en particulier serait le statut légal par défaut de l’ensemble des archives : CC-BY.

Est-ce que le CC-BY est vraiment la licence adaptée ? Il s’agit d’une des licences Creative Commons les plus libérales. Elle n’impose qu’une seule contrainte : la citation de l’auteur. Pour le reste, l’œuvre peut-être reprise avec modification, vendue et republiée sous une autre licence. Un HAL sous CC-BY réunirait toutes les conditions requises pour une diffusion maximale de l’information scientifique. Mais cela n’est-il pas risqué ?

Parmi les nombreuses réactions suscitées par mon billet, on voit poindre deux critiques fondamentales. La première pointe le risque d’une intensification des pratiques d’open washing, soit l’exploitation du libre accès à des fins mercantiles. La seconde souligne le risque d’un décalage excessif par rapport aux usages actuellement en vigueur : la majorité des contrats éditoriaux n’autoriseraient pas une republication en CC-BY.

Ici, je ne vais m’intéresser qu’à la première critique. Elle apparaît clairement comme la plus importante : en servant les intérêts particuliers de certains intermédiaires, HAL irait à l’encontre de l’intérêt général qu’elle est censée servir en tant que plate-forme de publication issue d’un service public.

Face aux industries académiques

Contrairement à ce que l’on aurait pu espérer, l’avènement des réseaux informatisés et du libre accès n’a pas entraîné une émancipation de la recherche scientifique à l’égard du monde marchand. Le pouvoir des industries académiques n’a jamais été aussi étendu. Au terme d’une série de rachats, de nombreuses revues sont aujourd’hui détenues par quatre grandes multinationales : Elsevier, Springer, Wiley et Informa. Du fait de leur position monopolistique, elles continuent de dégager des profits considérables, allant de 30 à 40% de leur chiffre d’affaire.

Chiffres de 2010 établis par Mike Taylor
Chiffres de 2010 établis par Mike Taylor

Le libre accès n’a en rien ébranlé leur emprise. Springer est notamment parvenu à développer une variante lucrative du modèle gold, dit « auteur-payeur » : les auteurs paient chèrement (au minimum quelques milliers d’euros) leur publication dans une revue de référence.

De nouveaux entrants aux méthodes troubles

Les réseaux sociaux scientifiques se multiplient depuis quelques années. Leurs objectifs ne sont en rien désintéressés. Ils visent avant tout à capter cette nouvelle manne d’article librement accessibles en ligne pour le transformer en patrimoine à capitaliser. Généralement, les publications récupérées n’y sont disponibles que moyennant une inscription préalable. Elles donnent lieu à une transaction non monétaire : le chercheur communique ses données personnelles et ses données de navigation qui pourront ensuite être exploitées à des fins de marketing.

Il y a deux mois, la recherche française en libre accès était ébranlée par toute une série de révélations concernant le réseau MyScienceWork. Ce réseau francophone était parvenu à établir sa légitimité en organisant plusieurs événements promouvant les principes fondamentaux du libre accès (tels que la semaine du libre accès). En fin de compte ses pratiques commerciales ne différaient en rien de la quasi-totalité des réseaux scientifiques : la récupération de publications en libre accès puis leur enclosure dans un espace désormais fermé constituait la base de son modèle économique.

Ces réseaux scientifiques tirent parti de l’une des principales faiblesse des archives ouvertes : leur éclatement. Chaque université tend à publier sa propre plate-forme, de telle sorte que l’on ne sait jamais exactement où l’on va trouver l’information cherchée. Il est nécessaire de passer par des interfaces tierces : généralement Google, Google Scholar ou, de plus en plus, ces réseaux scientifiques.

Le modèle centralisateur de HAL apportait un premier remède à cette dérive préoccupante en développant une plate-forme unique pour de nombreuses universités françaises.

Des limites du non-commercial

La licence CC-BY ne risque-t-elle pas d’aggraver la situation ? En autorisant les réutilisations commerciales ne va-t-elle pas offrir un pont d’or aux pratiques peu recommandables de ces nouveaux entrants ? Pas nécessairement.

Il existe certes une licence Creative Commons non-commercial qui, comme son nom l’indique, empêche les usages commerciaux. Seulement, dans le cas particulier de la publication scientifique, elle n’a jamais constitué un garde-fou bien solide. Les réseaux scientifiques peuvent facilement jouer sur les mots. Par exemple, est-ce que la cession de données personnelles constitue une transaction commerciale ? J’ai tendance à penser que oui, mais l’on peut aisément arguer qu’elle n’a aucun fondement monétaire.

En empêchant les usages commerciaux, l’on risque de nuire à certains usages tout à fait légitimes. Par exemple, on peut très bien envisager de diffuser des publications scientifiques sur une clé USB pour des universités de pays en voie de développement, n’ayant pas accès Internet. Il ne semble pas inconsidéré de défrayer cette activité. De même, les articles journalistiques de vulgarisation scientifique peuvent volontiers inclure des extraits de publications scientifiques qui vont bien au-delà du droit de citation. Pour autant l’écriture de ces articles relève d’une activité commerciale.

Une recherche financée (qui constitue la majeure partie des dépôts en archives ouvertes) sur fond public devrait autoriser ces usages et réutilisations. Elle a déjà été payée par la société civile : elle sert un intérêt général. Tant qu’ils n’ont pas contribué majoritairement à son financement, les intermédiaires ne peuvent prétendre préempter tous les usages commerciaux à venir.

L’information scientifique est naturellement destinée à être diffusée aussi largement que possible. C’est là un impératif éthique au sens large, qui n’affecte pas seulement des intérêts économiques ou sociaux, mais la vie quotidienne. De la bonne circulation de l’information médicale dépend le bon suivi, voire la guérison de nombre de patients.

Préserver la licence pour préserver nos biens communs scientifiques ?

Le CC-BY-SA est peut-être le meilleur remède à l’open washing. La condition « Share Alike » implique une préservation de la licence originelle. Par exemple, l’œuvre ne peut être publiée de nouveau dans une plate-forme soumise aux droits d’auteurs ou à une licence Creative Commons plus restrictive. Autant les réseaux scientifiques peuvent prétendre être dans une zone grise par rapport au « non-commercial », autant le partage à l’identique pose un véritable souci. Aussi bien ResearchGate que ScienceOpen republient de facto toutes les publications captées sous le régime du droit d’auteur ou du copyright. Il ne serait pas difficile de les attaquer là-dessus tant l’infraction est évidente.

L’exemple de Wikipédia suffit à en prouver l’efficacité du CC-BY-SA. Bien que la revente des articles de Wikipédia soit tout à fait licite, elle n’a jamais donné lieu à une exploitation de grande ampleur : ce qui est gratuit ne vaut rien ; les copies sont si nombreuses qu’on ne peut plus les monétiser à une grande échelle.

En même temps, le CC-BY-SA empêche bien peu de réutilisations. Elles compliquent la constitution de bases de données reprenant des extraits de publication allant au-delà du droit de citation. La préservation de la licence implique la création d’un mille-feuille juridique sans que l’on puisse republier l’ensemble des œuvres originelles sous une seule licence. C’est finalement un prix à payer assez faible au regard des avantages du partage à l’identique.

Les archives HAL vont-elles passer sous licence libre ?

La recherche française en libre accès est peut-être à la veille d’une révolution de grande ampleur. Le principal service d’archive ouvertes français, HAL, se convertirait aux licences libres. Si l’on en croit certains échos, pas tout-à-fait confirmés, toutes les publications hébergées passeraient par défaut sous une licence Creative Commons : CC-BY.

Il y a deux semaines, Laurent Romary annonçait cette mutation probable sur la liste de diffusion « Open Access » de l’Open Knowledge Foundation. Une vive discussion s’était engagée sur le futur de la publication en libre accès et sur les menaces d’enclosures que faisaient courir certaines entreprises spécialisées dans l’open washing (en particulier les réseaux sociaux scientifiques). Face à cela, Romary soulignait les mérites du modèle français.

  • La centralisation sur une seule plate-forme permet d’éviter une trop grande dispersion de l’information.
  • En même temps, chaque institution est libre d’organiser sa propre politique en matière de dépôt
  • Le contenu est disponible pour tout projet d’extraction de données.

Et Romary ajoute, entre parenthèses : « OK, vous ne trouverez pas de licence CC sur la version actuelle, mais la prochaine version (nom de code, V3), devrait se convertir au CC-BY. »

Je lui ai demandé quelques précisions sur Twitter. Il m’a confirmé que cette orientation était très sérieusement retenue :

Ce changement de statut juridique n’a rien de cosmétique. Sur le long terme, il va avoir des incidences profondes, bien au-delà des communautés scientifiques spécialisées.

Les limites du copyright tolérant

Jusqu’à présent, HAL avait mis en application une conception assez limitée du libre accès. L’accent était mis sur la consultation au détriment des usages. Les archives étaient accessibles, mais l’on ne pouvait rien en faire : elles dépendaient toujours de la législation française sur le droit d’auteur.

On pourrait se dire que cette limitation n’est pas très dommageable. À partir du moment que l’on peut consulter l’article en ligne, l’essentiel est acquis.

Et pourtant, les écueils de ce libre accès « canada dry » sont nombreux. De multiples activités fondamentales nécessitent un accord préalable du ou des auteurs. C’est ainsi le cas :

  • Des reprises de l’archive originelle, sur toute autre interface que la plate-forme originelle
  • Des traductions : le copyright tolérant ralentit de fait la libre circulation des recherches scientifiques d’une langue à l’autre.
  • Des impressions ou copies sur une clé USB, notamment pour étendre la diffusion de l’œuvre originales auprès d’un public n’ayant pas accès à Internet et/ou à un matériel informatique. Les universités de pays en voie de développement sont tout particulièrement concernées.
  • Des réutilisations par les projets de libre diffusion des connaissances. Wikisource est ainsi en train d’envisager de republier des articles en libre accès (j’y reviendrai plus en détail dans un billet ultérieur).
  • Des études de corpus, notamment par des systèmes d’extraction de données automatiques.

Bref, le copyright tolérant va largement à l’encontre des principes originels du libre accès. Seule la consultation par ordinateur est prise en compte ; les réutilisations ultérieures sont totalement impossibles. Dans le sillage de l’affaire MyScienceWork Lionel Maurel relevait qu’on ne peut réduire l’open access à l’accès technique : il faut prendre les termes « accès » et « libre » au sens plein. Or, par un phénomène progressif d’affaiblissement sémantique,

l’Open Access en France s’est déjà hélas très largement déconnecté de cette définition, si bien que le rapprochement entre les archives ouvertes et les licences libres en vient à être aujourd’hui problématique, notamment sur les grandes plateformes qui diffusent les résultats de la recherche.

Ce qu’apporte le CC-BY

Le CC-BY est l’une des licences Creative Commons les plus libérales. Elle ne prescrit que de citer l’auteur original. Pour le reste, l’éventail des autorisations est très large :

  • Il est possible de réaliser un dérivé de l’œuvre originale (ce qui comprend notamment les traductions).
  • Il est possible de faire une utilisation commerciale de l’œuvre (ce qui permet d’assurer le défraiement d’une diffusion par clé USB ou par une impression sur support papier).
  • Il est possible de reproduire l’œuvre sous une autre licence.

En raison de son ouverture maximale, cette licence est actuellement privilégiée par l’initiative de Budapest :

Dans la mesure du possible, les politiques des organismes subventionnaires devraient exiger l’accès dans sa forme libre et non simplement gratuite, préférablement accompagné d’une licence CC-BY ou équivalent.

Le passage au CC-BY n’entraîne pas seulement des modalités de diffusion considérablement étendues. Il marque une retour à la philosophie fondamentale du libre accès : rendre non seulement les publications accessibles aux chercheurs spécialisés (qui peuvent encore se satisfaire de la seule consultation) mais faire en sorte qu’elles puissent être diffusées à toutes les échelles de la société.

Portées par les nouvelles technologies de l’information, les échanges entre les communautés scientifiques et la société civile ne cessent de s’intensifier. Chasseurs de planètes, collecteurs de végétaux, encyclopédistes : les espaces d’interactions n’ont jamais été aussi nombreux.

La conversion de HAL au CC-BY aurait certainement un effet boule de neige. En raison de l’organisation centralisatrice du modèle français, de nombreuses archives universitaires en dépendent déjà directement. Le service du CNRS s’est imposé comme un parangon à imiter.

On ne peut que soutenir cette initiative audacieuse. Jusqu’alors plutôt en retrait face aux évolutions accélérées des pratiques de publications scientifiques, la recherche française y gagnerait une longueur d’avance.