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…)
Certaines innovations majeures passent inaperçues. C’est le cas de Wikidata. Créé il y a deux ans, ce Wikipédia des bases de données placé dans le domaine public s’est imposé au détriment de ses homologues détenus par de grandes entreprises (comme Freebase de Google). Le contenu et l’architecture de cette ressource sont entièrement gérés et améliorés par une communauté bénévole, ouverte à toutes les contributions.
Pour reprendre l’expression de Lionel Maurel, Wikidata est l’un des principaux agents d’une science “wikifiée”, apte à développer une gouvernance autonome contre les tentatives hégémoniques des grands éditeurs. Détenteur direct ou indirect de 30% des revues publiées dans le monde, Elsevier est en train de se réorienter massivement vers les données scientifiques numérisées. Via son API, l’éditeur cherche à contrôler et à uniformiser les catégories et les modes d’accès à la connaissance.
Wikidata reste pour l’instant sous-utilisé, faute d’une interface d’accès et de requête adaptée. Depuis peu, il existe un point d’accès en SPARQL (soit le standard usuel du web sémantique). Sous réserve d’avoir déjà un peu tâté d’un langage SQL, SPARQL se prend facilement en main : il m’a suffit d’une après-midi pour commencer à monter des requêtes un peu complexe (je vous invite aussi à lire les très bons billets de Ash_Crow sur les chiens de traîneaux ou sur la proportion de femmes scientifiques recensées dans Wikipédia).
Ici, je vais tenter d’intégrer une requête Wikidata dans un projet plus vaste : l’analyse des réseaux sociaux d’acteurs des années 1920 et 1930. Le lien entre les acteurs repose sur cette affiliation : le fait d’avoir figuré dans le même film. Je cherche ici à tester l’hypothèse suivante : dans quelle mesure le passage du muet au parlant a entraîné une consolidation des traditions nationales du cinéma ? Tant que le langage parlé n’est pas imposé, rien n’empêche en effet un acteur français ou allemand qui ne connaît pas un mot d’anglais de faire carrière aux États-Unis.
On aboutit ainsi à deux réseaux, l’un pour la période 1920-1929 :
Réseau social des acteurs au cours de la période 1920-1929 (CC0)
Et l’autre pour la période 1930-1939 :
Réseau social des acteurs au cours de la période 1930-1939
Les couleurs correspondent à des ensembles reconnus automatiquement par un algorithme intégré au logiciel Gephi (et, comme on va le voir, ils ne représentent pas que des nationalités). La version interactive du réseau 1920-1929 peut-être consultée par ici (soyez patient : les données en JSON prennent un peu de temps pour être téléchargées). Pour 1930-1939, je vous invite plutôt à télécharger le document compressé et à ouvrir directement le fichier index.html dans un navigateur en local (les données sont trop lourdes pour mon petit hébergement). Enfin, vous pouvez également jouer avec les données recueillies et mises en formes (ici pour 1920-1929 et là pour 1930-1939).
Les apports de Wikidata
Je pensais que les projection de réseaux sociaux d’acteurs étaient très fréquentes, au point d’être quasiment galvaudées. C’est en effet un excellent cas d’école pour tester des techniques et des analyses réticulaires (telles que développées par Gephi).
Eh bien en fait non : je n’ai peut-être pas très bien cherché, mais il n’y a pas eu grand chose dans ce domaine, qui porte quand même un nom : le Co-Stardom Network. Un article de 2010 qui compare les graphes des réseaux d’acteurs d’Internet Movie Database avec des graphes générés aléatoirement, constate ainsi qu’il y a très peu de publications.
Les conditions de production et de diffusion de ce savoir ont d’emblée une portée limitative : le modèle économique d’IMDB implique un contrôle étroit de la réutilisation de ces données (avec un accès au cas par cas, généralement moyennant une rétribution conséquente). Évidemment, sur un projet bénévole en libre accès comme Wikidata, ces restrictions n’ont plus lieu d’être.
Wikidata est probablement à ce jour la base de donnée “généraliste” la plus complète, mais elle n’est pas encore en mesure de concurrencer les bases de données spécialisées. Pour le sujet qui m’intéresse ici, les réseaux sociaux d’acteurs, le site propriétaire IMDB n’a pas encore d’égal. Seulement, Wikidata présente plusieurs avantages déterminants :
La reproductibilité (et son corollaire, la vérifiabilité) : toutes les données sont diffusées dans le domaine public. Tout projet dérivé donne ainsi au lecteur les moyens de le falsifier (il est possible de constater que les données sont biaisées ou qu’elles ont été mal exploitées).
La connectivité : en tant que base généraliste, Wikidata permet de dégager des corrélations relevant de domaines de savoirs distincts. L’identifiant de chaque acteur inclut ainsi des informations qui n’ont peut-être rien à voir avec le cinéma. Ainsi l’actrice Hedy Lamarr (Q49034) est aussi référencée comme la créatrice (P170) d’une technologie d’étalement du spectre (Q958957).
La rétroactivité : Wikidata étant universellement modifiable, les concepteurs d’un projet dérivé peuvent directement corriger les erreurs constatés ou améliorer la représentativité de certains décomptes.
La sophistication des relations : non seulement, il est possible d’indiquer plusieurs valeurs pour chaque propriété, mais chacune de ces valeurs peut-être qualifiée (par exemple, combien de temps tel acteur a été employé par tel studio) et référencée (en incluant une source de qualité où figure l’information).
Dans l’ensemble, la représentativité des données cinématographiques est plutôt élevée par rapport aux standard de Wikidata. Sur la période 1930-1939, nous avons les listes de castings de 4885 films ou quasiment 500 films par an, soit assurément la plupart des productions de l’industrie cinématographique. Par comparaison, au pic de sa production, vers le milieu des années 1940, Hollywood sortait 400 films par an. Pendant la décennie 1930, nous devons être aux alentours de 200 à 300 films : même en prenant en compte la production française, allemande, italienne, etc., le taux de couverture doit être de l’ordre de 70 à 80%.
Évidemment, la représentativité est beaucoup plus problématique pour tous les films qui sortent des circuits usuels (avant-garde) ou pour certaines traditions nationales peu favorisées par les contributeurs de Wikidata (déjà très actif, le cinéma russe est clairement occulté).
Quelques éléments de making-of
La requête pour récupérer les données de Wikidata est assez simple. Il suffit d’indiquer que nous cherchons la distribution d’un film (propriété P161, soit ?film wdt:P161 ?actor) et sa date de sortie (propriété P577, soit ?film wdt:P577 ?date), puis nous ajoutons des filtres pour restreindre la recherche à la période qui nous intéresse. Afin de ne pas surcharger le serveur, nous préféré effectué des requêtes années par années. Nous obtenons à la fin la requête suivante (dotée d’une commande spéciale pour faire afficher les labels) :
Après avoir agrégé manuellement les fichiers pour chaque année (il serait sans doute possible de faire cela automatiquement, mais s’agissant d’un si petit nombre de fichiers, c’était plus rapide ainsi), nous obtenons une liste comprenant pour chaque film les acteurs qui y figurent.
Structure des données récupérées par SPARQL/Wikidata
Évidemment, cela ne suffit pas pour modéliser un réseau : le logiciel Gephi ne va pas déduire l’affiliation à partir de la mention commune du film. Il lui faut un fichier beaucoup plus explicite, qui indiquerait pour chaque acteur un acteur lié.
C’est ici qu’intervient le langage de statistique R (et deux extensions magiques, tidyr et dplyr). Quelques lignes de codes suffit pour avoir la transformation souhaitée. Nous transformons d’abord les films en liste d’acteurs. M le Maudit devient ainsi quelque chose comme « Gustaf Gründgens, Peter Lorre, Otto Wernicke… » et ainsi de suite. C’est l’affaire de la commande aggregate : actors <- aggregate(actorLabel ~ filmLabel, actors20, paste).
Les labels des films et la liste des acteurs en regard
Après avoir isolé les acteurs et les films devenus des listes, nous “déroulons” ces derniers avec la commande, actors <- actors %>% unnest(actorLabel.y). Au lieu de mettre en relation Peter Lorre avec « Gustaf Gründgens, Peter Lorre, Otto Wernicke… », nous obtenons des couples Peter Lorre/Gustaf Gründgens, Peter Lorre/Peter Lorre, Peter Lorre/OttoWernicke etc.
Enfin, nous retirons les duplications avec la commande unique : actors <- unique(actors). Ce n’est pas obligatoire vu que Gephi les gère directement, mais cela permet de réduire notablement la taille du jeu de données.
Initialement, je voulais que la liaison s’opère à partir des identifiants non ambigus de Wikidata (ce qui permet d’anticiper des cas d’homonymies, tel un hypothétique second Peter Lorre qui aurait fait une carrière très différente du premier). Gephi n’a pas voulu admettre l’existence de labels distinct des identifiants, ce qui fait que j’ai laissé tombé1 .
Je ne vas pas rentrer dans le détail du traitement avec Gephi (qui est très standard). Pour distinguer les “grappes” de liens, j’ai appliqué une transformation Yifan Hu (toutes les autres étaient beaucoup trop laborieuses), puis opéré une reconnaissance automatique des “communautés” et coloré les nœuds et les liens en conséquence.
Des communautés
Rentrons maintenant dans le vif du sujet. À la fin de tout ce processus, nous obtenons deux jolis graphes colorés composé de plusieurs dizaine de milliers de liens. Qu’allons-nous en faire ?
En 1930-1939, les choses sont beaucoup plus simples : les ensembles se détachent aisément et le taux de reconnaissance est élevé (0,641). En inspectant les noms des entités voyons clairement se détacher des traditions nationales autonomes, avec quand même quelques spécificités. Les américains sont en bleu, les anglais en rouge, les français en jaune, les allemands en vert et les italiens en bleu ciel. J’insiste sur la fait qu’il s’agit d’une reconstitution a posteriori : le logiciel n’avait strictement aucune idée de la nationalité des films mais, simplement, par le jeu des récurrences des distributions, il parvient à déduire ces grands ensembles.
Traditions nationales dans le réseau des acteurs de 1930-1939
Les interactions entre les traditions nationales sont différenciées. Les anglais tendent ainsi à se mêler étroitement aux américains (au point, qu’il y a des erreurs de classement : Franck Coghlan Jr. est ainsi classé comme anglais). Nous voyons aussi se dessiner le mouvement d’exil partiel du cinéma allemand après la prise du pouvoir d’Hitler.
Un mouvement d’exil : le cinéma allemand post-1933
Le cinéma italien (et, dans une moindre mesure français) reste par contre assez soudé. Enfin, certains petits ensembles dispersés sur la carte reflète des traditions nationales plus isolées (comme le cinéma argentin en orange clair).
Un réseau périphérique : le cinéma argentin (en orange clair)
Dans l’ensemble, la variable nationale reste le critère privilégié. Il y a pourtant une exception : dans le coin supérieur droit du cinéma américain, nous voyons se dessiner un sous-ensemble distinct en vert foncé. Il s’agit des acteurs du muet qui n’ont pas tous réussi leur reconversion et tendent à tourner les uns avec les autres. Le réseau de Gloria Swanson (qui elle a encore plutôt bien réussi sa transition vers le parlant) illustre bien ce fait :
Le réseau de Gloria Swanson, à mi-chemin entre muet et parlant
En 1920-1929, le tableau est assez différent. Le logiciel peine davantage à distinguer des ensembles cohérents : le taux de reconnaissance descend à 0,531. Il y a des chevauchements fréquents que je n’arrive d’ailleurs pas totalement à expliquer.
Si la tradition française et anglaise (respectivement en bleu ciel et en rouge orangé) restent globalement perceptibles, les allemands, les italiens et les suédois tendent à se confondre dans une catégorie plus générique (que l’on pourrait qualifier de cinéma européen continental). La solubilité du cinéma italien m’a notamment surpris (surtout au regard de la cohésion apparente de cette tradition nationale au cours de la décennie suivante).
Traditions nationales au cours de la période 1920-1929
Côté américain, c’est le bazar. Trois sous-communautés en jaune, doré et turquoise se mélangent, sans que j’en comprenne très bien les motifs : je passe la main aux spécialistes, qui, par la récurrence des noms d’acteurs, arriveront peut-être à en dégager des critères communs. Les studios jouent peut-être un rôle déterminant dans cette affiliation (auquel cas, il faudrait postuler une plus grande fluidité des carrières d’un studio à l’autre au cours de la décennie suivante). Ici, le réseau soulève plus de questions qu’il n’en résout.
Le sapin de noël américain des années 1920
Des ambassadeurs
Les réseaux numérisés présentent un autre intérêt : celui de glisser rapidement du cas général au cas particulier. Il est possible de cliquer sur une entité et d’identifier rapidement son réseau propre. Nous pouvons ainsi mettre en évidence l’existence d’ambassadeurs, soit d’acteurs à cheval sur plusieurs traditions nationales.
Le mouvement de la carrière de Greta Garbo est ainsi explicité : après ses débuts suédois (en bleus), elle tente sa carrière aux États-Unis (toutes les autres couleurs) :
Le réseau social de Greta Garbo des années 1920, entre Suède et États-Unis
Maurice Chevalier se tient à équidistance de la France, des États-Unis et, dans une moindre mesure du Royaume-Uni :
Le réseau social de Maurice Chevalier entre France et États-Unis
Il s’agit là d’exemple bien connus. Le réseau permet également de distinguer des ambassadeurs insoupçonnés, tels ce Vladimir Sokoloff situé entre États-Unis, France et Allemagne.
Le profil transnational ultime : Vladimir Sokoloff
Les techniques de modélisations de données ne vont ainsi pas nécessairement “écraser” le cas particulier dans des configurations de plus grande ampleur. Elles contribuent aussi à le faire émerger. Apparemment, Sokoloff n’a jamais fait l’objet d’une case study approfondie (Wikipédia ne mentionne que des sources primaires)2 . Le réseau met en évidence sa position exceptionnelle d’acteur transnational.
Cartographier une réalité complexe
La comparaison des réseaux de 1920-1929 et de 1930-1939 met en évidence une réalité complexe. S’il y a bel et bien un mouvement général de structuration nationale sous l’effet du passage au parlant, il s’incarne dans des modalités très différentes. Au Royaume-Uni et en France, l’évolution est faible. Dans le premier cas, il n’y a pas de barrière de langue avec le cinéma américain. Dans le second cas, la persistance de partenariats privilégiés entre Hollywood et la production française contribue à modérer les effets de distanciation (les comédies musicales de la Paramount fonctionnaient quasiment comme des productions bi-nationales).
Par contre, pour le cinéma européen continental, la rupture est nette : en dehors des exilés post-1933, le cinéma allemand se referme sur lui-même. Encore très poreux pendant la décennie précédente, le cinéma italien se structure (ce qui fait d’ailleurs que le mouvement néo-réaliste des années 1940 pourra s’appuyer sur une production très bien développée). On ne peut ainsi faire abstraction de la situation politique de la période : l’établissement ou le renforcement de régime autoritaire contribuent également à une raréfaction des partenariats transnationaux durables.
Enfin, pour les américains, il reste ce mystère d’une substitution des sous-ensembles de la décennie précédente dans un ensemble unique (hors les acteurs du muets). Je l’attribuerai peut-être à la généralisation de la starification y compris au sein des seconds rôles : des acteurs secondaires comme Edward Everett Horton ou Frank Morgan deviennent des figures populaires que le public apprécie de retrouver d’un film à l’autre. Si vous avez d’autres idées, les commentaires sont ouverts…
Apparemment, c’est possible de le faire avec Excel, mais je n’ai jamais réussi à générer un document avec autant de données dans ce format [↩]
Alors que ce nom ne me disait rien, je me rends maintenant compte que je l’ai effectivement vu dans une demi-douzaine de films, sans jamais faire le lien [↩]
Cette année, nous avons été conviés à faire la keynote de fermeture de la conférence SOData! (Scientific Open Data!). Nous avons tenu à faire la part belle aux différents développements observés et souhaités dans le domaine de l’ouverture de la connaissance scientifique et à rappeler que, pour parvenir à rendre la science libre et ouverte, il nous faut faire attention aux logiciels, protocoles, données et publications.
Notre support de présentation est disponible ci-dessous. D’après les demandes sur divers réseaux sociaux, nous publierons bientôt un compte-rendu en anglais.
La science est quelque chose de bien trop sérieux et précieux pour être laissée aux seuls scientifiques professionnels. Amateurs, de 7 à 77 ans, tout le monde peut et doit y prendre part, facilités en cela par Internet et sa philosophie d’ouverture.
J’avais initialement publié cet article sur Al Jazeera. Il a rencontré beaucoup de succès et a été très populaire en grande partie grâce à Framasoft qui en a fait une traduction rapide, collaborative et d’excellente qualité en français.