Archives de catégorie : Billets

#DHIHA8 Humanités numériques : et si nous avions créé une nouvelle discipline ?

D’après Émilien Ruiz, les humanités numériques se trouvent “à la croisée des chemins”. Cette communauté transdisciplinaire a émergé depuis plus de 10 ans, soit suffisamment de temps pour que les pratiques du futur deviennent celles du présent. Ou pas…

Car si les humanités numériques se sont ancrées institutionnellement, les promesses de renouveau scientifique et pédagogique restent encore à l’état de perspectives plus ou moins lointaines : « à ce stade, il me semble pourtant qu’il est possible de parler d’un demi-échec ». Les enseignements du numérique demeurent périphériques. Il y a eu une inflexion réelle dans les pratiques de recherche, les bases de données et les corpus en ligne devenant de plus en plus des outils “normaux” et attendus, mais avec finalement peu d’incidence sur les méthodes et sur les manières d’aborder et de construire l’objet de recherche. Au plus une révolution de l’indexation scientifique, mais certainement pas une révolution scientifique.

Émilien remarque avec justesse que ce bilan en demi-teinte a eu une incidence sur la définition-même des humanités numériques. La dimension quantitative et “computationnelle” a été progressivement reléguée au second plan, au profit d’une approche communicationnelle mettant l’accent sur l’éditorialisation et la diffusion des résultats. Les humanités numériques apparaissent davantage comme une étape supplémentaire dans le cycle de la recherche, sans altérer en profondeur l’existant.

À ce stade, l’on peut légitimement se demander si l’ambition principale des humanités numériques ne devraient pas être de “disparaître”. Réagissant au constat d’Émilien, Paul Bertrand appelle à la « fin nécessaire et heureuse des humanités numériques », appelées à se dissoudre dans les disciplines existantes. Si l’on se limite au versant communicationnel et éditorial des humanités numériques, cette réaction est amplement justifiée. Créer un site ou un carnet de recherche, alimenter une base de données, formater et visualiser un corpus devraient effectivement faire partie de l’outillage ordinaire des disciplines.

Mes recherches en cours m’amènent de plus en plus à faire le constat inverse : toutes les humanités numériques ne sont pas solubles. Ou plutôt, dans ce mouvement volontairement vague et informe, quelque chose a émergé qui change notre rapport aux objets, au savoir. Quelque chose qui ne représente qu’une partie des humanités numériques mais qui resterait même si toutes les pratiques estampillées DH venaient à se normaliser et à rentrer dans le giron de leurs disciplines d’origine. Quelque chose qui réactualise la dimension quantitative marginalisée mais en faisant autre chose que “l’histoire quantitative”.

Cette approche n’a pas vraiment de nom, ou plutôt, les labels existants ne sont pas satisfaisants : il est tantôt question de « computational literature studies » (sauf que cela ne se limite absolument à la littérature), de « lecture distante » (sauf qu’une part essentiel de la recherche actuelle porte sur des objets qui ne sont pas lus mais vus) ou de cultural analytics (expression qui se traduit terriblement mal en français et, sans doute, dans d’autres langues européennes). On pourrait aussi tenter une définition purement SHS, sans jamais faire allusion à l’informatique et parler, par exemple, de poétique historique des formes culturelles.

À défaut de nom, l’approche se caractérise par une intégration croissante de pratiques, de concepts, d’outils et de méthodes, plus ou moins marquées selon les contextes. Aux États-Unis il existe une revue dédiée qui fédère une petite communauté très active, le Journal of Cultural Analytics. En France les initiatives demeurent encore assez isolées.

De la numérisation à l’identification des régularités…

Le point de départ fondamental, c’est la numérisation de masse. Les bibliothèques numériques contiennent aujourd’hui une part substantielle des productions imprimées voire écrites. Je dispose ainsi d’environ un quart des éditions de romans de 1800 à 1900 (soit la totalité de ceux qui ont été numérisés par Gallica). Dans le cadre du projet Numapresse, nous commençons à réunir une bonne partie de la presse quotidienne nationale.

Les romans numérisés de la période 1815-1850 classés automatiquement par genre.

Si nous sommes encore loin de l’idéal d’une numérisation totale (qui ne relève néanmoins plus de l’utopie à moyen terme), il y a aujourd’hui suffisamment de ressources accessibles pour mettre en évidence des phénomènes culturels réguliers qui débordent totalement des narrations historiques courantes. Il existe des récurrences dans les manières d’écrire, dans les arrangements éditoriaux des textes, dans les figures visuelles (d’où d’ailleurs la notion de “stéréotype”).

Par exemple, à partir du début du XIXe siècle, la presse française introduit un objet éditorial, le feuilleton, sorte de supplément interne au journal, où va notamment se nicher le roman-feuilleton. Ce qui est moins connu et qui a été rendu pleinement visible par la numérisation de collections très variées, c’est que la forme feuilleton va s’exporter dans une bonne partie de l’Europe continentale et sans doute au-delà mais pas dans les pays anglo-saxon.

Ces régularités constituent autant un standard documentaire qu’un fait social : à un certain moment, il va de soi que l’on va composer un texte d’une certaine façon, l’illustrer d’une certaine manière, à partir du moment où l’on souhaite aborder tel thématique et s’adresser à tel public.

À partir du moment où il est question de “régularités” et de “récurrences” il devient envisageable d’utiliser des méthodes quantitatives. On peut compter les feuilletons tout comme on peut compter les titres de romans qui mentionnent un genre précis, par exemple “roman de mœurs”, dans leur titre. Et à partir de ces décomptes l’on peut commencer à observer des tendances temporelles et/ou des répartitions géographiques.

Compter à la main de tels objets est une activité plutôt rébarbative même si elle a été pratiquée dans certains domaines (comme les media studies). La numérisation rend possible de déléguer cette activité à des outils automatisés. Dans certains cas, les calculs sont triviaux : compter des occurrences, agréger des publications, dessiner un graphe de tendance… Rapidement, il devient nécessaire d’utiliser des outils plus complexes.

Historiciser par algorithme

Certaines régularités peuvent en effet apparaître évidentes à un œil humain, a fortiori un peu familier du contexte culturel d’origine du document. Je sais reconnaître le feuilleton d’un journal presque instantanément. Créer une définition du feuilleton ou de la note de bas-de-page qui soit compréhensible pour un outil automatisé est une tâche beaucoup plus ardue — on parle aussi d’opérationnalisation. Cela suppose de réfléchir sur un regard qui semble de prime abord spontané : « qu’est-ce que je vois précisément lorsque je distingue un feuilleton ? ».

Il est possible de fournir des règles précises pour repérer les objets (c’est ce que l’on appelle une approche « rule-based ») ou au contraire de laisser l’outil informatique extrapoler les règles à partir de corpus annotés. La seconde approche a été par exemple retenue pour une tentative d’identification automatisée des notes de bas de page dans des corpus anglo-saxon du XVIIIe — une pratique éditoriale notablement différentes des notes actuelles, caractérisées par l’emploi de signes spécifiques en lieu et place des numéros.

Essai de modélisation de la note de bas de page dans Detecting Footnotes in 32 millions of pages ECCO.

J’ai eu recours à la première approche par règle pour extraire automatiquement les romans-feuilleton du Journal des débats. Le texte journalistique était alors suffisamment standardisé pour se contenter d’une définition relativement triviale (un texte, en bas du journal déparé par une marge importante — la grande barre sombre ne survit pas au processus de numérisation/ocr).

Essai de modélisation du feuilleton à partir des “marges” laissées par l’absence du séparateur dans les données de l’OCR.

J’ai d’ailleurs pu constater que cette approche cesse de fonctionner correctement à partir du début du XXe siècle, signe parmi d’autres que l’économie générale des formes journalistiques était en train de changer profondément. Mes travaux actuels visent à aller plus loin que l’identification d’une seule forme journalistique pour reconstituer l’architecture éditoriale générale de la presse quotidienne au XIXe siècle (et, idéalement, au XXe siècle), en anticipant notamment les articulations régulières en forme et sémantique du texte — par exemple, les signatures sont toujours justifiées à droite et les titres sont toujours centrés.

Essai de modélisation éditoriale de la presse quotidienne à partir de la reconnaissance des colonnes et de la justification du texte.

J’ai beaucoup insisté sur la “modélisation éditoriale” car elle constitue un exemple très parlant visuellement, mais les mêmes principes peuvent être appliquées à d’autres formes culturelles. C’est évidemment le cas depuis déjà quelques temps pour les textes, notamment à la suite des recherches pionnières de Ted Underwood sur l’usage critique et « détourné » des classifications supervisées pour interroger la construction historique de la généricité. Il est de nouveau question de partir d’une définition plus ou moins naïve de certaines catégories textuelles pour repérer les phases de formation d’un genre et l’évolution de sa composition lexicale.

Les probabilités d’attribution d’une classification anachronique des romans politiques permettent d’interroger la formation lexicale du genre (Underwood, The Life Cycle of Genres)

L’interrogation critique des modèles de classification permet de sortir d’une approche d’indexation pure pour soulever des questionnements scientifiques : où ces formes se sont-elles développées ? comment se généralisent-elles et à quels moment ? dans quel contexte éditorial ?

Le développement de la page de cinéma dans le Petit Parisien (classification automatisée de tous les exemplaires parus de 1900 à 1940)

Cette “lecture distante” peut également porter sur des régularités plus élémentaires : figures de styles, tournures, articulation récurrents de concepts. Certaines recherches plus expérimentales utilisent ainsi de nouvelles techniques de linguistique computationelle, les Word Embeddings, pour cartographier des usages poétiques sous-jacents de vastes corpus.

Degré d’anthropomorphisme de certains terme dans la poésie anglaise du XVIIIe siècle (Ryan Heuser). La “Personified Abstraction Zone” renvoie aux figures allégoriques.

Le potentiel de la classification est peut-être encore plus important pour les formes visuelles. Contrairement aux textes les images ne sont pas préalablement indexées dans les bibliothèques patrimoniales. Sauf à disposer d’un paratexte explicite elles restent généralement introuvables, et même dans ces cas-là, il est difficile d’identifier précisément des régularités visuelles, qui ne relèvent pas forcément du sujet figuré mais aussi du mode de figuration. Les nouvelles techniques de classification automatisée rendent tout simplement possible une poétique historique de l’image à grande échelle.

Les illustrations de la page de cinéma du Matin de 1927-1940 (3e panel de l’application). Tous les portraits en médaillon composent un cluster rose en bas à gauche, ce qui rend possible d’historiciser la forme.

Les méthodes informatisées s’intègrent d’autant plus naturellement dans ce projet que les régularités se déploient fréquemment sur une échelle temporelle ample. L’histoire éditoriale de la forme feuilleton commence vers la toute-fin du XVIIIe siècle et s’achève vers les années 1970 et 1980 en France (les occurrences les plus tardives que j’ai pu identifier se trouvent dans des périodiques régionaux des années 1970). Aux États-Unis la plupart des chercheurs en cultural analytics ont empiriquement acquis une expertise chronologique ample — souvent de 1800 voire 1700 à aujourd’hui.

Part des personnages féminins dans 93000 ouvrages de fictions anglais parus de 1800 à 2007 (Ted Underwood, The Gender Balance of Fiction). Ce type de recherche n’est pas contraint par les délimitations chronologiques usuelles.

Où suis-je ?

En bref, depuis quelques années, une bonne partie de mon travail de recherche consiste à “opérationnaliser” des objets éditoriaux et des concepts . Et je serais bien en peine de dire précisément à quelle discipline correspond cette activité. Ce n’est pas de l’histoire, de la littérature, de la sociologie, de l’histoire de l’art, de la linguistique ou de l’informatique mais quelque chose qui croise ces disciplines et un peu plus encore.

L’enjeu fondamental des nouvelles méthodes de lecture distante ou de cultural analytics va au-delà de l’intégration de l’outil numérique dans des pratiques de recherches préexistantes qui ne sont pas appelées à changer en profondeur. Il s’agit bel et bien de proposer une redéfinition des frontières scientifiques, principalement au sein des sciences humaines et sociales, via, notamment, l’articulation paradoxale et constante entre observation minutieuse des réalités poétiques, éditoriales et documentaires et, d’autre part, l’ambition d’historicisation à grande échelle de formes culturelles.

Les transformations les plus marquantes, de mon point-de-vue, concerne les pratiques quotidiennes de la recherche. La programmation implique inévitable une textualisation et une explicitation des regards de recherche et des méthodes de travail. Il ne suffit pas de repérer instantanément que le feuilleton est en bas de page ou que les signatures sont systématiquement alignées à droite, il faut l’exprimer clairement en pourcentage de page ou en pourcentage de colonnes.

L’ampleur des corpus analysé et le recours à la programmation implique également de repenser l’organisation de la journée. Au-delà d’une certaine taille l’automatisation n’est pas instantanée : elle peut prendre plusieurs heures voire plusieurs jours. Je constate ainsi que je suis de plus en plus amené à anticiper les tâches à accomplir pour qu’elles tournent en mon absence (notamment pendant la nuit).

Disons-le clairement ces pratiques de recherche sont encore marginales, même au sein des humanités numériques. Je suis de plus en plus convaincus qu’elles sont appelées à se généraliser. Certes, les outils sont encore mal adaptés, les compétences manquent à l’appel, les corpus plus ou moins disponibles et dans un état plus ou moins hétérogènes, mais il y a un facteur plus important : c’est très tentant. Lorsqu’on s’intéresse aux collections patrimoniales et aux archives au sens large l’on est inévitablement confronté à tout ce savoir latent que je viens de décrire. L’on se familiarise avec les règles éditoriales, les marqueurs lexicaux de la généricité (que nous avons inévitablement assimilés lorsque nous procédons par lecture flottante) ou les stéréotypes visuels que l’on se résigne à cantonner dans un vague arrière-plan culturel sans pouvoir imaginer de décrire systématiquement une telle masse documentaire en dehors de quelques échantillons ponctuels.

Classer l’écrit : explorer les données du Catalogue de la BNF.

En juillet 2017, la Bibliothèque Nationale de France a ouvert les données de son catalogue, créant une opportunité inédite de faire de l’analyse quantitative de longue durée en histoire culturelle.

Une information essentielle est devenue soudainement accessible : la cote, soit l’identifiant où un texte est rangé physiquement dans les lieux de conservations de la BNF. Cette cote est « signifiante ». Les romans ont été rangés en Y2, les textes de droit en F et les études d’anatomie en TA. Concrètement il devient envisageable de décompter les romans publiés chaque année depuis le XVIIe siècle et, à partir de là, de quantifier des transformations sociales de grande ampleur dans le champ littéraire, comme le fait que les romancières ont soudainement « disparu » à partir de la Monarchie de juillet.

Depuis j’ai pu récupérer la totalité du catalogue pendant tout le XIXe siècle, de 1800 à 1900. La base de données documente 3 419 594 « objets » correspondants à 568 550 identifiants du catalogue. Ce différentiel reflète l’existence de séries périodiques dispersées en un grand nombre de publications (jusqu’à 27000 pour l’Almanach de l’Indre) mais aussi, dans une moindre mesure, la conservation de plusieurs exemplaires d’une même œuvre : la première édition des Travailleurs de la Mer de Victor Hugo, elle-même découpée en trois volumes, est ainsi présente à cinq reprises à Tolbiac, et une fois à l’Arsenal, soit dix-huit exemplaires au total.

De plus les “objets” référencés correspondent à des productions éditoriales très différentes : imprimés, manuscrits, illustrés, partitions, etc. Dans le cadre de cette première exploration je me suis volontairement cantonné aux textes imprimés et édités.

Le catalogue permet d’emblée de se faire une idée générale des transformations de l’édition pendant le XIXe siècle. La série de graphes ci-dessous projette les catégories qui ont représenté à un moment donné au moins 3% de la totalité des livres publiés

Quasiment chaque graphe appellerait un commentaire. Dans l’ensemble, à quelques exceptions près (comme les thèses de Médecine), presque tous les champs sont concernés par une massification de l’édition après 1850, particulièrement sensible dans le cas de la presse ou de la production romanesque.

Malaises dans la classification

Le cas de l’Histoire de la France par règnes / régime (LB) est plus intrigant. Cette catégorie se distingue par des pics très soudains correspondants systématiquement aux changements de régimes majeurs en France : la Restauration, la Monarchie de Juillet, très notablement la Révolution de 1848, et finalement la fin du Second Empire. Est-ce que ces révolutions successives entraînent soudainement un intérêt massif pour l’histoire des régimes passés ?

Ce serait une hypothèse intrigante mais en réalité le phénomène est attribuable aux limites de la classification. La catégorie LB contient la plupart des textes qui correspondraient plutôt aujourd’hui à l’actualité politique : pamphlets, programme de tel ou tel courant, réaction “à chaud” de telle ou telle personnalité politique. Ces textes sont particulièrement intéressants et introduisent des concepts toujours fondamentaux aujourd’hui : “socialisme”, “communisme”, “extrême-droite”, etc. Mais ce n’est pas vraiment de l’histoire ou, à la rigueur, une histoire en train de se faire.

Pour avoir une idée des textes vraiment “historiques” il faut se pencher sur la catégorie LA, Histoire de France par époque (pas présente dans la série de graphe plus haut faute d’une production suffisamment importante sur le plan quantitatif). La production semble ici relativement insensible au bruit et à la fureur de la vie politique.

Ce n’est pas la seule étrangeté du Catalogue. Ce projet de classification documentaire a été en effet entrepris il y a plus de 300 ans : la première version a été émise par le bibliothécaire Nicolas Clément à la fin du XVIIe siècle (d’où le nom de Cotation Clément).

L’arbre de la connaissance de la BNF s’apparente à un étrange feuilleté temporel où les choix et les prédilections d’époques, de sociétés et de mentalités radicalement différentes doivent cohabiter dans la même structure. À l’époque de Clément la théologie était considérée non seulement comme une science mais comme la première des sciences. Les premières catégories sont naturellement affectées à ce domaine : “A” pour l’écriture sainte, “B” pour la liturgie, “C” pour les Pères de l’église, etc.

Cet ordre fondamental n’a pas varié. Les altérations les plus significatives sont intervenu au XIXe siècle dans deux domaines circonscrits : l’Histoire et la médecine. Dans les deux cas, des classifications très détaillées sont introduites, qui reflètent de nouveau un certain ordre des savoirs qui n’a plus vraiment cours aujourd’hui.

Par contraste, toute la littérature en prose reste subsumée dans l’unique catégorie “roman” ou Y2, introduite en 1730 comme supplément de la “poésie” . Aucune distinction n’est opérée entre les formes courtes et longues de la fiction. Paradoxalement, alors que les créations romanesques sont aujourd’hui très largement mises en avant par les bibliothèques, elles se trouvent reléguée à l’arrière-plan de l’arbre de la connaissance sous-jacent de la BNF.

L’arbre de la connaissance du Catalogue de la BNF (voir la version détaillée interactive)

Dans la Langue Analytique de John Wilkins, Borges ironisait sur l’arbitraire des catégories documentaires. Une encyclopédie chinoise auraient ainsi distingué les animaux selon les critères suivants : « appartenant à l’empereur, inclus dans la présente classification, qui s’agitent comme des fou, dessinés avec un très fin pinceau de poils de chameau ».

L’exercice relève à peine de la satire. Les données du catalogue permettent aussi de répondre à des questions déroutantes que personne ne s’est jamais posé. Par exemple, nous savons exactement le nombre de livres publiés sur l’hygiène chevaline pendant tout le XIXe siècle :

Malgré un énoncé prometteur, les « Maladies des gens du monde et des gens adonnés aux travaux de l’esprit » ne sont représentés que par un seul ouvrage : un traité du docteur Charles Karsner Mills édité en 1885, Mental over-work and premature disease among public and professionnal men.

Dans certains cas, les catégories procèdent à des rapprochements étonnants, tel que « Véhicules. Éclairage. Montgolfières. », sans doute ici reliés par un effet de modernité attaché à ces étonnantes machines volantes ou éclairantes au cours du XIXe siècle, même si en pratique cette dénomination s’est finalement avérée assez peu commode.

Les « Biographies des prix de vertus » ont eu un peu plus de succès même si elles ont été bien peu numérisées. De cette production pas négligeable (230 “exemplaires” au total), seul les Prix de Vertu fondés par M. de Montyon sont disponibles sur Gallica.

Visualiser l’effet performatif des catégories avec des “bibliothèques virtuelles”

Dans une bibliothèques les catégories s’incarnent matériellement dans l’espace : quoi que l’on puisse penser de la pertinence de ces classements, les romans sont rangés avec les romans et les Biographies des prix de vertus avec les Biographies des prix de vertus. Le dispositif a une portée éminemment performative qui fait encore sentir ses effets aujourd’hui.

Les cotes n’incluent pas seulement le “lieu” générique du rangement mais aussi potentiellement l’emplacement physique du document. La première édition d’Une Ténébreuse Affaire de Balzac (1842) occupe ainsi la cote 8-Y2-28589 (soit l’emplacement n°28589 des romans en format in-octavo), entre « Élisa de Mérival, ou Mémoires d’une jeune femme » de César du Bouchet (1819) et « Le Forçat colonel » de Fortuné de Boisgobey (1871).

Il n’est pas totalement assuré que l’ordre de succession des documents de la cote corresponde encore aujourd’hui à une succession effective dans les rayonnages. La numérisation des catalogues dispense peut-être d’organiser les rayons thématiquement. Néanmoins, cet ordre a été fonctionnel à un moment donné.

Il serait ainsi possible de reconstituer la disposition des documents dans l’espace. La visualisation ci-dessous déploie des rayonnages fictifs, à raison de vingt-cinq documents par étagères et de quatre étagères par bibliothèque pour tous les romans (Y2) entre la cote 43 000 et 43 500. Le document est coloré en vert s’il a été numérisé sur Gallica et en rouge autrement1.

Essai de Bibliothèque virtuelle. Chaque rectangle est un document, chaque ligne orange délimite une étagère “imaginaire” de vingt-cinq documents et chaque bibliothèque se compose de quatre étagères (voir la version interactive — attention le temps de chargement peut être long…)

Cette disposition régulière est purement imaginaire. En raison de la variété des documents, aucune bibliothèque ne peut être si ordonnée. À défaut la visualisation donne une idée de la “pesanteur” matérielle des catégories et des liens de proximité que dessine la bibliothèque entre les documents.

Pour l’instant ma visualisation ne relève que d’une petite expérience de pensée mais, moyennant un peu de développement, elle pourrait être généralisée à l’ensemble du catalogue. Nous pourrions imaginer une bibliothèque numérique d’un nouveau type, une “bibliothèque virtuelle”, qui rendrait de nouveau visible cet ordre sous-jacent qui conditionne encore aujourd’hui nos modes de lecture.

À supposer qu’elle existe réellement sous cette forme, la bibliothèque virtuelle est par définition “cachée” aux yeux du lecteur ordinaire : elle ne s’incarne au mieux que dans les coulisses et les magasins de la bibliothèque. La même approche peut aussi permettre de cartographier des lieux plus accessibles. Les données détaillées du Catalogue précisent également si un document est placé ou non en libre accès dans une des salles des sites de la BNF. À partir de là nous pouvons également tenter de repérer quels sont les salles du site principal qui mettent à disposition le plus de documents du XIXe siècle : sans trop de surprise ceux-ci se trouvent principalement dans le Rez-de-Jardin et, très notablement, dans la salle Histoire (L).


L’inertie des catégories documentaire dans le “numérique”

Les effets de ces dispositifs sont en effet toujours perceptibles dans l’espace a priori “dématérialisé” des bibliothèques numériques. Alors certes, l’ordre de consultation est totalement déliée des classements thématiques et même la structure des données ne les reflètent plus : sur Gallica, l’édition 1842 d’Une Ténébreuse Affaire est cataloguée comme “bpt6k68897j”, un identifiant purement arbitraire qui dispense de s’interroger a priori sur la classification documentaire.

Pour autant, tout n’est pas numérisé et les choix de numérisation semblent dépendre directement des anciens dispositifs de rangement. Toutes les catégories ne sont pas égales : le droit, les biographies, la poésie ou notre catégorie bigarrée d’actualité politique/histoire et, dans une moindre mesure le roman sont bien représentées avec souvent plus de la moitié des textes numérisés par années. Inversement le théâtre, l’histoire constitutionnelle, les sciences philosophiques et morales ou, surtout, les “thèses de médecine” ont été plutôt délaissés La sélection est parfois uniquement “documentaire” : les collections particulières, généralement des legs entiers hétérogènes, sont assez bien numérisées.

Tous ces choix ne sont pas facilement explicables : il s’y mêle sans doute à la fois des questions de prestige et/ou des besoins de recherche plus fortement exprimés dans certains domaines que dans d’autre (de la même manière que l’ontologie du catalogue est considérablement plus précise en Histoire et en Médecine que dans n’importe quel autre domaine). En tout cas, l’existence d’un tel différentiel suggère que les catégories conservent une part d’opérativité et peuvent avoir servi de point de départ pour déterminer des stratégies de numérisation.

Au-delà de l’impact “macroscopique” des grandes entrées thématiques il existe également un effet “microscopique” plus aléatoire. D’après un bibliothécaire dans certains cas la numérisation correspondait à une intention précise (tel que la saisie exhaustive de la production d’un auteur ou d’une collection éditoriale) mais dans d’autres « on prenait juste une étagère ». La projection du catalogue sous forme de bibliothèque virtuelle permettrait peut-être d’identifier ces cas de numérisation collective. Pour l’instant, en explorant les cotes des roman de 40 000 à 50 000 je n’ai rien trouvé d’absolument concluant même si les numérisations parfois à arriver “par grappe” après de longues séquences de documents non numérisés.

Dans les deux cas l’incidence des catégories serait très concrète : elles affectent la recherche textuelle. Parce qu’il y a eu une démarche de numérisation plus exhaustive au sein de cette cotation ou parce qu’une étagère a été prise, un texte sera présent ou absent. En raison de ces conditions de visibilité ou d’invisibilité les requêtes dans les moteurs de recherches peuvent générer des résultats de recherche différents, et affecter potentiellement les interprétations et hypothèses.


  1. À noter que j’ai également “déplié” les publications en volumes ou en série, ce qui peut se traduire parfois par une répétition de la cote []

Les femmes ont-elles disparu de la littérature en 1830 ?

Parallèlement au processus général de “féminisation” des professions, il y a des activités où les femmes disparaissent. L’informatique constitue un cas emblématique : alors que de nombreux pionniers étaient des pionnières, le sex-ratio est de plus en plus déséquilibré depuis trente ans. Dans les universités américaines, le part d’étudiantes en computer science serait passée de 35% en 1984 à moins de 20% aujourd’hui.

Ce phénomène de dé-féminisation n’est pas une anomalie isolée. Une excellente rétrospective historique de Béatrice Cherrier montre que les femmes ont de plus en plus été marginalisées dans les sciences économiques entre les années 1930 et les années 1970 (avec un taux de docteures passant de 20% à 4% entre les années 1920 et les années 1950).

Et il y a la littérature…

L’effacement de la femme auteur

Le graphe ci-dessous représente la proportion de publications signées d’une romancières de 1700 à 1900 d’après les données croisées de Data BNF et du catalogue de la BNF (voir la base complète déposée sur Github).

Taux de romancières dans data bnf

Nous retrouvons un schéma comparable à ce qui s’est produit en informatique ou dans les sciences économiques — sauf que tout se passe un siècle plus tôt. La littérature française s’est déjà largement féminisée au début du XIXe siècle, avec une quasi-parité atteinte pendant la décennie 1810. Après 1830, les romancières disparaissent : nous arrivons à des taux résiduels typiques d’activités fortement masculinisées (entre 10-20%).

Ces chiffres corroborent de nombreuses recherches consacrées à l’émergence (puis à l’occultation) de la “femme auteur” au XIXe siècle depuis la parution de l’étude classique de Christine Planté “La Petite sœur de Balzac” en 19891 . Planté montre en particulier que la visibilité croissante des romancières à partir de la Révolution débouche sur une série de procès en délégitimation contre ces “bas-bleus” (p. 10-13).

Dans ce processus d’effacement les instances de légitimation jouent un rôle particulièrement trouble : l’histoire littéraire tend à minimiser systématiquement la part réelle des écrivaines : “plus une histoire littéraire est courte, plus les femmes s’en voient exclues — plus massivement, semble-t-il, que des hommes écrivains mineurs2 .”

Ces interprétations peuvent s’appuyer sur de nombreux indices concordants, mais assez peu de chiffres. Quelques estimations attestent de la féminisation de la littérature à la fin du XVIIIe siècle (par exemple, pour Carla Hess, il y avait 206 écrivaines éditées entre 1754 et 1788, contre 329 de 1789 à 1800). Pour l’instant, il ne semble pas exister de quantifications globales qui attesteraient des phases successives d’émancipation et d’élargissement :

Première difficulté assumée de la présente démarche que l’obtention de chiffres concernant la production littéraire des femmes ou la part de femmes de lettres parmi les gens de lettres au cours du XXe siècle. Je n’ai, jusqu’à ce jour, trouvé aucune étude livrant ce chiffre sur l’ensemble du siècle et tous genres confondus ou même distingués3 .

Notre analyse quantitative porte pour l’instant sur la totalité des XVIIIe et XIXe siècle : nous intègrerons le XXe siècle ultérieurement.

Explorer l’ensemble des romans documentés par la BNF

L’idée de cette exploration de données m’est venue à la suite de la parution d’une étude similaire menée par Ted Underwood sur la littérature anglaise du XIXe siècle. The Gender Balance of fiction part d’un constat similaire à celui des recherches francophones sur la femme auteur : la féminisation n’est pas un processus continu et irréversible. Underwood repère également un temps d’exclusion mais il est beaucoup plus tardif : la fin du XIXe siècle (plutôt que les années 1830).

Proportion des livres de fiction écrits par des femmes (Underwood)

Dans cette optique de “longue durée”, la vague féministe des années 1970 constitue au mieux une restauration après une phase durable de marginalisation :

There is a clear decline from the nineteenth century (when women generally take up 40% or more of the “character space” in fiction) to the 1950s and 60s, when their prominence hovers around a low of 30%. A correction, beginning in the 1970s, almost restores fiction to its nineteenth-century state. (One way of thinking about this: second-wave feminism was a desperately-needed rescue operation.)

Il est techniquement possible de mener une analyse similaire en France depuis… la semaine dernière. BNF vient d’ouvrir (en bêta) un nouveau service expérimental d’accès à son catalogue par API. Or, les cotes dans lesquels sont rangés les exemplaires sont “signifiantes” : il s’agit de la cotation Clément du nom du bibliothécaire du XVIIe siècle.

La première version de cette classification privilégiait les productions intellectuelles au détriment des productions littéraires (reléguées à la seule catégorie Y, “Pœtæ”). Ce biais s’est graduellement corrigé par la suite : en 1730, les bibliothécaires introduisent une cotation spécifique pour les romans, Y2 (pour Y bis) ; au cours du Second Empire, la classification est réorganisée de fond en comble, avec des cotes beaucoup plus précises pour les ouvrages d’histoire.

Avec l’API j’ai pu récupérer la totalité des métadonnées des publications rangées dans la cote Y2 publiés entre 1700 et 1900. Évidemment je suis tributaire des choix effectués par les bibliothécaires au fil des siècles mais la définition élémentaire du genre “roman” (texte long de fiction en prose) est suffisamment pérenne et englobante au cours de la période pour être opératoire.

Pour mes premières explorations de données, je me suis concentré sur la littérature de la Restauration — une période que je connais bien et avec suffisamment peu d’entrées (200 en moyenne par an) pour que je puisse regarder les données en détail. Un phénomène m’a tout de suite intrigué : la part élevé d’autrices. Pour l’année 1816, la parité est parfaitement atteinte (avec 38 vs. 36 publications).

L’élaboration complexe d’un taux de romancière

Les données du catalogue ne disent rien du genre des auteurs mais elles peuvent être reliées à l’entrepôt de métadonnées de la BNF, Data BNF : les identifiants du catalogue (par exemple cb30911497p pour “Caroline ou les inconvénients du mariage”) sont les mêmes que ceux des éditions. Ces fichiers sont en libre accès mais difficilement maniables pour un ordinateur personnel. Pour rattacher les auteurs/autrices à chaque œuvre, il faut effectuer quatre jointures successives entre la base de données des personnes (“databnf_person_authors”), la base de données des contributions (“databnf_contributions” : elle indique quel est le rôle joué par chaque personne dans l’élaboration de la publication), la bases de données des éditions (“databnf_editions”) et, enfin, notre compilation des romans issues du catalogue. Les trois premiers fichiers ayant une taille de plusieurs gigaoctets, j’ai effectué pour un pré-traitement en python afin de les rendre manipulable dans R.

À terme, nous obtenons un tableau listant les 47300 interventions de chaque auteur pour chaque “édition” de 1700 à 1900. Il y a eu un peu de déperdition au passage : un certain nombre de romans (10-20%) n’ont pas de fiches correspondantes dans data bnf. Par ailleurs, comme le sex ratio peut être déformé par la parution de “classiques”, nous avons tenté de ne garder que les auteurs “récents” relativement à la date de parution (soit pas plus tard que cinq ans après leur décès) et limité le champ des “rôles” défini par la BNF à l'”auteur du texte” (code 70).

Cette nouvelle version du graphe montre les agrégations par cinq ans. Il y a beaucoup de “bruit” pendant tout le XVIIIe siècle, en raison d’une production annuelle beaucoup plus limitée. Par contraste, la tendance au XIXe siècle est nette. L’essor est continu depuis la Révolution (13% des “interventions” pendant les années 1790, 33% pendant les années 1800, 46% pendant les années 1810) : tout ceci corrobore parfaitement l’intuition exprimée dès 1811 par Félicité de Genlis sur “le nombre effrayant de femmes auteurs” (De l’influence des femmes sur la littérature française, p. XXIV).

Le déclin est très brutal (31% pendant les années 1820, 12% pendant les années 1830). L’accroissement de l’ensemble de la population des auteurs ne suffit pas à l’expliquer : en chiffre absolu, le nombre de publications avec au moins une autrice régresse (de 251 en 1820 à 171 en 1830) tandis que celui des publications masculines augmentent très fortement. Et l’évolution est trop rapide pour être attribué à un changement de génération : des femmes cessent soudainement d’écrire.

L’effacement des romancières a-t-il une incidence sur l’écriture romanesque ?

Les thèmes dominants des romans de 1816 le suggère. Contrairement aux autres années, où je me suis limité à reprendre les données de data BNF (ce qui peut inclure des oublis ou des duplications) ici j’ai tenté de retrouver systématiquement des versions numérisées ou, à défaut, des résumés détaillés de l’ensemble de la production romanesque. Les points de vue féminin sont bien représentés avec des titres comme “Caroline, ou Les inconvénients du mariage”, “Cécile, ou l’Élève de la pitié” (numérisé sur Internet Archive), “Irma, ou les Malheurs d’une jeune orpheline” (numérisé sur Internet Archive), “Nolbertine, ou les Suites du pélerinage”, “Valsinore, ou Le coeur et l’imagination” (numérisé sur Google Books), “La vierge de l’Indostan” (numérisé sur Gallica)… L’année se caractérise également par une réception française significative des romans de Jane Austen (avec des traductions d’Emma, de Mansfield Park…).

Mon estimation est ici limitée à une seule année mais Ted Underwood est habilement parvenu à étendre cette analyse à deux siècles. Des outils de reconnaissances d’entité nommées encore indisponibles en français (BookNLP) ont permis d’identifier automatiquement les personnages féminins de près de 100 000 romans. Sans surprise, dès lors que la proportion de romancière régresse, les mondes romanesques se “dé-féminisent” : nous retrouvons exactement les mêmes tendances que dans le précédent graphe d’Underwood.

Part des “caractérisations féminines” dans 100 000 fictions en anglais parus entre 1800 et 2007 (Ted Underwood).

Ce type d’approche a le mérite de souligner que le discours romanesque est perméable à la répartition des genre dans le champ littéraire. La disparition de femmes “réelles” marque aussi la disparition de femmes de fiction potentielles — ou une transformation de leur statut et de leurs caractérisation. Cette répartition conditionne également les manières d’instituer la féminité et — et je pense que cet aspect reste encore sous-estimé — la masculinité. Les romancières de années 1800-1830 abordent volontiers les enjeux et les troubles de l’identité masculine, d’où ce titre très parlant dans ma recension de 1816 “Lucien de Murcy, ou le Jeune homme d’aujourd’hui” d’Elisabeth Brossin de Mélé (non numérisé) mais aussi les premières fictions à aborder, à mots couverts, la question de l’homosexualité en société (Olivier de Claire de Duras).

L’industrie culturelle contre les femmes ?

La marginalisation post-1830 est presque trop complète pour être seulement expliquée par une réaction masculine. Je suis assez tenté d’y voir une corrélation avec l’industrialisation de la culture. La production romanesque amorce un premier décollage à partir des années 1840 (sans doute en partie tiré par les succès des romans-feuilletons) et atteint une croissance spectaculaire pendant le Second Empire.

Production romanesque de 1700 à 1900

Cette industrialisation implique un rapprochement des milieux littéraires et des milieux économiques et financiers — milieux d’où les femmes sont de facto exclus. Elles n’ont ni le droit d’ouvrir un compte en banque, ni le droit d’entrer à la Bourse — et bientôt sont de facto exclues des nouvelles structures de la profession organisant la répartition de ces flux. Lors de sa création la Société des gens de lettre comptait une femme (George Sand). Aucune femme ne sera plus admise avant… 1907.

Un champ d’activité quasi-paritaire vers 1815 se trouve ainsi représenté vers 1840 par une institution uniquement masculine. En trente ans, les femmes de lettres ont disparu : en proportion elles ne sont plus grand chose, en représentation elles ne sont plus rien.

  1. Pour un bon aperçu de ces travaux, voir l’introduction de la thèse d’Ève-Marie Lampron, “Entre cohésions et divisions : les relations entre femmes auteures en France et en Italie (1770-1840)“ []
  2. Christine Planté, “La place des femmes dans l’histoire littéraire : annexe, ou point de départ d’une relecture critique ?“, Revue d’histoire littéraire de la France, vol. 103 []
  3. Audrey Lasserre, “Les femmes au XXe siècle ont-elles une histoire littéraire”, Cahiers du CERACC, p. 41 []

De Trump à Léophane : d’une débâcle journalistique à une victoire désinformationnelle ?

[Analyse écrite à quatre mains]

Le 1er février, Le Monde lançait en fanfare un outil de vérification de l’information, Decodex. Dix jours plus tard, une adresse IP du journal s’est retrouvée bloquée pendant neuf mois sur Wikipédia pour… avoir introduit de fausses informations sur l’encyclopédie libre. Le journaliste scientifique du Monde, Pierre Barthélémy, a en effet créé (et laissé en place pendant plusieurs semaines) un article presque entièrement faux, consacré à un philosophe grec méconnu, Léophane. Le but de Pierre Barthélémy : faire “une expérience pour un article sur la vérifiabilité des infos sur Internet à l’heure des fake news”.

Quel lien entre la controverse autour de Decodex et les agissements de P. Barthélémy ? Certes ces deux événements ne sont pas directement liées. Mais les deux s’inscrivent dans un contexte particulier : le sentiment d’évoluer dans une « ère post-vérité » où l’exactitude des informations est sans importance et où toutes les sources se valent quelles que soient leurs approches de qualité des informations. Le point de départ de Decodex — aider les lecteurs du Monde à “se repérer face à une vague toujours plus forte de fausses informations” — et la prétendue exploration de P. Barthélémy semblent ainsi complémentaires. Nous ne commenterons pas ici la démarche de Decodex.

Nous avons demandé un droit de réponse au Monde spécifiquement après la publication d’un article par P. Barthélémy où il détaille son approche. Notre positionnement est multiple : scientifiques, éditorialistes et contributeurs à Wikipédia, nous identifions de graves problèmes dans la démarche de P. Barthélémy. Ces manquements sont aussi bien en amont qu’en aval de la publication de son article. La gravité des faits commis par P. Barthélémy et le manque apparent d’évaluation de l’impact de ses agissements s’ajoutent à l’outrage qui est le nôtre et celui de collègues, constaté à travers diverses discussions ces derniers jours.

Continuer la lecture de De Trump à Léophane : d’une débâcle journalistique à une victoire désinformationnelle ?

Les données ouvertes et la recherche : quel état des lieux ?

Cette semaine c’est l’Open Access Week. Pour marquer l’occasion, de nombreuses ressources sont publiées (#teasing : reviendez demain pour une nouveauté de et par Pierre-Carl 🙂 ).

Parmi ces ressources, figshare a édité une compilation d’articles traitant des données ouvertes dans le domaine de la recherche scientifique. Pour rappel, figshare est la première plate-forme au monde à proposer la publication de jeux de données issus d’expérimentation scientifique ainsi que des figures et autres supports n’ayant pas trouvé de place dans un article scientifique « officiel ». Séquence émotion pour votre serviteure qui était en thèse au même moment que Mark, le fondateur de figshare, avec qui on avait organisé une compétition de blogs scientifiques et co-écrit la toute première FAQ de figshare.

Mais revenons à nos moutons. Le rapport de figshare, intitulé The State of Open Data, est une sélection de divers papiers de recherche écrits par des scientifiques de différentes universités, de représentants associatifs et d’experts du secteur privé. Le sujet est assez vaste et parle des données ouvertes en général, même si les données de la recherche y ont une place notable. N’y cherchez pas par contre de participation française…

Que disent les chercheurs ?

Deux articles présentent les conclusions du questionnaire adressé à la communauté scientifique par figshare. Le questionnaire a recueilli les réponses d’environ 2 000 personnes. Les données brutes anonymisées sont disponibles sur figshare. J’en ai utilisé pour illustrer certains points de la discussion.

Deux grandes dimensions ressortent des réponses : les défis structurels et ceux liés à la culture de l’ouverture de la recherche. Cette dernière englobe les questions « classiques » du genre « mais pourquoi devrais-je ouvrir mes données alors que mes collègues n’en font rien ? », « est-ce que mes concurrents vont utiliser mes données pour me devancer dans la publication et donc, avoir les financements pour lesquels je rempile ? » ou encore « peut-on se rendre compte que j’ai un peu exagéré les résultats obtenus ? ». La question de la reconnaissance des efforts individuels d’ouverture des données revient à différents endroits dans le rapport et notamment dans l’article de David Groenewegen (directeur de recherche à l’université Monash, Australie ; pp. 34-36). Ces questionnements sont « humains », pour reprendre le qualificatif des auteurs, mais je ne m’y attarderai pas.

La dimension structurelle qui émerge de ce questionnaire est discutée en de plus amples détails. Elle englobe des questionnements plus pratiques tels que « qu’est-ce que je dois faire pour ouvrir mes données ? », « quel(s) est(sont) le(s) bon(s) format(s) ? », « ai-je la permission de mon agence de financement de partager les données de mes recherches ? » ou encore « partager OK, mais n’est-ce pas du travail supplémentaire pour moi et qui ne reçoit aucune reconnaissance ? ».

Les réponses recueillies permettent de dresser un état des lieux de la connaissance et l’utilisation des données ouvertes en recherche. Bien évidemment, la méthodo peut être critiquée, mais les observations que l’on peut faire ont un intérêt qualitatif et méritent d’être soulignées.

La majorité des interrogés (n = 1 915) connaissent l'existence de données scientifiques ouvertes, soit des données librement accessibles et réutilisables.
La majorité des interrogés (n = 1 915) connaissent l’existence de données scientifiques ouvertes, soit des données librement accessibles et réutilisables.

Parmi les interrogés, une proportion importante a déjà fait des démarches d'ouverture de données.
Parmi les interrogés, une proportion importante a déjà fait des démarches d’ouverture de données.

Une majorité des interrogés (n = 1 777) a déjà réutilisé des données ouvertes qu'une autre équipe de recherche a mises à disposition.
Une majorité des interrogés (n = 1 777) a déjà réutilisé des données ouvertes qu’une autre équipe de recherche a mises à disposition.

Une proportion non-négligeable des interrogés juge que les données ouvertes réutilisées ont été importantes pour leur projet de recherche. La proportion de ceux ayant répondu "pas du tout important" est pratiquement de 0 %.
Une proportion non-négligeable des interrogés juge que les données ouvertes réutilisées ont été importantes pour leur projet de recherche. La proportion de ceux ayant répondu “pas du tout important” est pratiquement de 0 %.

Et parlant de recherche et d’obtention de financements, le monstre des citations s’impose. Les réponses sont assez intéressantes ici :

Parmi ceux ayant déjà rendu leurs données de recherche ouvertes, une proportion non négligeable estime que la citation de ces jeux de données est au moins aussi importante qu'une citation d'article, si ce n'est plus (10 % des interrogés).
Parmi ceux ayant déjà rendu leurs données de recherche ouvertes, une proportion non négligeable estime que la citation de ces jeux de données est au moins aussi importante qu’une citation d’article, si ce n’est plus (10 % des interrogés).

De manière assez surprenante quand même, les interrogés avouent ne pas toujours bien savoir comment citer les jeux de données réutilisés.

Au-delà des observations autour des pratiques, on peut également tirer quelques conclusions supplémentaires également intéressantes :

  • Une majorité des chercheurs (y compris des jeunes chercheurs) ont besoin d’accompagnement légal pour naviguer les complexités contractuelles de leurs financements. Ce besoin est exprimé aussi bien par les chercheurs ayant déjà publié des données en open data que par ceux qui ne l’ont jamais fait auparavant.

Parmi ceux ayant déjà rendu leurs données de recherche ouvertes, une proportion non négligeable a cependant des difficultés pour définir le conditions légales et, ainsi, le "niveau d'ouverture" desdites données.
Parmi ceux ayant déjà rendu leurs données de recherche ouvertes, une proportion non négligeable a cependant des difficultés pour définir le conditions légales et, ainsi, le “niveau d’ouverture” desdites données.

Le paysage des financements est très embrouillés : une majorité ne sait pas qui financera les démarches d'ouverture de données.
Le paysage des financements est très embrouillé : une majorité ne sait pas qui financera les démarches d’ouverture de données.

La question des licences est loin d’être anodine. Je vous recommande vivement la lecture de cette brève “twitterstorm” de John Wilbanks, anciennement à l’origine de Science Commons (l’initiative liée à la science chez Creative Commons) et aujourd’hui, l’un des piliers de Sagebio. Il souligne la complexité inhérente de la notion de propriété intellectuelle et son rapport peu amène avec l’objet “données” :

  • Le rôle des bibliothécaires a énormément évolué : ceux-ci se retrouvent au croisement des connaissances sur les données, le code et les cadres légaux ;
  • La perception de la publication scientifique a aussi énormément changé : un article n’est plus l’objet unique, statique, composé de texte gravé dans le marbre. Comme on l’a déjà dit par ailleurs sur ce blog, l’article scientifique est devenu la pub pour votre recherche ; ainsi, la routine éditoriale implique aujourd’hui la publication conjointe de l’article, des données produites dans le cadre de l’étude, du code utilisé pour les analyser et, dans certains cas, de fichiers multimédias annexes. La publication scientifique est donc une version de la connaissance du sujet pouvant évoluer.
  • Le volume a une importance (ou, plus prosaïquement, size matters) : si vous vous intéressez un peu au monde des données, vous ne serez pas étonné-e que l’attention (médiatique, financière) se porte le plus souvent sur le big data (les mégadonnées dont la volumétrie dépasse les terabytes). Cependant, les small data restent fermées : seulement 22 % des chercheurs indiquant produire des mégabytes partagent leurs données. Mais c’est aussi là que se cachent la diversité et les informations importantes mais trop souvent négligées, à savoir les résultats négatifs, les figures rejetées de l’article final, etc.

Ces observations font donc ressortir l’importance de trois éléments structurels du processus par lequel on rend publiques des données issues de la recherche scientifique :

  1. Les métadonnées : il s’agit de ce que l’on appelle communément des données sur les données (date de création du fichier, son format, etc.). Dans la mesure où une publication devient une version d’enregistrement de la connaissance, une quantité invraisemblable de métadonnées vient avec cet objet : on a aussi bien celles générées par l’utilisateur que celles générées par le traitement automatique. Il y a par ailleurs de nombreux éléments du processus de recherche qui ne figurent pas (encore) au firmament des objets à ouvrir : les protocoles expérimentaux utilisés, les réglages des appareils, etc. La quantité de métadonnées accompagnant la publication de données et résultats scientifiques ne fera donc que croître et on se retrouve rapidement dépassé-e par les volumes à appréhender et gérer.
  2. La « curation » : autrement dit, le fait de choisir ce qui est pertinent pour un sujet donné. Faire de la veille implique de faire ces choix-là et passe par diverses étapes qui enlèvent ce qui est peu pertinent et qualifient les sources retenues pour une exploitation future. Mais si on a des outils plutôt corrects pour suivre les publications de nos pairs, comment gérer l’invraisemblable quantité de métadonnées dont je parlais juste ci-dessus ? Les auteurs soulignent ainsi le besoin de toujours créer des outils pour structurer les métadonnées et les travailler pour faciliter leur curation et (ré)utilisation ultérieures.
  3. La revue par les pairs : j’allais parler de Retraction Watch (même si les auteurs ne le font pas), de la publication de résultats négatifs ou neutres et de diverses autres initiatives telles que Software Carpentry, Run my Code, etc. mais je vais laisser pour une prochaine fois.

« L’économie politique de la recherche »

Dr Sabina Leonelli (University of Exeter, Royaume-Uni, pp. 7-12) met l’accent sur l’impact des données ouvertes sur l’économie et la politique de la recherche tel que l’on peut le penser à partir des conceptions que l’on a des données scientifiques :

Que la recherche soit mue par des données plutôt que par des théories, des hypothèses, des modèles ou des changements de politiques publiques reste un sujet de débat. Ce qui est clair [cependant], c’est que les données sont de plus en plus conceptualisées comme des produits dont la valeur est inhérente à la recherche scientifique, plutôt que comme des composantes du processus de recherche qui n’ont pas de valeur propre.

Elle ajoute que les réutilisations que l’on peut faire de ces données ne ressemblent pas toujours celles que l’on fait traditionnellement des publications scientifiques. Ainsi, il est important de bien analyser pourquoi le mouvement en faveur des données ouvertes est devenu aussi populaire dans le discours scientifique et politique contemporain. Pour ce faire, elle propose d’articuler la réflexion autour des quatre dimensions suivantes :

  1. Les données ouvertes (mouvement open data) sont une plateforme commune où les chercheurs, les institutions de recherche et les bailleurs de fonds peuvent échanger autour des difficultés pratiques de l’ouverture et la réutilisation des données issues de la recherche.
  2. Les données ouvertes contribuent à une discussion plus large autour de la transparence et de la légitimité des financements ainsi que à celle du retour sur investissement, piliers des politiques publiques de la recherche et préoccupations des bailleurs de fonds.
  3. Le mouvement open data s’aligne sur des défis plus globaux tels que les acteurs désormais incontournables de la recherche issus de centres scientifiques hors de la zone euro-américaine.
  4. Les données ouvertes sont un exemple de l’introduction de la recherche scientifique dans des logiques de marché. Assez pragmatiquement, ce point aborde la conception des données comme des objets politiques, sociaux et financiers. « L’idée même des données scientifiques comme artéfacts pouvant être vendus, échangés et réutilisés pour créer de nouvelles formes de valeur est indissolublement liée à la logique de marché où les données sont des objets d’échange ». De même, l’idée de libre circulation de données scientifiques pose des défis quant à la conception de compétition et propriété non seulement au sein de la communauté scientifique, mais aussi dans les interactions de celle-ci avec d’autres acteurs.

Pour rebondir sur les considérations sociétales et culturelles et la valeur des données de recherche, l’article de Prof. Daniel Paul O’Donnell (université Lethbridge, Canada ; pp.38-40) sur les changements induits par les données ouvertes dans les sciences humaines est intéressant. Il y élabore le changement de pratique et la redéfinition des objets d’étude en SHS, dans une veine sensiblement épistémologique. En effet, la tradition veut que les chercheurs en SHS travaillent sur des détails provenant d’un corpus réduit lesquels permettent de construire une argumentation plus générale et généralisable. Comme il le remarque avec un certain amusement, « à l’ère de l’open data, on peut être tenté de voir cette démarche comme une analyse d’un petit échantillon sans puissance statistique ». Mais une telle critique constituerait « une sorte d’erreur catégorielle », comme il dit. En effet, la recherche SHS diffère de celle dans les sciences dites « dures » par sa finalité : les premières visent à l’interprétation alors que les dernières cherchent des solutions. Ainsi, conclut-il :

[l]e véritable défi pour les sciences humaines à l’ère des données ouvertes numériques est de reconnaître la valeur des deux types de sources, à savoir le matériau que nous pouvons générer avec des algorithmes à des échelles autrefois impensables et la valeur toujours actuelle du passage originel.

Enfin, diverses participations proposent des approches permettant d’accélérer les activités de plaidoirie et de sensibilisation autour de l’ouverture des données de recherche. Je vous laisse les découvrir et, qui sait, vous en inspirer !

L’exception text mining maintenue dans le projet de loi numérique ?

C’est un retournement inattendu. Lors de l’examen du Projet de Loi sur la République Numérique au Sénat, la commission des lois a rejeté un amendement du gouvernement prévoyant l’abrogation de l’exception text mining. L’amendement pourra encore être reproposé en séance (ou lors du retour du projet à l’Assemblée) mais son adoption devient assez peu probable.

Pour mémoire, l’exception text mining vise à autoriser l’extraction de corpus de textes et de données à des fins scientifique : toute source légalement accessible pourrait être recopiée dans une base de données et librement partagée au sein des membres du projet scientifique (qui excèdent nécessairement le cadre du « cercle de famille »). Les projets de text mining connaissent en effet une vogue croissante, grâce à l’accroissement considérable des documents numérisés, facilement accessibles sur le web. Initialement cantonnés à la biologie, ils semblent appelés à se généraliser rapidement dans d’autres disciplines, dont les sciences humaines et sociales (ma thèse s’apparente ainsi à une forme d’application expérimentale de techniques de lecture distante pour l’étude de la presse ancienne). Les accords contractuels avec les éditeurs ne peuvent suffire à régler l’ensemble des besoins : notamment dans la perspective d’une analyse textuelle élaborée, la recherche ne va pas nécessairement se limiter aux seuls corpus disponibles, d’autant qu’elle dispose à portée de main d’une masse énorme de textes en « accès libre » (ce qui ne va pas dire “copie libre”) sur le web.

L’exception adoptée in extremis lors du vote de l’Assemblée en janvier dernier reprend un dispositif assez similaire à l’exception adoptée au Royaume-Uni. Elle ne couvre que les travaux de recherche publique à vocation non-commerciale. De plus, contrairement au modèle anglais, au terme du projet, les chercheurs doivent transférer toutes leurs données à un tiers de confiance chargé de leur préservation (la BNF est pressentie pour jouer ce rôle).

C’est un compromis satisfaisant : il ne porte que sur des publications que les chercheurs pouvaient déjà consulter ; l’enjeu est simplement de rapprocher le droit d’extraire du droit de lire (the right to read is the right to mine). Seulement, les industries culturelles freinent, par réflexe, toute évolution du droit d’auteur, dans le sens de droits accrus accordés au public et aux utilisateurs. C’est ainsi qu’elles avaient obtenus la disparition d’une disposition reconnaissant l’existence d’un domaine commun de l’information (qui aurait conforté le statut juridique de communauté sous licences libres comme Wikipédia ou permis d’éviter la généralisation de copyfraud pour des publications passées dans le domaine public). Comme pour l’exception text mining, cette évolution n’aurait eu aucune incidence directe sur l’activité commerciale des industries culturelles ou des grands éditeurs scientifiques (ils pourraient même en profiter : selon quelques échos non confirmés, Elsevier tirerait parti de l’exception anglaise pour extraire des séries de textes publiés sur le web sans s’embêter à démultiplier les accords contractuels). Seulement, l’exception a un effet symbolique majeur : elle accrédite l’idée que le code de la propriété intellectuelle n’est pas un livre sacré et que l’évolution de la loi irait plutôt dans le sens de son assouplissement.

Au cours de ces derniers mois, le gouvernement s’est efforcé d’abroger l’exception tantôt en renvoyant le sujet à l’Europe (qui envisage actuellement une exception dans le cadre de la réforme européenne du droit d’auteur), tantôt en mettant en avant la piste d’accords contractuels. Une mission, confiée à Charles Huot, visait à dégager un accord “systémique” entre éditeurs scientifiques et institutions universitaires. Cette approche présente plusieurs défauts considérables : elle limite d’emblée le champ des acteurs concernés (les projets de text mining en Sciences humaines et sociales se développent très largement en dehors des corpus scientifiques) et reconnaît potentiellement les prétentions des éditeurs à faire du text mining un service additionnel, inclus dans un contrat.

Thierry Mandon : “si nous attendons une exception européenne, c’est mort”

Non seulement les sénateurs n’ont pas retenu cette option, mais plusieurs signaux suggèrent que la position du gouvernement est en train d’évoluer. Ce matin-même, le Museum d’Histoire naturelle organisait une série de conférences sur les aspects scientifiques de la loi sur le numérique. Le secrétaire d’État de la recherche et de l’enseignement supérieur Thierry Mandon a constaté qu’il n’était plus tenable d’attendre l’intégration de la réforme européenne du droit d’auteur pour s’y mettre : “La réforme européenne prendrait au moins trois ou quatre ans. Si nous l’attendons, et que nous ne mettons pas en place une forme d’exception, c’est mort”.

Le sujet évolue effectivement assez vite. Le principal point de blocage invoqué par le gouvernement tiendrait aux contraintes posées par la directeur européenne de 2001, qui n’admettrait pas explicitement la possibilité d’exceptions larges au profit de la recherche. Il s’agit plutôt d’une zone grise, qui n’a jamais été clarifiée : c’est ainsi que les anglais ont pu mettre en place leur exception depuis 2014 sans jamais avoir été constaté. Et d’autres pays s’apprêtent à s’engouffrer dans la brèche. Une exception serait en voie de finalisation en Estonie et, selon de premiers échos non confirmés, l’Allemagne s’apprête à franchir le pas.

La France peut-elle en effet se permettre d’attendre ? Le projet de loi numérique constitue le dernier véhicule législatif d’envergure avant de s’embarquer dans le « trou noir » pré-électoral et, à l’issue des nouvelles élections, la préparation d’une nouvelle loi prendra au moins un ou deux ans. Si, d’ici là, les exception se multiplient au sein de nos voisins européens, la recherche française pourrait perdre une avance difficile à rattraper en terme d’infrastructures et d’acquisition de compétences.

Pour l’instant, Thierry Mandon a évoqué une nouvelle piste : la modification du code de la recherche. J’avais déjà évoqué ce contournement tactique dans un premier essai de loi open access : il permet d’éviter de présenter les choses sous l’angle d’une exception au droit d’auteur en en faisant un attribut propre à la condition de chercheur financé par l’État (et d’ailleurs, vérification faite, le principe a été retenu pour l’actuel l’article 17). Je suis moins convaincu de sa pertinence pour l’exception text mining : il ne s’agit pas de modifier le statut de documents écrits par les chercheurs mais d’étendre les possibilités de lecture (ce qui implique nécessairement une actualisation du code de la propriété intellectuelle). En l’état, je crains que le recours au code de la recherche ne soit retoqué par le conseil constitutionnel.

Loi numérique : le libre accès sans communs

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

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

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

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

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

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

Pourquoi le droit autorise déjà l’archivage ouvert de la dernière version soumise par l’auteur et son exploration, et comment préserver cette possibilité

L’article 9 du projet de loi pour une République numérique intitulé Libre accès aux publications scientifiques de la recherche publique, en raison de certaines imprécisions de rédaction, risque de revenir sur les acquis du droit d’auteur pour les chercheurs.

La rédaction actuelle de l’alinéa 1 réduit considérablement les droits des auteurs sur la dernière version soumise et va à l’encontre de tous les textes de la Commission Européenne qui portent sur la version publiée. La mise à disposition d’un article dans une archive ne fait pas concurrence à l’article publié dans un journal ou un ouvrage collectif.

Le principe général du droit d’auteur (Article L111-1, le premier article du titre sur le droit d’auteur du Code de la Propriété Intellectuelle), est de conférer un droit exclusif aux auteurs, dont ils peuvent disposer par la suite par contrat avec des éditeurs : “L’auteur d’une œuvre de l’esprit jouit sur cette oeuvre, du seul fait de sa création, d’un droit de propriété incorporelle exclusif et opposable à tous.”

La dernière version soumise par l’auteur (ou preprint) appartient donc bien en droit à l’auteur dès sa création, et peut par conséquent dans l’état actuel du droit déjà être déposée immédiatement en archive ouverte, en même temps qu’elle est envoyée à l’éditeur avec un éventuel contrat autorisant la reproduction de l’article.

Ce sont les contrats de certains éditeurs qui, après la naissance des droits exclusifs attribués aux seuls auteurs, peuvent conduire à diminuer les droits des auteurs, en exigeant une cession exclusive et/ou en imposant un embargo. Ces transferts sont de nature contractuelle et interviennent dans un deuxième temps (la rédaction de l’alinéa 2 du projet de loi permet de les neutraliser).

C’est pourquoi les auteurs ont déjà, dans l’intervalle entre la création et la cession, ou en termes moins juridiques entre l’écriture et l’envoi, le droit de procéder au dépôt immédiat de cette dernière version soumise par l’auteur (comme le proposent l’INRIA et Laurent Romary dans la consultation).

Carine Bernault, Professeur de droit à l’Université de Nantes, s’est exprimée à ce sujet dans la consultation et je partage son interprétation sur le risque introduit par la rédaction actuelle :

“Les délais d’embargo de 12 et 24 mois prévus par le texte sont impératifs : il sera impossible d’y déroger puisque l’article est déclaré d’ordre public.”

La controverse entre certains éditeurs et certains défenseurs des droits des auteurs et de l’accès ouvert porte sur la possibilité et la durée maximale d’un embargo sur la version publiée par l’éditeur (le postprint PDF). La Commission Européenne préconise de limiter la durée des embargos à 6 mois et 12 mois d’ailleurs, au lieu de 12 mois et 24 mois dans le projet. Carine Bernault propose de rajouter “au plus tard” pour éviter d’interdire des dispositions contractuelles qui seraient plus courtes que la loi.

L’article comprend enfin 4 autres points qui soulèvent des difficultés d’application et que j’ai soulignés dans mes contributions à la consultation :

– L’expression “version acceptée” porte à interprétation, il s’agit de la dernière version soumise par l’auteur, celle sur laquelle il dispose encore de droits exclusifs avant contrat avec l’éditeur (proposition de l’INRIA dans la consultation).

– La définition de “recherche financée au moins pour moitié par des fonds publics” (proposition de Marc Lipinski dans la consultation) introduit du flou. Il faut supprimer cette distinction et viser la recherche financé par des fonds publics.

– Le mot “mélanges” vient de la recherche en droit. Il faut ajouter les “ouvrage collectif” pour inclure la recherche effectuée dans d’autres disciplines que le droit, quand elle est publiée sous la forme d’articles dans des livres, et non pas dans des revues.

– La distinction entre SHS et STEM est inapplicable à l’interdisciplinaire, et donc à toute la recherche un peu innovante.

– Enfin, il est indispensable que la loi inclut les données liées à un article, et d’éviter que les contrats des éditeurs ne les enclosent derrière des portails de manière exclusive.

Le dernier point à réintroduire absolument est l’exploration de données et la fouille de textes. Trois solutions permettent de confirmer que cette pratique, une extension du droit de lire, est légale :

– L’introduction d’une exception au droit des producteurs de bases de données pour confirmer que cette pratique ne correspond pas un droit exclusif,

– Le passage des résultats de la recherche financée par les fonds publics sous licence ouverte avec l’ouverture des données issues des subventions publiques,

– L’interdiction des contrats d’éditeurs qui iraient en sens contraire.

Cette troisième et dernière solution peut facilement être obtenue avec l’alinéa 2 du projet de loi.

L’alinéa 2 du projet de loi a une bonne rédaction qui rendraient nuls les contrats qui empêcheraient l’archivage ouvert de la dernière version soumise par l’auteur. Il faut bien veiller à conserver cette disposition, c’est la plus importante.

Une solution complémentaire serait de rendre illégale la cession exclusive, comme proposé par Renaud Fabre – DIST dans la consultation.

Il faut aussi prêter attention à éviter, comme l’Allemagne, qu’elle ne s’applique qu’aux éditeurs nationaux et clarifier la situation des articles rédigés avec des co-auteurs dans des pays tiers et des publications dans des revues de pays tiers.

En conclusion, je recommande aux rédacteurs de la loi de ne pas introduire d’embargo sur la dernière version soumise par l’auteur. Un dépôt immédiat de la dernière version soumise par l’auteur, sur laquelle il ou elle dispose de droits exclusifs avant tout contrat, est permis et nécessaire. Seule la durée d’un éventuel embargo sur la version publiée par l’éditeur est négociable par contrat, et la loi peut en fixer une durée maximale. L’alinéa 2 qui rend les contrats contraires nuls doit être maintenu et étendu aux contrats avec des éditeurs étrangers.

Proposition :

I. Lorsque un écrit scientifique, issu d’une activité de recherche financée par des fonds publics, est publié dans un périodique, un ouvrage paraissant au moins une fois par an, des actes de congrès ou de colloques, un ouvrage collectif ou des recueils de mélanges, son auteur, même en cas de cession exclusive à un éditeur, dispose du droit de mettre à disposition immédiatement et gratuitement sous un format numérique et ouvert, la dernière version soumise de son manuscrit à son éditeur et à l’exclusion du travail de mise en forme qui incombe à ce dernier, et les éventuels jeux de données liées.

« II. – Les dispositions du présent article sont d’ordre public et toute clause contraire à celles-ci est réputée non écrite. Elles s’appliquent aux contrats avec des éditeurs de pays tiers. »

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.

Big Data, santé et défis pour l’éducation

Le 11 juin 2013 s’est tenue la demi-journée de discussions autour du big data et leur impact sur les approches de recherche et d’enseignement. Organisés par l’université Paris Descartes en partenariat avec INRIA, les échanges ont eu pour but de faire émerger des  directions et points critiques autour des usages des big data dans la pédagogie universitaire. J’y suis intervenue aux côtés d’Avner Bar-Hen dans la session “SANTÉ – Vers des responsabilités nouvelles pour les enseignants et les chercheurs”. Merci à Sophie Pène pour l’invitation et l’organisation de cette demi-journée enrichissante. Mon intervention est retranscrite ci-dessous.

J’aimerais aborder avec vous quelques mythes construits autour du big data et ainsi initier la discussion autour de l’esprit critique que nous devons contribuer à faire émerger et enraciner chez les étudiants.

“Avec assez de données, les chiffres parlent d’eux-mêmes.” Pas du tout. C’est un argument avancé par les partisans inconditionnels du big data mais ils évitent souvent de parler des biais, hypothèses incorrectes, etc. Les outils, aussi sophistiqués soient-ils,  ne nous immunisent pas contre les biais et les incorrections.

En effet, ce n’est pas parce que nous pouvons disposer de gros jeux de données que leur qualité sera forcément meilleure. Exemple qui parle à tout le monde, avant que nous attaquions les sujets plus complexes : les analyses de média sociaux. Ainsi, beaucoup de journaux en ligne ont montré de jolies images où il nous est dit que les gens sont plus heureux lorsqu’ils sont loin de chez eux et les plus tristes le jeudi soir. Mais quels gens ? Les données viennent de Twitter et ce, seulement de sa partie américaine. Or, aux États-Unis, seuls 16% des adultes ont une activité sur Twitter. De plus, il y a un biais avéré socio-démographique : les gens sur Twitter sont le plus souvent en fin de vingtaine ou début de trentaine et sont majoritairement des habitants de grandes villes. Je passe sur la quantité de bots (c.-à-d., des bouts de code actifs lorsque des mots-clé particuliers apparaissent). Selon des estimations récentes, le nombre de faux comptes sur Twitter pourrait atteindre 20 millions.

Il s’agit d’un souci de qualité de données (et bien sûr, leur interprétation). Autre exemple de la vie quotidienne : les sites web d’actualité. Ils utilisent nos préférences personnelles et l’historique des clics que l’on a faits pour nous pointer vers les nouvelles les plus fraîches/populaires touchant aux thèmes qui nous intéressent a priori. Le souci est par exemple que les articles les plus partagés ne sont pas nécessairement les plus intéressants pour nous ou bien le nombre de clics n’équivaut pas nécessairement un contenu important.

Un autre argument avancé par beaucoup de partisans du big data : “les gros jeux de données feront notre ville et notre vie meilleures”. Oui… jusqu’à un certain point. Les données ne sont pas toujours proprement et équitablement collectées, autrement dit il y a des problèmes de signal vu que des zones ne sont pas toujours couvertes par les sondages. Un exemple célèbre est Google Flu Trends 2012 et ses surestimations du nombre de gens ayant la grippe. En effet, une augmentation notable des approches de data mining de quantités importantes de données web et de réseaux sociaux est remarquée. Google Flu Trends était exactement ceci : l’estimation des cas de grippe est faite à partir de la fréquence de recherches web de mots-clé. La comparaison entre Google Flu Trends et les estimations issues d’approches épidémiologiques classiques montre la surestimation significative faite par Google. Le problème n’est pas anodin car il touche directement à la santé publique.

Comme je me suis lancée dans la discussion d’arguments des partisans inconditionnels du big data, il convient de citer celui qui dit que le big data ne fait pas de discrimination parmi les groupes sociaux. Les données brutes ne sont cependant pas immunes de biais sociologiques. Au contraire, le big data est précisément utilisé pour séparer les individus dans des groupes bien délimités car les données peuvent justement pointer des caractéristiques de groupes qui ont des comportements distincts. Un exemple récent est une étude publiée dans le Journal of Communication qui démontre comment les scientifiques peuvent laisser leur propre considération à propos des races façonner les études génomiques qu’ils mènent, études d’ailleurs fondées sur des jeux de données conséquents. Selon cette étude, le champ lexical définissant la race comme génétiquement déterminée est de plus en plus fréquent. Cela fait cependant un moment que les recherches en génétique des populations humaines ont confirmé que la notion de race n’a de fondements que socio-culturels et non pas biologiques. Les exemples de l’utilisation de données personnelles massives dans divers cadres économiques sont nombreux et, si regardés de plus près, montreraient des cas d’utilisations et d’applications généralement interdites par la loi.

Ainsi, et en corollaire, il convient de préciser que le big data n’est pas anonyme : il est possible, par ex., d’identifier 95% des gens dans un jeu de données contenant les numéros de téléphone de 1,5 millions de personnes. Une autre étude récente avait aussi démontré que le croisement de données publiques permet l’identification de numéros de Sécurité Sociale. Oui, les possibilités de ré-identification sont réelles et les données médicales vendues à des compagnies d’assurances et d’analyses permettent de suivre l’identité des personnes. Beaucoup a été dit à propos de la médecine personnalisée laquelle se fonde sur les données génétiques individuelles promettant de trouver une remède aux maladies dont souffre une personne. La perspective est alléchante mais repose sur l’identification personnelle à des niveaux très fins tels que les profils génétiques et cellulaires, mais où les risques de fuites sont importants ou des possibilités d’utilisation inappropriée existent. Le souci est que des entreprises privées collectent des données de santé sensibles et pour l’instant, la réalité de ces promesses se fait attendre.

Sur les quelques secondes qui restent, je souhaiterais souligner l’importance de non seulement éduquer les étudiants en sciences/sciences de la vie, de l’information, en statistiques. Il faut éduquer les étudiants en médecine et les médecins en fonction ce que le big data signifie. Comme toute avancée technologique, celle-ci cache des promesses mais n’est pas miraculeuse pour autant. Il nous incombe de savoir reconnaître et veiller aux limites de toute science pour ne pas en transformer les fruits en dictature technocrate.

– Questions à soulever :

  • “êtes-vous H. sapiens ?” : fidélité de l’identification des crimes par ADN et fichage ;
  • GWAS, médecins et erreurs de logiciels + les données doivent être lisibles/intelligibles par les patients ;
  • biais épistémologiques, e.g. confirmation d’hypothèse.

– Pistes pédagogiques à discuter :

  • outiller les praticiens et les scientifiques avec non seulement des connaissances en statistiques lais aussi avec de bonnes pratiques d’utilisation => inculquer le processus “d’abord poser le problème puis trouver une réponse”, pas l’inverse ;
  • connaître ses méthodes statistiques et leurs limites, ex. cas de fichages ADN pour viol et différentes estimation de fiabilité des données, et ses logiciels utilisés (recommandation : utiliser du logiciel libre et open source).