Archives mensuelles : octobre 2014

Text mining : vers un nouvel accord avec Elsevier

La semaine est placée sous le signe de la divulgation de documents officiels sur le text mining (pourrait-on parler de MiningLeaks ?). Le collectif Savoirscom1 vient de publier le rapport du Conseil supérieur de la propriété littéraire et artistique sur « l’exploration de données ». De mon côté, j’apporte quelques informations sur l’accord conclu entre le consortium Couperin et Elsevier concernant la licence de data et text mining accordée par le géant de l’édition scientifique à plusieurs centaines d’établissements universitaires et hospitaliers français.

Contre toute attente, les nouvelles sont meilleures du côté d’Elsevier que du CSPLA : en digne représentant des ayants-droits, le Conseil vient de retoquer toute éventualité d’exception au droit d’auteur pour les projets scientifiques de text mining (alors que le Royaume-Uni vient tout juste d’en voter une, et qu’il s’agit d’un des principaux axes des projets de réforme européens du droit d’auteur). Savoirscom1 condamne fermement cet attentisme doublé d’un certain mépris pour de nouvelles pratiques de recherche :

Le ton est donné dès la préface dans laquelle l’exploration de données est qualifiée d’activité de « nature parasitaire ». Ce terme est particulièrement choquant, puisqu’il il englobe sous cette dénomination péjorative des activités d’étude et de recherche, qui sont les premiers bénéfices que l’on peut attendre du développement des pratiques de fouilles de données (…) cet attentisme aura de graves conséquences, car l’absence d’intervention du législateur laissera le champ libre à de gros acteurs du monde de l’édition, comme Elsevier ou Springer

Puisque l’on parle des licences privées, les nouvelles conditions obtenues par Couperin sont meilleures (ou plutôt moins pire…) que prévues. Elles bordent certaines dérives graves habilement agencées par l’équipe juridique d’Elsevier qui tente d’instrumentaliser les licences Creative Commons pour introduire des enclosures inédites. Néanmoins, la situation demeure assez inquiétante et ne fait que souligner l’urgence d’une exception légale correctement délimitée.

Avant toute chose, remontons un peu dans le temps pour ceux qui n’auraient pas suivi le feuilleton.

Des Creative Commons au service des enclosures

En janvier dernier, Elsevier dévoile ses nouvelles conditions d’accès au Text et Data mining (fouille de texte et de données en bon français). Cette initiative vise à répondre à une pratique émergente : l’utilisation de techniques d’analyse automatisée d’un corpus pour synthétiser un champ de recherche. Le projet Text2Genome a ainsi permis d’identifier les acquis de plusieurs millions d’articles de recherche en biologie sur le génome humain. Très prometteuses, ces techniques se heurtent à une limite légale : les éditeur détiennent les droits d’accès aux publications scientifiques. De délicates négociations sont nécessaires pour y accéder, ce qui peut prendre plusieurs années.

Le Processus d'indexation de Text2Genome
Le Processus d’indexation de Text2Genome

Elsevier a pris l’initiative de définir un cadre d’accès unique. Cela paraît louable à première vue. Sauf que la multinationale en profite pour poser toute une série de précédents juridiques, allant jusqu’à contester par anticipation plusieurs principes fondateurs du droit de la propriété intellectuelle. Toute utilisation de techniques de Mining sur le corpus d’Elsevier est soumis à plusieurs restrictions :

  • L’utilisation obligatoire de l’API maison d’Elsevier
  • Une limitation des extraits à 200 signes.
  • L’obligation de placer le résultat de la recherche sous une licence non-commerciale.
  • L’obligation d’inclure un lien DOI vers la source originelle (article…)

Les trois dernières restrictions sont particulièrement problématiques. Elles s’apparentent à une remise en cause de deux droits fondamentaux : le droit de citation (qui doit être courte, mais n’est pas limitée à 200 signes et n’est pas couverte par des droits patrimoniaux) et, surtout, le droit de diffuser librement une information (on parlerait ici plutôt de domaine public de l’information).

Les termes de la licences sont en effet suffisamment larges pour servir de base à un droit d’auteur de la donnée. Depuis une vingtaine d’année, il existe certes un droit des bases de données en Europe, mais il ne peut porter que sur la structure de la base (sous réserve qu’elle soit suffisamment complexe et originale ; la jurisprudence a été assez sévère à cet égard). Les données brutes contenues dans la base ont le statut d’informations, soit d’entités non originales qui demeurent librement appropriables.

Or, Elsevier souhaiterait manifestement revenir sur cette limite. L’éditeur n’est pas le seul. Les industries culturelles tentent également d’emprunter cette voie, en instrumentalisant le débat sur les données personnelles. Une initiative marketing du forum d’Avignon, la déclaration préliminaires des droits de l’homme numérique, procède ainsi à un amalgame entre protection des données et protection des œuvres sujettes au droit d’auteur. Cette récupération a été fermement dénoncé par une réaction collective de plusieurs associations (dont Savoirscom1, l’OKFN et République citoyenne) :

Nous souhaitons donc rappeler qu’une donnée dite personnelle n’est pas une œuvre de l’esprit et ne devrait pas être considérée comme telle. De même, une œuvre de l’esprit n’est pas une donnée personnelle et ne devrait pas être considérée comme telle.

Elsevier n’a au moins pas l’hypocrisie de prétendre protéger les données personnelles. Sa tactique est différente : sous prétexte de requérir une gentille licence Creative Commons il introduit subrepticement une forme de droit patrimonial sur les informations ou les courtes citations.

Représentées par le consortium Couperin, les universités françaises tentent de renouveler une licence nationale avec Elsevier, venue à expiration fin 2013. Elles parviennent en février à un accord… fortement critiqué. Un bibliothécaire, Daniel Bourrion, dévoile son contenu, avant d’être contraint de se rétracter au nom d’un devoir de réserve. L’accord détaillé est finalement republié sur ce blog, puis repris dans un article sur Rue89.

Le montant total des sommes engagées sur cinq ans, près de 200 millions d’euros, paraît extravagant dans un contexte de crise globale des universités. Et la clause de Data Mining crée un précédent dangereux, un peu comme si Elsevier écrivait sa propre loi. Dans l’ensemble, les dispositions initiales de l’éditeur sont reprises sans plus de précision. Rien n’empêche d’éluder totalement le droit de citation ou d’introduire les bases d’un droit d’auteur de l’information :

Tous les contenus accessibles et souscrits sur ScienceDirect dans le cadre de cet accord seront utilisables à des fins de data et text mining via une interrogation des données par une API connectée à la plateforme ScienceDirect. Les modalités appliquées seront celle du cadre juridique défini par Elsevier pour ce type de service.

Ce projet initial a été clarifié. Comme je le signalais plus haut, une nouvelle version de la clause de Data Mining a été transmise à Sciences communes (j’ai changé la mise en forme pour en clarifier la lecture). Elle a manifestement profité des mises au point de plusieurs acteurs de poids et d’une réflexion beaucoup plus poussée du consortium Couperin. Ainsi, dans le cadre des auditions du CSPLA sur le statut juridique du data mining, Couperin avait cosigné avec l’Association des Directeurs et personnels des Bibliothèques Universitaires (ABDU) une critique cinglante des licences contractuelles proposées par les éditeurs.

Hors de l’exception, point de salut :

L’exception sans compensation apparaît donc comme la seule voie praticable pour régler juridiquement le problème soulevé par le TDM au regard du droit sui generis des bases de données.

Parallèlement, l’ABDU et une vingtaine d’autres bibliothèques européennes diffusent une lettre ouverte à Elsevier, forçant la multinationale à réagir. Le 10 juillet, la directrice juridique d’Elsevier, Gemma Anderton, est contrainte de réaffirmer la position générale de la firme et énonce plusieurs concessions secondaires. Ainsi la licence ne doit plus être précisée à chaque produit (notons tout de même que l’éditeur pratique toujours une stratégie des termes juridiques vagues…) mais peut faire l’objet d’une annonce globale :

Grâce aux réactions des chercheurs, nous ne requerrons plus l’association d’une licence spécifique à chaque produit mais nous invitons les chercheurs à signaler clairement que le contenu diffusé dans chaque produit peut appartenir à d’autres et qu’ils ne pourront les réutiliser que dans un but non commerciale, sous réserve que l’auteur original et la source soient crédités.

Un accord plus équilibré ?

En dépit de cette sensibilisation accrue et d’un recul notable d’Elsevier, certaines dérives n’ont pas été entièrement écartées. Le contrat final ressemble en partie à un copier-coller du contrat conclu avec ISTEX

Par rapport à l’annonce, l’accord a gagné en clarification. Il n’est plus question de tous les contenus mais de produit TDM (pour Text et Data Mining). On ne parle plus d’une information au sens large mais bel et bien de la bases de données constituée à partir des recherches. Le risque d’une contamination des conditions de licence (obligatoirement non-commerciale) à la totalité des productions scientifiques issues du projet est en partie désamorcé.

[l’Abonné peut] procéder à des analyse de données et de la fouille de texte (« Text and data mining » ou TDM) notamment via l’API accessible à l’adresse http://www.developers.elsevier.com pour, en continu, et de manière automatique, indexer, extraire et/ou traiter des informations provenant des Produits Souscrits auxquels l’Abonné souscrit séparément et charger et intégrer les résultats (la « Production TDM ») sur un serveur utilisé pour le système de text-mining de l’Abonné en vue de sa consultation et de son utilisation par les Utilisateurs Autorisés;

Comme on le voit dans l’extrait ci-dessus, un adverbe marque une autre concession importante : notamment. Les chercheurs pourront notamment utiliser l’API d’Elsevier ce qui laisse à entendre que ce ne sera pas la seule porte d’entrée possible. Pour mémoire, la politique générale d’Elsevier fait toujours de l’API l’unique voie d’accès (ce qui conditionne fortement les usages possibles) :

All access to content for text mining purposes must take place through our APIs and remind you that in order to maintain performance and availability for all users, the terms and conditions of access to ScienceDirect continue to prohibit the use of robots, spiders, crawlers or other automated programs, or algorithms to download content from the website itself.

Par ailleurs, la limite de 200 signes a été retirée pour tous les chercheurs bénéficiant de la licence nationale. Ce retrait met fin à plusieurs absurdités, telles que l’impossibilité de faire rentrer des noms de composés chimiques, dont la taille excède parfois 200 signes.

[l’Abonné peut] distribuer à l’extérieur (en dehors du groupement d’Abonnés, c’est-à-dire du Consortium Couperin.org, du MENESR  et des établissements listés à l’annexe 1 du CCAP du marché n° 201412 ABES-Elsevier) la Production TDM, pouvant inclure quelques lignes d’un texte reposant sur la requête et extrait d’articles individuels ou de chapitres de livres complets dans la limite de 200 signes

Le problème se posera toujours dès lors qu’il s’agira d’impliquer un chercheur ou une institution extérieure, mais il y aura sans doute moyen de frauder discrètement (les identifiants d’accès universitaires circulent déjà largement…). À cet égard la licence nationale opère un rapprochement souhaitable entre le droit de lire et le droit d’extraire : ceux qui peuvent accéder aux articles peuvent également en retirer automatiquement des données et des informations sans contraintes techniques lourdes.

Pour autant, tout n’est pas parfait. Même si il a dû revenir sur certaines de ses prétentions (telles que le contrôle généralisé par l’API ou le flou de la notion de contenu), Elsevier écorne toujours ces deux droits fondamentaux que sont le droit de courte citation et, surtout, le droit de diffuser l’information. Le produit TDM est envisagé dans sa totalité, ce qui va bien au-delà de la législation européenne sur les bases de données. Si l’on applique le texte de l’accord à la lettre, l’ensemble des données passent sous une licence creative commons non-commerciale. À l’instar de la déclaration bidonnée du forum d’Avignon, l’éditeur scientifique considère la base de données dérivée comme une œuvre, dont l’on pourrait délimiter les conditions de protection :

La présente œuvre est distribuée en vertu des conditions Creative Commons Attribution – Pas d’utilisation commerciale (CC BY-NC) 3.0, qui autorise son utilisation non-commerciale, sa distribution et sa reproduction sur tout support, pour autant que l’auteur et la source d’origine soient cités.

Tout ceci s’appliquerait parfaitement à une œuvre de l’esprit. Sauf que nous avons à faire à une base de données, dont seule la structure (et encore dans des cas fortement délimités par la jurisprudence) peut faire l’objet d’une forme de protection et celle-ci n’a rien de comparable Et, ce faisant, Elsevier maintient également subrepticement une forme de droit d’auteur patrimonial sur les citations. C’est là l’élément déterminant qui fonde l’exercice de ses droits sur les œuvres dérivées : la présence de citation de 200 signes, dont il est explicitement précisé qu’elles ne peuvent pas permettre de reconstituer les articles originaux. C’est là une posture cohérente avec la politique générale d’Elsevier en matière de text mining :

Le chercheur doit accepter que bien qu’il détienne le produit de sa recherche, les extraits présentés dans cette production peuvent contenir des droits de l’éditeur, de l’auteur ou de tierces parties.

Cette dérive ne surprendrait pas le fondateur des Creative Commons, Lawrence Lessig. Dès le milieu des années 2000, il s’inquiète de l’inadaptation des licences libres aux droits des bases de données. Mal appliquées, elles risquaient de recréer des enclosures, en conditionnant certaines libertés offertes par les divers codes de la propriété intellectuelle (libre reprise des informations ou des courtes citation). La conception du projet Science Commons a permis d’identifier clairement ce risque :

The core insight behind the Science Commons Data Protocol is that the solution to these problems is to return data to the public domain by relinquishing all rights, of whatever origin or scope, that would otherwise restrict the ability to do research (…) So in  Kuhn’s terms, this is a revolution, in the sense that it departs from a trend towards placing  increasing restrictions on data. But in another sense, it is far from revolutionary, because it is how science has worked best in the past and, we believe, how it must work in the future if we want science to help us find cures.

Cette réflexion essentielle (et, pour partie, prémonitoire) n’est pas si bien connue. Pour ceux que le sujet intéresse, je l’ai évoqué en détail à l’occasion d’une journée d’étude de l’Université d’Angers sur le droit d’auteur :

Depuis l’année dernière, dernière version des licences Creative Commons (dite 4.0) délimite clairement l’amplitude des droits réservés en matière de bases de données : ils ne s’appliquent qu’aux structures de la base et jamais aux informations. Évidemment, Elsevier ne se réfère qu’à la version 3.0.

Une monstruosité juridique

Enfin, ce n’est qu’un contrat parmi d’autres. Elsevier s’empresse de préciser que cela ne remet nullement en cause plusieurs accords antérieurs (tel que ceux conclus avec ISTEX) :

Les parties conviennent qu’en aucun cas, les droits garantis dans la licence au titre du marché n° 2014-12 ne viennent limiter ou annuler les droits concédés par Elsevier sur les données dans le cadre du marché n° 2013-20 concernant l’acquisition d’archives de revues dans le cadre du projet ISTEX.

La comparaison du contrat de Couperin avec le contrat ISTEX conclu l’année dernière (sur une plus petite échelle il est vrai) est d’ailleurs évocatrice. La clause de text mining accordait une limite élargie à 350 mots (et non des signes), mais elle était moins souple sur les usages (les métadonnées sont également inclues parmi les propriétés d’Elsevier et l’API est la seule et unique voie d’entrée) :

distribuer à l’extérieur la production TDM pouvant inclure quelques lignes d’un texte reposant sur la requête et extrait d’articles individuels ou de chapitres de livres complets (« Fragments ») dans la limite de 350 mots consécutifs ou des métadonnées bibliographiques. En cas de distribution de fragments et/ou de métadonnées bibliographiques, ils doivent être accompagnés d’un lien DOI (identificateur d’objet numérique) redirigeant vers l’article ou le chapitre de livre complet concerné (p. 12).

Et c’est là que l’on perçoit un autre effet néfaste de ces licences privées : créer des monstruosités juridiques en démultipliant les régimes d’usages. Que se passera-t-il si un chercheur associé à ISTEX collabore avec un chercheur bénéficiant de la licence nationale ? L’un pourra publier une base contenant des citations de 350 mots et l’autre se contentera de 200 misérables signes (soit environ 10 fois moins). Inversement, l’un aura peut-être la possibilité d’extraire le contenu des corpus d’Elsevier sans passer par l’API (alors que pour l’autre c’est définitivement exclu). Évidemment je n’envisage pas le cas suprême de la collaboration internationale d’une dizaine de chercheurs ayant chacun leurs propres conditions (j’imagine que Elsevier a essaimé des déclinaisons de sa licence data mining un peu partout).

Si, comme le prévoit le CSPLA, la possibilité d’une ébauche de débat sur une exception ne sera pas ouverte avant deux ans, je sens que le data mining pirate va devenir furieusement tendance. D’ailleurs, pour ceux qui cherchent des trucs et astuces, j’en ai quelques uns en magasin

Un cycle d’intervention autour de Sciences communes

En ce mois d’octobre, ce petit carnet de recherche prend corps. Je présenterai un « cycle » informel de quatre interventions autour de mon sujet de prédilection : la science comme bien commun.

Trois interventions s’inscrivent dans le même cadre : la semaine du libre accès. Il faut dire que le thème de l’édition 2014 me concerne directement : « génération open », ou comment doctorants et jeune chercheurs s’approprient les enjeux de l’open access.

La série s’ouvre sur une journée d’étude organisée à l’Université de Toulouse – Jean Jaurès le 13 octobre. Les termes du débat sont posés d’emblée : « A la part croissante prise par la marchandisation de la connaissance émerge, depuis quelques années, une tentative de réponse autour du concept de bien commun. » L’emprise du marché sur la recherche n’a jamais été si profonde. Mediapart vient de publier un témoignage accablant de cette dégradation du quotidien de la recherche : ivresse des évaluation et du « reporting » sans cohérence d’ensemble, transformation du chercheur en manager, imposition d’un esprit de contribution au détriment de la collaboration scientifique.

L’open access ne saurait représenter, en soi un élément d’émancipation. Les industries académiques se sont amplement adapté à cette nouvelle donne. Les rentes d’Elsevier n’ont jamais été si élevées. Dans une étude aux allures d’élégie, Goodbye to Berlin, Richard Poynder démontre que la conversion à l’Open Access a en réalité enrichi les oligopoles installé en favorisant des mécanismes de double perception : un auteur achète un droit à publier ; l’article est ensuite vendu à l’unité ; certains services supplémentaires (data mining) peuvent ensuite s’ajouter à l’addition.

Les revenus des industrie académique bénéficient grandement des contributions bénévoles des chercheurs (les carrés gris = ce qu'elles paieraient si les évaluateurs des articles étaient défrayés)
Les revenus des industrie académique bénéficient grandement des contributions bénévoles des chercheurs (les carrés gris = ce qu’elles paieraient si les évaluateurs des articles étaient défrayés)

Les règles du jeu doivent être repensées. Tant que la recherche sur fond public demeure intégralement structurée par une logique de marché (au point que les critères d’évaluation sont pensés pour une publication dans des revues commerciales), la généralisation de l’open access sera purement cosmétique. La notion de bien commun constitue une piste éclairante. Les technologies numériques ont autorisé l’avènement de grandes communautés autonomes sur le modèle de Wikipédia ou de OpenStreetMap. Ces précédents concrets nourrissent de riches spéculations autour d’une transformation radicale de nos paradigmes économiques et sociaux. Des mécanismes inédits, telles que les licences à réciprocité, sont ainsi formalisés pour renforcer des communautés de savoir autonomes et spontanées. Le rôle de l’État est repensé sous la forme d’un État partenaire ou d’un Gouvernement ouvert.

Pendant la première partie de cette journée d’étude, je présenterai plusieurs « réflexions théoriques sur l’application de la notion de bien commun à l’activité scientifique » avec mon collègue de Savoirscom1, Marc Lavastrou. Ces réflexions tournent essentiellement autour du questionnement suivant : comment appliquer à la production des connaissances (a fortiori scientifiques) ce concept de « bien commun », initialement conçu pour décrire des formes de gestion des terres non structurées par le principe de propriété privé ?

La journée d’étude se poursuit l’après-midi avec deux tables rondes à visée pédagogique. La première présente des retour d’expérience de jeunes chercheurs vis-à-vis des interface de partage des publications scientifiques (archives ouvertes, réseaux sociaux académiques). La seconde introduit le fonctionnement des licences Creative Commons.

Ma seconde intervention prolonge directement la première. Une table ronde organisée à la Maison de la Recherche le 20 octobre évoque les enjeux de l’open access auprès des doctorants de Paris-Sorbonne et met en contraste les principes fondamentaux du mouvement et les expériences concrètes de la « génération open ». Les thèmes suivants seront ainsi retracés :

  • Une brève contextualisation du mouvement open access et de l’émergence de nouveaux modèles de diffusion de la recherche (l’open access « green », « gold », « diamond »).
  • Le libre accès dans la vie du chercheur avec ses implications épistémologiques (une nouvelle exigence de « reproductibilité ») et sociales (valorisation accrue des travaux, interactions avec un nouveau public par-delà les pairs)
  • Les supports, outils et plate-forme du libre accès : archives ouvertes, revues en accès libre, répertoires de données, carnets de recherches…
  • Les licences et les cadres légaux (les différentes options des Creative Commons, le cas particulier des données scientifiques).

Dans un second temps, je proposera un petit exercice de simulation prospectif : quel open access dans dix ans (soit ce moment où nos membres de la génération open seront devenus des chercheurs accomplis) ?

Dans un même esprit pédagogique, l’association HackYourPhd égrène un dictionnaire des idées reçues sur l’open access le 24 octobre à l’Espace Pierre-Gilles de Gennes. Par-delà l’impulsion première de republier un article sur Internet, de nombreuses inconnues légales demeurent. Mon intervention portera plus précisément sur le rôle et les fonctionnalités des licences Creative Commons. J’étais déjà revenu sur le sujet en juillet dernier à l’occasion d’une journée d’étude de l’Université d’Angers sur le droit d’auteur à l’épreuve du numérique :

Enfin, ce petit cycle d’intervention revient à une problématique plus fondamentale. La Fonda propose une rencontre-débat à la Gaîté Lyrique le 31 octobre autour des biens communs de la connaissance. L’événement s’interroge sur la tangibilité de cette révolution annoncée : l’économie du partage peut-elle primer sur l’économie de l’accumulation ? Nous retrouvons ainsi notre questionnement initial. Face aux récupérations qui se démultiplient les communautés de savoir autonomes peuvent-elles se maintenir ? Et à défaut, quels mécanismes de préservations peuvent-elles mettre en œuvre ? Le dépassement de ces contradictions passe-t-il par la mise en place de licences à réciprocité, ces dispositifs légaux visant à corriger le déficit monétaire né de l’utilisation des productions des communs à des fins capitalistiques ?

Comme on le voit, les interrogations récurrentes de ce petit cycle informel dépasse amplement le cas spécifique de la connaissance scientifique. L’enjeu n’est pas seulement de réformer la recherche mais la société dans son ensemble. C’est sans doute là la grande force de la notion de « commun » : celui de faire émerger du commun entre des préoccupations que l’on croirait distantes.