N.B. : ce billet est régulièrement mis à jour pour tenir compte de nouvelles informations complémentaires.
Le consortium Couperin, qui représente les universités et établissements hospitaliers français vient de renouveler pour 5 ans une licence nationale avec Elsevier, le leader mondial de l’édition scientifique. L’information est officielle… sans l’être vraiment. À ma connaissance, on ne la trouve encore nulle part sur le site de Couperin ou du Ministère de l’Enseignement supérieur. Seules quelques universités s’en font discrètement l’écho. Ainsi en est-il d’une école de Management de Nantes :
Les possibilités de consultation des revues éditées par Elsevier via la plateforme Science Direct ont changé ! La négociation a été longue et pleine de rebondissements, mais le consortium Couperin, l’Agence Bibliographique de l’Enseignement Supérieur et l’éditeur Elsevier sont finalement arrivés à un accord : désormais la « Freedom Collection » d’Elsevier est accessible aux abonnés à ScienceDirect, dans le cadre d’une licence nationale
Il n’y a en effet pas de quoi triompher. D’après mes informateurs, l’opération représente un investissement de 172 millions d’euros sur cinq ans (171 697 159 € 27 c. exactement), soit 33 à 35 millions par an (le versement varie légèrement d’une année à l’autre).
Certes, l’accord couvre l’accès de plusieurs centaines d’universités et de centres hospitaliers. Certes les sommes engagées ne sont probablement pas supérieures à ce qui était dépensé par le passé (le déficit systématique de transparence sur les licences nationales conclues avec Elsevier ne permet pas d’en juger).
Seulement, la recherche française est à la diète : des universités sont en situation de quasi-faillite ; les autres se préparent quatre ans de galère ; le gouvernement reste sourd à la mobilisation des chercheurs. Et la non-reconduction de l’accord n’aurait pas seulement généré des économies appréciables : elle aurait accéléré la conversion de l’édition scientifique au libre accès, en mettant les responsables de la recherche publique au pied du mur. Création de nouveaux modèles éditoriaux (basé, par exemple, sur les épirevues), réforme de critères d’évaluation obsolètes, adoption d’une loi à l’Allemande suspendant les droits de l’éditeur au bout d’un an : toutes ces évolutions salutaires seraient devenues indispensables. Et, en attendant, Couperin avait développé une plate-forme de secours pour continuer d’accéder aux articles d’Elsevier antérieurs à 2013. On tenait là l’occasion idéale de réformer un système vermoulu de toute part. On vient de la louper.
Et pourtant, la licence nationale est présentée comme l’un des axes principaux de la politique scientifique française. En témoigne cet échange privé de la Ministre de la recherche et de l’enseignement supérieur à l’Académie des sciences relayé par un discours d’Alain Abécassis au congrès de l’ADBU :
Le 10 mars 2014, la ministre a exposé à l’Académie des Sciences, via un courrier, les 3 avancées faites ces deux dernières années par la France dans ce domaine de [l’édition de l’information scientifique et technique] : la convention HAL (…) le projet Istex (…) la mise en œuvre d’une licence nationale avec l’un des principaux groupes d’édition scientifique mondiaux, Elsevier.
Prisonnier d’un jeu où les dés étaient pipés d’avance, le consortium Couperin s’est sans doute bien débrouillé. Il a obtenu un rabais non négligeable de 15 millions d’euros par rapport à la somme initialement envisagée dans un document confidentiel de février (188 millions d’euros). Une partie de ce rabais semble cependant dû au retrait de plusieurs institutions (telles que la BNF) qui financent peut-être directement leur accord avec Elsevier.
La licence de data mining a été clarifiée et limite partiellement les prétentions d’Elsevier à revendiquer un droit d’auteur sur l’information et les données “brutes”. Les multiples réactions suscitées par la divulgation du document de février par Daniel Bourrion et par sa reprise sur Rue89 ont sans doute aidé…
Vous pouvez déjà consulter sur Sciences communes la clause de data mining contenue dans le contrat. Je publierai plusieurs compléments dans les prochains jours, notamment si j’arrive à obtenir les documents du marché (a priori ils seraient communicables). Et, si vous disposez d’informations supplémentaires sur le sujet n’hésitez pas à me contacter.
À défaut de pouvoir contester cet accord définitivement acté, je vais lui faire un peu de publicité…
La semaine est placée sous le signe de la divulgation de documents officiels sur le text mining (pourrait-on parler de MiningLeaks ?). Le collectif Savoirscom1 vient de publier le rapport du Conseil supérieur de la propriété littéraire et artistique sur « l’exploration de données ». De mon côté, j’apporte quelques informations sur l’accord conclu entre le consortium Couperin et Elsevier concernant la licence de data et text mining accordée par le géant de l’édition scientifique à plusieurs centaines d’établissements universitaires et hospitaliers français.
Contre toute attente, les nouvelles sont meilleures du côté d’Elsevier que du CSPLA : en digne représentant des ayants-droits, le Conseil vient de retoquer toute éventualité d’exception au droit d’auteur pour les projets scientifiques de text mining (alors que le Royaume-Uni vient tout juste d’en voter une, et qu’il s’agit d’un des principaux axes des projets de réforme européens du droit d’auteur). Savoirscom1 condamne fermement cet attentisme doublé d’un certain mépris pour de nouvelles pratiques de recherche :
Le ton est donné dès la préface dans laquelle l’exploration de données est qualifiée d’activité de « nature parasitaire ». Ce terme est particulièrement choquant, puisqu’il il englobe sous cette dénomination péjorative des activités d’étude et de recherche, qui sont les premiers bénéfices que l’on peut attendre du développement des pratiques de fouilles de données (…) cet attentisme aura de graves conséquences, car l’absence d’intervention du législateur laissera le champ libre à de gros acteurs du monde de l’édition, comme Elsevier ou Springer
Puisque l’on parle des licences privées, les nouvelles conditions obtenues par Couperin sont meilleures (ou plutôt moins pire…) que prévues. Elles bordent certaines dérives graves habilement agencées par l’équipe juridique d’Elsevier qui tente d’instrumentaliser les licences Creative Commons pour introduire des enclosures inédites. Néanmoins, la situation demeure assez inquiétante et ne fait que souligner l’urgence d’une exception légale correctement délimitée.
Avant toute chose, remontons un peu dans le temps pour ceux qui n’auraient pas suivi le feuilleton.
Des Creative Commons au service des enclosures
En janvier dernier, Elsevier dévoile ses nouvelles conditions d’accès au Text et Data mining (fouille de texte et de données en bon français). Cette initiative vise à répondre à une pratique émergente : l’utilisation de techniques d’analyse automatisée d’un corpus pour synthétiser un champ de recherche. Le projet Text2Genome a ainsi permis d’identifier les acquis de plusieurs millions d’articles de recherche en biologie sur le génome humain. Très prometteuses, ces techniques se heurtent à une limite légale : les éditeur détiennent les droits d’accès aux publications scientifiques. De délicates négociations sont nécessaires pour y accéder, ce qui peut prendre plusieurs années.
Le Processus d’indexation de Text2Genome
Elsevier a pris l’initiative de définir un cadre d’accès unique. Cela paraît louable à première vue. Sauf que la multinationale en profite pour poser toute une série de précédents juridiques, allant jusqu’à contester par anticipation plusieurs principes fondateurs du droit de la propriété intellectuelle. Toute utilisation de techniques de Mining sur le corpus d’Elsevier est soumis à plusieurs restrictions :
L’utilisation obligatoire de l’API maison d’Elsevier
Une limitation des extraits à 200 signes.
L’obligation de placer le résultat de la recherche sous une licence non-commerciale.
L’obligation d’inclure un lien DOI vers la source originelle (article…)
Les trois dernières restrictions sont particulièrement problématiques. Elles s’apparentent à une remise en cause de deux droits fondamentaux : le droit de citation (qui doit être courte, mais n’est pas limitée à 200 signes et n’est pas couverte par des droits patrimoniaux) et, surtout, le droit de diffuser librement une information (on parlerait ici plutôt de domaine public de l’information).
Les termes de la licences sont en effet suffisamment larges pour servir de base à un droit d’auteur de la donnée. Depuis une vingtaine d’année, il existe certes un droit des bases de données en Europe, mais il ne peut porter que sur la structure de la base (sous réserve qu’elle soit suffisamment complexe et originale ; la jurisprudence a été assez sévère à cet égard). Les données brutes contenues dans la base ont le statut d’informations, soit d’entités non originales qui demeurent librement appropriables.
Or, Elsevier souhaiterait manifestement revenir sur cette limite. L’éditeur n’est pas le seul. Les industries culturelles tentent également d’emprunter cette voie, en instrumentalisant le débat sur les données personnelles. Une initiative marketing du forum d’Avignon, la déclaration préliminaires des droits de l’homme numérique, procède ainsi à un amalgame entre protection des données et protection des œuvres sujettes au droit d’auteur. Cette récupération a été fermement dénoncé par une réaction collective de plusieurs associations (dont Savoirscom1, l’OKFN et République citoyenne) :
Nous souhaitons donc rappeler qu’une donnée dite personnelle n’est pas une œuvre de l’esprit et ne devrait pas être considérée comme telle. De même, une œuvre de l’esprit n’est pas une donnée personnelle et ne devrait pas être considérée comme telle.
Elsevier n’a au moins pas l’hypocrisie de prétendre protéger les données personnelles. Sa tactique est différente : sous prétexte de requérir une gentille licence Creative Commons il introduit subrepticement une forme de droit patrimonial sur les informations ou les courtes citations.
Représentées par le consortium Couperin, les universités françaises tentent de renouveler une licence nationale avec Elsevier, venue à expiration fin 2013. Elles parviennent en février à un accord… fortement critiqué. Un bibliothécaire, Daniel Bourrion, dévoile son contenu, avant d’être contraint de se rétracter au nom d’un devoir de réserve. L’accord détaillé est finalement republié sur ce blog, puis repris dans un article sur Rue89.
Le montant total des sommes engagées sur cinq ans, près de 200 millions d’euros, paraît extravagant dans un contexte de crise globale des universités. Et la clause de Data Mining crée un précédent dangereux, un peu comme si Elsevier écrivait sa propre loi. Dans l’ensemble, les dispositions initiales de l’éditeur sont reprises sans plus de précision. Rien n’empêche d’éluder totalement le droit de citation ou d’introduire les bases d’un droit d’auteur de l’information :
Tous les contenus accessibles et souscrits sur ScienceDirect dans le cadre de cet accord seront utilisables à des fins de data et text mining via une interrogation des données par une API connectée à la plateforme ScienceDirect. Les modalités appliquées seront celle du cadre juridique défini par Elsevier pour ce type de service.
Ce projet initial a été clarifié. Comme je le signalais plus haut, une nouvelle version de la clause de Data Mining a été transmise à Sciences communes (j’ai changé la mise en forme pour en clarifier la lecture). Elle a manifestement profité des mises au point de plusieurs acteurs de poids et d’une réflexion beaucoup plus poussée du consortium Couperin. Ainsi, dans le cadre des auditions du CSPLA sur le statut juridique du data mining, Couperin avait cosigné avec l’Association des Directeurs et personnels des Bibliothèques Universitaires (ABDU) une critique cinglante des licences contractuelles proposées par les éditeurs.
Hors de l’exception, point de salut :
L’exception sans compensation apparaît donc comme la seule voie praticable pour régler juridiquement le problème soulevé par le TDM au regard du droit sui generis des bases de données.
Parallèlement, l’ABDU et une vingtaine d’autres bibliothèques européennes diffusent une lettre ouverte à Elsevier, forçant la multinationale à réagir. Le 10 juillet, la directrice juridique d’Elsevier, Gemma Anderton, est contrainte de réaffirmer la position générale de la firme et énonce plusieurs concessions secondaires. Ainsi la licence ne doit plus être précisée à chaque produit (notons tout de même que l’éditeur pratique toujours une stratégie des termes juridiques vagues…) mais peut faire l’objet d’une annonce globale :
Grâce aux réactions des chercheurs, nous ne requerrons plus l’association d’une licence spécifique à chaque produit mais nous invitons les chercheurs à signaler clairement que le contenu diffusé dans chaque produit peut appartenir à d’autres et qu’ils ne pourront les réutiliser que dans un but non commerciale, sous réserve que l’auteur original et la source soient crédités.
Un accord plus équilibré ?
En dépit de cette sensibilisation accrue et d’un recul notable d’Elsevier, certaines dérives n’ont pas été entièrement écartées. Le contrat final ressemble en partie à un copier-coller du contrat conclu avec ISTEX
Par rapport à l’annonce, l’accord a gagné en clarification. Il n’est plus question de tous les contenus mais de produit TDM (pour Text et Data Mining). On ne parle plus d’une information au sens large mais bel et bien de la bases de données constituée à partir des recherches. Le risque d’une contamination des conditions de licence (obligatoirement non-commerciale) à la totalité des productions scientifiques issues du projet est en partie désamorcé.
[l’Abonné peut] procéder à des analyse de données et de la fouille de texte (« Text and data mining » ou TDM) notamment via l’API accessible à l’adresse http://www.developers.elsevier.com pour, en continu, et de manière automatique, indexer, extraire et/ou traiter des informations provenant des Produits Souscrits auxquels l’Abonné souscrit séparément et charger et intégrer les résultats (la « Production TDM ») sur un serveur utilisé pour le système de text-mining de l’Abonné en vue de sa consultation et de son utilisation par les Utilisateurs Autorisés;
Comme on le voit dans l’extrait ci-dessus, un adverbe marque une autre concession importante : notamment. Les chercheurs pourront notamment utiliser l’API d’Elsevier ce qui laisse à entendre que ce ne sera pas la seule porte d’entrée possible. Pour mémoire, la politique générale d’Elsevier fait toujours de l’API l’unique voie d’accès (ce qui conditionne fortement les usages possibles) :
All access to content for text mining purposes must take place through our APIs and remind you that in order to maintain performance and availability for all users, the terms and conditions of access to ScienceDirect continue to prohibit the use of robots, spiders, crawlers or other automated programs, or algorithms to download content from the website itself.
Par ailleurs, la limite de 200 signes a été retirée pour tous les chercheurs bénéficiant de la licence nationale. Ce retrait met fin à plusieurs absurdités, telles que l’impossibilité de faire rentrer des noms de composés chimiques, dont la taille excède parfois 200 signes.
[l’Abonné peut] distribuer à l’extérieur (en dehors du groupement d’Abonnés, c’est-à-dire du Consortium Couperin.org, du MENESR et des établissements listés à l’annexe 1 du CCAP du marché n° 201412 ABES-Elsevier) la Production TDM, pouvant inclure quelques lignes d’un texte reposant sur la requête et extrait d’articles individuels ou de chapitres de livres complets dans la limite de 200 signes
Le problème se posera toujours dès lors qu’il s’agira d’impliquer un chercheur ou une institution extérieure, mais il y aura sans doute moyen de frauder discrètement (les identifiants d’accès universitaires circulent déjà largement…). À cet égard la licence nationale opère un rapprochement souhaitable entre le droit de lire et le droit d’extraire : ceux qui peuvent accéder aux articles peuvent également en retirer automatiquement des données et des informations sans contraintes techniques lourdes.
Pour autant, tout n’est pas parfait. Même si il a dû revenir sur certaines de ses prétentions (telles que le contrôle généralisé par l’API ou le flou de la notion de contenu), Elsevier écorne toujours ces deux droits fondamentaux que sont le droit de courte citation et, surtout, le droit de diffuser l’information. Le produit TDM est envisagé dans sa totalité, ce qui va bien au-delà de la législation européenne sur les bases de données. Si l’on applique le texte de l’accord à la lettre, l’ensemble des données passent sous une licence creative commons non-commerciale. À l’instar de la déclaration bidonnée du forum d’Avignon, l’éditeur scientifique considère la base de données dérivée comme une œuvre, dont l’on pourrait délimiter les conditions de protection :
La présente œuvre est distribuée en vertu des conditions Creative Commons Attribution – Pas d’utilisation commerciale (CC BY-NC) 3.0, qui autorise son utilisation non-commerciale, sa distribution et sa reproduction sur tout support, pour autant que l’auteur et la source d’origine soient cités.
Tout ceci s’appliquerait parfaitement à une œuvre de l’esprit. Sauf que nous avons à faire à une base de données, dont seule la structure (et encore dans des cas fortement délimités par la jurisprudence) peut faire l’objet d’une forme de protection et celle-ci n’a rien de comparable Et, ce faisant, Elsevier maintient également subrepticement une forme de droit d’auteur patrimonial sur les citations. C’est là l’élément déterminant qui fonde l’exercice de ses droits sur les œuvres dérivées : la présence de citation de 200 signes, dont il est explicitement précisé qu’elles ne peuvent pas permettre de reconstituer les articles originaux. C’est là une posture cohérente avec la politique générale d’Elsevier en matière de text mining :
Le chercheur doit accepter que bien qu’il détienne le produit de sa recherche, les extraits présentés dans cette production peuvent contenir des droits de l’éditeur, de l’auteur ou de tierces parties.
Cette dérive ne surprendrait pas le fondateur des Creative Commons, Lawrence Lessig. Dès le milieu des années 2000, il s’inquiète de l’inadaptation des licences libres aux droits des bases de données. Mal appliquées, elles risquaient de recréer des enclosures, en conditionnant certaines libertés offertes par les divers codes de la propriété intellectuelle (libre reprise des informations ou des courtes citation). La conception du projet Science Commons a permis d’identifier clairement ce risque :
The core insight behind the Science Commons Data Protocol is that the solution to these problems is to return data to the public domain by relinquishing all rights, of whatever origin or scope, that would otherwise restrict the ability to do research (…) So in Kuhn’s terms, this is a revolution, in the sense that it departs from a trend towards placing increasing restrictions on data. But in another sense, it is far from revolutionary, because it is how science has worked best in the past and, we believe, how it must work in the future if we want science to help us find cures.
Cette réflexion essentielle (et, pour partie, prémonitoire) n’est pas si bien connue. Pour ceux que le sujet intéresse, je l’ai évoqué en détail à l’occasion d’une journée d’étude de l’Université d’Angers sur le droit d’auteur :
Depuis l’année dernière, dernière version des licences Creative Commons (dite 4.0) délimite clairement l’amplitude des droits réservés en matière de bases de données : ils ne s’appliquent qu’aux structures de la base et jamais aux informations. Évidemment, Elsevier ne se réfère qu’à la version 3.0.
Une monstruosité juridique
Enfin, ce n’est qu’un contrat parmi d’autres. Elsevier s’empresse de préciser que cela ne remet nullement en cause plusieurs accords antérieurs (tel que ceux conclus avec ISTEX) :
Les parties conviennent qu’en aucun cas, les droits garantis dans la licence au titre du marché n° 2014-12 ne viennent limiter ou annuler les droits concédés par Elsevier sur les données dans le cadre du marché n° 2013-20 concernant l’acquisition d’archives de revues dans le cadre du projet ISTEX.
La comparaison du contrat de Couperin avec le contrat ISTEX conclu l’année dernière (sur une plus petite échelle il est vrai) est d’ailleurs évocatrice. La clause de text mining accordait une limite élargie à 350 mots (et non des signes), mais elle était moins souple sur les usages (les métadonnées sont également inclues parmi les propriétés d’Elsevier et l’API est la seule et unique voie d’entrée) :
distribuer à l’extérieur la production TDM pouvant inclure quelques lignes d’un texte reposant sur la requête et extrait d’articles individuels ou de chapitres de livres complets (« Fragments ») dans la limite de 350 mots consécutifs ou des métadonnées bibliographiques. En cas de distribution de fragments et/ou de métadonnées bibliographiques, ils doivent être accompagnés d’un lien DOI (identificateur d’objet numérique) redirigeant vers l’article ou le chapitre de livre complet concerné (p. 12).
Et c’est là que l’on perçoit un autre effet néfaste de ces licences privées : créer des monstruosités juridiques en démultipliant les régimes d’usages. Que se passera-t-il si un chercheur associé à ISTEX collabore avec un chercheur bénéficiant de la licence nationale ? L’un pourra publier une base contenant des citations de 350 mots et l’autre se contentera de 200 misérables signes (soit environ 10 fois moins). Inversement, l’un aura peut-être la possibilité d’extraire le contenu des corpus d’Elsevier sans passer par l’API (alors que pour l’autre c’est définitivement exclu). Évidemment je n’envisage pas le cas suprême de la collaboration internationale d’une dizaine de chercheurs ayant chacun leurs propres conditions (j’imagine que Elsevier a essaimé des déclinaisons de sa licence data mining un peu partout).
Si, comme le prévoit le CSPLA, la possibilité d’une ébauche de débat sur une exception ne sera pas ouverte avant deux ans, je sens que le data mining pirate va devenir furieusement tendance. D’ailleurs, pour ceux qui cherchent des trucs et astuces, j’en ai quelques uns en magasin…
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 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.
Après une longue interruption, je reprends doucement une activité sur ce carnet de recherche. Pour l’occasion, je retourne son titre, Sciences communes : non la science comme bien commun, mais l’étude scientifique des communs.
Le première épisode de cette nouvelle série est dédié à l’un des principaux dispositifs envisagés pour pérenniser l’économie des communs : les licences réciproques. Comme leur nom l’indique, ces licences visent à restaurer une relation de réciprocité entre les secteur commercial et le mouvement des Communs. Elles établissent ainsi un mécanisme de réversion dès lors qu’une organisation capitalistique fait usage d’un bien commun.
Nées d’un débat intellectuel international, les licences réciproques ont pris consistance au cours de l’année passée, dans le cadre du projet FLOK. Initié en Équateur, ce projet vise à établir une société de la connaissance libre et ouverte (FLOK est l’anagramme de Free/Libre Open Knowledge). Un réseau international de chercheurs, réuni sous l’égide de Michel Bauwens (de la Peer-to-Peer Foundation) accompagne cette réflexion inédite, notamment lors d’un séminaire organisé demain et après-demain en région parisienne.
Page d’accueil du projet FLOK.
Vers une saturation des communs ?
Au cours de l’année passée, la thématique des communs a pris son envol. En octobre dernier, je jouais encore un rôle de défricheur en publiant l’un des premiers articles sur le sujet dans un média généraliste. Depuis, la notion s’est solidement ancrée dans les débats publics, grâce à une série de publications (Communs de Dardot et Laval) et d’événements (Villes en biens communs) à succès.
Paradoxalement, cette vague de vulgarisation intervient dans un moment d’essoufflement. Après un essor continu pendant toute la première décennie des années 2000, les communs numériques peinent à recruter.
Wikipédia constitue un cas d’école. Depuis 2007, les effectifs communautaires stagnent au mieux (dans les versions francophones et italophones), voire régressent franchement (dans les versions anglophones et germanophones).
Part des contributeurs actifs (>5 editions) sur les wikipédia anglophones (rouge), germanophones (vert), francophone (bleu) et japonaise (jaune)
Les contributeurs ne se sont pas résignés à ce constat. Un important effort a été déployé sur la Wikipédia francophone pour améliorer l’accueil des nouveaux arrivants : simplification des pages d’aide, parrainage, conception d’une interface d’édition en WYSIWYG.
Il y a encore un an et demi, j’attendais beaucoup de ces nombreuses améliorations. Je dois admettre qu’elles n’ont pas suffit : comme le montre le graphique ci-dessous, le nombre de contributeur régulier (plus de 5 éditions par mois) n’a guère progressé.
Nombre de contributeurs actifs sur la Wikipédia francophone
Le problème a sans doute été mal posé. Il n’est pas conjoncturel mais lié à la structure-même de nos sociétés : les contributeurs potentiels restent peu nombreux. Ce n’est pas lié à un manque de moyen mais à un manque de temps libre. Constituer une famille, s’investir dans un projet professionnel : toutes ces étapes fréquentes de la vie humaines apparaissent comme de puissant freins à la contribution.
L’économie des communs est pour ainsi dire victime d’un paradoxe malthusien : les projets (et les besoins) se démultiplient à une vitesse exponentielle, à mesure que l’économie commerciale classique délègue de plus en plus d’activités aux communs ; en raison des contraintes sociales existantes les communautés croissent sensiblement plus lentement. L’arrivée de Wikidata (une sorte de Wikipédia des données), a ainsi détourné certains contributeurs très actifs de Wikipédia. Pour faire de la place aux nouveaux entrants, les effectifs des projets historiques ne peuvent que stagner, voire régresser. Les statistiques d’OpenStreetMap tendent à vérifier cette hypothèse : le projet a été créé en 2006-2007 (soit plus de cinq après Wikipédia). Ses effectifs communautaires tendent logiquement à stagner depuis un peu plus d’un an.
Statistiques des contributeurs actifs d’OpenStreetMap
Ce paradoxe malthusien a peut-être des effets plus profonds dans le monde du logiciel libre. Autant le ticket d’entrée à Wikipédia reste comparativement faible (les bases de la syntaxe wiki et des règles encyclopédiques s’acquièrent en quelques heures), autant la compréhension d’un logiciel préexistant nécessite un important investissement préalable. Par conséquent, de nombreux projets essentiels ne tiennent que grâce à l’activité de quelques contributeurs historiques. Découverte en mars 2014, la faille Heartbleed d’un logiciel libre de sécurité logicielle OpenSSL a affecté 17% des serveurs. Or, le projet OpenSSL ne fédérait qu’une dizaine de contributeurs bénévoles. Un déclin prononcé de Wikipédia aurait des effets tout autant délétères : les contributions seraient moins vérifiées et moins fréquemment mis à jour, ce qui affecterait très largement entreprises et associations dépendants de ces informations.
Les effets dévasteurs de la faille Heartbleed : Strip de XKCD (CC-BY-NC)
La croissance des communs ne pourra se poursuivre sans une réforme en profondeur de la société elle-même. L’enjeu est de taille, tant les productions des communs jouent désormais un rôle économique central. Le secteur entrepreneurial a tout intérêt à éviter une saturation extrême, qui reviendrait bien plus cher qu’une éventuelle contribution régulière.
La proposition initiale de Kleiner : l’incitation au modèle coopératif
La notion de licence réciproque a été initialement conceptualisée par Dmitri Kleiner en 2007. Il s’agit d’une amélioration de la licence non-commerciale de Creative commons (qui reste à ce jour le mouton noir des CC : ni sa suppression, ni son amélioration ne font consensus, d’où un blocage constant).
La commercialisation ne constitue pas le meilleur critère d’un usage commun. La clé USB framakey-Wikipédia constitue un cas d’école des limitations de la licence NC : elle permet de diffuser le contenu de Wikipédia dans des lieux à connexion inexistantes ou limitées (via le projet Afripédia). Ces clés sont généralement vendus à leur coût de production (sans dégager aucun bénéfice. Si Wikipédia étaient diffusées sous une licence NC, un tel projet serait totalement impossible.
Si Wikipédia était sous une licence CC-NC, cette framakey n’aurait pas pu voir le jour
Plutôt qu’une licence non-commerciale, Kleiner conçoit une licence non-aliénante : la Peer-To-Peer Production Licence. La réutilisation commerciale est possible si l’organisation redistribue la totalité de ses revenus à ses employés. L’alinéa (4c) de la Peer-To-Peer Licence explicite ce mécanisme :
(c) Vous pouvez exercer tous les droits accordés dans la Section 3 pour un usage commercial si et seulement si:
(i) vous êtes une entreprise ou un collectif coopératif.
(ii) tous les gains financiers, les surplus, et les profits et les bénéfices produits par cette entreprise ou ce collectif sont distribués aux travailleurs.
Un tel dispositif a une double portée.
Il permet de subventionner les communs en assurant une redistribution de l’usage capitalistique de la ressource. Dans un tel système, la faille Heartbleed n’aurait sans doute pu se maintenir deux ans sans correction. Utilisé par 17% des serveurs, OpenSSL obtiendrait sans doute un budget de plusieurs dizaines de millions d’euros et serait en mesure de défrayer ses bénévoles et d’embaucher plusieurs employés. Les dégâts occasionnés par la faille ont peut-être coûté plus cher que cette subvention (une évaluation du Guardian mentionne près d’un million par mois pour une grosse compagnie).
Il encourage la constitution d’entreprises coopératives. On voit se dessiner l’ébauche d’un cercle vertueux : les communs subventionnés ont les moyens d’attirer de nombreux bénévoles et de communiser des pans entier de l’économie ; en raison de cette communisation croissante, les entreprises ont intérêt à basculer dans un système coopératif. On aboutit ainsi au tissu économique conceptualisé par le projet FLOK :
Une peer-production license requerrait une contribution aux communs pour toute réutilisation, au moins en ce qui concerne les entreprises à but lucratif, afin de créer un flux de valeur d’échange en direction des producteurs de biens communs.
La plupart des critiques adressées à la proposition de Kleiner portent sur sa faisabilité : il serait difficile de discriminer les entreprises coopératives des entreprises non-coopératives ; on retomberait ainsi dans les même problèmes définitionnels que la licence Non-commerciale. Je ne suis pas certain que ce soit là le principal point faible de la peer-to-peer licence. Un cadre légal adapté peut suffire : la loi sur l’économie social et solidaire permet d’opérer une différenciation simple et fonctionnelle dans la plupart des cas. Il y aurait sans doute des passagers clandestins (des entreprises créant des faux-nez coopératifs) tout comme il y aurait des usagers éthiques exclus du système, mais le mécanisme de Kleiner adossé sur un dispositif légal préexistant devrait couvrir efficacement la plupart des cas.
Trois critiques me paraissent plus pertinentes.
1. La licence de Kleiner risque de pérenniser une économie de la rente. Au lieu de sortir purement et simplement les biens non-rivaux du système économique classique (ce qui est notamment l’ambition de la GPL ou des Creative Commons), elle établit un cadre un peu schizophrène. Au niveau des entreprises multinationales, l’économie de la rente demeure, elle tend même à s’élargir dans la mesure où elle intègre également les biens communs. Au niveau de l’économie coopérative, elle disparaît complètement. Il n’est pas certain que cette disjonction troublante favorise une métamorphose en profondeur de la société.
2. La licence de Kleiner est délibérément idéologique. Alan Toner rappelle ainsi que les grands projets communs se sont construits sur un refus délibéré de toute réflexion politique globale. Je suis parvenu aux même conclusions dans une étude récente consacrée à Wikipédia : le refus de toute interprétation politique du projet favorise un regard pragmatique sur les modes de gouvernance utilisées dans le monde réel et l’implémentation de systèmes de régulation innovants.
3. La licence de Kleiner n’incite pas les entreprises non coopératives à participer aux communs. Comme le remarque Lionel Maurel,
Cette approche peut être considérée comme réductrice, dans la mesure où des entreprises n’ayant pas le statut de coopératives peuvent très bien “contribuer à des biens communs”, en participant à leur développement.
La structure sociale interne est le seul critère pertinent : une multinationale qui enrichirait de nombreux projets de logiciel libre devrait verser une subvention pour toute réutilisation tandis qu’une coopérative totalement hermétique à toute participation serait libre d’effectuer toute réutilisation.
Vers un marché des communs ?
La troisième critique a suscité la constitution d’un nouveau modèle : la Community Reciprocity Licence. Il s’agit d’une extension de la Peer-to-Peer Licence introduite par Miguel Said Vieira et Primavera De Filippi (leur synthèse sur le sujet a été récemment traduite par Lionel Maurel). Le principe d’une utilisation différenciée sur la structure est préservé. Seulement, lorsque le réutilisateur n’est pas une coopérative, un nouveau choix se présente à lui : verser une rétribution financière ou contribuer en retour.
Said Vieira et De Filippi définissent un modèle formel de reversement. Toute contribution aux communs donnerait lieu à l’obtention de jetons (tokens). Par exemple, l’on pourrait établir que x node ajoutés à OpenStreetMap ou y commits à un logiciel libre pourraient être converties en x jetons. Chaque entreprise, quelque soit son modèle, pourrait capitaliser les tokens et les utiliser pour reprendre un projet commun. On obtiendrait ainsi des taux de change comme le tableau ci-dessous :
Taux de change des biens communs
Pour ses concepteurs, cette nouvelle licence permet de résoudre la plupart des difficultés posées par la Peer-To-Peer Licence. La question de la définition du statut de l’entreprise (coopérative ou non) devient moins cruciale. Le secteur marchand est naturellement intéressé à un autre mode de réversion au commun qui n’est plus seulement monétaire. Le risque d’une pérennisation d’une économie de la rente serait diminué.
Je dois dire que je suis assez sceptique. Cette licence a déjà donné lieu à un essai d’expérimentation, non concluant : la wikimonnaie. Au milieu des années 2000, quelques wikipédiens ont établi ce moyen d’échange à partir des préceptes suivant : tout nouveau contributeur dispose de 20 jetons ; il peut proposer à d’autres contributeurs d’effectuer un travail encyclopédique en l’échange de ces jetons ou obtenir de nouveaux jetons en passant une transaction similaire avec un autre contributeur.
La Wikibanque peu de temps avant sa disparition (janvier 2007)
Ce système a rapidement disparu, sous la pression d’un groupe d’opposants, les WikiSchtroumpfs. Il altérait profondément la nature de la motivation contributive et des relations inter-communautaires. La communauté encyclopédique tendait à se métamorphoser en marché de l’intérieur ; le wikipédien devenait un capitaliste, calculant rationnellement l’investissement des jetons et la pérennisation de son capital.
La page de ralliement des WIkiSchtroumpf
Une généralisation de ce système à l’ensemble des communs ne serait sans doute pas souhaitable. Les jetons donneraient rapidement lieu à une cotation au même titre que n’importe quelle monnaie. Les entreprises les acquerraient directement auprès de contributeurs, qui en viendraient à contribuer pour vivre.
Face à cette dérive, Said Veira et De Filippi introduisent apparemment un mécanisme de non-convertibilité : les jetons ne pourront que donner lieu à l’obtention d’un droit d’usage commercial. « Les usages commerciaux pourraient être effectués à la fois en « dépensant » ces jetons ou en les transférant au créateur de la ressource utilisée commercialement. L’avantage de la première option serait que la monnaie entre pairs – une fois utilisée – n’existerait plus (évitant le risque de thésaurisation, spéculation, etc) ». En l’état je ne vois pas clairement ce qui empêcherait le stockage de jeton et leur cession à des tiers. Un algorithme de monnaie virtuelle approprié permettrait peut-être d’empêcher toute transaction abusive (voire de ne plafonner les transactions à un seul échange). Malgré tout, l’on resterait dans une logique de calcul, avec ce que cela peut impliquer de déformation stratégique des interactions et des interventions des acteurs.
Cette colonisation interne peut altérer profondément les motivations des commoners. Par contraste avec l’homo economicus, l’homo commonus n’a pas de motivations claires : son intervention échappe à tout calcul. La plupart des enquêtes menées sur les motivations des contributeurs de wikipédia font du plaisir le principe directeur, bien plus que la satisfaction d’être valorisé par une communauté ou l’ambition politique de rendre le savoir accessible à tous. Or, l’économie classique reste bien plus guidée par l’intérêt que par le plaisir…
Le travail d’élaboration d’une licence réciproque (a fortiori si elle repose sur une monnaie d’échange) ne pourra pas ignorer ce vibrant cri de ralliement des WikiSchtroumpf :
Les WikiSchtroumpfs ont veillé, veillent et veilleront à ce que l’altruisme, la curiosité et l’amour désintéressé de la connaissance restent bien les seuls moteurs de la contribution wikipédienne…
Après Elsevier et Gallica, voici un nouvel épisode de ma série sur le data mining. Cette fois-ci je m’attaque à L’industrie majeure du web, celle qui fait figure de métaphore de l’internet tout entier : Google. Ou, plus exactement, son service d’indexation bibliométrique des articles scientifiques, Google Scholar (même si les problématiques abordées ici sont largement applicables à l’ensemble de l’écosystème Google).
Les techniques de data mining (ou extraction automatique des données en bon français) s’apparentent à autant de sympathiques secrétaires, prompts à assister le chercheur dans la moindre de ses tâches. Ils peuvent être employées dans des projets d’analyse classique portant sur un corpus proprement délimité (c’était l’objectif de ma petite application d’extraction des textes journalistiques hébergés sur Gallica, Pyllica). Ils ont aussi une vocation plus méta : permettre de saisir rapidement un champ de recherche en moissonnant les méta-données bibliographiques.
Modéliser un champ de recherche avec Google Scholar
À ce jour, Scholar est la principale alternative gratuite aux grandes bases de données scientifiques telles que le Web of Science de Reuters ou Scorpus d’Elsevier. Par-delà son accessibilité, le service se distingue par une conception volontairement laxiste de la référence scientifique : est référencée sur Google Scholar toute publication déjà citée dans un publication présente sur Google Scholar. Cette ouverture présente plus d’avantage que d’inconvénients. Les conférences ou les working papers, globalement absents de Scorpus, sont correctement recensés. Par compensation, les résultats doivent être appréhendés avec un certain esprit critique (mais c’est de toute façon nécessaire pour n’importe quelle recherche bibliographique : même la revue la plus réputée qui soit peut se tromper et publier un article de qualité relative).
La page d’accueil de Google Scholar.
Scholar intègre une fonction très utile pour les recherches bibliographiques : la fonction « cité par ». Concrètement, il est possible d’évaluer l’influence d’une étude en retrouvant l’ensemble des études ultérieures qui la citent. Je me sers fréquemment de cette fonction pour reconstruire rapidement l’état d’un champ de recherche (dans le jargon académique on parle aussi de faire l’état de l’art).
La fonction « Cité par » de Google Scholar appliquée à l’article culte de la physique quantique, EPR…
Dans certains cas, le nombre de citations est considérable : des publications influentes peuvent être citées des centaines voire des milliers de fois. Sauf à y passer des heures, il devient difficile d’avoir un tableau global de cette littérature dérivée. C’est là qu’intervient le data mining. L’extraction automatisée des métadonnées bibliographiques permettrait de repérer rapidement certaines tendances structurelles (typiquement, le nombre de publication par années, les mots-clés utilisés dans les résumés). Évidemment, ce repérage ne prétend pas se suppléer à une lecture approfondie, mais il permet un gain de temps substantiel.
Pourquoi Google Scholar n’a pas d’API ?
On pourrait penser que Google Scholar serait le terrain de jeu idéal pour une série d’extractions automatisées. Après tout, Google se donne fréquemment une image de firme open, amie du logiciel libre et du mouvement d’ouverture des savoirs. Et pourtant ce n’est pas du tout le cas.
Avant toute chose, nous nous mettons en quête d’une API. Pour mémoire, une API, ou Application Programming Interface, désigne un programme permettant à une interface de communiquer ses données avec l’extérieur. Les APIs montrent vite leurs limites pour une recherche sophistiquée : le détenteur de l’interface définit en effet des catégories pré-remplies qui limitent fortement le champ des recherches possibles. Néanmoins, notre projet (récupérer toutes les métadonnées des références qui citent une référence pré-définie) reste assez simple. On peut légitimement espérer que l’API de Google Scholar permette de réaliser quelque chose qui s’en approche.
Or, il n’existe pas d’API pour récupérer les données de Google Scholar. C’est là une anomalie curieuse. Google Books dispose d’une API depuis plusieurs années. Pourquoi Google néglige-t-il de développer un service d’extraction pour Scholar ? L’intérêt du public ciblé est pourtant patent : Scholar s’adresse à des chercheurs plutôt familiers des nouvelles technologies, soit des gens a priori intéressés (et motivés) pour utiliser des outils de recherche un peu poussés. Vraisemblablement, Google ne tient pas à froisser les multinationales de l’édition scientifique. Google Scholar n’a que vocation à enrichir « l’expérience utilisateur » : il n’est pas valorisé en tant que tel. Google ne tient pas à saborder le business d’Elsevier et Reuters (d’autant plus que ces deux entreprises ont vraisemblablement des budgets d’e-marketing non négligeables).
L’API de Google pour Google Books n’a pas d’équivalent pour Scholar
Je suis donc amené à rédiger mon propre petit programme d’extraction. En combinant une bibliothèque de parsing HTML (Beautiful Soup) et des expressions régulières, j’arrive rapidement à obtenir des résultats satisfaisants. Pour des raisons qui deviendront vite évidentes par la suite, je n’ai pas republié ce bout de code sur Github.
Mon programme d’extraction automatisé, écrit en python…
Le titre, l’année, le nom de la revue, le nombre de citations : toutes ces données sont correctement extraites et reportées dans un document csv.
Les données bibliographiques sont bien rangées…
Il y a pourtant un petit souci. Lorsque le nom de la revue est trop long, Google Scholar le présente sous une forme abrégé. Ce problème survient assez peu souvent. Il reste envisageable de le corriger à la main ou, si les résultats deviennent trop nombreux, de l’ignorer purement et simplement (lorsqu’on manipule une base de données de bonne taille, on n’est pas à une marge d’erreur près).
Le nom de la revue est abrégé sans que l’on puisse récupérer le nom complet.
Tout fonctionne pour le mieux… Il y a pourtant un hic. Tout comme Elsevier, Google interdit formellement le parsing : on est prié de se servir d’une API sauf que, dans le cas de Google Scholar, l’API n’existe pas. Faute de mieux, je maquille mon programme d’extraction en navigateur web standard. Je prends soin d’inclure un temps d’attente de quelques secondes entre chaque ouverture de page : après tout, il m’arrive d’ouvrir compulsivement des pages de résultats de cette manière.
Mes précautions sont vaines. Google finit par me repérer. Mon petit programme est bloqué et n’extrait plus rien. Lorsque je rouvre Google Scholar par des voies traditionnelles, je dois rentrer un captcha pour prouver que je ne suis pas une machine. Il va falloir trouver une tactique plus subtile pour tromper l’attention de big brother.
Quand le data scientist se fait hacker…
Le maquillage de mon programme en navigateur standard ou l’utilisation d’un temps d’attente entre chaque ouverture de page n’étaient que des détournements élémentaires. Pour faire du data mining « sauvage » avec les contenus publiés par les grandes industries du web, il n’y a d’autres alternatives que le hacking pur et dur.
Une première stratégie efficace consiste à travestir complètement notre algorithme en humain. Cela suppose d’opter pour des intervalles d’ouverture de page aléatoires (typiquement dans une échelle allant de 15 à 60 secondes), en prenant un temps minimal au moins supérieur à 15 secondes. Les résultats de cette stratégie sont améliorés si l’on change de navigateurs en cours de route. Seulement, dans ce cadre, l’extraction devient looooooooooongue… Pour 60 pages de Google Scholar il faut compter au minimum une demi-heure. Bref, ce n’est praticable que l’on ne s’intéresse qu’à un nombre de pages assez limité (pas beaucoup plus d’une cinquantaine).
Une seconde stratégie, beaucoup plus ambitieuse, vise à empêcher toute tentative d’identification pérenne en passant sur le réseau TOR. La mascarade va beaucoup plus loin : Google ne va pas croire que notre programme est une personne, mais qu’il est plusieurs personnes, l’adresse IP n’arrêtant pas de changer. Je n’ai pas encore tenté l’affaire. Cette nouvelle stratégie demande une préparation non négligeable : le navigateur TOR doit être préalablement configuré pour être utilisé par un script externe.
Bonjour Google Scholar ! Je suis une IP polonaise et dans deux secondes je deviens une IP argentine…
Faire de la bibliographie un bien commun
Que conclure de cette petite mésaventure ?
D’abord que Google n’est pas une organisation caritative. L’accès apparemment gratuit ne doit pas induire en erreur : la firme californienne veille jalousement sur son patrimoine numérique. Ses nombreuses activités ne sont peut-être pas immédiatement rentables, mais elles aspirent toutes à une rentabilité à terme. Google Scholar fait typiquement partie de ces opportunités en attente. Avec, l’intégration des mesures quantitatives du web dans les métriques d’évaluation, le tournant numérique des grands éditeurs scientifiques et le développement des réseaux sociaux scientifiques, les diverses statistiques de Scholar (notamment la consultation) prennent de plus en plus de valeur.
Ensuite, les bibliographies scientifiques sont soumises à d’importantes enclosures. Avec le déclin des revues traditionnelles, le modèle économique des industries académiques se déporte de plus en plus vers l’accès aux données et métadonnées scientifiques. Or, les métadonnées bibliographiques font partie du domaine public de l’information : leur privatisation de facto est totalement illégale. Rien ne devrait empêcher leur libre reprise.
Faute de mieux, Google et Elsevier recourent à un argument qui ne fait guère illusion : l’extraction automatisée risque de casser les serveurs en mobilisant excessivement leur ressources (un programme d’extraction adossé à une bonne connexion internet peut récupérer plusieurs milliers de pages en une minute). C’est un exemple typique du sophisme de l’épouvantail : prendre un exemple extrême pour rejeter la totalité d’une proposition. Il est tout à fait envisageable d’autoriser un usage modéré du data mining (pour un site aussi light que Google Scholar, 100 pages par minute est tout-à-fait supportable : une vidéo de YouTube en haute qualité consomme bien plus de ressource).
Comme le soulignait un collègue blogger en 2009, il serait grand temps de faire de ces ressources bibliographique un bien commun. Certains projets s’y emploient. C’est le cas de Wikidata qui vise à créer des entrées pour la plupart des sources fiables afin de référencer et de vérifier les données dans une approche typiquement wikipédienne. Si je disposais d’un peu plus de temps, je suis presque tenté de pomper une bonne partie de Google Scholar pour le transférer sur Wikidata (une opération-commando de libération du savoir tout-à-fait légale soit dit en passant…).
Enfin, comme pour Gallica, voici une petite évaluation de l’accessibilité de Google Scholar aux projets de data mining (je pourrais presque finir par créer les data mining awards) :
Accessibilité des pages : 0/20. Les choses sont simple : c’est catch me if you can. Sauf à truquer la surveillance de l’ami Google, Google Scholar est complètement inaccessible
Lisibilité des urls : 7/20. Je n’ai pas eu l’occasion d’en parler : les urls sont suffisamment lisibles pour lancer des boucles, mais demeurent un peu cryptiques.
Sémantisation des documents : 5/20 : Les marqueurs HTML sont corrects. Par contre, des indications sont volontairement parcellaires, peut-être pour décourager les tentatives de recueil automatisé.
Statut légal : 0/20. Bien que les métadonnées soient, pour l’essentiel dans le domaine public de l’information (les résumés font peut-être exception), Google interdit complètement l’extraction automatisée.
Note globale : 4. La conception de Google Scholar n’est pas rebutante en soi et permet de monter en peu de temps un programme d’extraction automatisé potable. Seulement, Google ne vous aime pas, et le fait savoir.
L’organisation Statewatch vient de mettre en ligne un document confidentiel de la Commission européenne qui spécifie les principaux scénarios envisagés pour l’évolution du droit de la propriété intellectuelle des pays-membres. J’ai publié hier une présentation générale de ce document sur Rue89. Les perspectives ne sont pas très exaltantes. Au mieux, la Commission recommande une évolution timide (avec l’introduction d’une version allégée du fair use américain). Au pire, elle acte le développement d’une régulation exclusivement marchande, les industries culturelles et les industries du web se réconciliant sur le dos du consommateur et du citoyen…
Il y a pourtant une bonne surprise : le data mining. Pour rappel, le data mining désigne l’ensemble des techniques permettant d’extraire automatiquement des éléments présents dans un document : des textes (on parle alors de text mining), des images (grâce au logiciel de reconnaissances visuels), voire même des vidéos… Cette activité est en plein essor, grâce au développement d’outils d’extraction plus efficaces et plus accessibles. Le projet Text2Genome est ainsi parvenu à compiler plus de 3 millions d’articles scientifiques afin de dresser un état de l’art monumental de l’ensemble des travaux réalisés sur le génome humain. À ma petite échelle, je suis parvenu à récupérer plus de dix ans de chroniques boursières publiées dans le Journal des débats (sans être considérable, cela représente un corpus inhabituellement grand pour les études de la presse quotidienne).
Pyllica, ma petite application de data mining développée pour Gallica
Les éditeurs scientifiques tentent de capter cette manne naissante, afin d’en tirer des avantages monétaires directs ou indirects. Elsevier tire ainsi parti de sa position quasi-monopolistique pour écrire sa propre loi sur le data mining, en imposant des contraintes qui servent au mieux ses intérêts économiques et symboliques (obligation de s’inscrire, ce qui permet de récolter des méta-données, tout projet passe par l’API, ce qui permet de pré-définir les catégories d’extraction…).
Le système de licences pour le data-mining préconisé par Springer
Échaudée par l’échec du processus Licences for Europe, qui préconisait l’élaboration de licences contractuelles sur le modèle du service de data mining d’Elsevier, la Commission européenne semble sérieusement acquise au principe d’une exception : dans ce cadre, le droit d’extraire ne dépendrait plus d’accords contractuels, souvent aléatoires, mais ferait l’objet d’une exception aux diverses protections offertes par le code de la propriété intellectuelle. Deux études récentes auguraient de ce retournement : une synthèse d’avis d’expert réalisée par le juriste britannique Hargreaves, partisan d’un assouplissement du droit des bases de données (et inspirateur de l’exception actuellement discutée au Royaume-Uni) et un rapport du juriste belge Jean-Paul Trialle, dévoilé début avril, qui pointait les limites du droit d’auteur.
Les scénarios les plus crédibles développés dans le document révélé par Statewatch recommandent, avec des variations plus ou moins importantes, d’intégrer le data mining dans une sorte de fair use : a minima, toute extraction à des fins non-commerciales serait autorisée, sans avoir à passer par un accord contractuel.
Un diagnostic équilibré
Avant de passer aux recommandations et aux « scénarios » (je ne peux m’empêcher de penser que les services juridiques de la Commission sont peuplés de cinéphiles…), le document développe une séries d’analyses sur les principaux enjeux d’une modernisation du copyright. L’analyse consacrée au data mining se déploie dans deux textes : une brève synthèse de deux pages (p. 35-36) et une version développée inclue en annexe, mais qui ne reprend pas non plus tous les points de la synthèse (p. 144-149). Pour ceux qui n’ont pas envie de scroller, il est possible de consulter ces extraits dans un autre document publié par Statewatch.
Le diagnostic posé par la synthèse et sa version développée est plutôt juste. Les auteurs soulignent que le data mining constitue une activité d’avenir en raison des importants gains de temps apportés au travail scientifique. Ils reprennent également les arguments stéréotypés en faveur du big data (avec plusieurs centaines de milliards de dollars de croissance en perspective). Pour autant, le data mining reste un trou noir juridique,
D’un point de vue légal, la nouveauté et le caractère évolutif des techniques d’extraction automatisée des textes et des données soulève de nombreuses incertitudes dans de nombreux champs d’applications de la loi (p. 144).
Cette lacune risque d’affecter négativement les recherches scientifiques européennes
Certaines parties prenantes s’inquiètent du retard pris par l’Union Européenne par contraste avec d’autres régions du monde ou l’extraction automatisée des textes et des données est devenu une pratique commune dans la recherche scientifique (p. 35)
Par contraste avec le processus Licences for Europe, la présentation des enjeux n’est pas unilatérale au profit des seuls éditeurs. Le point de vue des chercheurs et des bibliothécaire est correctement exposé.Le texte fait état du questionnement sur le lien irréductible entre droit de lire et droit d’extraire :
Dans ce contexte, chercheurs et institutions scientifiques (telles que les bibliothèques universitaires) considèrent que, tant qu’elles ont accès légalement à un contenu numérique, le droit de lire ce contenu devrait automatiquement entraîner le droit de l’extraire (p. 147).
Le texte décrit également en détail le point de vue des multinationales de l’édition scientifique. Il s’étend en particulier sur deux arguments-massue des éditeurs : la nécessité de préserver la sécurité et la stabilité des plate-forme (p. 148)) ; le risque d’une dissémination accrue de contenus protégés ( p. 149). Il est intéressant de voir que la défense des éditeurs repose sur un brouillage entre les droits d’auteurs et des enjeux totalement externes. La sécurité des infrastructures n’est absolument pas incompatible avec une politique progressive en matière de data mining. Par exemple, Wikipédia autorise toute forme d’extraction sous réserve de ne pas dépasser un nombre de requêtes plafonné (si mes souvenirs sont bons, cela tourne autour de plusieurs milliers de requêtes par heure). Et la création de dérivés est déjà permise au nom du domaine public de l’information (des données et métadonnées des articles de recherche sont déjà très largement disséminées sur Google Scholar, entre autres).
Le texte mentionne également un élément intéressant dont je n’avais pas connaissance, et qui alarme beaucoup les éditeurs : le développement d’undata mining pirate (on parle aussi de grey market), qui aurait pris de l’ampleur depuis plusieurs années (p. 148). J’imagine que certains chercheurs ayant d’excellentes compétences en programmation web n’hésitent pas à hacker les plate-forme existantes (le regretté Aaron Swartz avait montré la voie…). En l’occurrence, cet argument se retourne tout seul : les vrais hackers auront toujours un train d’avance sur les plate-forme des éditeurs ; par contre la très grande majorité des chercheurs sont coincés face à un trou noir juridique.
Ce diagnostic ne débouche pas sur une résolution claire. Néanmoins, par rapport au processus Licences for Europe, la position des éditeurs a été clairement fragilisée. Les recommandations exposées dans les différents « scénarios » de la commission iront plus loin encore…
Trois scénarios pour une exception
Le document de la Commission expose cinq scénarios distincts (en comptant les deux variantes du scénario n°3) en vue d’une modernisation de la législation sur la propriété intellectuelle en Europe. Je ne vais pas m’intéresser ici aux scénarios ne comprenant pas de dispositions explicites sur le data mining : le scénario n°1 recommande de ne rien changer, le scénario n°4 préconise de créer un code de la propriété intellectuelle européen sans ne rien dévoiler de son contenu éventuel. Reste donc le scénario n°2, le scénario n°3(a) et le scénario n°3(b).
En apparence, le scénario n°2 n’est pas du tout favorable à une exception. Il se présente comme un « soutien pour les initiatives du marché ». En clair, il s’agit de redéfinir les règles de la propriété intellectuelle directement avec les industries culturelles et les industries web (la société civile passant totalement à la trappe). On pourrait ainsi s’attendre à ce que les licences contractuelles promues dans le processus Licences for Europe soient directement reprises. Et là, ô surprise… le principe de l’exception n’est pas évacué.
La Commission développerait des recommandations à l’attention des États-membres afin de clarifier dans quelle mesure les activités et les techniques d’extraction automatisée sont couvert (ou non) par le droit de la propriété intellectuelle et dans quelle mesure ils s’insèrent dans le cadre des exceptions existantes pour les usages à des fins de recherche (en particulier en regard de la directive sur la société de l’information et de la directive sur le droit des bases de données). La Commission encouragerait l’implantation maximale, par les États-membres des limitations existantes pour la recherche scientifique à des fins commerciales (p. 54).
Cette disposition reste floue et utilise fréquemment le conditionnel. Les éditeurs pourraient certainement tirer partie de la faiblesse de ces recommandations pour imposer leurs propres usages. Néanmoins, il faut garder à l’esprit qu’il s’agit du pire scénario possible : même dans cette éventualité, la Commission promeut une interprétation aussi généreuse que possible des usages non-commerciaux tels que définis dans la Directive sur la société de l’information et qui ont toujours été intégrés a minima dans les législations nationales. Pour mémoire, l’article 5(3)(a) de cette directive était ainsi conçu :
[Les États membres peuvent prévoir des exceptions] lorsqu’il s’agit d’une utilisation à des fins exclusives d’illustration dans le cadre de l’enseignement ou de la recherche scientifique, sous réserve d’indiquer, à moins que cela ne s’avère impossible, la source, y compris le nom de l’auteur, dans la mesure justifiée par le but non commercial poursuivi.
Les scénarios n°3(a) et n°3(b) présentent un point commun : l’intervention législative (ce qui, concrètement, revient à introduire des exceptions). Seulement, le 3(b) va plus loin que le 3(a) en terme d’assouplissement des dispositions de la propriété intellectuelle. En p. 62-63 on trouve un résumé rapide de leurs implications pour le data mining.
Le scénario (a) s’apparente à un fair dealing sur le modèle de la disposition envisagée par le Royaume-Uni : la mise en place d’une exception pour le data mining serait obligatoire pour l’ensemble des pays européens ; n’importe qui peut extraire un contenu sous réserve d’y avoir accès (ce qui revient à lier indissolublement droit de lire et droit d’extraction) ; seuls les projets/initiatives non commerciales relèvent de cette exception (sans doute le point le plus problématique en raison de l’imprécision du « non-commercial » : les articles de recherche, édités dans des revues, peuvent sans doute intégrer cette définition). Les licences contractuelles ne peuvent se substituer à l’exception : « les arrangements contractuels permettant l’accès légal au contenu (i. e. un abonnement) ne devraient pas outrepasser l’exception » (p. 62).
Le scénario (b) reprend tous les termes du scénario (a) et les élargit pour admettre des usages commerciaux sous réserves que les réutilisateurs ne soient pas en concurrence avec les ayants-droits ou les détenteurs du service d’accès (« tant que les usages permis n’entrent pas en concurrence avec le contenu ou le service originel » (p. 62)).
Plus loin, le texte tente de définir les impacts de chaque scénario. L’évaluation du scénario n°2 ne mentionne pas le cas particulier du data mining. Néanmoins, la Commission n’est pas totalement convaincue par la démarche générale (recommandations non contraignantes visant à s’adapter au mieux à la situation du marché). Le scénario n°2 n’aurait qu’un « impact modéré » et ne parviendrait pas unifier les dispositions des États-membres (p. 71-72).
Le scénario 3(a) est jugé plutôt équilibré : « La recherche et l’innovation bénéficieraient d’une sécurité juridique qui prendrait la forme d’une exception pour le data mining. » (p. 67).
Inversement, le scénario 3(b) est assez sévèrement critiqué :
Même si, dans certains cas, la distinction entre un usage commercial et un usage non-commercial s’avère problématique, l’introduction d’une exception couvrant aussi bien le data mining non-commercial que commercial (même en spécifiant que les usages ne doivent pas entrer en concurrence avec le contenu ou le service originel) ne semble justifié par aucune défaillance du marché, étant donné l’existence d’un marché efficient de licences de data mining entre les éditeurs et les utilisateurs commerciaux, tels que le secteur pharmaceutique. (p. 68-69)
Le texte souligne cependant que tout n’est pas perdu pour les ayant-droit et les détenteurs de service d’accès :
En même temps, [le scénario 3(b)] peut encourager le développement de nouveaux modèles économiques, permettant aux détenteurs des droits de trouver de nouvelles sources de financement.(p. 69).
Les raisons d’un revirement
Par-delà les timidités ou les réticences de la Commission (qui se montre notamment assez rigide sur les usages non-commerciaux), il est assez fascinant de voir à quel point le discours a changé en un an. En avril 2013, le processus Licences for Europe rejetait d’emblée toute solution non contractuelle : faute de parvenir à quoi que ce soit, des associations comme le LIBER (association des bibliothèques européennes) ou l’OKFN avaient été contraintes de claquer la porte.
[nous quittons] un processus de décision dont le résultat est déjà pré-déterminé : l’ajout de nouvelles licences serait la seule solution envisageable aux multiples écueils rencontrés dès lors que l’on souhaite extraire automatiquement les données d’un contenu auquel l’on a déjà accès.
Depuis la situation s’est presque inversée. Les éditeurs et leurs licences contractuelles sont sur la défensive. Ils peuvent au mieux espérer que l’exception restera suffisamment floue pour ne pas empiéter sur leurs licences contractuelles.
Qu’est-ce qui a pu motiver un tel changement ? Plusieurs variables ont joué, sans doute, mais la plus importante figure en introduction de l’analyse développée par la commission : la peur du déclassement. Grâce à la souplesse du « fair use », les États-Unis se sont aisément adapté à ces pratiques émergentes. Le dernier procès contre Google Books met en évidence que, pour la justice américaine, le data mining n’est pas un trou noir juridique. En sécurisant une pratique appelée à jouer un rôle considérable dans la recherche scientifique et au-delà, les américains se dotent d’un avantage décisif sur les européens. Les anglais ne s’y sont pas trompés et devraient bientôt voter une exception assez proche du scénario n°3(a) prévu par l’Union Européenne.
La géopolitique a peut-être finalement eu raison des réticences politiques…
La reconnaissance d’une exception au data mining s’accélère depuis quelques mois. De plus en plus, l’extraction automatisée des textes, des données et des images semble indissociable du droit de lire.
L’échec du processus du Licences for Europe a, du moins pour un temps, signé l’échec de la tentative de « féodalisation » du droit par les éditeurs scientifiques : ceux-ci ne sont pas parvenus à imposer le principe de licences contractuelles d’accès à leurs corpus éditoriaux. La commission européenne multiplie les signes de revirement. Un rapport a été commandé au juriste britannique Hargreaves, partisan d’un assouplissement du droit des bases de données. Un autre rapport du juriste belge Jean-Paul Trialle, dévoilé début avril, allait dans le même sens.
Les États européens redoutent de se faire distancer par les États-Unis, où la législation, plus flexible, s’est mieux adaptée à la généralisation des pratiques d’extraction. Le dernier jugement rendu dans le cadre du procès Google Books a globalement acté l’idée que le data mining à des fins scientifiques ou pédagogiques rentrait dans le périmètre du fair use.
À la fin mars, le Royaume-Uni a officiellement adopté une exception qui reprend pour l’essentiel les propositions de Hargreaves (je vous invite à lire l’excellente synthèse de Lionel Maurel sur cette évolution en demi-teinte). La France s’interroge également. Le Conseil Supérieur de la Propriété Littéraire et Artistique va prochainement publier un rapport sur le sujet. Il intègrera notamment une synthèse du collectif Savoirscom1, que j’ai rédigé avec Lionel Maurel. L’affaire Elsevier a également contribué à susciter un débat public : l’ABDU et le consortium Couperin ont récemment dénoncé les méfaits d’un data mining contractualisé (sans pour autant remettre en cause l’accord avec Elsevier).
Des nouveaux outils commencent également à émerger pour tenir compte de ces nouveaux usages. Destiné à être opérationnel en 2015, Europeana Newspapers intègrera une reconnaissance sémantique des différents articles de la presse ancienne.
En attendant… c’est bien compliqué. Je me suis mis en quête d’extraire automatiquement une série de textes hébergés sur Gallica : des chroniques boursières publiées dans le Journal des débats. Aux incertitudes légales s’ajoutent des complications techniques pas forcément justifiées.
Data mining en milieu inhospitalier…
La politique légale de la BNF est très ambiguë. Mes collègues de Wikisource en savent quelque chose : la BNF interdit officiellement certains usages, mais les tolèrent de facto…
Les œuvres et les créations passées dans le domaine public sont publiés sous une licence non-commerciale dans Gallica. Cette protection indue constitue un exemple typique de copyfraud : la BNF improvise des restrictions totalement contraires à la définition usuelle du domaine public dans la jurisprudence française. Et le pire reste à venir : les contrats proquest accordent une exclusivité complète d’utilisations de fichiers dans le domaine public à un acteur privé.
Or, Wikisource réutilise très largement des fichiers de Gallica, sans reprendre la licence non-commerciale : les œuvres sont republiées sous le statut général du domaine public. À ma connaissance, la BNF ne s’est jamais plainte de ce détournement évident de leurs conditions d’utilisation. Elle encourage en fait ces reprises, qui contribuent à enrichir le patrimoine intellectuel francophone. La communauté ne se contente pas de reproduire : elle enrichit les documents originels en créant une version textuelle corrigée manuellement (nul OCR n’est parfait).
Le data mining soulève des problématiques similaires. Les conditions d’utilisation de Gallica brassent large : « La réutilisation commerciale de ces contenus est payante et fait l’objet d’une licence. Est entendue par réutilisation commerciale la revente de contenus sous forme de produits élaborés ou de fourniture de service.» Elles ne s’appliquent pas seulement à des œuvres mais à l’ensemble des contenus (données, images, etc.). La réutilisation commerciale ne porte pas seulement sur la revente effective mais aussi sur la fourniture de service. Il n’est pas exclu que je sois payé par un projet de recherche pour faire du data mining sur Gallica : ce cas de figure s’apparenterait pleinement à une fourniture de service.
Ces contraintes légales sont renforcées et prolongées par des contraintes techniques. Gallica n’offre aucun service pour récupérer automatiquement les documents ou leur transcription OCR. Les fichiers PDF ne sont pas disponibles sur le web : l’on doit les « commander » via un protocole FTP. Cette contrainte technique vise à empêcher le moissonnage. La direction de la BNF redoute une absorption par un géant du web (Google en l’occurrence) : tout ce qui prévient la reprise automatisée du corpus bibliographique est bon à prendre, même si cela limite forcément les usages (tout téléchargement prend une à deux minutes, le temps de sélectionner les boutons, de cocher les cases et de cibler le document à enregistrer dans le bon dossier).
Les principales étapes de la récupération d’un fichier sur Gallica
Le site paraît ainsi un peu inhospitalier. Pas suffisamment toutefois pour décourager un chercheur un peu hacker… Il existe des trappes secrètes et des chemins de traverses : les documents sur Gallica sont accessibles sous plusieurs modes. Deux modes en particulier se prêtent à une extraction automatisée, le mode texte et le mode zoom.
Extraction des textes : l’application Pyllica et ses limites…
Comme son nom l’indique, le mode texte publie une version textuelle du fichier. L’OCR de Gallica génère des résultats convenables. Il reconnaît les colonnes de texte (ce qui est impératif pour travailler sur la presse). Lorsque la copie est bonne, le taux d’erreur demeure convenable (en général un mot mal lu sur vingt). Comme nous aspirons à faire du data mining à grande échelle, cette petite part d’inexactitude n’a pratiquement aucune incidence.
À cette fin, j’ai écrit une petite application en python disponible sur Github, Pyllica (eh oui, je le concède, mon branding n’a rien de bien original).
Présentation de l’application Pyllica.
Pyllica, donc, aspire les versions textuelles des document de Gallica et les transforme en fichiers bien proprets et proprement nommés. Il existe une fonction générique pour les documents standards, textbook. Je vais plutôt m’appesantir ici sur la fonction dédiée à la récupération des journaux, textpress. Elle intègre plusieurs paramètres permettant d’obtenir des séries d’exemplaires personnalisées de n’importe quel titre.
Les paramètres de la fonction textpress.
Les fonctions temporelles s’appuient sur la navigation par calendrier mise en place par Gallica. Elles définissent une date de départ, l’écart en nombre de jours entre chaque exemplaire recherché, et le nombre d’exemplaires au total. Cet écart est tout particulièrement utile lorsque l’on s’intéresse à des rubriques, des chroniques ou des séries d’articles publiant sur une base temporelle prédéterminées. En l’occurrence, je m’intéresse à la chronique boursière hebdomadaire du Journal des débats. Il me suffit maintenant de définir un écart de 7 pour obtenir l’ensemble des exemplaires du lundi, date de parution de la chronique.
Résultat de l’opération : tous les exemplaires du lundi du Journal des débats de 1862
Les fonctions éditoriales intègrent notamment l’échantillon de pages de recherchées (par exemple, de la page 3 à la page 4) et des séparateurs. Les rubriques ne sont en effet pas distinguées dans la version textuelles : nous n’obtenons qu’un long filet de texte. Sauf à étudier une page entière, aucune analyse quantitative ne serait envisageable dans ce cadre. L’un de mes projets à terme consisterait à compiler les principaux séparateurs des principales rubriques des principaux quotidiens français : par exemple “REVUE DE LA SEMAINE.” constitue le meilleur séparateur possible pour distinguer le début de la chronique boursière dans le Journal des débats au milieu du XIXe siècle (je n’ai jamais eu un seul faux positif). Pour la fin de la rubrique j’ai opté pour le nom de la rubrique disposées juste après (le “BULLETIN AGRICOLE”) : le nom du chroniqueur « Jules Paton », ne survit pas très bien à la transcription OCR. Parmi les fonctions éditoriales, j’ai aussi ajouté quelques expressions régulières, destinés à clarifier le texte (retraits des traits d’union disposés à la fin d’une ligne).
La chronique boursière du 23 janvier 1860, proprement délimitée et mise en forme par quelques regex…
Bref, tout est pour le mieux… sauf que non. La version textuelle ne reconnaît pas l’un des composants fondamentaux de la presse française du XIXe siècle : le feuilleton. Le feuilleton apparaît pendant le directoire, comme un moyen de contourner une nouvelle taxe sur les suppléments de presse (en fait une forme de censure plus ou moins déguisée). Il s’agit d’un supplément greffé à la surface du journal et disposant de sa propre structure rédactionnelle. Le feuilleton constitue un laboratoire éditorial où émergent de nombreuses formes journalistiques : le roman-feuilleton, les publicités, la critique littéraire, les cours de la bourse…
Un exemple emblématique du roman-feuilleton : le premier épisode des Trois Mousquetaires dans le Siècle du 14 mars 1844.
Le feuilleton est bien dessiné sur les journaux : une épaisse bande noire le sépare de la partie haute. L’objet est facilement lisible pour un humain, mais aussi par une machine. On aurait pu espérer que l’OCR de Gallica spécifie le début et la fin du feuilleton par un signe quelconque. On ne trouve rien de tel. Ma chronique boursière en vient ainsi à intégrer une masse textuelle qui ne devrait pas s’y trouver.
La chronique boursière du 15 février 1864 contaminée par les publicités et les annonces
À ma connaissance, il n’y a aucun moyen de discriminer ces indésirables en recourant à des expressions régulières ou à des analyses probabilistes de vocabulaire : le texte présent dans le feuilleton est trop proche de la chronique (il comprend notamment des publicités pour des émissions boursières).
Extraction des images : l’art du temps long
Nous voici donc ramené à notre point de départ : pour faire du bon data mining des documents journalistiques de Gallica, nous devons disposer des fichiers originels, et non simplement de la version OCRisée. Le téléchargement par des voies usuelles est exclu. J’avais tenté il y a quelques mois de truquer le processus de « commande » personnalisé des PDFs, en créant une série de requêtes automatisée pour actionner les boutons et cocher les cases. Le trucage s’est avéré finalement trop complexe pour mes compétences de programmeur amateur…
Un wikipédien m’avait mis sur une autre piste il y a quelques années. Gallica comporte un mode zoom qui permet de consulter un texte avec la plus haute résolution possible (ce qui est tout bonnement indispensable pour un corpus de presse). Pour d’évidentes raisons d’ergonomie, la version zoomée ne constitue pas une image unique, mais une collection d’images. Ainsi lorsque le lecteur consulte une portion du texte, le serveur n’est pas contraint d’afficher un scan bien lourd (il faut compter 20 à 40 millions de pixels pour une page de journal). Il se contente d’afficher suffisamment d’images au format 256×256 pour remplir la fenêtre d’un navigateur.
Les carrés magiques cachés de Gallica
Curieusement, alors que les pdf sont bien cachés derrière un protocole FTP, les images composant la version affichées en ligne sont directement accessibles en ligne. L’url est, de plus, assez commode : elle agrège toutes les informations indispensables à connaître (coordonnées de l’image, niveau de zoom…).
Un combo de quelques bibliothèques python (urllib pour le téléchargement, PIL pour la gestion des images) permet de télécharger l’ensemble des images et de les recoller dans un document unique. La réalisation de ce puzzle nécessite de connaître les coordonnées finales du fichier : la presse au XIXe siècle évoluait vers des pages d’ampleur croissante et des textes de plus en plus condensés, ce qui amène Gallica à créer des fichiers de plus en plus lourds. Par exemple, la résolution du Journal des débats est de 3840/2304 px en 1815. En 1845, l’aire couverte a quadruplé en passant à 6400/4864 px.
Le journal des débats de 1815 et de 1845 à résolution égale
Cette contrainte peut être contournée en créant une base de données des coordonnées finales, voire en récupérant directement cette information avec un scraper (il suffit de repérer la dernière balise img, quelque chose tout à fait à la portée de beautiful soup…).
Il y a encore un souci de taille : le temps. Urllib n’est pas performant : le téléchargement d’une seule page d’un exemplaire des débats de 1845 prend près de 10 minutes. J’ai tenté de recourir à une bibliothèque mieux réputée, Requests, sans beaucoup de succès. Requests s’en sort peut-être mieux avec l’ouverture des pages web, mais il peine avec les images.
Pour deux pages l’ensemble du processus (qui comprend aussi la transcription OCR avec pytesser et diverses opérations de clarifications avec expressions régulières) dure jusqu’à une demi-heure, ce qui est franchement déraisonnable. L’image mining redevient praticable si l’on se focalise sur de petites portions du texte journalistique. Certains rubriques reviennent à une place récurrente : il est possible de délimiter leurs coordonnées dans le référentiel de 256/256 images. J’ai ainsi pu extraire l’image suivante en moins de 30 secondes :
Une portion d’image extraite du Journal des Débats du 6 mars 1845
La piste de l’image mining reste ainsi envisageable pour de courtes rubriques solidement amarrées à un lieu précis du journal. Ce n’est pas le cas de ma chronique boursière qui passe son temps à gigoter entre la page trois et la page quatre : dans le jargon de l’époque, on dirait qu’elle appartient au « ventre mou » du journal, cette partie insaisissable qui évolue au gré de la matière disponible ou des opportunités du jour (scoop, etc.).
Expérimentations, conclusions, évaluations…
Fort de toutes ces expérimentations… je me suis résigné à retirer manuellement les morceaux de feuilletons qui s’étaient glissés au milieu de mes chroniques boursières. Dans son ensemble, le processus reste rentable. Il me faut environ une heure pour récupérer une année de chroniques bien formatées, ce qui comprend dix minutes d’extraction automatisée… et 50 minutes de corrections manuelles.
J’en retire également une conviction : la numérisation n’est qu’un début. En l’absence d’applications permettant l’extraction et la sémantisation, les images ou les textes n’offrent qu’un intérêt limité pour la recherche. Tant que les bibliothèques digitales verront l’extraction automatisée au mieux comme un phénomène marginal, au pire comme une menace, leurs corpus, souvent immenses, resteront sous-exploités.
Notons tout de même Gallica n’est pas le plus mauvais élève en la matière. Les éditeurs scientifiques font bien pire (Elsevier au premier chef, qui va jusqu’à définir sa propre loi sur le data mining au mépris des usages et des règles déjà existantes). Et Google Books ne perd sans doute rien pour attendre.
Et pour finir, voici une petite tentative d’évaluation en mode jeuxvideo.com (en bon chercheur hacker j’ai un petit penchant pour les références geeks…).
Accessibilité des fichiers : 3/20. Les fichiers PDF sont uniquement accessibles depuis un protocole FTP et en peuvent être récupérés automatiquement (sauf peut-être pour un programmeur expérimenté…). Les textes sont faciles à reprendre avec un petit script de scraping élémentaires. Les images peuvent être reconstituées en compilant les morceaux de 256/256 pixels. Bref, en faisant un peu de bidouille on parvient à quelque chose, mais rien n’est fait pour faciliter la vie.
Lisibilité des urls : 17/20. Les urls sont très précises et comportent presque toutes les informations souhaitées (date des journaux, pages, mode de lecture, etc.)
Sémantisation des documents : 1/20 : L’OCR reconnaît les colonnes. Et voilà tout… Europeana Newspaper promet de faire bien mieux, mais cela ne devrait porter que sur un corpus assez limité (18 titres au total sur les centaines de Gallica).
Métadonnées et données associées : 18/20. Les documents sont très bien renseignées. Et Gallica a récemment ouvert l’ensemble de ces riches métadonnées.
Statut légal : 1/20. Toute réutilisation implique une licence non commerciale, même si Gallica ne se démène pas pour l’appliquer. WIkisource ne se soucie aucunement de ces contraintes légales byzantines. Une institution scientifique n’aura sans doute pas la même audace.
Note globale : 8. Quelques aspects positifs (les urls, les métadonnées) ne parviennent pas à compenser des déficiences fondamentales (pas d’accès simple aux fichiers, ni de sémantisation préalable) ou un statut légal inapproprié.
Facebook vient d’acheter une application de messagerie, WhatsApp, pour 19 milliards de dollars : l’information, révélée hier soir, a été amplement relayée dans le monde entier. Et suscite une certaine incrédulité. Bien que fédérant près d’un demi-milliard d’utilisateur, WhatsApp ne dégage pas des bénéfices mirobolants : il s’agit d’une petite structure de 55 salariées.
Confronté à une concurrence de plus en plus féroce (la vague des réseaux sociaux asiatiques commence tout juste à déferler), Facebook aurait-il cédé à une tentation irrationnelle ? Ou serions-nous à l’aube d’une forme de capitalisme de la données, la mainmise sur la formidable base d’utilisateurs de WhatsApp permettant de contrôler et d’exploiter un corpus colossal de données personnelles ?
Cet événement place ma thèse sous le feu de l’actualité. Je m’intéresse au traitement de la bourse dans le quotidien généraliste, et plus largement au rôle de la presse dans l’organisation des échanges.
Je vais ainsi me permettre d’avoir une position assez tranchée : ni l’un, ni l’autre. Facebook n’a pas « disjoncté ». Et il n’innove pas davantage. Par-delà son ampleur inédite, ce rachat ne fait qu’illustrer certains mécanismes fondamentaux de l’économie financière, fréquemment occultés dans la mesure où ils ne correspondent pas aux représentations et modèles les plus courants des sciences économiques.
Convaincre le spéculateur occasionnel
Au début des années 2000, l’économiste Robert Shiller, fraîchement nobélisé, publie un ouvrage assez visionnaire. Irrational Exuberance décortique le cocktail explosif des pratiques financières contemporaines, qui mènera droit à la grande crise de 2007-????. Une section est plus particulièrement consacrée au rôle des médias. Shiller souligne que l’influence des médias d’information sur le fonctionnement de l’économie de marché n’est pas que ponctuelle : il s’agit d’une constante qui permet d’expliquer nombre de phénomènes autrement incohérents (notamment les bulles spéculatives).
L’histoire des bulles spéculatives commence approximativement avec l’avènement de la presse […] Biens que les médias d’information — journaux, magazines, médias en diffusions continus et leurs nouvelles incarnations sur Internet — se présentent comme des observateurs détachés des événements du marchés, ils sont eux-mêmes partie intégrante de ces événements. Les événements financiers significatifs adviennent uniquement lorsqu’il existe une conception similaire répandue dans de nombreux groupes sociaux, et les médias d’information sont les principaux véhicules de la diffusion des idées1.
À l’appui de cette thèse, Shiller rappelle que la première grande bulle financière de l’histoire, la South Sea Bubble, date de 1720 : à la suite d’une spéculation effrénée, les cours de la Compagnie des mer du sud s’emballent à la bourse de Londres, avant de s’effondrer brutalement. Cela correspond au moment où les premiers quotidiens apparaissent ainsi que la plupart des rubriques journalistiques, dont la rubrique boursière.
La rubrique boursière du Whitehall Evening Post, 7 décembre 1721, p. 2
Le rôle joué par les « conceptions similaires » et la « diffusion des idées » constitue l’un des principaux écueils des théories néo-classiques. Les investisseurs ne sont pas tous des machines purement rationnelles, capables de synthétiser tous les indices à leur disposition. De nombreux investisseurs occasionnels agissent sous l’emprise d’une rationalité limitée. Faute de maîtriser les vocabulaires et les outils élaborés des communautés financières, ils se laissent guider par quelques représentations vagues et circulantes, notamment relayées par les médias.
Facebook et WhatsApp constituent des objets extrêmement circulants. Ils font partie de la vie quotidienne de millions de personnes. Ils disposent d’emblée d’une reconnaissance préalable par la masse des épargnants. Et leur détenteurs le savent. Lors de son introduction en bourse, Facebook comptait explicitement sur les fonds de nombreux investisseurs occasionnels. Un article détaillé de The Atlantic sur les mésaventures initiales de l’action Facebook mentionne ainsi le cas d’une sexagénaire qui boursicote occasionnellement. Elle a misé l’essentiel de son capital sur Facebook :
Elle n’a jamais placé un si gros montant sur un seul titre, mais elle se sentait personnellement liée à Facebook. Elle avait utilisé le site pour se connecter avec sa famille et ses amis depuis 2009 et, dans son entourage, tout-le-monde avait un compte.
Dans le marché rien n’est simple et tout est méta. Les spéculations à rationalité limitée des investissements occasionnels suscitent elles-mêmes des spéculations sophistiquées des investisseurs spécialisés : on s’attend à ce des opérateurs « amateurs » valorisent tel titre et on réagit en conséquence. Dans ce cadre, l’essor de la bulle est assuré : tous les acteurs convergent vers un essor indéfini du titre émis, indépendant de sa valorisation concrète.
Les chiffres de l’audience : une monnaie parallèle
Facebook, WhatsApp et Twitter fonctionnent d’une manière finalement assez similaire aux médias classiques. Certes ils ne conçoivent rien : l’acte de rédaction est délégué à l’utilisateur. Mais pour le reste, leur modèle économique s’appuie essentiellement sur une combinaison de plusieurs ressources déjà expérimentées par la presse quotidienne : l’abonnement (pour WhatsApp), la publicité et le pouvoir symbolique du lectorat.
Ce pouvoir symbolique est essentiel. Il n’est pas réductible à une monétisation : les 450 utilisateurs de WhatsApp ne s’acquittent que d’une somme dérisoire (au mieux un euro par an) ; le milliard d’utilisateurs de Facebook ne donne pas lieu à des recettes publicitaires colossales ; au temps de sa splendeur, la presse était valorisée bien au-delà ses recettes propres. Pour autant, il s’agit d’un instrument extrêmement puissant pour jouir d’une reconnaissance sociale privilégiée (les puissants de ce monde n’hésitent pas à s’afficher hautement avec Mark Zukerberg) et… mobiliser les investisseurs.
La bulle des réseaux sociaux a, en ce sens, plusieurs antécédents. L’un des plus intéressants date de 1837 (eh oui, ce n’est pas tout neuf). La France est alors prise d’une fièvre des commandites (du nom de la société en commandite, statut alors privilégié par les entreprises en raison de sa grande fluidité). Cette fièvre est notamment alimentée par les industries de presse : sur les 1101 commandites créées entre 1826 et 1837, 404 sont des journaux. Le lectorat, alors en pleine croissance, alimente les attentes des investisseurs. Des fortunes colossales pour l’époque sont investis, bien souvent en pure perte, dans ses nouveaux entrants (de l’ordre de plusieurs dizaines de millions de franc, soit plusieurs milliards d’euros d’aujourd’hui).
En 1837, tout comme en 2014, les chiffres de l’audience fonctionnent comme une sorte de monnaie parallèle, quasiment autonome. Entreprises et agents financiers sont désireux de récupérer une forme de reconnaissance symbolique qui contribue à établir une forme de légitimité sociale et sert la diffusion de représentations circulantes potentiellement utiles. Ces espoirs ne sont pas totalement infondés. Au cours de ces 10 dernières années, plusieurs études statistiques américaines ont mis en évidence l’influence à court-terme des médias sur le comportement des investisseurs.
Les bulletins du Wall Street Journal ont servi de matière première à plusieurs études statistiques. Il s’agit, de loin, du périodique le plus lu par les investisseurs américains (sa diffusion atteint deux millions d’exemplaires par jour). Recourant à une analyse d’occurrence statistique élaborée, l’économiste Paul Tetlock a mis à jour en 2007 une corrélation entre la tonalité du bulletin (positive ou négative) et la réaction des investisseurs le lendemain de sa parution((Paul Tetlock. « Giving Content to Investor Sentiment: the Role of Media in the Stock Market » The Journal of Finance (2007), vol. 62, n°3, pp. 1139-1168)). Engelberg & Parsons se sont intéressés à un corpus plus inattendu : les bulletins boursiers de la presse locale. Leur incidence semble encore plus prononcée que celle du Wall Street Journal :
Toutes choses égales par ailleurs, la médiatisation par la presse locale augmente potentiellement le volume des échanges des investisseurs locaux de près de 50%. Bien que plus significatif pour les actes d’achat, le pouvoir de performance de la presse locale reste également significatif pour les actes de vente2.
La finance cannibalisée par les médias
Au cours du XIXe siècle, la captation de ce pouvoir d’influence en partie réel, en partie fantasmé est un espace de lutte acharnées entre influences troubles. Les quotidiens louent alors la rubrique boursière à des entreprises privées qui en font ensuite ce qu’elles veulent (ce qui va parfois jusqu’à la manipulation des cours). Ainsi, pendant les années 1870, la Banque Parisienne signe la chronique boursière du Figaro.
Conclusion de la rubrique boursière du Figaro du 1er avril 1875.
Ces acquisitions altèrent davantage le fonctionnement de la bourse que celui du journal (pour qui, la rubrique boursière n’est qu’une activité parmi d’autres). Adeline Wrona note ainsi que les investisseurs sont graduellement assujettis à la rubrique boursière à force de surévaluer constamment son pouvoir d’influence symbolique.
Le journal tient donc captifs à la fois les entrepreneurs, et les épargnants, dans un double jeu logistique et sémiotique : logistique, puisque la presse organise la circulation des capitaux, tenant lieu d’intermédiaire entre les sociétés et leur clientèle ; sémiotique, puisque le périodique se charge de la mise en signes et de la mise en texte des entreprises suscitant la mobilisation des capitaux3.
Les réseaux sociaux rééditent ce coup de force. Leurs infrastructures de communication jouent un rôle de plus en plus essentiel dans le fonctionnement des échanges financiers. Par exemple, les algorithmes de trading se basent de plus en plus sur Twitter. Le piratage du compte Twitter d’Associated Press a ainsi provoqué une brève mais spectaculaire déflagration des cours.
Le brusque effondrement du Dow Jones à la suite du piratage d’un compte Twitter
Là où la bulle des réseaux sociaux est particulièrement puissante, c’est qu’elle joue sur deux tableaux. Elle est l’objet d’une spéculations entretenue par une série de représentations circulantes (tout l’argumentaire classique de l’utopie technique). Elle matérialise également le pouvoir symbolique considérable acquis par ces nouveaux intermédiaires dans la formulation de l’acte d’échange.
Finalement, l’élément le plus intéressant de l’achat de WhatsApp par Facebook ce n’est pas tant son montant, ni même ses modalités : il s’agit finalement d’une spéculation ordinaire, qui ne rompt pas avec le fonctionnement usuel des marchés financiers depuis le XIXe siècle. Il révèle surtout une métamorphose structurelle du rapport de force dans la diffusion de l’information financière, des capacités d’influence de cette information et des fantasmes sur les capacités d’influence de cette information. Pour le dire un peu abruptement, les réseaux sociaux jouent aujourd’hui le rôle qu’assuraient la presse et les agences de presse jusqu’à la fin du XXe siècle. Il faudrait plus qu’un simple billet pour évaluer les implications de cette délégation.
Robert Shiller, Irrational Exuberance, Princeton, New Jersey : Princeton University Press, 2000, p. 71 [↩]
Engelberg & Parsons, « The Causal Impact of Media in Finance », The Journal of Finance (2012), vol. 66, n°1, p. 68 [↩]
Adeline Wrona, « Mots à crédit : L’argent de Zola ou la presse au cœur du marché de la confiance », Romantismes, 151, 2011, pp. 72 [↩]
This is a free translation of a previous french publication: Faut-il signer l’accord d’Elsevier? I’ve put it in the public domain: feel free to share.
France is on the verge of signing a national agreement with Elsevier. The forthcoming deal has been announced a week ago by the main negotiator on the French side, Couperin, a consortium of public and research libraries. The announcement is short on details: the global price of the 5-years national subscription has not been communicated.
Yet, a much deeper account has been leaked. Considering the information to be of public interest, a librarian, Daniel Bourrion, published this comprehensive document… before being force to withdraw it by his administration. Nothing really disappear on the Internet : the document soon reappeared on my blog and has, since then, been extensively disseminated. It appears the whole deal is to cost 190 millions. A disturbing amount as French Universities are going into dire economic troubles.
Couperin claims the deal is quite favorable. While subscription prices have been continuously increasing for the past 30 years, they were actually lowered: “On the five years, the mean annual prices paid by all the parties concerned will be inferior to the 2013 cost”.
Not only is the new agreement less expensive, but it would also include several significant enhancements. The number of partnered institutions goes from 147 to over 600. Data mining is no longer submitted to the law of the jungle, but to a global legal framework.
All theses points appear quite convincing. They have not shaken my intimate conviction: this agreement should not be signed.
Nurturing a speculative monopole with public funds
Elsevier is no ordinary publisher. This international group listed in three stock exchanges draws colossal margins. In 2010, its overall profits exceeded one third of its revenue: 720 millions v. 2 billions. It is the outspoken leader of the scientific edition: the revenue of its three main competitors (Springer, Wiley and Informa) equals half its revenue.
How to account for such a success? Beyond the assumed quality of Elsevier services, the company commercial strategy is effectively reinforced by a worldwide manipulation of scientific institutions. Elsevier’s Deputy Director of Universal Sustainable Research Access, David Tempest, has recently disclosed a staggering justification of the confidentiality of Elsevier’s agreements.
indeed there are confidentiality clauses inherent in the system, in our Freedom Collections. The Freedom Collections do give a lot of choice and there is a lot of discount in there to the librarians. And the use, and the cost per use has been dropping dramatically, year on year. And so we have to ensure that, in order to have fair competition between different countries, that we have this level of confidentiality to make that work. Otherwise everybody would drive down, drive down, drive drive drive, and that would mean that…
This horrible system, where institutions are free to get commercial information, drive down prices and opt for the more interesting offers has a name: free trade. Elsevier’s monopoly depends solely on the continuous ignorance of its costumers. In a well-balanced market, its business would get into serious trouble. And all of this is done at this expense of taxpayers’ money.
What is Elsevier selling?
Elsevier publications are indirectly subsidized by public funds. Scholar are to publish, preferably in acknowledged journals in order to get grants and career advancements. Writing and evaluating an academic paper requires a lot of time: this significant investment is ultimately paid by scientific institution, which frequently happened to be public institution.
What brings Elsevier to all this? Not much. The effective production cost of publications has become quite marginal, if not nullified, with the replacement of printing editions by electronic editions.
The world leader of scientific publishing looks more and more like a cultural industry: it does no trade in commodities, it trades in fetishes. The name of a prestigious journal gathers the same level of symbolic attention than a drawing of Mickey Mouse. It is deeply anchored in the daily life and representations of one or several scientific communities. Although the journal, once bought by Elsevier, has a quite different editorial and social structure than the one that ensures its preeminence, its aura remains. The metrics tends to perpetuate the aura. The more the publication is quoted, the higher goes the impact factor; the higher the impact factor is, the more attention the publication will draw from esteemed researchers.
Open access has not fundamentally altered this vicious mechanism. Following the example of Springer, Elsevier has begun to adopt the author fees model: a researcher buys (generally through its institution), a right to publish ; its work would therefore be freely accessible online. This model reinforces the fetishist trend of the scientific publishing market. Elsevier does not even have to make believe that it sells a commodity: it explicitly claims to monetize some symbolic recognition.
In an open access world, the value has not only been displaced toward the journal names star-system. Elsevier has also invested a lot in additional services: bibliometric database like Scopus or ScienceDirect and an API allowing text and data mining of the whole Elsevier corpus. Both these services are not so good. Scorpus includes numerous shortcomings: updating is insufficient, bibliographic data are sometimes inconsistent, only a fraction of scientific publications are taken into accounts (conference are completely overlooked). The new data mining license creates a very unworkable framework for data analysis: use of the API is mandatory (robots are forbidden on the Elsevier usual websites), queries are limited to 10 000 per week and cannot exceed 200 characters. This prevents a lot of projects: chemical names are often longer than 200 characters. Finally the license goes against one of the core principle of intellectual property: informational public domain. Elsevier claims some property rights on its published information: all the outcome of the data mining project has to be published with a non commercial license, regardless be it an extensive quotations or a mere information.
What makes additional services especially interesting is that they bring some new currency in the evergreen Elsevier economy: metadata. Consultations statistics, forms to get a right to read or a right to data mine feed a gigantic log of scientific activities. From careers evolution to institutions structure, through research projects duration and topic et bibliographic queries, Elsevier knows it all. This wide profiling can be sold to partners or directly used by Elsevier marketing strategy. The publishers accomplishes a radical transformation that brings it closer to the new web industries, like Facebook or Google.
This Elseverian imperialism is not a fatality. The « fetishist » trends of scientific activities were quite acceptable 20 years ago. Days are only 24-hours long: it was clearly more advisable to limit its reader’s horizon to some trustworthy journals. Digital networks have partly remove this limitation. The growing accessibility of publications and the development of annotation tools have enhanced our reading capabilities. And trustworthiness does no longer solely depends on the prestige of a journal.
For instance, the research community surrounding Wikipedia (the « Wiki Studies ») have developed an innovative ecosystem allowing for the horizontal exchange, diffusion and legitimation of publications. Works are evaluated and publicized through a collectively written newsletter, the Wikimedia Research Newsletter. They are archived and classified in two community-driven databases, Wikipapers and Wikilit. In such a context, the editorial frame has lost much of its aura. Preprints gets more disseminated than official versions, as they can be effectively evaluated by the research community.
Do we still need it?
The fundamental shift happened sometime in 2011. According to a study funded by the European Union, since that year more than half of all academic publications have been freely available online.
This evaluation is low. It takes only into account the « official open access » (that is, done with the approval of all the interested parties: publisher, authors…). Yet, there is also a much more significant « dark open access »: researchers putting previous publications online without the agreement of the publisher, or pure illegal copies, without even the consent of the authors. Personally, I always succeed in finding 9 publications out of 10, and my research field is not too open access friendly (mostly social sciences: history, media studies, economics…).
For recent publications, the Elsevier subscription appears quite unnecessary. Besides the agreement is to last five years. By the next few years, most of Elsevier publications are likely to goes into the « official open access ». What’s the use of acquiring a set of free works for 190 millions?
For older publications, the issue is more tricky, as open access is not retroactive. An efficient solution would imply a modification of the French intellectual property code: creating a fair use. Publications already made profitable could be copied for scientific and pedagogic ends (that’s about the exact terms of the US fair use). Scientific institution could digitize older Elsevier journals and create a new bibliometric database. 190 millions would be much more than enough to fund all this process, and this would be a one-shot investment: once Elsevier’s corpus is recreated, taxpayers will never have to fund it again.
France would probably not be the only european country to rebuke Elsevier. Germany and the United Kingdom have already initiated bolder open access policies. A german law passed last year allows, under some conditions, every researcher to disseminate its work 12 months after its initial publication, regardless of the rights of the publisher. The digitization of Elsevier’s corpus could even be an european project.
The importance of being open
The possibilities are numerous: these few ideas do claim to act as a definite solution to the Elsevier problem. The negotiation between Couperin, the Ministry of Research and Elsevier does not seem to have really taken into account this wide set of alternatives. This is hardly surprising. As a popular French saying puts it: « there’s more ideas in two heads than in one ». The negotiation was limited to some heads, whereas it involved a lot of people: researchers, librarians and, more widely, French citizens who will pay the final bill.
An open negotiation would have been quite beneficial. The shortcomings of the deal would have been clearly exposed: the true value of Elsevier’s publications, the efficiency of the additional services, the problematic data mining legal terms…
Instead we are getting to a really weird situation. Hundred of millions of euros will be invested in a deal with an opaque company, delivering a devaluated corpus and questionable services. Meanwhile, French research faces hard austerity measures, that drives some university to bankruptcy…
L’annonce des accords conclus par de nombreuses institutions publiques françaises représentées par le consortium Couperin avec Elsevier a été officialisée avant-hier. Ce n’est pas une surprise.
L’annonce circulait déjà largement sur plusieurs listes de diffusion. Estimant que cette information intéressait le public au sens large, Daniel Bourrion l’avait brièvement divulguée sur Twitter… avant d’être sommé de se rétracter par sa hiérarchie. Sauf que rien ne disparaît vraiment sur Internet. Sitôt effacée, l’annonce reparaissait sur ce carnet de recherche dans un billet ensuite repris par le collectif SavoirsCom1.
Le consortium Couperin (qui agissait sous le contrôle bienveillant du ministère de la recherche) s’est félicité de cet arrangement. Constamment orientée à la hausse depuis plusieurs décennies, la politique tarifaire du premier éditeur scientifique mondial aurait reflué : « Sur les 5 années du contrat le prix moyen annuel acquitté par l’ensemble des membres de l’ancien groupement sera inférieur au coût 2013. »
Non seulement l’accord est plus avantageux, mais il inclut de nombreuses améliorations. Le périmètre des institutions concernées passe de 147 à 600. Les éditions imprimées peuvent être obtenus pour 8% du prix de l’édition électronique (au lieu de 25%). Le data mining n’est plus soumis à la loi de la jungle mais à une licence unique.
Ces informations paraissent bien parcellaires. De nombreux points essentiels de la négociation ne sont pas précisés. C’est notamment le cas du prix d’ensemble d’une opération pourtant financée par le contribuable. Nous n’aurons sans doute pas plus d’éléments pas la suite. Le contrat final n’a pas encore été signé : l’accord aujourd’hui divulgué porte sur ses grandes lignes. Et une fois approuvé, le contrat ne sera sans doute pas publié en vertu des clauses de confidentialité d’Elsevier.
Ces informations parcellaires permettent pourtant de se faire un avis éclairé : il ne faut pas signer ces accords…
Un monopole spéculatif alimenté par l’argent public
Elsevier n’est pas un éditeur ordinaire. C’est une multinationale cotée en bourse qui dégage des marges colossales. En 2010 ou 2011, ses bénéfices excédaient un tiers de son chiffre d’affaire : 720 millions de dollars pour 2 milliards de chiffres d’affaire. Elsevier est dans la norme de ses concurrents : 33% de marge pour Springer et Informa, jusqu’à 42% pour John Wiley & sons. Il apparaît nettement comme le géant du secteur : son chiffre d’affaire est deux fois supérieur à ceux de ses trois grands concurrents additionnés.
Sur quoi repose un tel succès ? Par-delà la qualité supposée du service proposé, la stratégie commerciale s’appuie sur une entreprise de manipulation à grande échelle. Dans un échange hallucinant, l’un des représentants éminents d’Elsevier, David Tempest, justifie en ces termes la confidentialité des accords passés entre Elsevier et ses partenaires.
Les clauses de confidentialité sont en effet inhérentes à notre système. Nos collections éditoriales offrent de nombreuses options et nous accordons de nombreuses réductions aux bibliothèques. L’utilisation et le coût par utilisation ont significativement baissé, année, après année. Nous devons ainsi nous assuré, afin qu’il y ait une juste concurrence entre les différents pays, que nous maintenions ce niveau de compétitivité. Autrement, tout-le-monde tirerait les prix vers le bas et cela voudrait dire que… [suite du discours étouffé par les rires de l’audience]
Ce système épouvantable où les institutions sont libres de tirer les prix vers le bas et d’aller au meilleur offrant porte un nom : cela s’appelle la libre concurrence. Le monopole d’Elsevier dépend exclusivement de l’ignorance de ce principe fondamental sans lequel aucune économie de marché équilibrée ne saurait exister : la publicité des prix et des offres commerciales. En l’état nous sommes face à un monopole fondé sur une intense spéculation. Comme tout bon spéculateur, Elsevier compte sur le fait que chaque institution est ignorante de la réelle valeur de ses fonds. Le marché de l’édition scientifique dominé par Elsevier illustre pleinement un paradoxe théorique classique de George Akerloff : dans une situation où le vendeur dispose de toute l’information sur le produit cédé et où l’acheteur n’en a aucune, le marché ne peut que se détériorer.
L’élaboration de l’empire Elsevier présageait bien de la suite de l’histoire. Plusieurs chercheurs déjà actifs dans les années 1970 m’ont confié le modus operandi de ce processus d’expansion indéfini : racheter une publication de référence, la saborder complètement, remplacer la publication par une publication formatée par Elsevier. Au terme de ce nettoyage par le vide, l’éditeur s’est assuré un monopole sans limite. Il peut dicter le marché et le conformer entièrement à ses intérêts.
Non seulement la libre concurrence est inexistante, mais ce cadre monopolistique s’est érigé au détriment de l’argent public et de l’argent de la recherche. Dans un marché autorégulé, que resterait-il des 720 millions de marges annuelles d’Elsevier ? Et de combien de moyens supplémentaires pourraient bénéficier les universités, les chercheurs, voire les administrations publiques dans leur totalité si plusieurs centaines de millions n’étaient pas inutilement gaspillés.
Que vend Elsevier ?
Le corpus éditorial d’Elsevier est indirectement financé par l’argent public. En accord avec des critères d’évaluation assez similaires d’un pays à l’autre, les universitaires et leurs laboratoires d’affiliation doivent publier régulièrement des articles dans des revues qualifiantes. Les nombreuses heures de travail nécessaires pour réaliser un travail de recherche abouti sont ainsi fréquemment défrayées par le contribuable. C’est aussi le cas du processus d’évaluation. La fameuse « évaluation par les pairs » est presque toujours bénévole.
Où se situe l’apport d’Elsevier dans ce cadre ? À la marge. Le coût de production effectif des publications est devenu quasi-nul avec la substitution de l’édition imprimée par l’édition électronique. Elsevier valorise essentiellement des services associés : les bases de données Scopus et ScienceDirect qui, tout comme Google Scholar, permettent d’effectuer des requête sur l’ensemble d’un corpus éditorial scientifique et, depuis peu, une API autorisant une extraction automatisée des données.
Ces deux services ne sont pas très bons. Scopus présente de nombreux défauts. La base de données est mal actualisée, parfois mal renseignée et demeure très parcellaire : tout ce qui sort du format d’article classique (conférences notamment) est moins bien renseigné que sur Google Scholar. En liant sémantiquement publication, auteurs et objet d’étude, Wikidata devrait sans doute offrir un service bien supérieur d’ici quelques années.
Je suis déjà revenu en détail sur le service de data-mining, désormais épaulé par une nouvelle licence. Disons pour faire court que rien ne va. Les contraintes techniques sont considérables : l’API est obligatoire, les requêtes sont plafonnées à 10000 par semaine, il n’est pas possible reprendre des textes de plus de 200 caractères ou des données non textuelles (illustrations…). La licence d’exploitation excède très largement les dispositions légales existantes : Elsevier revendique un droit de propriété sur ses informations et empêche toute réutilisation commerciale.
La valorisation réelle d’Elsevier est ailleurs. Le leader mondial de l’édition scientifique fonctionne comme une industrie culturelle : il ne vend pas des marchandises ; il vend des fétiches. Le nom d’une revue ou d’une publication notable possède le même pouvoir d’attraction qu’une représentation de Mickey ou de Superman. Elle constitue une référence symbolique profondément ancrée dans la vie d’une ou de plusieurs communautés scientifiques. Bien que le fonctionnement actuel de la publication récupérée entre temps par Elsevier n’ait sans doute plus grand chose à voir avec ses conditions de productions initiales, son aura demeure.
Les métriques tendent à pérenniser l’aura : plus une publications est citée, plus son facteur d’impact augmente ; plus le facteur d’impact est élevé, plus une publication sera recherchée par des chercheurs estimés. Les évaluations publiques institutionnalisent cette situation. En France, l’Agence d’évaluation de la recherche et de l’enseignement supérieur (AERES) ne valide que des publications soumises à des revues qualifiantes et publie à cette fin des listes de revues reconnues.
Pour l’instant, le libre accès n’a rien arrangé. Suivant en cela l’exemple de Springer, Elsevier commence à généraliser le modèle auteur-payeur : le chercheur (généralement par le biais de son institution) achète un droit à publier pour un article qui serait librement disponible en ligne. Le fétiche sort renforcé de ce nouveau dispositif. L’éditeur scientifique ne s’efforce même plus de le maquiller en marchandise : il affirme clairement qu’il ne monnaie que de la reconnaissance symbolique. Il monnaie aussi autre chose au passage : les données personnelles des chercheurs.
Toute la politique économique d’Elsevier converge désormais vers une sorte de capitalisme de la donnée. L’attribution d’un droit à publier, d’un droit de lire et d’un droit à extraire (via le data-mining), constituent autant d’occasion d’alimenter un immense tableau de bord de la recherche mondiale. Des parcours professionnels à l’organigramme des laboratoires, en passant par les budgets des projets de recherche et les recherches bibliographiques, rien n’y est vraisemblablement ignoré. Ce profilage massif peut ensuite être cédé à des partenaires commerciaux ou servir directement la stratégie marketing d’Elsevier. L’éditeur accomplirait une mutation profonde : d’industrie culturelle classique du XXe siècle, il se métamorphoserait en industrie numérique sur le modèle de Google ou Facebook.
Cette impérialisme elsevierien n’est pas une fatalité. Le fonctionnement « fétichiste » de la recherche était légitime il y a encore une quinzaine d’années. Les journées ne sont pas indéfiniment extensibles : il est préférable de limiter son horizon de lecture à quelques revues « de référence ». Les réseaux numériques ont en partie levé cette barrière. L’accessibilité croissante de publications et les outils d’annotations permettent d’intensifier nos temps de lecture. La référence n’est plus indissolublement liée à une publication : elle transite par d’autres canaux.
La communauté de recherche élaborée autour de Wikipédia (les « wiki studies ») a ainsi mis en place tout un écosystème d’échange, de diffusion et de légitimation des publications en partie inspiré par son objet d’étude. Les travaux de recherche sont relayés par une infolettre communautaire, la Wikimedia Research Newsletter, et archivés dans deux bases de données tout autant communautaires (Wikipapers et Wikilit). Dans ce contexte, le cadre éditorial n’a plus vraiment d’importance. Les écrits circulent autant ou sinon mieux sous forme de preprint, dans la mesure où il n’y a aucune barrière à l’accès et à l’évaluation par la communauté de recherche.
En a-t-on encore besoin ?
Le basculement décisif a eu lieu en 2011. Selon une étude financée par l’Union Européenne, c’est à partir de cette année que plus de 50% des publications scientifiques sont librement consultable en ligne.
Cette évaluation est basse. Elle ne prend en compte que les copies « officielles ». Or, de nombreuses republications sont effectuées à l’insu des éditeurs, voir des auteurs eux-mêmes. Le libre accès « pirate » a sans doute pris une ampleur non négligeable. À titre personnel, j’arrive généralement à télécharger en ligne 9 publications sur 10 cherchées. Mon champ disciplinaire (les sciences sociales au sens large : histoire, SICs, économie…) se situe pourtant tout juste dans la norme en terme d’ouverture (par comparaison, les mathématiciens et les astronomes ont un train d’avance avec arXiv).
L’utilité d’Elsevier pour les publications récentes se pose. D’autant que le nouvel accord négocié par Couperin porte sur une durée de cinq ans et que, d’ici là, le modèle économique d’Elsevier devrait s’être massivement réorienté vers un schéma auteur-payeur. À quoi bon acquérir un corpus éditorial déjà accessible ?
Pour les publications plus anciennes, la question se pose avec plus d’acuité. Le libre accès n’est pas rétrospectif : Elsevier n’a strictement aucun intérêt à se délester de ses droits de propriété sur un corpus qu’il peut d’ailleurs revaloriser avec les nouvelles techniques de data-mining.
Il existe une solution assez efficace, mais elle nécessiterait un ajustement du code de la propriété intellectuelle : admettre une forme de « fair use ». Les publications déjà rentabilisées pourraient ainsi être légitimement copiées à des fins d’étude et de recherche scientifique (soit ni plus ni moins que le « fair use » tel qu’il est défini dans la loi américaine). L’administration publique serait libre d’engager un processus de numérisation des anciennes revues d’Elsevier qui dorment actuellement dans nombre de bibliothèques universitaires. Les ?? millions d’euros engagés pour l’accord négocié par Couperin financeraient aisément une nouvelle base de données, avec ceci d’avantageux que l’investissement serait définitif. L’intégration de fonctionnalités communautaires en ferait un outil sans doute plus fiable que Scopus.
La France ne serait sans doute pas seule à emprunter cette voie. Ses voisins européens ont déjà engagé des politiques de libre accès ambitieuses. L’Allemagne a mis en place une loi assez radicale : tout travail de recherche financé majoritairement par des fonds publics peut être librement diffusé 12 mois après a publication initiale sans que l’éditeur puisse s’y opposer. La renumérisation du corpus Elsevier pourrait presque être une initiative européenne.
De l’inconvénient d’être trop cachottier
L’éventail des possibles est large : les quelques pistes que je commence à évoquer ne sont que des solutions parmi d’autres, et pas nécessairement les meilleures. Je ne suis pas certain que la négociation entre Couperin, le Ministère de la recherche et Elsevier en ait vraiment tenu compte. Il n’y là rien de surprenant. Comme le dit un proverbe populaire, « il y a plus d’idées dans deux têtes que dans une ». Or, on s’est limité à quelques têtes alors que cet accord affecte beaucoup de monde : chercheurs, bibliothécaires, personnel administratif des universités, mais aussi citoyens au sens large.
Un processus de négociation véritablement public aurait eu de multiples avantages. Les écueils de l’accord final aurait donné lieu à un véritable débat. La valeur réelle du corpus éditorial, l’efficacité des services associés, les limitations apportées au data mining, les marges considérables de l’entreprise : tout ces éléments seraient pleinement ressortis. L’administration aurait agi en connaissance de cause au lieu d’écouter la petite musique d’Elsevier.
Au lieu de cela, on arrive à une situation curieuse. Des millions d’euros vont être engagés dans un partenariat avec une entreprise opaque, délivrant des services d’un intérêt médiocre et proposant un corpus éditorial en partie accessible. Et, pendant ce temps, la recherche française subit une cure d’austérité qui mène certaines universités à une quasi-faillite.
