"Données" de la recherche, les mal-nommées

Date 15 novembre 2013

D’où tu parles ?

L’accès aux données de la recherche fait partie des dossiers d’actualité des bibliothèques universitaires françaises. A ce stade, la question est posée de manière générale ; et avec un effet positif : rappeler que globalement, la collectivité doit se soucier de garantir l’accessibilité aux productions intellectuelles de l’activité publique, et notamment de la recherche publique. Pour les publications, la question de l’accès n’a pas été posée d’emblée, et la communauté scientifique se trouve aujourd’hui dans l’impasse où l’a conduite l’emballement d’une machine commerciale folle : une partie des établissements dans lesquels travaillent les chercheurs n’a pas ou plus les moyens de se payer certaines revues, et l’autre partie se les paye en renonçant à d’autres achats qui contribuaient pourtant à maintenir une diversité éditoriale. Tous les maillons de la chaîne de diffusion des savoirs  y ont pris, souvent inconsciemment, une petite (ou grande) part : les auteurs, les éditeurs, les lecteurs, les relecteurs, les acheteurs, les vendeurs, les médiateurs, les financeurs… Et c’est bien parce que cette faillite est celle d’un système et non d’individus que l’open access peine à renverser la vapeur. Pour cette raison, même si les données de la recherche font figure de cerise sur le gâteau quand on a déjà du mal à généraliser le dépôt dans les archives ouvertes, il est quand même réjouissant d’entendre énoncé l’impératif d’accès aux données, et on peut espérer (suis-je naïve ?) que le mécanisme de publication dont nous subissons les effets pervers ne se réenclenche pas pour d’autres objets. Tout l’enjeu est de préserver le caractère public des données de la recherche publique, et d’éviter la privatisation de leur diffusion (à propos du positionnement des éditeurs scientifiques sur la question des données, voir entre autres l’aperçu synthétique que donne Odile Hologne, « Professionnels de l’IST et données de la recherche : des discours incantatoires aux actions concrètes », Documentaliste, 2013, 3, p.30-31).

Mais une fois passé le positionnement d’ensemble de la problématique, si on veut essayer d’agir très concrètement, et à notre modeste échelle, dans l’intérêt collectif, comment procéder ? Car jusqu’à présent, « données de la recherche » me semble être cette grande valise que me confie un voyageur bien sous tous rapports mais dont je n’ai pas vérifié le contenu. Bon sang mais qu’est ce qu’il y a dedans ? En l’entrebaillant je suis assaillie de questions, et je profite du carnet des Urfist pour les partager, en espérant en réponse vos avis, expériences et autres réflexions, de contrebande ou pas.

 

 Données de la recherche qui es-tu ?

A minima, on s’accorde implicitement sur l’idée suivante : quand on évoque « les données de la recherche », on désigne des chiffres, relevés, mesures, résultats d’expérience, réponses à des enquêtes, statistiques, comptages, et autres donnés quantitatives sur la base desquels va s’élaborer une hypothèse, et/ou qui serviront à infirmer ou valider cette hypothèse… bref essentiellement du quantitatif, que l’on pourra traiter, trier, exploiter, visualiser de manière homogène. La publication de telles données fait déjà partie, dans certaines disciplines du moins, des canons de la rédaction d’un article scientifique (par exemple, la partie « Materials and methods » dans les recommandations pour la rédaction d’articles dans des revues médicales).

Mais suivant les disciplines et les thèmes de recherche, les matériaux qui nourrissent une proposition scientifique varient considérablement : les « données » d’un linguiste peuvent des écrits ou des discours, des enregistrements de locuteurs ; les « données » d’un médiéviste sont des sources archivistiques, archéologiques, épigraphiques, iconographiques, littéraires ; les « données » d’un géologue rassemblent des coupes et observations de terrain consignées sur un carnet, des résultats de carottage, des analyses d’échantillons, des données sismographiques… Bref il n’y a pas, et loin de là, que des données quantitatives de même nature qui constitueraient des séries homogènes relativement faciles à manipuler, échanger et compiler.

La notion de données elle-même est à géométrie variable. Pour ce point je m’appuie sur le projet Ecrito, projet de recherche porté par Muriel Lefebvre avec l’Urfist de Toulouse sur la question des archives de chercheurs (http://ecrito.hypotheses.org/). L’enquête auprès d’un laboratoire de mécanique des fluides a montré que les données brutes issues des expériences étaient soumises à des modèles de validation, qui permettaient d’éliminer certains résultats non probants, les « fausses données » (sic) pour ne conserver que les « vraies données » (re-sic) : les données ici ne sont pas un matériau brut, mais le résultat d’une première opération scientifique, fruit d’une méthodologie propre à la discipline ; dans ce cas, le profane est incapable de définir les contours de la masse de données.

Parallèlement, l’absence de définition restrictive du terme « données » rend poreuse la frontière entre données et publications. Certains chercheurs par exemple revendiquent d’utiliser blogs et réseaux sociaux comme canal de publication, et de ne rédiger qu’ensuite, et pas systématiquement, un article soumis à des revues, article qui compte tenu des délais de publication paraîtra in fine entre 6 et 12 mois plus tard. Est-ce que les éléments originaux d’une proposition scientifique, diffusés et discutés par exemple sous forme lapidaire sur un réseau social, se rangent sous l’étiquette « données de la recherche » ? Ils ne sont pas un matériau brut, mais ils sont dépouillés de l’apparat conventionnel des formes éditoriales, sans autre validation que celle de l’auteur, et diffusés via des canaux que les institutions ne savent pas (encore) exploiter totalement. Comment faire en sorte de les prendre néanmoins en compte en tant que forme la plus rapide de divulgation d’un résultat, voire en tant que support d’une co-construction de savoir ?

 

Pour quoi faire ?

Il me semble qu’il n’y a que trois raisons qui justifient le souci de conserver et transmettre cette masse protéiforme de données :

  1. Une raison d’ordre socio-économique : la mise en place de certaines expériences ou enquêtes coûte cher ; communiquer leurs résultats pour les rendre exploitables par d’autres chercheurs est un moyen de les rentabiliser. Et plus largement, dans une optique citoyenne, on peut considérer que les données produites par une recherche financée par des fonds publics doivent rester à la disposition de la communauté scientifique pour être exploités au mieux.
  2. Une raison plus épistémologique : la diffusion des données sur lesquelles s’appuie la formulation d’une hypothèse est un gage de scientificité ; publier ses données, c’est aussi soumettre son interprétation et ses conclusions à la communauté, ce qui vaut implicitement validation par les pairs (ou mise au pilori). Il est à noter que l’unanimité n’est pas acquise sur ce point. D’abord parce que cette forme d’exposition peut être parfois ressentie comme une mise en danger, porteuse de polémiques potentielles sur des choix de traitement et d’interprétation. Ensuite parce qu’elle se heurte à des objections d’ordre méthodologique ; en sociologie ou en anthropologie par exemple, qui s’appuient beaucoup sur des enquêtes de terrain, certains chercheurs expriment de fortes réserves quant aux réelles possibilités de réexploitation d’enquêtes qualitatives ; selon eux, l’interaction entre enquêteur et enquêtés est telle dans ce type d’études que les résultats n’en sont pas réutilisables hors contexte. Ces freins renvoient au fond aux mécanismes à l’œuvre dans la controverse scientifique, puisque les données font partie des clés qui ouvrent la « boîte noire » de la recherche.
  3. Une raison patrimoniale : conserver la trace de la totalité d’un processus de recherche, de la collecte des données à la publication du résultat, est un moyen de transmettre à terme la culture scientifique et de contribuer à une forme d’histoire de la recherche.

 

Pour quel public ?

Si l’on part des objectifs définis ci-dessus, on peut en déduire deux grandes catégories :

  1. Des données qui doivent être réexploitables par de nouveaux programmes de recherche : cela implique de les restituer prioritairement sous des formes et formats conformes aux méthodes et outils dont les chercheurs se servent ; cela peut parfois différer des standards canoniques de conservation ; et cela suppose une activité proche de la curation de données, qui se pratique déjà au sein de nombre de laboratoires. Mais se placer dans la perspective d’une réutilisation ultérieure des données, cela implique aussi de documenter de manière très précise la manière dont ces données ont été constituées, les conditions de l’expérience ou de l’enquête… bref toute information scientifique qui permet, sur le plan épistémologique, de les réutiliser ; et d’indiquer aussi toutes les spécifications techniques ou juridiques qui conditionnent leur exploitation ; c’est-à-dire de créer des métadonnées qui fournissent toutes les informations nécessaires. De plus, pour que des données soient scientifiquement réutilisables à long terme de manière fiable, il faut pouvoir garantir leur intégrité, donc recourir à des infrastructures de type « coffre-fort » électronique qui permettent d’authentifier et de sécuriser les données, sans risque d’altération. On se rapproche de démarches de type archivistique :  travailler avec un producteur d’information pour analyser et consigner son organisation et ses procédures, contextualiser les documents recueillis dans ce cadre, organiser la conservation et l’accessibilité de corpus de données…
  2.  Des données qui s’insèrent dans un ensemble documentaire (archives, publications) pour témoigner de la manière dont s’est opéré le travail scientifique, et pour en témoigner à l’ensemble de la société et non uniquement à la communauté scientifique : ici la notion de médiation est essentielle, car ce sont moins les données elles-mêmes qui comptent que la manière dont elles ont été produites et exploitées dans un processus de recherche, les publications auxquelles elles ont donné lieu, etc. On se situe davantage dans une approche de vulgarisation, avec une forme d’éditorialisation des informations que l’on veut transmettre. Ici, ce qui importe, c’est aussi de maintenir un lien entre des objets que les cloisonnements institutionnels séparent souvent : des archives (dossiers techniques, documents « administratifs », notes, carnets, projets, papiers de recherche, fichiers divers…), des données sous diverses formes (bases, corpus d’images, tables…), des articles et autres publications, des objets (instruments, prototypes, maquettes…), bref tout autant de jalons d’une même chaîne de recherche.

 

Mettre à disposition sous quelle forme ?

Il existe déjà des exemples de mise à disposition organisée des données. Les chercheurs en ont bien sûr été les premiers promoteurs ; les banques de données en génétique et bio-informatique en sont les exemples les plus connus. A côté de ces communautés d’utilisateurs très structurées, il y a aussi place pour des initiatives de mutualisation très diverses : partage de workflows et d’expériences (par exemple MyExperiment, la plateforme portée par les universités de Manchester et Southampton : http://www.myexperiment.org), partage de toutes formes de graphes, schémas, figures, images (y compris ceux d’expériences négatives sur un site comme figshare : http://figshare.com)...

Une constante pour ces diverses initiatives : elles fonctionnent par et pour un réseau disciplinaire qui ne se limite pas aux frontières d’un inter-établissement ; il y a un caractère inter-académique inhérent au travail de recherche. A propos des archives ouverte, on a observé aussi un ancrage de départ fortement disciplinaire, lié à la dimension personnelle et militante du choix de cette forme de dépôt ; le développement de l’open access étant passé par une institutionnalisation, on a assisté au développement d’archives ouvertes propres à un établissement, qui répondent à une préoccupation nouvelle : faire connaître la production scientifique de l’établissement ; l’interopérabilité permet d’éviter l’écueil de la dispersion et garantit une accessibilité globale, quels que soient les serveurs sur lesquels on dépose ses publication. Il est néanmoins intéressant de constater que les grands réservoirs disciplinaires comme Arxiv ne disparaissent pas pour autant et continuent d’apparaître comme un lieu « naturel » de dépôt. Cette dimension trans-institutionnelle est tout aussi forte pour les données de la recherche : si l’établissement est le premier lieu de sensibilisation et de formation, l’intérêt de diffuser des données de recherche est bien de toucher une communauté internationale regroupée autour d’un domaine de recherche. Pour cette raison, il me semble qu’un dispositif de collecte et d’accès à des données de recherche ne peut se mettre efficacement en place que sous une forme mutualisée, adossée à un réseau de chercheurs. Car il ne s’agit pas simplement de rendre accessibles les données existantes à l’instant T, mais d’envisager aussi l’alimentation du système au fur et à mesure de la production de nouvelles données, et son évolution par l’intégration de précisons, corrections, annotations partagées…

La question de la forme sous laquelle on rend les données accessibles convoque aussi la figure tutélaire (ces temps-ci du moins) du web sémantique : web of data, linked data, open data, big data, patata. Sur une toile idéale, je n’aurais qu’à tirer le fil d’Ariane. Mais il y a la réalité aussi, qui nous dit que fabriquer du vrai web sémantique, c’est lourd parce que ça signifie tout « traduire » en rdf. Pas folles les nombreuses institutions qui mettent en ligne des fichiers excel ou autre format avec l’étiquette « ouverture des données ». C’est un bon moyen de publier rapidement. En revanche, cela ne permettra pas l’agrégation automatique ni le lien vers d’autres données ; et cela rendra très difficile l’exploitation des métadonnées (quand elles existent…) spécifiant les conditions de constitution du corpus de données. Je ne sais pas trop vers quoi nous devons essayer de porter notre effort : vers un vrai passage des données aux formats du web sémantique, qui ouvre des possibilités d’échange et de traitement fantastiques ; ou vers une mise en ligne beaucoup plus rustique, qui peut s’opérer à moindre frais et plus rapidement ? Il me semble que seule la première branche de l’alternative rendrait à terme de vrais services à la communauté et autoriserait une réexploitation complète des données ; mais est-ce que le mieux risque en l’occurrence d’être l’ennemi du bien ?

 

Libres de droits ?

On entend souvent dire que « les données de la recherche sont libres de droit ». C’est pratique mais je ne suis pas sûre hélas que ça tienne la route sur toute la distance. Il y a un cadre juridique pour les « données du secteur public », cadre juridique qui évolue d’ailleurs au fur et à mesure des directives européennes (voir http://www.etalab.gouv.fr pour l’avancée de l’idée de « gouvernement ouvert »). Mais si l’on s’intéresse à tout le spectre des « données de la recherche », il est difficile de postuler une liberté de droits complète. Dans le matériau que brassent la recherche, il y a certes des mesures, relevés, observations etc. qui sont bien des « données du secteur public » ; mais pas que… Quelques exemples :

  • En philologie, pour l’établissement d’un texte ancien, les « données de la recherche » sont les enseignements fournis par les divers manuscrits ou éditions : variantes textuelles et codicologiques, dont l’établissement est en soi un travail de recherche. Or dans un tel processus, on peut à plusieurs étapes se retrouver confronté à des questions de droit : les manuscrits étudiés peuvent être détenus par un organisme qui n’autorise pas, ou qui commercialise, leur reproduction ; le travail intermédiaire de lecture, de relevé des variantes et d’analyse est un travail auquel s’applique le droit d’auteur ; et l’édition finale, établie à partir d’une comparaison de diverses versions et d’hypothèses génétiques, est souvent publiée sous le régime privé des contrats d’édition.
  • En sociologie, anthropologie ou histoire contemporaine, le matériau de base de certaines recherches est une campagne d’entretiens et d’observations enregistrés ou filmés. La trame de l’entretien est un travail du chercheur ou de l’équipe de recherche. Le contenu recueilli est en revanche l’oeuvre des interviewés, soumis à leur autorisation pour toute diffusion.
  • En histoire de l’art ou histoire culturelle, certains travaux se fondent sur le repérage et la constitution d’un corpus de sources iconographiques, sur lesquelles peuvent coexister plusieurs droits (celui de l’auteur de l’œuvre originale si elle n’est pas dans le domaine public, celui de l’auteur de la prise de vue ou de la reproduction, celui de l’agence ou de l’institution gestionnaire des droits photo, etc)

On est loin d’épuiser la totalité des cas de figure. Ces exemples ont pour but de montrer que, suivant ce qu’on qualifie de données de la recherche, on peut avoir à appliquer diverses strates juridiques. C’est pourquoi il serait peut-être plus simple de dissocier quand c’est possible la question du droit d’auteur de celle de l’open access : en effet, mettre en libre accès des documents ou des données, ce n’est pas supprimer le droit d’auteur qui les protège ; c’est simplement empêcher qu’il y ait une exclusivité de leur exploitation. Ainsi un auteur qui publie son travail sur une plateforme open access conserve bien sûr sa qualité d’auteur et les droits moraux qui y sont attachés ; il conserve aussi le droit, s’il le souhaite, de gérer lui-même toute forme de reproduction ou de représentation ultérieure de son article (exploitation publique, adaptation, traduction…) ; il peut aussi publier son article dans une revue et céder à l’éditeur les droits d’exploitation sur la forme publiée par la revue ; en revanche il ne peut vis-à-vis de cet éditeur s’engager sur le caractère inédit de son article, pas plus que céder tous les droits patrimoniaux de manière exclusive. C’est dans cet ordre d’idées que certains bailleurs de fonds ou institutions exigent la publication en open access des productions issues de programmes de recherche qu’ils ont portés ou financés.

 

Peut-on conclure ?

A supposer que vous ayez lu jusque là, oui, je me dépêche.

La transmission de ces données est indissociable des usages et des besoins des chercheurs, et ne peut être assurée qu’avec eux. Mais justement pour cette raison, de vraies questions à travers ce sujet sont posées aux bibliothèques et plus largement aux professionnels de l’information :

  1. Quelle place désormais pour l’article ? La forme réputée reine de la publication est un peu bousculée, à la fois par la diminution de la part de contenu original (beaucoup d’articles de type « état de l’art » ou de reprises de publications antérieures), par l’émergence de nouveaux canaux de diffusion (réseaux sociaux scientifiques, blogs…), et par la prise en compte croissante d’autres productions (rapports, documents techniques…). Or beaucoup de modèles reposent sur une distinction nette entre publication et reste de l’activité scientifique, la répartition entre bibliothèques et archives ou les modalités d’évaluation, pour ne citer que quelques broutilles. L’évolution des contours de la publication remet ces modèles en question, même si c'est à la marge (il faut bien commencer).
  2. Mieux prendre en compte l’ensemble des productions de la recherche : limitée à une partie seulement des publications, et qui plus est une partie qui ne constitue plus à coup sûr le premier lieu de diffusion de la recherche comme on vient de le dire, l’actuelle bibliométrie perd de sa légitimité. Notre rôle pourrait être aussi de faire valoir l’argument suivant : les articles ne présentent qu’une part limitative, à la fois « lissée » et peu réexploitable, de l’activité de recherche ; prendre en compte la totalité de l’activité scientifique suppose de s’intéresser à la totalité des productions (rapports, cours, papiers de recherche, mémoires…).
  3. Penser l’ensemble des productions documentaires de la recherche : données, notes, carnets, échanges, brouillons, articles. La totalité de ces formes est englobée sous l’appellation « archives » (= tous les documents produits ou reçus dans l’exercice d’une activité). Archivistes et bibliothécaires ont beaucoup à apprendre les uns des autres, pour assurer la cohésion de cette chaîne de production. Et idéalement, leur travail devrait aussi s’articuler avec celui des services chargés de la conservation du patrimoine scientifique matériel ou immatériel (objets et instruments, histoire et anthropologie des sciences).
  4. Comprendre les méthodes et les besoins des chercheurs : avec la question de la documentation électronique, les bibliothèques se sont positionnées sur des questions techniques, administratives et juridiques liées à l’acquisition et à la mise en œuvre des accès ; elles ne sont pas rentrées dans les contenus. Concernant les données de la recherche en revanche, les questions d’acquisition, d’accès et d’exploitation sont indissociables des impératifs scientifiques et ne peuvent être envisagés qu’avec la communauté des chercheurs. Le cadre de l’établissement n’est pas forcément pertinent, pas plus que les standards documentaires traditionnels. Entre recherche et documentation, il y a un espace à investir pour les bibliothécaires et les chercheurs qui ont envie de travailler ensemble à la diffusion des données.
  5. Et last but not least, à travers nos actions de formation ou d’autres initiatives, faire prendre conscience à la communauté scientifique que ce qu’elle produit est un bien collectif, qu’il faut conserver et diffuser dans un cadre public, et que les données de la recherche en font partie.

 


Imprimer ce billet Imprimer ce billet

3 commentaires pour  “"Données" de la recherche, les mal-nommées”

  1. Bonjour,
    Intéressant billet, mais "tout traduire en rdf" pourrait en effrayer certains ! Or, depuis 2010, dans le domaine des SHS, nous avons fait Isidore. Il propose par exemple - outre son moteur de recherche - un convertisseur OAI-PMH/DC + DCterms vers RDF avec ces mêmes vocabulaires documentaires, voir la vidéo sur le site d'huma-num. Ainsi, les 3 millions de ressources SHS d'Isidore, sont converties en RDF pour la partie métadonnées, enrichies avec des référentiels scientifiques eux même en RDF, c'est donc un début, mais déjà opérationnel. Ainsi, il faudrait signaler que des outils existent, que certains s'adressent aux chercheurs, d'autres aux professionnels de l'IST. Il est possible d'ailleurs d'utiliser Isidore pour les données (et non plus pour les métadonnées) données SHS, j'avais fait un exemple dans Isidore que je vais bientôt décrire dans mon propre blog.

    Cordialement,

    Stéphane.

    Répondre
  2. […] “Données” de la recherche, les mal-nommées | URFIST Info […]

    Répondre
  3. […] interrogent le statut de la donnée et de ses usages. Il y a d’abord la question de l’utilisation des données dans la recherche : qu’elles soient produites et/ou utilisées par des chercheurs, elles invalident quelques […]

    Répondre

Laisser un commentaire

XHTML: Vous pouvez utilisez ces balises :<a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong> <embed style="" type="" id="" height="" width="" src="" object="" allowfullscreen="" allowscriptaccess="" cachebusting="" bgcolor="" quality="" flashvars=""> <iframe width="" height="" frameborder="" scrolling="" marginheight="" marginwidth="" src=""> <object style="" height="" width="" param="" embed=""> <param name="" value="">