Archives de l’auteur : étienne

À propos étienne

Chercheur CNRS (SAGE-Université de Strasbourg). Données numériques, sociologie politique, épistémologie des sciences sociales.

Après le déluge

Jeudi et vendredi dernier avaient lieu à l’INED les journées Science XXL. Réunissant des chercheurs de toutes presque toutes les sciences humaines sociales (économie,  géographie, sociologie, histoire, science politique, démographie, histoire et philosophie des sciences), l’objectif était de se demander ce que “l’abondance et la diversité des données numériques font au sciences sociales”, selon le sous-titre du programme. Et ainsi de voir comment les sciences sociales avaient négocié le tournant des “big data”.

De fait, ces journées auraient tout aussi bien pu s’appeler “après le déluge”. Le déluge, c’est d’abord celui des informations disponibles pour mener l’enquête. Beaucoup de présentations courtes, organisés comme autant de retour d’expériences, ont mis en avant la manière dont il était possible de se saisir à nouveaux frais d’objets classiques avec des informations elles nouvelles. Ou de poser d’autres questions, que ce soit du fait de sources nouvelles ou de l’étendue de celles que permettent de saisir les méthodes numériques. L’automatisation partielle de la collecte, du formatage des données recueillies ont fortement augmenté la taille des corpus utilisés par les chercheurs, et cela, qu’ils travaillent sur des objets liés à internet, ou pas du tout. Plusieurs présentations évoquaient ainsi des données administratives, des données d’entreprise (Meetic, LinkedIn), ou encore des traces d’usages des serveurs de Gallica, le site de la Bibliothèque nationale.

Le déluge, c’est aussi et au moins autant le déluge de discours incantatoires sur la “révolution” qui serait en cours et ses effets. L’abondance s’est en effet accompagnée de  prophéties sur le futur des sciences sociales. Pas toujours cohérents sinon dans leur fréquence, ils évoquaient soit la “nouvelle ère” scientifique qui s’ouvrait ou, inversement, la régression intellectuelle que constituerait cette abondance, soit les opportunités incroyables ou, à l’inverse, les données de piètre qualité qui seraient récoltées. En d’autres termes, les débats de ces dernières années n’avaient été ni pacifiés, ni particulièrement nuancés. Plutôt que de rejouer ces guerres, les présentations des deux journées cherchaient toutes à voir ce qui changeait, et comment.

Retour à Ibn Khaldun
De ce point de vue, les mises aux points des historiennes ont été bienvenues. Béatrice Cherrier a ainsi proposé une rapide mise en perspective. Le terme de “big data” fut, selon elle, mentionné pour la première fois à la fin des années 1990 du côté de la NASA, soit plusieurs années avant les chronologies officielles, et dix ans avant que le phénomène soit évoqué. Le terme est aussi flou et désigne des réalités bien différentes d’une discipline à l’autre, relatives aux capacités de stockage différentes et à des taille de corpus habituels elles aussi variables. Faisant un pas de plus, elle interrogeait la nouveauté même du phénomène. Car si ce qui se joue dans les “big data”, c’est le fait que les volumes de données dépassent les capacités de stockage et de traitement, la situation actuelle ne différerait pas fondamentalement de ce qui s’est joué au moment de l’invention de l’imprimerie, des premiers ordinateurs, voire d’autres formes de duplication de l’écriture. Au XIVème siècle déjà, le philosophe Ibn Khaldun évoquait cette abondance qui entraverait “la quête humaine du savoir et le travail académique” (Muqaddimah, 1969, p. 414). Dans les années 1950, les discours relatifs à la big science annonçaient une révolution scientifique, économique et médicale qui se fait toujours attendre (on pourra voir sur ce point les travaux de l’historien des sciences Peter Galison, qui dans Big Science. The Growth of Large Scale Research insistait sur les évolutions dans l’administration de la preuve, les techniques d’échantillonnage). L’opposition entre “Cassandre” et “prophètes” des données massives, pour reprendre une expression de Dominique Cardon, ne date donc pas d’hier.

Que faire des traces?
Claire Lemercier a elle rappelé que l’abondance en question est une abondance de textes et de sources écrites, matériau finalement bien connu de l’historien. À cette aune, beaucoup de débats contemporains sont finalement assez classiques. Que le fait qu’on s’intéresse à des “traces” laissées par des individus ne modifie pas en soi le travail des sciences sociales – c’est le lot quotidien des historiens. De la même manière, que les sources n’aient pas été produites pour les besoins d’une enquête (comme le sont souvent les “techniques réactives” que sont l’entretien, l’observation ou le questionnaire) n’est guère nouveau pour des chercheur.e.s qui travaillent quasiment uniquement sur des informations laissées par des individus, des entreprises ou des administrations sans penser au chercheur. Ces données de capteurs, issues de bases de données commerciales ou administratives ne sauraient donc être disqualifiées à ce titre : elles ont comme toute information un biais, que la critique des sources prônée par Langlois et Seignobos voilà près de 150 ans doit pouvoir saisir.

 

La présentation d’Antoine Courmont, qui rappelait comment sont produites les informations d’open data des administrations, allait dans ce sens. Partant de la remarque classique de Bruno Latour selon laquelle on serait mieux inspiré de parler “d’obtenues” que de “données” pour évoquer les informations avec lesquelles ont construit les sciences, il rappelait que toute donnée est le produit d’un processus qui voit des acteurs la mettre en forme en fonction de leurs expériences, en fonction des usages et des usagers qu’ils imaginent aussi. Y a t-il un sens à parler de nettoyage de données, comme on l’entend souvent? Rien n’est moins sûr, tant il est vrai que cette notion suppose qu’il existerait une information propre indépendamment de ce qu’on recherche. Ce point était prolongé par C. Lemercier qui expliquait que, dans sa pratique de chercheuse comme d’enseignante, elle avait souvent trouvé que le moment de la constitution de la base de données était la plus féconde intellectuellement.

Le percepteur des données
Deux tables rondes ont ponctué les journées. L’une le vendredi matin portait sur les questions d’accès aux données, de droit et d’éthique. Ces aspects doivent être pensés ensemble car, dans bien des cas, la réglementation sur les données personnelles vient contraindre le travail de recherche. B. Cherrier racontait ainsi comment, pour accéder à des informations du fisc étatsunien dans le cadre d’une étude sur les inégalités de revenus, deux économistes avaient dû se faire embaucher…par l’Internal Revenue Service, le service des impôts, le temps de mener leur enquête. Tout le monde n’a pas cette marge de manoeuvre, ni même se voit offrir ces opportunités.

La juriste Emilie Debaets a ouvert la table-ronde en rappelant les principaux enjeux du droit des données personnelles. La France, c’est un fait connu, a adopté une définition extensive des données personnelles, requérant des déclarations et des protections dès qu’une donnée peut être identifiante, même indirectement. Cette position  protectrice de la vie privée a pour conséquence que la recherche est encadrée, parfois de manière considérée comme trop exigeante (voire stérilisante) par ceux qui la pratiquent. Plusieurs échanges ont eu lieu avec la salle qui montraient que les chercheurs avaient souvent bien du mal à faire leur recherche en restant dans les cadres de la loi, et cela qu’ils soient qualitativistes comme quantitativistes. Du point de vue de la loi, un des effets les plus tangibles est d’avoir soumis les ethnographes aux mêmes contraintes que les utilisateurs de statistiques – voire même plus car leur matériau est souvent riche d’informations personnelles identifiantes qu’ils auraient bien du mal à faire disparaître.

Dans ces débats bien connus, elle a souligné les évolutions en cours de la législation, dont la plus notable semble être le passage d’un droit organisé autour de la déclaration préalable à un droit basé principalement les dispositifs mis en place par les chercheurs pour favoriser le respect de la vie privée [privacy by design]. La forme qu’elle prendra, comme la nécessaire formation des chercheurs à ces techniques (cours de cryptage des données  obligatoire en première année?) seront des enjeux importants.

Par ailleurs, contre l’idée que l’abondance des données serait nécessairement féconde pour la recherche, plusieurs interventions ont montré que celles-ci sont très souvent “propriétaires”, c’est-à-dire possédées par des entreprises ou des administrations. Si ces dernières commencent à être contraintes à livrer leurs données, ce n’est pas le cas des premières qui sont accessibles au compte-goutte. Ces informations potentiellement riches sont soit conservées pour un usage propre, soit vendues – parfois par des tierce parties – à des sommes importantes). Une discussion s’est  engagée pour savoir ce qu’il fallait faire. Pierre-Yves Geoffard a défendu l’idée de partenariats entre chercheurs et entreprises, organisés sur des bases contractuelles et individuelles. Cette situation est bien sûr possible (et pratiquée par plusieurs intervenants), mais elle est aussi lourde de conséquences en termes d’accès à l’information comme d’inégalités entre ceux avec lesquelles les entreprises veulent bien échanger (et dans quels termes) et les autres (ainsi que l’ont rappelé B. Benbouzid et N. Baya-Laffite).

Pour ma part, j’ai défendu l’idée que certaines informations constituant un bien public, elles devraient être mises à disposition des chercheurs, voire du public. Une telle proposition est souvent critiquée. On lui oppose souvent le secret des affaires tout comme le respect de la vie privée, que la diffusion de ces informations mettraient à mal. Ces objections ne sont toutefois pas rédhibitoires, et des solutions comme les centres sécurisés d’accès aux données, dont il fut question avec A. Trognon pourraient fournir une piste de réponse. Créés il y a une dizaine d’années, ces dispositifs permettent à des chercheurs de venir consulter de manière encadrée des données considérées comme sensibles, offrant par là même la possibilité de traiter des données sensibles (les données du recensement par exemple) sans qu’elles soient ouvertes à tous.

Parmi les autres réticences possibles, celle de la qualité des données transmises en est une autre, surtout quand celle-ci dépend de la bonne volonté d’entreprises qui ont d’autres objectifs voire, qui plus est, réalisent une part importante de leur activité de cette activité via ces informations a aussi été opposée. Une solution pourrait alors être de créer une position de percepteur des données, chargé de vérifier la fiabilité des déclarations faites. Elle aurait aussi pour effet positif de permettre aux pouvoirs publics de s’intéresser à au type et à l’usage que font ces mêmes entreprises : à la pause, divers intervenants évoquaient les nombreuses entorses à la législation qu’ils avaient pu constater lors de leurs différentes recherches.

Comme pour son homologue des impôts, le précepteur des données ne serait pas une figure populaire. Les réticences face à l’intrusion de l’État comme les menaces de délocalisation seraient sûrement légion, mais il assurerait aussi une régulation a minima et une contribution des entreprises à la société dans laquelle elles travaillent. Il permettrait aussi d’éviter que les sites web de ces entreprises soient saturés de robots qui viennent se servir, et utilisent leur bande passante comme repartent sans contrôle avec les données. Assistés d’archivistes des données, il pourraient constituer des agents importants dans l’économie de l’État numérique qui se construit.

Le futur déjà présent des sciences sociales
L’autre table-ronde portait sur la situation de différentes sciences sociales face aux big data. Organisée autour de Pauline Givord (INSEE), Dominique Cardon (sociologie, Médialab) et Claire Lemercier (histoire, CNRS), elle visait à saisir les effets concrets de l’abondance sur les diverses disciplines.

Cardon et Lemercier ont souligné que, de leur point de vue, les effets d’annonce avaient été au moins aussi importants que les réalisations, et que les grands projets très médiatisés (et largement financés) n’avaient pas produit les révolutions annoncées. Pour C. Lemercier, il n’est même pas évident qu’on puisse parler de big data en histoire à l’heure actuelle – la numérisation des sources a donné lieu à l’existence de nombreux corpus, mais pas forcément de taille radicalement plus importante qu’avant. Les quelques projets qui promettaient de transformer l’histoire ou la linguistique sur la base d’importants volumes ont souvent accouché d’une souris.

De fait, il faut aller au-delà des effets d’annonce un peu grandiloquents pour saisir ce qui est en jeu. Pour Pauline Givord, on pourrait croire que rien ne change dans le métier de la statique publique…et pourtant. Outre les changements techniques (en terme de matériel, de compétences recherchées), les initiatives se multiplient pour voir si on pourrait compléter les résultats d’enquêtes classiques par des données de capteurs. En France, la grande expérimentation actuelle se fait sur les “données de caisse”, ces informations qui enregistrées par les grandes surfaces lors de la vente et destinées à leur compatibilité, mais qui pourrait être utiles pour capturer en temps quasi-réel l’indice des prix. Des expérimentations sont aussi menées pour voir si d’autres indicateurs (comme le “moral des chefs d’entreprise”) peuvent être capturés par d’autres sources.

D. Cardon a lui évoqué les recompositions interdisciplinaires en cours. Par rapport à d’autres époques, les principaux échanges ne se font plus entre sciences sociales. L’abondance des données, le caractère technique de leur capture ont forcé les chercheurs en sciences sociales à faire alliance avec des informaticiens, des spécialistes de l’analyse de réseaux aussi. C. Lemercier évoquait elle la multiplication de travaux sur la réception (d’un objet, d’un auteur) et les approches multi-localisées. Extrêmement difficiles dans une époque de moindre accessibilité d’informations, elles deviennent plus envisageables désormais [j’avais développé un argument similaire dans un texte sur la réception des sociologues français aux États-Unis , pdf ici]. Par le même effet d’extension de focale, les travaux sur ceux qui portent les entourages plutôt que sur des individualités seulement se sont aussi développés. Au cours des journées, plusieurs autres aspects ont été évoqués :

  • La question des outils disponibles pour appréhender cette masse. Paul Girard, du médialab, est venu présenter un “datascape” qui permet d’explorer par la visualisation des données collectées sur le commerce international. Hadrien Commenge a présenté CyberGeoNetworks, une interface de visualisation et de statistiques destinée à explorer des bases de données textuelles. Initialement produit pour l’anniversaire de la revue CyberGeo, l’interface construite avec Shiny pourrait servir à d’autres corpus.
  • Du côté des méthodes, G. Bastin a raconté comment il avait mené une enquête sur les journalistes assisté d’un data scraper, un robot qui collectait des données biographique via des CV laissés sur un site professionnel. Dans une comparaison quasi-anthropomorphique entre scraper et enquêteur en observation participante, il a tracé des parallèles entre ces formes de collectes pour inviter qui mettait en abyme la collecte classique des qualitativistes [voir son article ici]. Côté méthodes statistiques, j’ai présenté avec Julien Boelaert une comparaison entre les techniques de régression et le machine learning, cette classe de techniques qui “apprennent de l’expérience” (ie. qui détectent des combinaisons de variables sans avoir été explicitement programmées), en se demandant si leur usage allait amener les sciences sociales quantitatives à changer d’objectifs comme de critères de véridiction. De plus en plus utilisées dans certains domaines appliqués du fait de leur compétences, ces techniques ont en effet pour contrainte de favoriser la prédiction plutôt que l’explication, d’apporter des résultats approchés, et de fonctionner comme des boîtes noires. Cette présentation, tout comme celle d’Eglantine Schmitt qui évoquait elle aussi du machine learning sur des données textuelles, montrait l’usage heuristique de ces méthodes qui venaient compléter d’autres formes d’investigation, voire qui pourraient assurer le retour en grâce d’une approche ancienne mais un peu occultée par la régression, la description quantifiée.
  • La diversité des sources disponibles, leurs biais propres, ou les difficultés d’exploitation voire de publication ont été évoqués avec des cas aussi différents que des données du système de retraite (P. Hobeika), de données de trajectoires étudiantes (L. Moulin), de blogs étudiants (N. Bourgeois et M. Epstein). La question de l’appariement de sources administratives et internet fut abordée par N. Robette sur le cas des données de cinéma, et M. Bergström a évoqué les points d’entrée analytique différents qu’offre une base de donnée obtenue auprès d’un site de rencontre et une enquête de la statistique publique pour la sociologie du couple.

Ce résumé incomplet, partiel et forcément subjectif ne rend pas justice à la richesse des présentation. D’autres compte-rendus sont en cours (ou déjà publiés chez B. Cherrier), qui viendront la compléter.

étienne

Chercheur CNRS (SAGE-Université de Strasbourg). Données numériques, sociologie politique, épistémologie des sciences sociales.

More Posts

Science XXL – Programme

Science XXL

Ce que l’abondance et la diversité des données font aux sciences sociales

Journées d’étude organisées par Arnaud Bringé, Anne Lambert et Étienne Ollion
avec le soutien de l’INED et du laboratoire SAGE (Université de Strasbourg)

Inscription gratuite mais obligatoire sur le site de l’INED

Données de l’Internet, données administratives, données de capteurs, fichiers de gestion (du personnel, d’adhérents, d’anciens élèves), etc…. le volume d’informations numériques disponibles a fortement cru ces dernières années. Une fois passée la fascination pour ces gisements de données en apparence gratuites, abondantes et immédiatement disponibles, les questions soulevées par l’usage scientifique de ces masses numériques sont nombreuses.

Certaines sont classiques, d’autres moins, d’autres enfin se posent avec une acuité renouvelée.
Le plus souvent produites à des fins gestionnaires, administratives ou commerciales, les informations collectées ne sont pas toujours utiles pour les chercheur-e-s, en tous cas pas immédiatement ; quoique massives, elles ne sont pas toujours plus précises, ni plus fiables que des données d’enquête classique ; les questions d’accès et de propriété des données compliquent le travail ou modifient la place des chercheur-e-s, qu’elles-ils soient demandeur-e-s ou, de manière croissante, sollicité-e-s par les producteurs pour les traiter.

L’objectif de ces journées d’étude est de prolonger ces réflexions théoriques, méthodologiques, épistémologiques et éthiques pour savoir ce que l’abondance et la diversité des données numériques font aux pratiques de recherche en sciences sociales, en France comme à l’étranger.

Jeudi 16 mars

9h30 : Introduction
Mot d’accueil : Magda Tomasini (Directrice de l’INED)
Introduction générale : Anne LAMBERT (INED – CMH) et Étienne OLLION (SAGE – Université de Strasbourg)

10h00-12h00 – Session 1 : Sources et enquêtes
Président : Étienne Ollion (SAGE – CNRS)
Discutant : Baptiste Coulmont (CSU – Université Paris 8)

Présentations courtes
Antoine BEVORT (LISE-CNAM-CNRS) : La Webanalytics des sites socio-politiques : méthodologie et études empiriques
Antoine COURMONT (CEE-Sciences Po) : Ouvrir les données publiques : les données à l’épreuve de leur diffusibilité
Laurent BEAUGUITTE (IDEES-CNRS), Hughes PECOUT (CIST),  Marta SEVERO (DICE-idf, Université Paris Nanterre) : Les flux RSS pour étudier l’actualité internationale
Andrey GRUNIN (CIHAM, Université d’Avignon) : Pour des données historiques massives : ambitions, enjeux, questionnements
Léonard MOULIN (INED) : Etudier les trajectoires étudiantes à l’aide de données administratives
Muriel EPSTEIN et Nicolas BOURGEOIS (SAMM – Université Paris 1) : Des blogs enseignants comme « meilleurs entretiens non directifs » ? L’apport d’une analyse textuelle quantitative

14h-16h00 – Outils
Présidente : Eva Lelièvre (INED)
Discutant : Arthur Charpentier (CREM – Université Rennes 1)

Présentations longues
Étienne OLLION (SAGE – Université de Strasbourg) et Julien BOELAERT (SAGE – Université de Strasbourg) – Ce que peut le machine learning
Églantine SCHMITT (COSTECH – Université technologique de Compiègne) – Quelle ingénierie logicielle pour le traitement de données textuelles en sciences sociales ?

Présentations courtes
Nicolas ROBETTE (ENSAE), Audrey MARIETTE (CSU – U. Paris 8), Laure DE VERDALLE (PRINTEMPS – UVSQ), Karim HAMMOU (CSU – U. Paris 8) – Heaven’s gate? Construction d’une base de films par agrégation de diverses sources Internet
Paul GIRARD, Mathieu JACOMY, Christophe LECLERCQ (Sciences Po – MEDIALAB) : Explorer association et transformation à travers des datascapes
Léo JOUBERT (LEST – Université d’Aix-Marseille) – Global et local dans les communautés numériques. Le cas de Wikipedia
Valérie BEAUDOUIN, Florence d’ALCHE-BUC, Adrien NOUVELLET, Christophe PRIEUR, François ROUEFF (LTCI – Telecom ParisTech) : Ce que le web fait à une bibliothèque : étudier les usages de Gallica par les traces
Pierre-Olivier CHASSET, Hadrien COMMENGES (Géographie-Cités – Université Paris 1), Clémentine COTTINEAU (CASA – University College of London), Christine KOSMOPOULOS (Géographie-Cités – Université Paris 1), Denise PUMAIN (Géographie-Cités – Université Paris 1), Juste RAIMBAULT (LVMT, Université Paris-Est): CybergeoNetworks : un outil interactif pour l’analyse de corpus bibliométriques massifs

16h00-16h30 : Pause

16h30-18h00 – Table ronde : Les sciences sociales face aux données massives.
Claire LEMERCIER (CSO – CNRS)
Pauline GIVORD (INSEE)
Dominique CARDON (MEDIALAB – Sciences Po)

18h00-19h30 – Réception

VENDREDI 17 MARS

10h00-12h30 –  “Accès, droit, et éthique”
Président : Alain Trognon
Discutante : Béatrice Cherrier

Présentations courtes
Pierre-Antoine BILBAUT (INED – CERLIS) – Aspirer des données et après? Questions d’éthique et de méthode
Jérémie GARRIGUES (STSLab – Université de Lausanne) – Accès aux données numériques et formalisation algorithmique : le cas du crawl d’une plateforme de livewebcam
Bilel BENBOUZID (LISIS – Université Paris Est), Nicolas BAYA-LAFFITE (STSLab – Université de Lausanne), Jean-Philippe COINTET (INRA – LISIS)  – Le sociologue et les dataproviders : quelles liaisons dangereuses?

Table-ronde: Quels droits pour l’enquête en sciences sociales?
Pierre-Yves GEOFFARD (PSE-Economie)
Florence WEBER (ENS – Anthropologie)
Emilie DEBAETS (Université de Toulouse – Droit)

14h00-16h00 –  “Savoirs”
Présidente : Anne Lambert (INED – CMH)
Discutant : Rémy Caveng (CURAPP – Université de Picardie)

Présentations longues
Marie BERGSTRÖM (INED) – Sites de rencontres : un nouveau site d’observation de la formation des couples
Gilles BASTIN (PACTE – Sciences Po Grenoble) – Le datascraper est-il un observateur participant comme un autre ? Un retour d’expérience sur le réseau LinkedIn

Présentations courtes

Paul HOBEIKA (CSU – Université Paris 8) – Quelles catégories statistiques pour étudier les inégalités entre retraités? Apports et limites des bases de données administratives
Yoann DEMOLI (PRINTEMPS – Université Versailles Saint Quentin) – Enseigner les méthodes quantitatives grâce aux big data : retour d’expérience
Olivier CABRIGNAC (SCOR Global Life), Arthur CHARPENTIER (CREM – Université de Rennes 1), Ewen GALLIC (CREM – Université de Rennes 1) – Les données collaboratives généalogiques au service de la démographie historique.

étienne

Chercheur CNRS (SAGE-Université de Strasbourg). Données numériques, sociologie politique, épistémologie des sciences sociales.

More Posts

AAC : Retour critique sur les sociologies numériques

Nous relayons ici un appel à communication pour un dossier coordonné par N. Baya-Laffitte et B. Benbouzid, à paraître dans la revue Sociologie et Sociétés.

——–

Mike Savage et Roger Burrows annoncent en 2007 dans la revue Sociology une crise à venir pour la sociologie empirique. Les deux professeurs de sociologie s’inquiètent de l’obsolescence proche des méthodes de collecte de données qui ont fait la spécificité de leur discipline (les enquêtes en population, les suivis longitudinaux, les entretiens, les reconstitutions de réseaux sociaux etc.). Les méthodes d’enquêtes couteuses et souvent laborieuses des sociologues, qu’elles soient quantitatives ou qualitatives, seraient progressivement « déclassées » avec l’accès supposé facilité à un nombre important de données de transactions sociales enregistrées au quotidien par les acteurs publics certes, mais de plus en plus par les acteurs de l’économie marchande et d’internet : « In an age of knowing capitalism, sociologists have not adequately thought about the challenges posed to their expertise by the proliferation of « social » transactional data which are now routinely collected, processed and analysed by a wide variety of private and public institutions » (Savage et Burrows, 2007). Pour survivre à un contexte de concurrence accrue entre différents types de savoir sur le social, la sociologie doit, selon les auteurs, se préparer aux évolutions numériques en marche.

La même année, Roger Burrows cette fois avec David Beers, publie un article, Sociology and, of and in Web 2.0: Some Initial Consideration, sur les orientations que pourraient prendre cette préparation. Les auteurs imaginent de passer d’une sociologie du web à une sociologie qui, pour ainsi dire, se love dans le web. Selon les auteurs, les transformations numériques ne doivent plus uniquement intéresser les sociologues des technologies de l’information et des communications, elles interpellent l’ensemble de la sociologie. Les réseaux sociaux, par exemple, doivent dépasser le statut « d’objet de recherche » pour devenir des instruments de recherche à part entière. En 2007, les données du web paraissent encore facilement accessibles. Burrows et son collaborateur voient les réseaux sociaux comme des archives ouvertes sur la vie quotidienne des individus, une sorte de « codification continue des habitus » par l’enregistrement systématique des préférences, des choix, des points de vue, des caractéristiques physiques, des situations géographiques, des parcours éducatifs, des situations professionnelles etc. Ainsi, avant l’engouement médiatique autour des méga-données (big data), les sociologues avaient déjà commencé à s’interroger sur les enjeux de l’adaptation de leurs pratiques de recherche aux nouvelles opportunités offertes par les données numériques.

Le ton programmatique de ces deux articles souvent cités invite à un retour critique s’interrogeant sur les évolutions numériques de la sociologie depuis une dizaine d’années. On voit poindre dans de nombreux pays des programmes de recherche et des instituts spécialement dédiés au développement d’approches plus intégrées du numérique dans la production de connaissance sur les phénomènes sociaux. En effet, face à l’abondance de supports d’enquête numérisés et de données produites sur et par le web, de nombreuses études empiriques numériques ont été réalisées ces dernières années en sociologie. Une « sociologie numérique » en plein essor, mais au contour difficile à dessiner, prend progressivement place dans le paysage académique.

Ce numéro a pour but de réfléchir aux répercussions concrètes des transformations numériques dans l’approche de la sociologie et, partant, des rapports de la sociologie avec ses objets, ses méthodes et ses outils. Quels sont les effets concrets de cette mise en numérique sur la sociologie et ses usages ? Dans quelle mesure avons-nous accès à des modes de compréhension inédits des phénomènes sociaux par le biais de nouvelles entités, qu’elles soient natives du web ou objets numérisés ? Comment ces nouvelles entités numériques sont-elles en train de transformer la pratique et la connaissance sociologique? Et, notamment, comment la sociologie s’équipe-t-elle pour se saisir d’objet numérique en constante évolution? Comment la sociologie gère-t-elle le caractère éphémère des outils et stratégies mis au point dans ce sens ? Comment les équipements développés se relient-ils à des approches spécifiques du social ? Que font les nouvelles techniques quantitatives de data mining à la visée interprétative de la sociologie ? Dans ce contexte comment s’articulent les tensions nouvelles entre approches quantitatives et qualitatives ? Quelles sont les conditions d’accès et de collecte de données pour faire de la recherche numérique ? Quels sont les lieux où ces nouvelles sociologies prennent forme ? Autrement-dit, quelles sont les organisations spécifiques dans lesquelles elles s’ancrent ? Quelle est la spécificité du regard sociologique sur le numérique par rapport à d’autres domaines qui s’en saisissent (journalisme, marketing, urbanisme etc.) ? Quelles sont les limites, les apories et les déceptions rencontrés par cette mise en numérique de la sociologie, notamment au vue de l’économie des promesses qui accompagne cette transformation? A l’aune des résultats obtenus à l’heure actuelle, dans quelles directions la nature du savoir sur le social évolue-t-elle?

Les articles attendus pourront ainsi répondre à une ou plusieurs de ces questions. Le dossier privilégiera des travaux de mise en perspective critiques alimentés par des expériences de recherches, des développements institutionnels d’équipements où des études empiriques sur des cas concrets.

Calendrier

Les intentions de contributions, comportant un titre, un résumé et un plan envisagé de l’article (3,000 signes max., espace compris, soit approximativement 500 mots) doivent être adressées aux coordinateurs (nicolas.bayalaffite [at] unil.ch et bilel.benbouzid [at] u-pem.fr) avant le 9 janvier 2017. Les intentions de contributions et les articles en anglais sont acceptés, compte-tenu que les auteurs prennent en charge la traduction en français de la version finale acceptée. Les auteurs des propositions retenues seront avisés avant le 1er février 2017.

Les articles finaux (70,000 signes max., espaces et bibliographie compris, soit approximativement 11,000 mots) devront être remis au plus tard le 12 juin 2017. Conformément aux pratiques de la revue, l’acceptation de l’article final dépendra des conclusions de la procédure d’évaluation par les pairs. La publication est prévue pour fin 2017.

étienne

Chercheur CNRS (SAGE-Université de Strasbourg). Données numériques, sociologie politique, épistémologie des sciences sociales.

More Posts

Sciences XXL – Ce que l’abondance et la diversité des données numériques font aux sciences sociales

Le carnet Data relaie cet appel à communication pour des journées d’études qui se tiendront les 16 et 17 mars 2017, à l’INED (version PDF).

Données de l’Internet, données administratives, données de capteurs, fichiers de gestion (du personnel, d’adhérents, d’anciens élèves), etc…. le volume d’informations numériques disponibles a fortement cru ces dernières années. Une fois passée la fascination pour ces gisements de données en apparence gratuites, abondantes et immédiatement disponibles, les questions soulevées par l’usage scientifique de ces masses numériques sont nombreuses.

Certaines sont classiques, d’autres moins, d’autres enfin se posent avec une acuité renouvelée.
Le plus souvent produites à des fins gestionnaires, administratives ou commerciales, les informations collectées ne sont pas toujours utiles pour les chercheur-e-s, en tous cas pas immédiatement ; quoique massives, elles ne sont pas toujours plus précises, ni plus fiables que des données d’enquête classique ; les questions d’accès et de propriété des données compliquent le travail ou modifient la place des chercheur-e-s, qu’elles-ils soient demandeur-e-s ou, de manière croissante, sollicité-e-s par les producteurs pour les traiter.

L’objectif de ces journées d’étude est de prolonger ces réflexions théoriques, méthodologiques, épistémologiques et éthiques pour savoir ce que l’abondance et la diversité des données numériques font aux pratiques de recherche en sciences sociales, en France comme à l’étranger. Les communications pourront s’appuyer sur des récits d’expériences ou des restitutions de recherches déjà menées, en vue d’expliciter ces pratiques de manière réflexive, ou de saisir d’éventuels changements de ces dernières au cours du temps. Des présentations sur la production ou les usages que les administrations ou les entreprises font des données numériques pourront aussi être proposées. Les comparaisons (historiques et/ou avec d’autres disciplines scientifiques) sont particulièrement bienvenues afin de mieux cerner l’éventuelle nouveauté de la situation actuelle.

cincinnatti-library_mclaughlinCincinnati Public Library (crédits, et plus)

Calendrier

  • Clôture de l’appel à communication le 22 novembre 2016
  • Décision du comité scientifique et notification : 18 décembre 2016
  • Journées d’étude : Jeudi 16 et vendredi 17 mars 2017

Adresse de contact : scienceXXL@gmx.com
Lieu : Ined, salle Sauvy, 133 boulevard Davout, 75020 Paris

Comité d’organisation
Arnaud Bringé (Ined – chef du service des méthodes statistiques), Anne Lambert (Ined-CMH), Étienne Ollion (Université de Strasbourg-SAGE).

Comité scientifique
Andrew Abbott (sociologue – Université de Chicago), Didier Breton (démographe – Université de Strasbourg-SAGE), Dominique Cardon (sociologue – Sciences Po), Arthur Charpentier (économiste – Université de Rennes 1), Béatrice Cherrier (économiste – Université de Caen), Emmanuel Didier (sociologue – CNRS), Frédéric Lebaron (sociologue – ENS Cachan), Eva Lelièvre (démographe – INED), Claire Lemercier (historienne – CNRS), Pierre Mercklé (sociologue – ENS Lyon), Alain Trognon (statisticien – INSEE), Laurent Toulemon (démographe – INED), Florence Weber (anthropologue – ENS Ulm).

*

Les propositions de communication (qui peuvent être en anglais ou en français) sont à renvoyer avant le 22 novembre 2016. Elles pourront s’inscrire dans l’un des 3 axes suivants :

1. Données cherchent chercheur-e-s : conditions d’accès et d’usage des données
La multiplication de sources de données, par des « nouveaux » producteurs le plus souvent situés hors du monde académique, modifie parfois substantiellement la position des chercheur-e-s. Pour accéder aux informations, ces dernier-e-s doivent engager des négociations avec les propriétaires des données, parfois sans connaître en amont leur qualité, leur nature et la quantité / représentativité des informations disponibles. Cela passe souvent par la signature d’un contrat de recherche ou d’une convention de partenariat dans lesquels les contraintes imposées peuvent être importantes.
La présence accrue du droit dans la relation d’enquête n’est pas qu’une affaire de juriste. De manière croissante, les chercheur-e-s sont aussi invité-e-s, en échange de l’accès aux données, à les traiter pour le compte de l’organisation, à adopter des modes de restitution séparés (académiques et experts), voire à mettre en place un partenariat où les résultats seront valorisés par l’organisme producteur. Les chercheur-e-s peuvent aussi être directement démarché-e-s par des institutions publiques ou privées pour travailler sur leurs données, moins sur la base de leur connaissance approfondie d’un champ scientifique que de leur compétence technique en matière de traitement de données. Ces nouvelles conditions modifient- elles les pratiques de recherche (par exemple, les manières de concevoir son objet de recherche, les modes de reconnaissance entre pairs, la manière de constituer les équipes de recherche et de répondre à des appels d’offre, etc.) et dans quel sens ? Comment la collaboration entre ces producteurs de données et le monde de la recherche s’organise-t-elle ?

Une fois obtenues, l’usage et la conservation des données sont également encadrés par un ensemble de règles, certaines légales, d’autres contractuelles, d’autres encore auto-imposées. Beaucoup d’informations utilisées dans les sciences sociales tombent sous le coup de la loi Informatique et Libertés de 1978 sur les données personnelles, et doivent donc être collectées avec parcimonie, voire pas du tout. Certaines doivent être détruites après coup, ce qui bouscule a priori le principe de cumulativité de la science et les possibilités de « revisite » des terrains et objets d’enquête. Dans d’autres cas, ce sont les institutions propres au champ scientifique (les comités d’éthique ou les review boards) ou les normes propres au milieu qui viennent encadrer ces usages. Comment les chercheur-e-s négocient-elles/ils ces contraintes institutionnelles ? Quelles transformations cela implique t-il dans la pratique concrète de la recherche, la division du travail scientifique (de la négociation à la restitution) ?

Ces données posent aussi la question du cout d’accès pour les chercheur-e-s. En apparence gratuites, ces dernières peuvent nécessiter un accès sécurisé et/ou payant, des infrastructures de stockage et de sauvegarde, des logiciels puissants pour les traiter, voire l’embauche de personnel pour les préparer et les mettre en forme, augmentant les inégalités d’accès entre institutions et laboratoires. Enfin, dans le cadre d’accords signés avec les producteurs, les chercheur-e-s peuvent être contraint-e-s quant aux modalités de restitution des résultats, leurs publications académiques peuvent par exemple être encadrées par des clauses de notification, un droit à la primo-publication, etc. Parallèlement, les données qualitatives collectées dans le cadre d’enquête multi-méthodes posent la question de leur statut, des conditions de leur anonymisation comme de leur propriété. Comment ces demandes modifient-elles le travail scientifique, depuis sa conception jusqu’à sa restitution ?

2. Des objets aux savoirs constitués : objets, disciplines et théories
Parmi la masse de données numériques disponibles, beaucoup proviennent de capteurs individuels (disposés par exemple sur les téléphones portables, les ordinateurs, les montres, etc.) ou de fichiers propres à des organisations et n’ont pas été conçues pour les besoins de la recherche. La critique habituelle selon laquelle ces données ne pourraient pas servir au travail scientifique doit être nuancée : les chercheur-e-s travaillent depuis longtemps sur des données qui n’ont pas été conçues par et pour elles-eux (archives administratives, bases de données d’entreprises, etc.). Mais cette critique doit aussi être précisée. Que peut-on faire avec ces données : à quelles questions permettent-elles de répondre auxquelles on ne pouvait pas répondre avant ? Et à quelles conditions (redressement, contrôle) ? Dans quelle mesure sont-elles compatibles ou complémentaires avec d’autres sources et méthodes d’enquête ? Les travaux articulant (ou comparant) différentes sources de données, d’enquête (produites par des chercheur-e-s ou la statistique publique) et de gestion (produites par des administrations, des entreprises, des associations, etc.) sont de ce point de vue bienvenus ; ils s’efforceront de discuter l’apport empirique de ces bases numériques et leurs effets éventuels sur la chaîne de production de la recherche (lien avec les services d’appui à la recherche et les ingénieurs de recherche, etc.).

La question des objets de la connaissance se pose à nouveau avec acuité. L’abondance de certaines sources tend à privilégier certains sujets ou questions au détriment d’autres, pour lesquels les données sont moins directement disponibles – qu’ils soient moins facilement quantifiables, statistiquement marginaux, économiquement non rentables. Les objets de recherche ont-ils déjà évolué, et si oui dans quel sens ? Les catégories utilisées pour décrire le monde social changent t- elles avec la modification des sources ? Les pratiques des disciplines comme les frontières classiques entre elles en sont-elles affectées? Les communications portant sur les effets de la multiplication des données sur les savoirs produits sont bienvenues. Outre les questions de méthodes ou les formes de connaissance favorisées, les présentations pourront réfléchir aux stratégies mises en place par les chercheur-e-s pour gérer l’abondance ou en tirer profit.

Enfin, les résultats doivent être considérés. Le phénomène des « big data » a été initialement célébré pour la capacité que cette masse numérique aurait à faire entrer les sciences sociales dans une nouvelle ère théorique et/ou prédictive. Mais quelles en sont les réalisations concrètes ? Et au prix de quels déplacements ? L’abondance transforme t-elle vraiment les manières de faire et si oui, dans quel sens ? S’oriente-t-on par exemple vers une forme d’hyperempirisme au détriment d’autres formes de conceptualisation ? Et plus généralement, les savoirs produits augurent-ils d’une nouvelle hiérarchie des manières de faire et des objets en sciences sociales ?

3. Les outils de la connaissance : collecter, compter, nettoyer, analyser
Les communications pourront enfin mettre en avant les outils mobilisés pour collecter, stocker, explorer et traiter ces données. Cette question en apparence technique et logistique est lourde d’enjeux scientifiques et épistémologiques. Quels sont les savoirs produits, et en quoi diffèrent-ils de ceux issus des modes de collecte classiquement utilisés en sciences sociales (questionnaires, archives, etc.)? Les recherches empiriques menées sur des lieux de production de ces données (de la conception des capteurs téléphoniques par exemple aux plateformes d’agrégation de données), éventuellement armées par les outils de l’anthropologie des sciences, sont bienvenues, tout comme le sont les communications qui s’intéressent à la production des données ouvertes (open data) et aux expériences de collecte collective (crowdsourcing).

Les outils disponibles pour traiter ces données évoluent aussi. La masse de données modifie par exemple les usages possibles de la statistique et leur articulation avec les autres techniques d’enquêtes ethnographiques. L’abondance (ou la complétude) de certaines bases rend ainsi potentiellement caduque toute une série de mesures classiquement utilisées, comme les tests d’inférence. Les données elles-mêmes sont souvent présentées dans des formats qui rendent plus difficile le recours aux techniques classiques (que ce soit parce qu’elles présentent un nombre important de valeurs manquantes, un déséquilibre entre variables et individus aboutissant à la production de tableaux difficilement exploitables, etc.). Quelles stratégies adopter pour faire face à ces données, et pour quels résultats ? Le récent retour en grâce de techniques comme l’apprentissage statistique [machine learning] montre bien certains déplacements en cours. Nées à la croisée des mathématiques et de l’informatique, et désormais largement utilisées dans différents espaces sociaux pour explorer et prédire les comportements des consommateurs, ces méthodes bouleversent-elles les pratiques de recherche et d’analyse ?
On note aussi une demande croissance de compétences destinées à collecter, apparier et nettoyer ces données (redresser des valeurs manquantes, les rendre cohérentes, etc.). Cette valorisation récente de techniques issues de l’informatique renforce t-elle l’opposition (trop) conventionnelle entre qualitativistes et quantitativistes, ou déplace t-elle ces lignes en ouvrant une troisième ligne de front méthodologique (quali, quanti, « ordi ») ?

L’objectif des journées d’étude est de réunir les chercheur-e-s de différentes disciplines (démographie, sociologie, économie, histoire, science politique, géographie, gestion, anthropologie, archéologie etc.), mobilisant des données abondantes. Les communications auront pour objet les reconfigurations de la recherche suite à cette massification et à cette diversification, qu’il s’agisse de la transformation des méthodes ou des objets, des savoirs produits, des relations avec les enquêté-e-s et la place des chercheur-e-s, ou encore des enjeux juridiques et éthiques.

*

Afin de créer une discussion collective et transversale sur ces sujets, deux formats de présentation sont proposés :

  • Des présentations courtes (moins de 10 minutes). Basées sur un retour d’expérience, elles traiteront un des points de l’appel à communication.
  • Des présentations plus longues (20 minutes environ). Sur la base d’une enquête approfondie ou d’une comparaison entre sources de données, elles proposeront une réflexion approfondie sur l’une ou plusieurs questions de la journée.

Les journées alterneront les présentations courtes et longues, et seront complétées par une table ronde et une conférence plénière.

Les propositions de communication doivent être présentées selon le format suivant (1 à 2 pages environ) :
Titre de la communication, nom(s) du ou des auteur(es), adresse(s) postale(s) et électronique(s) et appartenance(s) institutionnelle(s). La proposition de communication précisera le type de communication ainsi que la base empirique et/ou les méthodes employées.

étienne

Chercheur CNRS (SAGE-Université de Strasbourg). Données numériques, sociologie politique, épistémologie des sciences sociales.

More Posts

Faut-il partager ses données?

Faut-il partager ses données de recherche ? La tendance va en tout cas clairement dans ce sens. Les chercheuses sont de plus en plus nombreuses à mettre les données en ligne sur leur site. Les plateformes qui recensent ces données naissent régulièrement, d’autres s’enrichissent à toute vitesse, et des guides de bonne conduite sont élaborés.

Côté revues, elles sont de plus en plus nombreuses à demander aux auteurs qui publient dans leurs colonnes de mettre en ligne les données (et le cas échéant, le code permettant de produire tableaux et graphiques). Le changement est marqué avec la situation antérieure, où seulement les évaluateurs de l’article pouvaient avoir accès au code, principalement pour des raisons de vérification. Cette mise à disposition a déjà porté ses fruits, comme dans le cas devenu exemplaire d’un article d’économie dans lequel quelques erreurs de manipulatioRRBlundern sous Excel avaient amené les distingués auteurs à sur-évaluer les effets positifs de l’austérité fiscale. Comme les économistes murmurent en général aux oreilles du pouvoir (et ceux là en particulier), ce résultat faux avait eu de lourdes conséquences. Plus généralement, une récente série de tests a montré que les articles scientifiques publiés contenaient des erreurs, ou que leurs résultats centraux n’étaient pas réplicables (voir ici pour la psychologie, mais on en trouve pour chaque discipline, de manière régulière).

Tout semble donc plaider pour la mise à disposition des données et, le cas échéant, du code. L’injonction à la transparence actuelle est peu souvent critiquée, en tout cas en public. Ceux qui refusent de donner à voir les coulisses du travail scientifique sont vite dénoncés comme corporatistes ou archaïques face aux modernes de la science ouverte. La meilleure preuve de cette modernité n’est-elle d’ailleurs pas que les disciplines toujours à la pointe du progrès ont adopté cette méthode (les revues d’économie l’imposent désormais), et que les disciplines bien connues pour leur indécrottable passéisme s’écharpent pour savoir s’il faut le faire (voir ce débat cet été sur l’opportunité d’une telle pratique en sociologie)?

 

Slide1-data-secrecySource: LSE Impact Blog

 

Ouvrez, ouvrez, la boîte aux données

Il faut dire que les arguments en faveur de la diffusion sans restriction sont nombreux. Fournir le code et les données pour la réplication permet de s’assurer que les résultats sont corrects : que les calculs sont bons, qu’il n’y a pas d’erreur dans les méthodes, que les données ne sont pas bidonnées. Normalement, la revue a déjà fait cela, mais outre le fait que ce n’est pas systématique, une évaluatrice peut laisser passer des erreurs, ne pas avoir les compétences requises sur une méthode donnée, être débordée (oui, on travaille sous contraintes)… Bref, plusieurs yeux valent mieux qu’un, et la mise à disposition permet cela.

Les personnes qui ont eu à fournir un “paquet de réplication” à une revue confirment que cette ouverture fait relire son code avec une attention certaine, et qu’elle n’est pas forcément inutile… Par ailleurs, une fois ainsi organisé, il peut en effet être vérifié rapidement par d’autres, qui pourront débusquer vos erreurs. Bien sûr, ca prend plus de temps. Pour ceux qui, comme moi, écrivent du code de manière un peu décousue, ce genre de demandes force aussi à remettre ses données en ordre. Tout cela n’est que de bonne politique, ne serait-ce que pour ses propres archives.

Il y a d’autres avantages. Le travail patiemment réalisé permet non seulement de critiquer ou de valider, mais il peut être employé pour mener d’autres projets. Les données mises à disposition peuvent être croisées avec d’autres pour permettre une meilleure connaissance du sujet, ou utilisée pour poser d’autres questions – parfois très différentes de celle que se posaient les auteurs. Il n’y a par ailleurs pas que les données : le code est souvent riche d’informations. Sur les manières de coder des collègues, sur leurs manières de mettre en place une méthode, sur les trucs qu’ils utilisent pour résoudre des difficultés qu’on peut rencontrer dans nos recherches. Là encore, on peut apprendre beaucoup en allant voir sur ces archives ouvertes que sont les sites des revues qui mettent en place le dépôt de code obligatoire. En termes d’efficacité collective, les gains sont évidents.

La cause semble donc entendue, il faut “passer à l’ouverture”, et vite. Tout en étant très convaincu par ces arguments, il me semble que cette solution présente plus de difficultés qu’on ne veut bien le laisser entendre.

Une vision un peu naïve du travail scientifique

L’idée que la mise à disposition généralisée des données va faire progresser la science repose en partie sur une vision mythifiée de l’activité scientifique. D’abord parce que cette proposition fait comme si la recherche était un espace sans réelle concurrence. Donner ses données, ses codes, c’est en effet permettre à d’autres de s’en saisir, et de publier sur ce sujet, parfois avant que vous n’ayez dit tout ce que vous souhaitiez, parfois même avant la publication. Or s’il faut, dès la première publication sur un jeu de données, le mettre intégralement en ligne et se priver d’exploitations ultérieures parce que d’autres l’auront fait, cela peut poser problème.

Si nous avions toutes un poste, que nous avions toutes accès à suffisamment de ressources pour faire de la recherche, on pourrait se permettre cela. Mais la situation actuelle en est bien éloignée : l’univers scientifique n’est pas un monde d’amateurs intéressés qui financent leur subsistance sur des ressources personnelles. Ce n’est pas non plus la guerre de tous contre tous, mais la raréfaction des financements et l’injonction à “l’excellence” (mesurée à votre quantité d’articles, de fonds récupérés) font que la collaboration gratuite n’est pas encouragée dans ce système. L’argument peut paraître contextuel (le contexte semble toutefois parti pour durer), il est sûrement insuffisant, mais il explique nombre d’oppositions qu’on ne peut pas écarter d’un revers de la main. D’ailleurs, si les économistes ont été si rapides à mettre leurs données en ligne si vite, c’est peut-être que dans la plupart des cas, elles n’ont pas produit les données qu’elles utilisent. Le coût de la mise en ligne d’une base de données publique et de quelques lignes de code de réplication est en effet moindre.

Par ailleurs, l’idée que l’ouverture fait avancer directement la connaissance repose sur une vision fantasmée piledunderdatadu travail scientifique et de la découverte. Penser que des données supplémentaires vont apporter un surplus de connaissance procède d’un triple biais. L’un, qu’on pourrait qualifier d’empiriste, suppose que des données suffisent à faire progresser le savoir. C’est vrai à un certain niveau (on sait plus de choses sur le cas précis), mais est-ce que cela fait progresser d’autres formes de connaissance, conceptuelle par exemple ? Non seulement ce n’est pas nécessaire, mais la relation est parfois inverse: coincés sous des piles de données, les chercheurs ne parviennent pas (ou ne cherchent pas) à généraliser.

Une autre biais, qu’on pourrait qualifier d’incrémentaliste, propose une image du travail scientifique comme cumulation permanente. Or si cumulation il y a probablement (encore que tout le monde n’est pas d’accord), elle ne se fait certainement pas de manière linéaire. Les connaissances évoluent (un terme plus approprié que “progressent”), mais par à-coups, et certainement pas toujours dans la même direction. Un surplus de données permet le plus souvent de partir dans une autre direction, de donner à voir des aspects jusque là négligés par les approches classiques. Le savoir produit est alors autre, plutôt que supérieur.

Enfin, un dernier biais (inductiviste) tend lui à représenter la recherche en activité qui part des données pour généraliser, faire des découvertes. C’est mal connaître l’histoire des sciences, et oublier l’ensemble des manières qui permettent de générer de nouvelles idées – parfois assez éloignées de la paillasse, du terrain, de l’ordinateur. Parfois, c’est une lecture, une méthode découverte ailleurs et transposée à sur nos objets qui fait que l’on “découvre”. Et il y a bien d’autres éléments qui peuvent faire évoluer les connaissances, comme les outils utilisés, le contexte politique et financier, l’état du champ, etc. Bref, plus de données ne veut pas dire un surplus de connaissance, parce que le fait de regarder les données n’est qu’une des modalités de la découverte.

La division du travail scientifique et ses périls

Ceci dit, s’il ne s’agissait que de ça, on pourrait se dire que ce n’est pas si grave. Certains se perdront dans les données, d’autres y perdront, mais collectivement la recherche y gagnera. Encore une fois, rien ne l’assure vraiment. En cause cette fois, la division du travail scientifique que produit cette mise à disposition.

Au niveau individuel d’abord. Dans un texte très riche sur l’ouverture des données publiques (open data) dans l’administration publique, J. Denis et S. Goeta expliquent bien que les “données” de l’administration, pour être mises à disposition, sont dépouillées de toutes les informations que les agents peuvent leur ajouter quand ils les utilisent. Notes, remarques supplémentaires, codes couleurs permettent en effet à celles qui les manipulent d’en tirer profit. Cette purification se fait donc à un coût : la déperdition de certaines informations. Or, les travaux de sociologie des sciences ont bien souligné que les scientifiques fondent leurs décisions non tant sur des données que sur des “savoirs implicites” relatifs à ces données (Collins 2001). Sont-elles fiables ? L’enregistreur a t-il une particularité connue ? Sait-on autre chose sur ce lieu, cet atome, cette personne ? Cette information est perdue. Citant les travaux sur les grandes bases de données de Geoffrey Bowker, Goeta et Denis rappellent qu’il faut beaucoup de métadonnées pour permettre une collaboration efficace.

La mise à disposition de données risque donc de ne pas tenir toutes ses promesses, ou en tout cas celles que lui prêtent ses plus fervents supporters. L’éloignement entre le producteur et l’utilisateur des informations est même source de nombreuses erreurs, et si la division entre “codeurs” et “chercheurs” a souvent mauvaise presse en sciences, c’est parce qu’elle est une cause de problèmes bien connue. Vraie à l’échelle individuelle, cette remarque vaut à l’échelle collective. L’accès aux données pourrait accroître la division entre producteurs et consommateurs de données, et reconfigurer en profondeur la manière de faire de la recherche, avec des personnes spécialisées dans l’interprétation de données produite par d’autres. Les sciences sociales sociales croyaient en avoir fini avec la recherche en chambre, la voilà qui revient par la fenêtre.

Reconfigurations

Reconfigurations : c’est sûrement le terme qui décrit le mieux ce que fait la diffGEN_100_L204usion croissante de données que les chercheuses n’ont pas produites elles-mêmes. Sans avoir les avantages qu’on lui prête parfois, le mouvement mérite l’attention. Les personnes qui ont expérimenté le système, et ceux qui s’intéressent à la questions des archives des sciences sociales (les collègues de BeQuali entre autres) ont sûrement des choses à dire. En attendant, et afin d’y contribuer, Genèses vient de mettre à disposition les données et le codes (R) utilisés pour l’article sur les transformations de l’interdisciplinarité en France paru le mois dernier. On écrira peut-être quelque chose dessus bientôt, mais vous pouvez déjà reproduire les graphiques, utiliser les données, déceler les erreurs possibles, etc. [Voir sur le site de Genèses].

 

Quelques références supplémentaires:

étienne

Chercheur CNRS (SAGE-Université de Strasbourg). Données numériques, sociologie politique, épistémologie des sciences sociales.

More Posts

Au-delà des big data

Les big data sont à la mode. Dans les médias comme dans le débat public, le terme est évoqué de manière récurrente. Des entreprises dédiées au traitement de ces masses d’informations sont créées chaque jour, d’autres réorganisent radicalement leurs activités autour de la gestion de ces données.  À la suite d’entreprises privées, les administrations de nombreux pays sont désormais dotées d’un responsable de haut rang dédié à cette thématique (la France s’est dotée en 2014 d’un Administrateur général des données). Le phénomène est tout aussi notable dans le monde académique. Des centres d’analyse de ces données massives sont créés, des postes fléchés, des revues dédiées lancées, des filières spécifiques mise en place (data science).

SOCIO_063_L204Dans la dernière livraison de la revue Sociologie, un article co-écrit avec Julien Boelaert  revient sur cette question et sur les débats suscités par l’arrivée de ces données et les méthodes qui les accompagnent dans nos disciplines. Car débat il y a : « opportunité empirique inouïe » vs. « données pauvres » ; « révolution méthodologique » vs. « appauvrissement de la recherche » ; « surcroît de connaissances susceptible de produire une révolution scientifique » vs. « dégradation du savoir produit »… les réactions sont aussi vives que tranchées.

À partir d’une analyse des travaux de sciences sociales souvent regroupés sous ce label, on souligne que ces débats polarisés ont une chance de se poursuivre tant qu’ils se cristallisent autour de la notion de big data. Concept impressionniste, le terme désigne des réalités bien différentes selon qui l’utilise. Bien souvent, les volumes de données mobilisés ne sont même pas si massifs, surtout quand on les compare à des enquêtes classiques de la statistique publique (l’enquête Emploi de l’INSEE interroge trimestriellement 60 000 ménages sur des centaines de variables, beaucoup d’enquêtes qui se réclament des “big data” ne peuvent en dire autant).

Pire encore, à trop se focaliser sur un terme imprécis, on s’empêche de saisir le principal changement qui affecte nos disciplines, à savoir la multiplication de données numériques. Appelées ainsi parce qu’elles sont encodées avec des chiffres (1 ou 0) et qu’elles peuvent donc être lues et travaillées par des processeurs informatiques (ie. des ordinateurs), ces données numériques sont de plus en plus fréquemment disponibles. Elles peuvent être volumineuses ou pas, issues de l’internet ou pas. Elles peuvent même ne pas être numériques “nativement” (natively digital) : dans le cadre du projet sur le Parlement que nous menons en ce moment, nous avons transformé des archives papiers en fichiers numériques, afin de pouvoir automatiquement extraire de l’information sur les votes et les présences lors des premières législatures. L’Assemblée elle-même ne disposait pas de ces informations, et dès qu’elles seront nettoyées, nous les restituerons pour mise en ligne en open data.

Les big data, si on conserve ce terme dans les cas où des volumes extrêmement importants sont mobilisés et qui nécessitent des capacités de traitement particulières (high performance computing), ne sont donc que la face visible d’un phénomène bien plus large, la multiplication exponentielle de données numériques. Il faut donc aller “au-delà des big data” pour saisir les effets que peuvent avoir ces données numériques sur les sciences sociales.

Ils sont nombreux, et l’article souligne trois aspects du travail de recherche qui sont, d’ores et déjà, transformés par cette abondance nouvelle : la question de la place et des types de statistiques qui peuvent gérer ces données; celle de l’accès et de la conservation des données; et celle des objets et de la théorisation en sciences sociales.

Plus d’informations sur le site de la revue, et sur le portail de Cairn. Versions pdf à disposition sur demande. Et comme d’habitude : commentaires & critiques bienvenus.

étienne

Chercheur CNRS (SAGE-Université de Strasbourg). Données numériques, sociologie politique, épistémologie des sciences sociales.

More Posts

Fuck / NGram

Les modifications apportées après publication sont indiquées en bleu

Intitulé Digital Paper. A Manual for Research and Writing with Library and Internet Material, le dernier ouvrage d’Andrew Abbott est en fait bien plus qu’un manuel. Il s’agit au moins autant d’une réflexion sur les conditions de production du savoir à l’heure d’internet, et sur la manière dont la multiplication des données numériques affecte nos manières de connaître. Objets, méthodes, administration de la preuve, questions de recherches sont, selon l’auteur, affectées par cette transformation de fond.

AbbottLe livre, qui alterne entre nostalgie d’une époque que l’auteur sait révolue et conseils pour naviguer sur cet océan des données, est aussi très critique de certains outils. Dans le chapitre 3 (“Fundamentals”), Abbott s’en prend aux bases de données qui prétendent permettre de retrouver toutes les occurrences d’un terme dans le temps, en soulignant les difficultés d’une telle entreprise. La critique est forte. Pour Abbott, on ne peut en aucun cas prétendre tirer des conclusions sur les usages d’un terme. Les données sont sales, les procédures de reconnaissance textuelles se trompent, les bases sont inconnues…tout au plus, on trouvera des informations qu’on n’aurait pas vues autrement.

Un article publié ce mois-ci dans PLOS One vient apporter de l’eau à son moulin. Trois chercheurs de l’université du Vermont se sont intéressés à Google NGram, l’interface de Google qui permet de visualiser la fréquence d’un mot dans le corpus des livres scannés par Google. Si vous ne connaissez pas, allez voir, c’est amusant.

Le résultat est pour le moins sévère. Les auteurs écrivent ainsi que

“Overall, our findings call into question the vast majority of existing claims drawn from the Google Books corpus, and point to the need to fully characterize the dynamics of the corpus before using these data sets to draw broad conclusions about cultural and linguistic evolution”.

Et comme le corpus est, justement, la propriété de Google, il est donc non seulement inaccessible, mais aussi inconnu : on ne sait pas quels livres sont scannés, lesquels ne le sont pas. On ne connait pas les biais de constitution de la base. Et les auteurs de conclure que les conclusions tirées d’une base dont on sait finalement peu, sinon qu’elle est énorme, doivent être considérées avec un peu de recul.

Dans leur livre intitulé Uncharted. Big data as a lens on Human Culture (Michel & Erez, 2013), les principaux concepteurs de NGram racontent comment, doctorants au MIT, ils ont eu l’idée de mettre à profit le travail de numérisation de millions de livres initié par Google quelques années plus tôt afin d’utiliser les résultats à des fins de recherche. L’objectif, raconte ce livre enthousiaste et saturé de discours sur la nouveauté (la révolution! la révolution!), était de se servir de cette masse d’informations numérisées par Google afin d’étudier la culture humaine. Evolutions des langues, périodes de censure, transformation des rapports à Dieu ou à la sexualité, l’interface devait apporter des réponses à des questions restées sans réponse jusqu’à présent. Un article publié trois ans avant dans Science annonçait même la naissance d’un nouveau champ de recherche, sobrement intitulé “Culturomics” et tout aussi sobrement en charge de renouveler l’étude de la culture humaine.

La révolution n’a pas encore eu lieu, et l’article de PLOS One offre des pistes pour comprendre pourquoi. La liste des critiques faites au corpus est en effet longue.

  • La première est de souligner qu’entre un événement et la publication d’un livre, il se passe souvent des années. Il renseignent donc peu sur les évolutions culturelles d’une société à un moment donné, mais plutôt sur ce qu’on écrit. La critique peut paraître évidente, elle est loin d’être fatale, mais elle mérite d’être rappelée.
  • La seconde est que le corpus est extrêmement biaisé dans sa composition. Selon les époques, ce ne sont pas les mêmes livres qui sont répertoriés. Du fait des partenariats faits par Google avec des universités (pour scanner leurs livres), les ouvrages scientifiques sont très largement sur-représentés. Sans moyen de vérifier par eux même puisqu’ils n’ont pas accès à la base Google, les auteurs ont inventé un test astucieux. Ils ont cherché des termes souvent utilisés en science. Le résultat est assez parlant, comme le montre le graphique ci-dessous.

ModelDataFigure

Cette critique est forte, et elle n’est pas sans rappeler celle faite aux historiens qui prétendaient étudier des populations à l’aune des textes écrits uniquement, oubliant par là-même que l’écriture a longtemps été l’apanage de certains groupes sociaux uniquement. Dans ce cas, c’est plutôt la question du type de sources écrites qui se pose.

Poursuivant cette critique, un article de Wired évoque quelques difficultés. Le texte est plus ludique et mérite vraiment d’être lu, mais si vous êtes pressés, voilà les principales remarques

  • L’une est que l’outil recense ce qui est écrit, mais pas ce qui est lu. Le journaliste évoque le fait qu’un livre peut être présent une fois dans la base, mais lu des millions de fois. Le Seigneur des anneaux est finalement assez peu visible dans ces données, en tout cas pas plus que d’obscurs articles scientifiques. Evidemment, on pourrait penser que s’il est lu, il sera cité et discuté, mais tout dépend de la population à laquelle il s’adresse, ce qui nous ramène à la critique précédente sur les biais d’une histoire basée sur les textes et non leurs usages.
  • L’autre est que les procédures d’Optical Character Recognition (reconnaissance automatique des caractères), même si elles sont d’une efficacité toujours plus grande et peuvent être particulièrement impressionnantes, peuvent toujours se tromper. Abbott raconte comment un de ses étudiants avait noté une baisse brutale des références au terme “block grant” dans le temps (une forme de transfert monétaire de la part de l’Etat fédéral aux régions). Il attribue cette baisse à une erreur dans la procédure d’OCR : en cherchant “blook grant”, on retombait sur des résultats plausibles. Le journaliste de Wired a lui trouvé un autre exemple : les mentions de “fuck” dans la base.

Ffuck

Faut-il conclure de ce graphe que les ligues de morale ont réussi pendant des années à limiter la vulgarité après un XVIIIè siècle décadent, mais ont définitivement perdu la bataille après 1950? Une raison plus plausible tient à un changement dans la graphie : jusqu’à 1800 environ, le s minuscule ressemblait à un grand f allongé. En fait de “fuck”, l’algorithme repérait des mentions de “suck”. L’article n’explique pas si cette situation constitue un véritable progrès pour la morale, mais il rappelle que les mots susceptibles d’être affectés sont nombreux : case vs. cafe, sunk vs. funk, etc., la liste est longue.

Au vu de ces résultats, les auteurs de l’étude de PLOS appellent les chercheurs à une certaine prudence dans le recours à cette base, alors que les articles qui s’en servent comme source secondaire, voire primaire, s’étaient multipliés depuis cinq ans. Ils appellent aussi à ne pas jeter le bébé avec l’eau du bain. Le travail réalisé par Google est impressionnant, et pourvu qu’il puisse être échantillonné, ou redressé, pourrait donner lieu à de très solides études, et probablement aller dans le sens des promesses de culturomics. Pour cela, il faudrait que les chercheurs, ou tout le monde, ait accès à la base. À quand la base NGram en open data?

Le commentaire de F. Glorieux attire mon attention sur des posts qui avaient déjà étudié la question. Pour plus d’informations, autrement plus détaillées, et parfois précoces, vous pouvez consulter celui-ci sur Resultats (avec de nombreuses commandes utiles pour utiliser NGram), ou celui-là sur Devenir historien (qui propose une revue de littérature précoce mais déjà riche).

étienne

Chercheur CNRS (SAGE-Université de Strasbourg). Données numériques, sociologie politique, épistémologie des sciences sociales.

More Posts

Analyse quantitative de contenus 2.0

L’analyse quantitative de contenus connaît un renouvellement aussi récent que spectaculaire. Longtemps considéré par certains comme une technique mineure, la lexicométrie revient ainsi sur le devant de la scène. La numérisation automatique de nombreux textes comme les capacités de traitement ont donné une nouvelle jeunesse à ces pratiques désormais bien établies. Plusieurs initiatives démontrent cet intérêt renouvelé.

Une offre de logiciels en hausse

La première, c’est la multiplication des logiciels de lexicométrie. Car, bien qu’ancienne, l’étude quantitative des corpus textuels n’avait jamais complètement pris. Certes, dès les années 1950, le politiste Harold Lasswell la mettait en œuvre et inaugurait l’analyse quantifiée des contenus ; certes, elle avait connu des développement certains dans les années 1990 avec la diffusion de l’informatique, quand des modules avaient été développés pour les principaux logiciels statistiques et que des plateformes comme Prospero ou Alceste avaient été créées pour l’occasion ; certes, des revues publiaient des travaux qui mettaient en avant certains de ces travaux, comme c’est le cas de Mots. Mais ces méthodes n’ont jamais vraiment percé, en dépit des résultats intéressants qu’elles ont pu produire.

Outre une nouvelle version de Prospero en cours de développement chez les spécialistes de socio-informatique des controverses, trois nouveaux projets sont nés ces dernières années, qui offrent la possibilité de faire de l’analyse lexicométrique aisément. Deux sont des logiciels spécifiques : il s’agit d’Iramuteq, le logiciel développé depuis 2008 par Pierre Ratinaud, chercheur en sciences de l’éducation à Toulouse-2 et de TXM, le logiciel développé par une équipe de chercheurs de l’ENS-Lyon.

Des différences existent entre eux, du côté du codage initial (Iramuteq reprend le codage d’Alceste, un autre logiciel de traitement des données textuelles) comme de certaines fonctionnalités. Mais ils sont aussi assez proches. Par leur aspect ouvert et libre d’abord, ce qui n’était pas le cas de nombre de leurs prédécesseurs. L’un et l’autre s’appuient aussi sur le logiciel R, et permettent d’en exploiter les capacités sans en éprouver toutes les difficultés puisque des interfaces graphiques permettent de s’en servir sans programmer. Pour en savoir plus, les sites des logiciels fournissent des exemples et des tutoriels bien faits[1].

Le troisième projet, c’est RTemis (prononcer Artémis), le package R que viennent de créer Gilles Bastin et Milan Bouchet-Vallat, qui dispose lui aussi de son carnet sur Hypotheses. Dans l’esprit de ces promoteurs, RTemis (R Text Mining Solution) se veut être une plateforme gratuite, simple d’usage, dégagée des enjeux théoriques explicites qui gouvernent certains logiciels (Alceste repose sur la théorie des mondes lexicaux, Prospero sur une approche de sociologie des controverses). Il permet aussi une importation simple en acceptant différents formats (.txt, différents formats de texte délimité dont les .csv, mais aussi Alceste ou Twitter). Et il permet aussi une importation rapide depuis les grandes plateformes de référencement de textes médias (LexisNexis, Europresse, Factiva) – attention, plateformes payantes.

À partir de là, il propose toute une série de fonctions destinées à réaliser les différentes opérations standard de préparation du corpus (gestion de la casse, de la ponctuation, des « stopwords » et lemmatisation) ainsi que des outils pour traiter ces données. Je ne m’étends pas sur le sujet car un prochain billet illustrera les usages d’R.Temis, mais je recommande vivement la lecture de l’article de Bastin et Bouchet-Vallat, paru récemment dans le Bulletin de Méthodologie Sociologique. Les auteurs décrivent, statistiques à l’appui, le traitement de l’affaire Julian Assange par différentes agences de presse. Ce faisant, ils montrent en pratique les fonctionnalités du package.

 

Topic Modeling

Si les logiciels précédents améliorent des techniques désormais bien établies, d’autres approches en développement ouvrent elles de nouveaux horizons. C’est le cas du topic modeling, qui permet de déterminer automatiquement les thèmes contenus dans un ensemble de textes, afin d’en saisir leur répartition. La technique, développée depuis une dizaine d’année par David Blei, un informaticien de Princeton, suscite un intérêt croissant. Et ce jusque dans les sciences sociales : un numéro récent de Poetics, lui était justement consacré récemment. Coordonné par John Mohr, un sociologue intéressé de longue date aux formes de quantification en sociologie de la culture, il réunissait une dizaine de chercheurs, moitié sociologues, moitié informaticiens.

Comment fonctionne le topic modeling ? Sans rentrer dans les détails, on peut dire que la technique (qui dispose de modules prêts à l’emploi pour C, Python et R entre autres)

  1. Recherche les mots qui reviennent régulièrement ensemble dans un document
  2. Les rassemble dans un « thème », c’est-à-dire une série d’une dizaine de mots (deux mots peuvent appartenir à un thème). Le chercheur doit alors voir si le thème fait sens, et le cas échéant le nommer.
  3. Mesure la fréquence de chacun de ces thèmes dans chacun des documents du corpus.

 

Sur le plan technique, les résultats sont impressionnants et démontrent les capacités toujours croissantes du Machine Learning, cette branche de l’intelligence artificielle en plein développement. Mais y a t-il un intérêt pour les sciences sociales? Il me semble que les résultats des différents articles de Poetics font sens uniquement parce que les auteurs ont une connaissance du sujet qu’ils traitent, et savent donc sur la base d’une connaissance empirique précise ce qu’ils veulent dire, ou au moins comment sélectionner les informations pertinentes dans le maelström d’informations offertes par les programmes. C’est clairement le cas pour deux articles particulièrement intéressants du numéro : celui de P. DiMaggio et al. sur les discours relatifs aux musées (un sujet dont l’auteur est familier depuis plus de trente ans), ou pour l’article d’E. Marshall sur l’évolution croisée de la démographie en France et en Grande-Bretagne (à laquelle l’auteure vient de consacrer une thèse).

Reste à savoir si le topic modeling peut apporter autre chose qu’un vernis scientisé à des analyses qui seraient déjà plus ou moins établies par les chercheurs par des méthodes plus classiques ? Une présentation Gabriel Lewertowski et Nicolas Bourgeois lors du dernier colloque du SAMM (Statistique, Analyse, Modélisation Multidisciplinaire) semble montrer qu’au-delà de la pyrotechnie, le topic modeling peut effectivement servir la recherche.

À partir d’une étude du corpus du Monde Diplomatique, ils montraient bien l’utilité de ce genre d’analyses. Le graphique ci-dessous représente les résultats relatifs à un thème déterminé automatiquement, mais qui porte sans ambigüités sur le Moyen-Orient. À gauche, on trouve les mots qui constituent le topic (avec un score, qui permet de mesurer sa contribution au thème). A droite la répartition dans le temps. À partir de là, les utilisations sont nombreuses : on peut chercher à voir le rôle d’un auteur ; les variations de ligne éditoriale ; le type d’item consacré à ce thème (dossier, article, encadré, tribunes, etc.). Ou, pour une période donnée, on peut réaliser des mesures qui relient des thèmes à leurs auteurs, afin de saisir les vecteurs d’importation comme la division du travail au sein d’une rédaction. Bref, la sociologie du journalisme, celle de l’expertise et la sociologie des idées (pour ne citer que quelques sous-domaines) pourraient tirer profit du topic modeling, surtout que se développent des techniques qui permettent d’éprouver la significativité des résultats. Affaire à suivre donc !

 

SAMM-TM

 


[1] On trouve aussi de nombreux conseils sur le carnet Devenir historien-ne, de la plateforme Hypotheses.

étienne

Chercheur CNRS (SAGE-Université de Strasbourg). Données numériques, sociologie politique, épistémologie des sciences sociales.

More Posts

Les big data à l’étude

En cette fin d’année, deux journées d’études sont organisées sur les big data. L’une, qui s’est tenue la semaine dernière à l’ENSAE, portait sur les enjeux éthiques que pose l’usage de ces vastes ensembles de données. L’autre, intitulée « big data, entreprises et sciences sociales », aura lieu le 2 juin au Collège de France. Les lieux comme la multiplication des événements à ce propos le montrent : les big data sont à la mode cette année. Et les questions que posent la production, l’usage et la protection de ces données donnent lieu à de nombreuses interrogations. Au même moment se tenait au Sénat une journée sur « le numérique, le renseignement et la vie privée », et une autre sfds

Une révolution, quelle révolution ?

Les discussions de jeudi ont largement évoqué la révolution qui serait à l’œuvre. Si tout le monde s’accordait sur ce constat, la question du type de révolution comme celle de ce qui change ne faisait pas l’unanimité. Pour deux intervenants du matin, issus du monde de l’entreprise, c’était d’abord une révolution entrepreneuriale. A. Laroche (fondateur d’une société de conseil en management des systèmes) a ouvert la séance en rappelant les enjeux qui se posaient aux entreprises. La « digitalisation du quotidien » fait que l’individu dépose des traces très nombreuses, qu’il faut analyser.

Mais ces données, par rapport à celles collectées avant, sont à la fois diverses, de qualité variée (comprendre sales), et très (souvent trop) nombreuses. Elles arrivent aussi en temps réel, invitant à trouver des moyens pour mettre à jour en permanence les indicateurs de décision. De nombreux changements en découlent. Du côté du traitement statistique, l’avalanche de données favorise un retour vers l’inductivisme. Plutôt que faire un modèle que des données soigneusement nettoyées viendraient valider, il faut faire émerger les hypothèses à partir de ces ensembles de données. La question n’est pas nouvelle, et les statisticiens ont de longue date développé des outils pour traiter ces problèmes d’analyse exploratoire et de fouille (techniques de réduction de donnée, de classification). Ce qui change, c’est l’ampleur prise par ce travail désormais.

Un autre changement évoqué portait lui sur les outils de la décision. La plupart d’entre elles seraient désormais prises sur la base de corrélations détectées, mais sans aucune idée des causes de cette corrélation (ni même de l’existence d’un quelconque lien de causalité). On peut ainsi proposer à un client qui vient d’acheter de la crème solaire après qu’il a entre des milliers d’autres choses regardé des voyages sous les tropiques. Qu’importe alors qu’on ne sache pas pourquoi il va l’acheter, à partir du moment où il le fait. Cette invitation à une analyse des corrélations sans recherche des causes a suscité plusieurs questions et débats au sein d’une salle habituée à s’interroger sur ces enjeux. Car au-delà de la prédiction immédiate, elle pose la question de la qualité des inférences faites. Comme l’ont rappelé plusieurs statisticiens, l’absence de compréhension des mécanismes pourrait rapidement amener à des décisions erronées. Ce à quoi plusieurs personnes répondaient que « tant que ça marche »…

Selon Laroche, les entreprises ont dû s’adapter et mettre en place des services dédiés avec un personnel spécifique. Mais les changements sont plus profonds, selon l’autre intervenant de la matinée issu du monde de l’entreprise. Pour F. Boudoncle, fondateur d’une entreprise de gestion de l’information, les big data sont un enjeu commercial avant tout. Elles seraient un gisement considérable d’emploi et de croissance, dont l’Europe ne pourrait se passer (ni se priver en réglementant). Parlant en tant « qu’industriel », il a invité à ne pas trop se préoccuper d’éthique. Des entreprises comme GoogleMaps, qui peuvent inquiéter quant à l’intrusion dans la vie privée, ne proposent pas que de la géolocalisation. Elles offrent mais aussi des services joints qui permettent d’orienter les consommateurs (des systèmes de commande de taxi, de conseil d’hôtel ou de restaurant). Les maitriser est pour lui un enjeu autrement plus important dans la concurrence internationale.

Un exposé éclairant (quoique relativement inquiétant) portait sur la publicité en ligne et son fonctionnement. Nicolas Grislain, fondateur d’une société de publicité en ligne, est venu présenter le fonctionnement de ce marché en plein développement. Comme d’autres depuis la fin des années 2000, son entreprise propose un système de vente d’espace publicitaire automatisée. Un éditeur (un site de journal par exemple) décide d’un endroit qu’il réserve à la publicité, et d’un prix qu’il souhaite. Séminaire Big Data

À chaque fois qu’un consommateur visite une page, il envoie toute une série d’informations (sur lui, son parcours précédent stocké dans les cookies de son navigateur) vers une plateforme qui propose, en temps réel, une enchère. En moins de 0.1 seconde, une enchère est réalisée qui vient afficher un produit « personnalisé » pour le consommateur. Beaucoup d’informations « personnelles » circulent donc, très vite. Et le marché est lucratif : 30% de la publicité en ligne se fait désormais via du Real-Time Bidding en France, 50% aux États-Unis.

La protection des données personnelles

Nul besoin que le thème de la journée soit « l’éthique » pour que les questions de protection des données individuelles soient évoquées dans un colloque sur les « big data ». La part belle a toutefois été faite à ce thème, avec des exposés abordant des questions variées. Juriste de la CNIL, S. Vulliet-Tavernier est venue évoquer la législation et la place de cette autorité indépendante, ainsi que les évolutions en cours. La plus importante est sûrement la disparition annoncée de la « déclaration CNIL » de constitution de base de donnée nominative, remplacée par un triplet d’information / certification/ sanction.

Car l’autorité a dû s’adapter à la multiplication des bases de données, mais aussi à la diffusion d’outils de fouille de données. Car leur recours fait qu’une personne peut en effet être identifiable dans un vaste ensemble de données non structurées, et qu’il faut donc aller au-delà de la régulation des bases de données. CNIL La règle de base en France, c’est la protection des données personnelles. On ne doit pas pouvoir identifier une personne nominativement dans un fichier sans son accord. Cette règle, plus restrictive que dans d’autres pays, ne va pas sans poser problème aux différentes industries concernées, et les piques à l’encontre de la CNIL étaient perceptibles au cours de la journée. Mais ces règles sont à la fois strictes, et lâches.

Strictes parce que la CNIL impose un principe de pertinence dans la collecte des données. On ne peut pas collecter de données qui ne seraient pas directement liées à l’objet de l’étude. Mais comme le faisait remarquer G. Saporta lors de l’exposé des responsables de l’AVIESAN (venus présenter la situation dans le monde de la recherche biomédicale), ce type de contrainte peut aller contre la logique de la recherche qui procède par tentatives, échecs, et modifications incrémentales plutôt qu’elle ne valide des hypothèses toutes prêtes. Avoir plus de données, sur des sujets connexes, est donc essentiel.

Strictes aussi parce qu’elles imposent de prévenir toutes les personnes concernées par une collecte. Si cela peut paraître de bon sens, cette mesure risque vite de poser problème, surtout quand on touche des sujets moins sensibles que les données médicales personnelles — dont plusieurs personnes ont rappelé qu’elles intéressaient au plus haut point les assureurs à des fins de scoring.

Mais imaginons (car c’est interdit) le cas d’un chercheur qui voudrait géolocaliser l’ensemble des médecins d’une ville ou d’un département, pour une étude sur les désert médicaux. L’information est disponible sur plusieurs sites, dont celui, exhaustif et bien fait, de l’Assurance Maladie. Pour rester dans le cadre de la loi, le chercheur qui collecte les données devrait envoyer un courrier à chacun des médecins collectés pour l’en informer (car quoique disponible en ligne, chaque donnée est personnelle). Ou demander à l’Assurance Maladie de mettre un bandeau qui annonce cette enquête. On voit la lourdeur d’une procédure pour ne collecter ce qui n’est parfois qu’une variable, et qui peut être abandonnée au cours de l’étude. Consciente des enjeux, la responsable de la CNIL évoquait une « demande » de la part de l’autorité d’un retour de la part des chercheurs, mais rappelait aussi que « l’exception recherche » reste limitée. Strices, les mesures prises sont tout aussi lâches.

B. Nguyen, chercheur en informatique et spécialisé dans les questions d’anonymisation, présentait un exposé sur les différentes techniques qui permettent de dé-personnaliser des données. Leur usage est essentiel, car comme il le rappelait au début de son exposé, le fait de retirer le nom d’une personne ne suffit absolument pas à protéger son anonymat. On peut très rapidement retrouver l’identité d’un individu à partir de quelques variables seulement. Nguyen rappelait ainsi l’expérience de Latanya Sweeney, qui avait montré qu’à partir du sexe, de la date de naissance et du code postal d’habitation, on pouvait remonter à l’identité exacte de 87% des habitants du Massachussetts car pour eux, le triplet est unique. Prises ensemble, ces données sont des quasi-noms propres. Cryptography

Philippe Aigrain, co-fondateur de la Quadrature du Net, une association active dans le domaine des libertés publiques et de l’internet, a lui rappelé qu’il existe à l’heure actuelle « un lobbying insensé » pour disposer d’un accès plus grand aux données personnelles. Assureurs, intermédiaires financiers et banques, fournisseurs d’accès à internet aimeraient pouvoir utiliser vos traces d’usage de l’internet pour mieux vous connaître. Et, selon leur rhétorique, vous proposer des services « adaptés à vos besoins ». Ou simplement ne pas vous les proposer car vous êtes considéré comme peu rentable.

La question de l’anonymisation était donc là aussi centrale, et Aigrain a évoqué différents systèmes, en plaidant cette fois pour des solutions architecturales à ce problème. Selon lui, une décentralisation des lieux de stockages (jusqu’à la mise en place de serveurs individuels) permettrait d’éviter que toutes les informations relatives à de très nombreuses personnes soient disponibles à un seul endroit.

Ce qui compte

La dernière partie de la journée a été consacrée à des discussions croisées entre statistiques et sciences humaines et sociales. Dominique Cardon a offert une mise en perspective des différentes manières de compter sur internet. S’inscrivant dans la lignée des travaux d’histoire de la statistique telle que la pratiquait Alain Desrosières, il a proposé de “rentrer dans les calculs” et dans les formules statistiques qu’on trouve sur le web. Car ce faisant, on voit que les métriques diffèrent. Et qu’en fonction de ce qui compte, on arrive à des résultats très différents.

Cardon a donc distingué quatre grandes familles de capteurs. La première, c’est l’audience d’un site. Elle mesure sa popularité, en fonction du nombre de personnes qui se rendent dessus. Propriétaire, cette mesure est peu publique, même s’il existe quelques sites privés qui fournissent des informations sur le sujet, et que des initiatives publiques scientifiques se développent (comme le propose le projet Metroscope).

bandeau-def

Un autre type de mesure consiste à regarder non plus l’audience, mais l’autorité. La question est ici de savoir si vous êtes cité. Et plus encore : qui sont les personnes qui vous citent. Il s’agit, comme le propose le PageRank (l’algorithme de Google auquel Cardon a consacré un article qui reprend des éléments de cette présentation), de regarder l’importance donnée à un site par d’autres. Selon Google, la mesure est méritocratique, car elle rétribue la qualité de la page. Ce genre de techniques vise en effet à séparer les liens fictifs (autocitation, références de complaisance) des liens réels.

Une troisième mesure consiste à mettre les compteurs dans les mains des utilisateurs. Ces derniers sont alors ceux qui font les comptes. En cliquant sur un bouton « Like », en partageant un tweet, ils font augmenter le compteur (individualisé au niveau du billet, du commentateur). Compteur qui est lui même apparent.

Enfin, la quatrième mesure se fait de manière invisible, mais permanente. Elle recense les milliers de traces que laissent les usagers. C’est principalement là que se situent les « big data », thème central de la journée. On ne se situe plus du côté déclaratif ou de l’action expressive (« liker », partager) mais du côté des comportements. Et c’est alors qu’on déploie une série de techniques pour rendre sens des données collectées. Pour D. Cardon, comme pour A. Rouvroy qui parlait avant lui, les big data posent des questions spécifiques aux statistiques, voire remettent en cause les paradigmes dominants (recherche instrumentale de prédiction plutôt que détection de causalité, remise en cause des catégories classiques au profit d’un inductivisme fort et répété, forte personnalisation).

Le propos posait donc autant de questions sur les big data qu’il proposait de réponses, qui montrent que le débat continue. Dès la semaine prochaine d’ailleurs, avec la journée d’étude au Collège de France, et celle organisée par le Ministère de l’Enseignement supérieur et la recherche sur les données ouvertes le 5 juin (PDF).

étienne

Chercheur CNRS (SAGE-Université de Strasbourg). Données numériques, sociologie politique, épistémologie des sciences sociales.

More Posts

Sciences sociales via internet

En sociologie, les questionnaires dispensés via internet ont généralement mauvaise presse. À juste titre souvent : déposer un questionnaire sur un site et attendre ne permet qu’une sélection très modérée des répondants. Ceux qui  répondent ont un biais (connexion à internet, disponibilité temporelle, propriétés qui favorise l’intérêt pour ce genre d’enquêtes) et sont donc très spécifiques. Enfin, on ne peut pas bénéficier du retour d’information des enquêteurs qui font passer le questionnaire, alors que ces détails sur les protestations, les hésitations et les commentaires sur chaque question sont tout aussi riches d’information.1

Mais faut-il pour autant condamner *toute* enquête réalisée via internet ? Les services se multiplient qui permettent de créer un questionnaire et de le faire passer en ligne (parmi lesquels Zoomerang, Surveymonkey, Surveygizmo, et bien d’autres – tous très simples d’usages…mais n’existe t-il pas de service moins cher ?). Cette fois, on choisit les personnes à qui on souhaite le faire passer, et on leur envoie via leur email principal. L’échantillonnage reste du côté des chercheurs, et on peut suivre le déroulement de la passation en temps réel. On peut même relancer à coût nul ceux qui n’auraient pas répondu. Bref – et il existe une littérature croissante à ce propos2–, la méthode n’est pas nécessairement mauvaise, surtout si on travaille sur des populations habituées à l’usage d’internet.

Deux enquêtes actuelles

On peut aussi imaginer d’autres manières de faire des enquêtes via internet. C’est ce que proposent de faire deux projets. L’un, c’est PRACTIC (PRAtiques CulTurelles et usages de l’Internet Connecté), mis en place par l’Institut National de la Recherche en Informatique et en Automatique (INRIA). Elle vise à mieux cerner les usages de l’internet. Combien de temps y passe-t-on chaque jour ? Comment ? Que fait-on dessus et avec…?. Et, dans la droite ligne des enquêtes sur les pratiques culturelles des Français, à réfléchir sur ce que ces nouveaux supports font à la consommation.

 

PRACTIC-IMAGE

 

L’autre, c’est ALGOPOL, un projet financé par l’Agence nationale de la recherche et qui regroupe des chercheurs de différents laboratoires et entreprises. ALGOPOL cherche à mieux connaître la sociabilité en ligne des internautes. Avec qui discute t-sur les réseaux sociaux ? Que montre t-on ? Et comment gère t-on l’intimité et le recoupement des cercles sociaux sur ces réseaux (pour reprendre des questionnements initiés de longue date par D. Cardon, l’un des coordinateurs du projet). Une des questions centrales du projet consiste à s’interroger sur l’homophilie. Internet favorise t-il la diversité des échanges, comme cela a souvent été prophétisé, ou des logiques de ségrégation jouent-elles malgré tout ?

 

ALGOPOL

 

Pour ce faire, PRACTIC et ALGOPOL demandent aux usagers l’autorisation d’installer une application (sur leur téléphone dans un cas, sur leur compte Facebook dans l’autre), pour enregistrer *certaines des* activités des répondants. À l’heure des révélations à répétition sur la collecte d’informations privées, cela pourra inquiéter. Tout le monde ne souhaite pas forcément donner à une équipe l’ensemble des informations de son compte Facebook, même contre la promesse de l’anonymat. Mais, et les chercheurs ont raison de le rappeler, ce qu’ils vous demandent de faire explicitement et sous contrôle (pour Algopol, les données sont stockées en un seul endroit, et elles doivent être détruites un an après la fin de l’enquête; pour PRACTIC, une interface spécifique et sécurisée a été créée pour l’occasion), ce que font déjà de très nombreuses applications que vous utilisez probablement.

 

Donner son ‘core’ à la science ?

Aujourd’hui, ALGOPOL et PRACTIC ont besoin de vous. L’une et l’autre enquête requièrent de nombreux participants pour parvenir, après redressement, à avoir une population relativement représentative des usagers d’internet. Si l’idée de prêter l’un des ‘cores’ de son mobile (ou vos données personnelles) à la science ne vous rebute pas, vous pouvez participer. Cela ne va pas sans gratifications d’ailleurs, puisque l’un et l’autre vous offrent des compensations — y compris matérielles. ALGOPOL vous fournit le graph animé de votre réseau de relations dans le temps. Et PRACTIC vous propose de gagner des tablettes. Longtemps proscrite, la rétribution (ici modeste) des enquêtés serait-elle en train de revenir en grâce?

  1. Comme le montrent bien le chapitre méthodologique de l’enquête sur le contexte de la sexualité en France (Bozon, Bajos, 2008) ou l’article de F. Houseaux et C. Bessière (2003) sur les enquêteurs de l’INSEE.
  2. Plusieurs comparaisons ont été faites, qui tendent à montrer que les réponses à des questionnaires en ligne sont supérieures à celles d’un questionnaire envoyé par papier, et ce sans trop de bais (sauf l’âge, en baisse toutefois). Les erreurs de saisies semblent aussi également distribuées (voir par ex. Lefeser et al., 1997).

étienne

Chercheur CNRS (SAGE-Université de Strasbourg). Données numériques, sociologie politique, épistémologie des sciences sociales.

More Posts

Des listes aux matrices (réseaux de mode 2)

La multiplication des informations disponibles en ligne a peut-être eu un effet relativement inattendu : le retour en grâce d’analyses de réseau bi-mode. Une partie significative de données disponibles en ligne facilement sont en effet des listes « d’individus » appartenant à des « groupes » (entreprises, commissions, conseil d’administration, films). Or c’est justement ce lien entre deux types d’entités que fait l’analyse bimode. C’est le cas de l’exemple bien connu des entreprises du CAC 40 et des membres de leurs conseils d’administration respectifs, représentés ci-dessous (voir ici pour la source).

CAC

Après une période faste[1], le two-mode (aussi connu sous le nom de réseau d’affiliation) a fait l’objet d’une attention plus distante de la part des spécialistes. La critique à son égard est bien connue : parce que les « liens » entre individus étaient des liens supposés plutôt qu’établis, le two-mode serait un mode pauvre. Peut-on, par exemple, inférer de la co-présence à un conseil d’administration un « lien » entre deux personnes. Et si on le fait, de quelle nature est-il et que peut-on en dire (au-delà de « c’est un – plus ou moins – petit monde ») ? Et les personnes sont-elles là pour les mêmes raisons ? Comment savoir si elles sont actives ou pas dans le groupe ? Si Bernard Arnault et Bernadette Chirac (Chodron de Courcel) siègent (au moins en théorie) ensemble au CA de LVMH, ont-il le même poids dans ses prises de décision ?

À la faveur de la disponibilité nouvelle de certaines sources et de l’intérêt croissant pour les méthodes quantitatives (et de réseau en particulier), le two-mode semble pourtant revenir en grâce. En témoignent me semble t-il  certains fort jolis dessins, et un numéro spécial de la revue phare du domaine, « Social Networks ». En témoignent aussi les nombreuses demandes que j’ai reçues depuis le début de l’année de faire de telles analyses, ou de mettre en forme des données. Je saisis donc l’occasion pour faire un rapide tutoriel pour transformer les listes en matrices, lisibles par différents logiciels.

Préparer les données

Une des difficultés de l’analyse de réseau se situe souvent en amont de l’analyse, dans la mise au format des données requises. Le plus souvent, les traitements demandent que celles-ci  soient présentées sous forme d’une matrice avec en ligne les entités de type A (par exemple les individus) et en colonne les entités de type B (par exemple les organisations). Dans les cellules, on a 0 ou 1 (ou un autre entier) selon que l’individu (en ligne) en question appartient à l’entité indiquée en colonne.

matrice

L’image ci-dessus est un exemple de ce à quoi on veut arriver.  À des fins d’illustration, on travaille ici partir d’un extrait de la base de données compilée en ce moment par les chercheur.e.s réunies autour de l’enquête SOMBRERO. Cette étude des manifestations et de leurs acteurs dans trois villes (Paris, Lille, Marseille, Rennes) cherche à voir les participations conjointes d’organisations (partis politiques, syndicats, associations) à des manifestations de rue. L’ensemble est saisi à partir d’archives et de sources de presse. En ligne (EVT), les manifestations (on leur a donné un chiffre). En colonne (value), le nom des organisations qui y participent.

Les manières de coder sont nombreuses, tout comme le sont les manières d’importer les données sous R. Mais certains logiciels (UCINET, très prisé par certain.e.s car simple et efficace) préfèrent les matrices (avec les individus en lignes, et les organisations en colonnes). Comment passer à cette matrice quand on a un autre format? Deux cas classiques peuvent être distingués.

Le cas des listes simples

Souvent, les données collectées sont présentées sous la forme de deux colonnes. L’une représente les entités de type A, l’autre représente les entités de type B. On les a recopiées (ou aspirées) depuis une source (un site web). Le format liste est pratique car il est souvent bien plus rapide que la création manuelle d’une matrice avec les individus et les organisations uniques.

Mais pour bien des logiciels, il faut repasser cette liste en matrice. Le passage d’une liste à une matrice (qui peut être pondérée) est assez simple. Si notre liste s’appelle ma_liste, alors ma_table est une matrice au format requis


#Crée une liste fictive, pour l'exemple
ma_liste<-as.data.frame(cbind(c("manif1", "manif1", "manif2", "manif3", "manif4", "manif4", "manif5"), c("orga1", "orga2", "orga3", "orga3", "orga1", "orga1", "orga3")))
colnames(ma_liste)<-c("MANIF", "ORGAS")

#Transforme cette liste en matrice
ma.table<-as.matrix(table(ma_liste))

On passe alors de l’image de gauche à celle de droite.La commande as.matrix permet juste de s’assurer que le format reconnu est bien une matrice, ce qui est souvent préférable en la circonstance.

list-table

 Listes multiples

Parfois, on se retrouve dans le cas où, pour des raisons de lisibilité, on a sur une même ligne l’entité A (par exemple les individus), puis toutes les personnes qui y participent. S’il est plus lisible au moment de la saisie, ce format n’est pas le plus maniable. Plusieurs solutions existent, on en propose une qui nous ramène au format liste simple évoqué ci-dessus.

Soit une série de manifestations et les organisations qui y participent.  Chaque ligne représente une manifestation unique (EVT) et les identifiants des organisations (IDORGA1, IDORGA2, ….jusqu’à 10 possibles ici).

head.sombrero

On a certes un tableau, mais ca ne ressemble pas vraiment à la matrice qu’on veut car chacune des colonnes ne renvoie pas à une organisation donnée, mais seulement à la première qui apparait comme présente à cette manifestation dans les sources.
Pour obtenir une représentation matricielle, il faut repasser cela en liste. On charge pour cela le package reshape, qui permet des manipulations de données aisées (1), puis on relie les différentes colonnes les unes sous les autres tout en conservant le numéro de l’événement (2). On supprime la colonne des identifiants orgas, qui ne sert plus à rien (3), et on n’oublie pas d’enlever les non-réponses (4).


(1) require(reshape)# l'installer si on ne l'a pas!
(2) base.sombrero <- melt(base.sombrero, c=”ID_MANIF”)
(3) base.sombrero <- base.sombrero [,-c(2)]
(4) base.sombrero <- base.sombrero [!is.na(base.sombrero),]

 

L’objet base.sombrero est prêt à être traité comme une liste simple, comme évoqué précédemment. Il ressemble d’ailleurs à la première liste représentée ci-dessus.

Voilà pour la transformation de listes en matrice. Pour la transformation à l’inverse, les mêmes procédures s’appliquent, mais dans l’autre sens. Comme c’est souvent le format matrice qui est attendu, on ne s’y attarde pas ici. Et comme les tutoriels pour apprendre à se servir des différents packages d’analyse de réseaux sont nombreux, je ne m’y attarde pas non plus (voir par exemple la documentation de igraph ou les bons conseils de L. Beauguitte sur le site du groupe FMR).

Pour avoir une idée de l’intérêt heuristique de la chose, voilà une représentation (bipartite donc) d’une partie de la base Marseille de l’équipe Sombrero (cliquer pour zoomer).

Pour plus d’informations sur cette enquête, Mathilde Pette (Clersé, Lille-1) et Julie Pagis (CERAPS/CNRS) présenteront les premiers résultats des traitements via l’analyse de réseaux lors de du colloque ‘Reconstruire des espaces militants dans une perspective comparée’ (programme en PDF ici) qui aura lieu a Lausanne les jeudi 27 et vendredi 28 mars.

Marseille - 2mode


[1] Voir par exemple R. Breiger (« The duality of persons and groups », Social Forces) 1974, qui affirmait que le two-mode était le meilleur site pour étudier la co-construction des individus et des structures sociales, et les nombreuses études d’interlock.

étienne

Chercheur CNRS (SAGE-Université de Strasbourg). Données numériques, sociologie politique, épistémologie des sciences sociales.

More Posts

Les recettes de l’infidélité

Billet co-écrit avec Marie Bergström

Saint-Valentin oblige, on n’échappe pas aux reportages sur les sites de rencontre. Cette année, la tendance semble être aux sites extraconjugaux, qui proposent aux personnes en couple de trouver un autre partenaire « en toute discrétion ». Responsable des sites comme journalistes affirment à l’unisson qu’une révolution est en marche. Ces sites et leur prétendu succès témoigneraient d’un changement radical dans la sexualité. Tous sexes et âges confondus, les Français multiplieraient les partenaires, ce que les récentes aventures du premier d’entre eux ne feraient que confirmer.

Dans un souci poussé de scientificité, l’un de ces sites leaders du marché a même recensé toute une série de données, toutes éloquentes. Sur cette (unique) page web, on apprend que « 43% des Français avouent avoir été infidèles » une fois dans leur vie, une situation en hausse par rapport à 1970 (soit disant 19%). 63% des répondants déclarent qu’on « peut aimer son conjoint tout en lui étant infidèle » (+10 points par rapport à 2010). Et en se promenant, on trouve d’autres indicateurs : le palmarès des régions infidèles, ou les chiffres d’inscrits – bien sûr importants (au-delà du million pour certains). Toujours selon les sites, hommes et femmes seraient presque aussi infidèles.

Une bien improbable explosion

Pour le chercheur, ces chiffres laissent songeurs. D’abord parce qu’on ne connaît rien de leur provenance, ni la méthodologie qui a été utilisée pour les obtenir. Ensuite parce que même s’ils n’ont pas été inventés de toute pièce, ils proviennent sûrement d’un sondage commandé à un institut. Quand on sait que ce genre d’enquêtes est moins orienté vers la connaissance d’un phénomène que vers la promotion d’un produit, on peut s’interroger. Outils de communication commerciale financés par les demandeurs, ces sondages sur mesure présentent souvent des chiffres avantageux pour le commanditaire (ou sont enterrés)[1].

Enfin, et on quitte là la saine suspicion (la « critique des sources ») pour passer aux faits avérés, ces résultats sont tout simplement impossibles. Toutes les études sérieuses dont on dispose sur le sujet montrent en effet le contraire. C’est le cas de la dernière enquête Contexte de la sexualité en France [2] . Réalisée sur un échantillon de plus de 12 364 personnes (contre moins de 600 pour ces types de sondages…), mené dans des conditions précises avec la double expertise de l’INED et de l’INSERM, elle brossait un tableau bien différent de la sexualité des Français.

À la question : « Lorsque deux personnes sont en couple, quelle est la position dont vous vous sentez le plus proche ? », les réponses étaient les suivantes.

En %

La fidélité… Femmes Hommes
Pour la vie 48.2 45.5
Tant que l’on est ensemble 45.8 44.3
Avec la possibilité de quelques aventures 5.8 9.6
Autre 0,2 0.5

                                     (Champ : adultes de 18 à 69 ans)

Seuls 6 % des femmes et 10 % des hommes acceptaient l’idée de l’infidélité. On pourrait dire que derrière ces belles paroles se cachent des pratiques bien différentes. Comme une autre question portait sur les « partenaires simultanés », vérifions. Cette fois, ce sont seulement 0.8% des femmes mariées et 1,9 % des hommes mariés qui déclarent deux partenaires sexuels simultanés au moment de l’enquête. Bref, on est là encore très loin des chiffres avancés.

Enquête en terrain “extraconjugal”

Mais, avancent les sites, les pratiques changent rapidement et ces enquêtes ne mesurent que ce qu’on veut bien leur dire. Selon eux, la fréquentation qu’ils connaissent serait le meilleur indicateur. Aucun chercheur ne dira le contraire, mais personne ne peut vraiment savoir, puisque les chiffres clients sont des propriétés très bien conservées par ces sites.

On peut contourner cette difficulté avec un peu de patience et d’habileté. Via l’interface, on dispose des profils des inscrit-e-s. À condition d’en collecter suffisamment, on peut avoir une idée de leur activité. Comme les sites fournissent par ailleurs des éléments sur la dernière visite de chaque membre (afin que les inscrits ne s’acharnent à contacter des personnes parties depuis longtemps), on peut alors constituer un échantillon de personnes présentes récemment. Qui peuvent être exploités.

Après avoir créé deux profils entièrement vierges (Martin et Martine, 35 ans chacun) sur l’un des principaux sites « extraconjugaux », on a collecté des informations sur leurs derniers utilisateurs connectés. Et on répété l’opération plusieurs fois tout au long du week-end pour multiplier les prises. Une fois un peu de ménage fait (élimination des doublons en particulier), les résultats sont parlants.

AgeDispersionLecture: 25% des femmes sur ce site ont 34 ans ou moins, 50% ont 40 ans ou moins, 75% ont 47 ans ou moins.

Sur les effectifs d’abord. En dépit de leurs centaines de milliers d’abonnés revendiqués, on retrouve très vite les mêmes personnes. C’est particulièrement vrai quand on cherche uniquement parmi les personnes connectées. Souvent, on retrouve une partie de celles présentes sur les premières pages un peu plus loin sur le site. Ce doublonnage crée l’impression d’une abondance relative. Autre modalité : afficher des personnes qui sont certes connectées, mais dans d’autres régions, ou des dont la date de connexion date un peu. Ce n’est donc pas vraiment de la triche, mais c’est moins pratique. Trouver un-e amant à Montpellier quand on habite à Paris, ce n’est pas le plus simple pour une rencontre discrète.

Sur le sex-ratio ensuite.  Si on a l’impression que femmes et hommes sont présents à parité sur l’interface, on se rend vite compte que ce n’est pas vraiment le cas en pratique. Intuitivement d’abord. Mes deux profils sont restés connectés autant de temps à chaque fois. Si Martine a immédiatement reçu des demandes de chat, des cadeaux, des fleurs, des sourires, des visites par dizaines et des messages (je vous passe le contenu), tel ne fut pas le cas de Martin. Ce dernier a juste eu un rapide contact avec une personne qui lui proposait des relations « contre générosité » [sic]. À profil égal, succès inégal donc.

 Une manière concrète de mesurer ce déséquilibre est de faire une petite expérience. Soit une recherche des personnes « En ligne » et en « Ile de France ». L’interface nous renvoie plusieurs centaines de personnes, autant chez les hommes que chez les femmes. Mais quand on regarde en détail, on se rend compte que si beaucoup d’hommes sont présents en ligne, ce n’est pas le cas pour les femmes. Passée la première page, on voit s’enchainer les profils de femmes déconnectées. Ils sont visiblement présents pour remplir le site. Ce décalage s’accroit même quand on regarde d’où elles viennent. Plus de la moitié de ces femmes en ligne viennent en effet d’autres régions. Et pas toujours de très près : Languedoc-Roussillon, Midi-Pyrénées, PACA… fournissent des effectifs non négligeables.

Plots2

 Le graphique ci-dessous montre bien ce décalage. Si on part de la situation d’égalité parfaite (une homme se voit présenter autant de femmes qu’une femme d’hommes), un premier déséquilibre commence avec la connexion. On n’a plus que 40% de femmes contre 60% d’hommes qui sont effectivement en ligne parmi les centaines de profils affichés. Et si on ne considère que les personnes connectées et en Ile-de-France, on arrive à un ratio de 1 femme pour 4 hommes. À Paris seulement, le ratio est à peu près de cet ordre. Pas étonnant que Martine ait été autant sollicitée pendant que Martin attendait seul. Tout au long du week-end, ce chiffre a varié, de 70 à 80%.

On remarque par ailleurs que les usagers sont loin de se déclarer tous infidèles (c’est-à-dire en couple par ailleurs) mais sont nombreux (environ 40 %) à se présenter comme célibataires, séparés ou divorcés. Au-delà de l’infidélité, ces sites mettent en scène des rencontres à finalité sexuelle et sont sans doute fréquentés en grande partie par des individus désireux de vivre des relations de courte durée.

Plots1

L’infidélité fait elle recette ? C’est tout au moins le pari des concepteurs de sites qui  affrontent aujourd’hui un marché fort concurrentiel. Dans cette situation, comme le conseille tout bon manuel de marketing, mieux vaut viser une concurrence latérale que frontale avec les acteurs dominants (comme Meetic). Autrement dit, identifier et occuper des segments de marché. Ainsi, les sites « de niche » se multiplient (ils représentent près d’un tiers des sites hétérosexuels en 2008)[3] et proposent des sites de plus en plus ciblés (rencontres pour « écolos », « bcbg », militaires, amateurs de football…ou herpétiques). Souvent interprétés – comme les sites extraconjugaux – comme un signe de nouvelles normes conjugales et sexuelles, ces sites révèlent en premier lieu une stratégie de marketing : ils sont les produits des logiques du marché économique bien plus que des reflets du marché matrimonial.


[1] La situation est la même dans le cas de sondages publiés opportunément sur tel ou tel sujet lors d’une campagne électorale, comme le rappelait judicieusement Patrick Lehingue dans un ouvrage récent.

[2] M. Bozon, N. Bajos, La sexualité en France, La découverte, 2008.

[3] M. Bergström, “La toile des sites de rencontre”, Réseaux, 2011.

étienne

Chercheur CNRS (SAGE-Université de Strasbourg). Données numériques, sociologie politique, épistémologie des sciences sociales.

More Posts

Sur “Les dérives de la bibliométrie”

Spécialiste de sociologie des sciences, Yves Gingras propose dans son dernier ouvrage une réflexion sur l’évaluation de la recherche. Publié aux éditions Raisons d’Agir, l’ouvrage se présente comme une  nouvelle contribution critique aux débats très contemporains sur le sujet. Après d’autres, l’auteur se propose de décortiquer les indicateurs et les classements, et d’en montrer l’inconsistance, voire la nocivité potentielle. On se tromperait pourtant si on ne voyait dans ce livre qu’un énième pamphlet contre le gouvernement de la science contemporaine. Car l’ouvrage propose en fait bien plus qu’une critique – par ailleurs fine et appuyée sur plusieurs décennies d’étude du fonctionnement des sciences. On peut en effet lire ce livre sous au moins trois angles différents : la critique de l’évaluation bibliométrique actuelle, le plaidoyer en faveur d’une réappropriation de ces techniques par les sociologues des sciences, et l’invitation à une bibliométrie réflexive.

 

http://sciences.blogs.liberation.fr/.a/6a00e5500b4a64883301a51156784e970c-300wi

De quoi les citations sont elles le nombre ?

Le premier temps du livre, qui lui donne son titre, propose  une discussion critique des formes d’évaluation quantifiées de la recherche. Gingras rappelle l’histoire des techniques bibliométriques, nées entre science (une volonté de proposer un outil de repérage bibliographique pour les chercheurs d’un même domaine) et politique des sciences (mesurer la « qualité scientifique » d’un auteur). Reprenant les travaux de P. Wouters sur la naissance de la scientométrie, l’auteur montre que les fondateurs du Science Citation Index avaient d’abord pour objectif de proposer un outil de connaissance bibliographique à destination de la communauté scientifique.

Las, leur création leur a échappé et la National Science Foundation, qui financé les premières recherches sur l’outil bibliométrique, développe sur cette base une série d’indicateurs destinés à créer une évaluation scientifique de la science dans les années 1970. S’il ne peut raconter toute l’histoire, Gingras en évoque bien ses principales figures (Derek de Solla Price et sa tentative de créer une « science de la science », parfois avec des visées très appliquées), tout comme il montre l’explosion de la bibliométrie dans la politique des sciences contemporaines.

L’ouvrage revient alors sur les différents index et autres facteurs souvent évoqués pour mesurer la productivité des chercheurs. De manière particulièrement précise, mais toujours stimulante et lisible pour le non-spécialiste, l’auteur évoque les limites fortes de ces outils. Les critiques sont connues. Censé mesurer l’excellence des chercheurs, le h-index saisit en fait leur capacité à écrire de nombreux d’articles modérément cités (un auteur qui publie 7 articles cités 7 fois a un h-index de 7, quand un autre qui publie deux articles cités 100 fois chacun a un h-index de 2). Les classements internationaux des universités écrasent les différences de fonctionnement national et ne mesurent rien in fine. Les champs ont des pratiques de citations particulièrement différentes (qui varient dans le temps), et même à l’intérieur d’un champ, on trouve des variations tellement fortes que l’évaluation s’appuie sur des bases bien instables. De toute façon, le facteur d’impact des revues peut être manipulé via l’autocitation, ou par des revues complices afin d’être indument augmenté (les “cartels de citation”). Enfin, critique classique mais essentielle : ces techniques ne capturent pas la valence d’une citation, et une série de citations négatives (ou dans des revues invisibles, mineures, proches de l’auteur) comptent autant que celles dans une revue centrale.

Faut-il brûler le Web of Science ?

Là où l’ouvrage de Gingras se démarque des discours classiques sur la bibliométrie, c’est qu’il propose non pas de jeter mais de s’en réapproprier les données et les outils,  actuellement monopolisés par les administrateurs de la recherche. Car si elle est une bien piètre mesure de la qualité individuelle des chercheurs, elle peut devenir un outil particulièrement efficace pour la sociologie des sciences. L’auteur nous emmène alors dans un voyage à travers différents travaux qui utilisent la bibliométrie pour revisiter l’histoire des sciences. Dans une version résumée de son article sur la découverte de l’ADN, il montre ainsi, données de citations en main, que la découverte de la double hélice par Watson et Creek a eu une reconnaissance bien plus rapide que ce qu’en disaient les historiens.

Loin de tomber dans la fascination pour son objet critiqué quelques pages plus tôt, l’auteur explique pourquoi la sociologie des sciences peut faire un meilleur usage des données de citation que les administrateurs de sciences. D’abord, la question de la valeur de la citation — problème central de ces indicateurs, qui enregistre indifféremment louanges et critiques — importe peu quand on analyse le destin de controverses scientifiques. Qu’importe en effet que la citation soit positive ou négative, pourvu qu’on voit une discussion émerger. De la même manière, le chercheur qui étudie un champ donné peut contrôler les variations de citations, et ainsi détecter les renvois d’ascenseur, entre chercheurs, entre revues. Finalement, la connaissance  fine du champ permet d’interpréter correctement les données de citation et de les utiliser positivement.

Invitation à la bibliométrie réflexive

Loin de se cantonner à une critique de la bibliométrie, Gingras propose de l’utiliser de manière abondante, mais efficace. La bibliographie de l’ouvrage est, à elle seule, un outil unique pour tout chercheur qui voudrait travailler sur ou avec ces questions de mesure quantifiée de la science. Et à plusieurs reprises, l’expérience de l’auteur, assurément l’un des chercheurs les plus prolifique dans ce domaine (voir l’entretien publié récemment sur le carnet Zilsel), lui permet d’émettre des propositions innovantes. À la fin du livre, l’auteur propose ainsi de réfléchir à ce que serait un indicateur robuste de la productivité de la recherche. Plutôt que de vouer aux gémonies toute mesure quantifiée, il propose une série de critères censés assurer la fiabilité et le bon usage des index ainsi créés. La proposition peut sembler iconoclaste, mais elle a le mérite de poser les bases d’une réflexion sur ce que peut être une aide à l’évaluation par la quantification.

L’ouvrage est donc un tour de force, à la fois dense et plaisant à lire, utile aux spécialistes mais pédagogue pour les néophytes. On pourra noter qu’il est finalement moins question de l’évaluation de la recherche en général que de son versant purement quantitatif. Et que ce faisant, le titre est en décalage avec le contenu, d’autant plus que la tonalité est bien moins critique qu’il ne le suggère. Si on ne saurait en faire le reproche à l’auteur, on peut prolonger la discussion et s’interroger : faut-il recourir à des indicateurs quantitatifs pour juger la science actuelle, ou faut-il tout simplement laisser ces techniques aux sociologues des sciences ? Gingras semble plaider pour des méthodes mixtes qui allient analyse de citation et appréciation substantive.

Mais ce faisant, on occulte les différentes possibilités qui se passent volontiers de la quantification, ou lui font un véritable pied de nez. C’est le cas de l’idée, de plus en plus fréquemment évoquée, de ne juger que sur un nombre très limité de travaux… car on limiterait justement le droit d’un chercheur à publier (par période, par thème). Manière radicale de lutter contre la prolifération de textes que plus personne ne peut lire de toute façon, la proposition a le mérite de poser la clairement la question : ne vaut-il pas mieux écrire un excellent texte qui donne à penser tous les trois ans que publier une succession d’articles inaboutis ? À l’heure où se multiplient les injonctions à publier plus, il peut être salutaire de se poser cette question, quoiqu’elle ait déjà été tranchée depuis longtemps. La scientométrie tend en effet à montrer que les travaux qui restent sont, sauf exceptions, ceux qui ont mis longtemps à être produits.

étienne

Chercheur CNRS (SAGE-Université de Strasbourg). Données numériques, sociologie politique, épistémologie des sciences sociales.

More Posts

Les calculs dans les nuages (2) – Tutoriel

Dans le billet précédent,  on avait discuté de l’intérêt du « cloud computing » pour les sciences sociales. La conclusion était qu’il peut parfois être utile d’avoir recours à la location de serveurs pour disposer d’une puissance de calcul décuplée. Si je l’ai utilisé dans le cas d’une vaste opération de nettoyage de données bibliométriques, c’est en fait utile dans bien d’autres cas. L’analyse de réseau, surtout si elle s’appuie sur des simulations, peut par exemple être très chronophage. Et quand chaque essai prend 20 minutes, l’exploration est ralentie d’autant.

Dès lors, il peut être utile de passer par le cloud. Le tutoriel ci-dessous propose de vous installer une image de R dans les nuages en moins de 10 minutes, montre en main. On va passer par le service d’Amazon, Amazon Web Service. La raison principale est qu’il existe une « image » de RStudio pré-programmée qui en rend l’installation très simple. Mais comme on l’a déjà dit, ce n’est pas forcément le moins cher, ni le plus performant. Caveat emptor!

1. Ouvrir un compte chez AWS.

C’est tout aussi simple que de créer un compte chez Amazon Web Service. Crééz le, et gardez-le ouvert.

2. Aller sur la page de Louis Aslett

Un statisticien d’Oxford, Louis Aslett, a créé une série d’images qui permettent de placer une console RStudio directement dans les nuages. Allez sur sa page, et sélectionnez l’image qui vous correspond en fonction de votre région, dans la boite en haut à droite.

3. Sélectionner une instance

Si tout va bien, vous êtes ramené directement sur le site d’AWS. Sélectionnez une instance. Vous avez le choix entre plusieurs formules, regroupées (barre de gauche) en quatre grandes familles :

– Micro instance (équivalent à un ordinateur de faible puissance)

– General purpose : diverses combinaisons relativement équilibrées, de puissance variable

– Memory optimized : Des instances avec des niveaux de RAM très élevé

– Storage optimized : Des niveaux de stockages très importants

– Computer optimized : Là, l’accent est mis sur le nombre de processeurs.

Comme je le disais dans le billet précédent, tout dépend alors du type d’opération et du temps que vous voulez y consacrer. Parfois, attendre un peu plus longtemps permet de faire des économies.

4. Détails

Viennent ensuite une série de pages, que vous pouvez passer rapidement :

– Configure instance details : cliquez sur Next sans rien toucher d’autre

–  Add Storage : cliquez sur Next sans rien toucher d’autre

– Tag instance : Donner des noms (Ex. Etienne – RStudio)

5. Configure Security Group

Ici, il faut configurer la liaison à internet. Sous l’onglet protocol, cliquer sur « Custom TCP Rule » dans le menu déroulant (au lieu de SSH). Le champ « Port Range » devient inscriptible. Mettre 80.  Laisser *Source* tel quel (ie. “Anywhere” et “0.0.0.0/0”).

Une fois cela fait, on vous demande de vérifier (Review) et de lancer. Il est possible qu’une fenêtre s’ouvre en vous demandant quelle « Security pair » choisir. Choisissez « no security pair ». Et c’est parti, maintenant, vous payez.

 

Screen Shot 2013-12-16 at 7.51.11 AM

 

Il faut attendre une minute ou deux le temps que tout se mette en place. Vous pouvez observer le processus depuis votre console (cf. ci-dessus). Dans le menu principal, vous avez la liste des instances que vous avez créées (là, j’en ai deux). Une micro (gratuite pendant un an avec l’inscription à AWS, mais plutôt du genre vieux coucou cacochyme), et une autre mise en place pour faire un gros calcul. La colonne « instance state » dit qu’une fonctionne, et que l’autre est à l’arrêt (ce que vous faites via l’onglet Actions).

En face de Public DNS, vous avez maintenant une adresse URL (en surbrillance bleue sur la copie d’écran). Copiez-là, et collez-là dans votre navigateur. On va vous demander vos codes (qui sont: rstudio/rstudio). Une fois cela fait, les utilisateurs de R retrouvent un environnement assez familier.

Quelques petits conseils avant de démarrer

  • Pour travailler des données, il faut les importer via l’onglet upload. Selon leur taille et votre connexion, cela sera plus ou moins long.
  • Aucune extension n’est pré-installée, donc il faut le faire. Choisir un miroir (chooseCRANmirror()) puis refaire une procédure d’installation manuelle (ex: >install.packages(‘questionr’)).
  • Une fois les données traitées, on les exporte via l’onglet « More » dans le panel en bas à droite. Attention, si vous n’avez pas assez de RAM (par ex. si vous utilisez la micro instance sur une tâche un peu costaud), vous pouvez rester bloqués à ce stade, ce qui est contrariant puisqu’il faut tout refaire …. avec une instance plus puissante. Contrairement au nom du sous-service (Elastic Cloud), Amazon ne permet pas d’augmenter la taille de ses instances une fois qu’elles sont créées.
  • IMPORTANT : Une fois que vous avez terminé : déconnectez-vous (sign out). Vous avez quitté R dans les nuages, mais pas AWS, qui lui continue de tourner. Donc n’oubliez pas d’aller sur votre console pour arrêter l’instance. Car sinon, vous continuez de payer. Allez dans le menu ACTION, et choisissez. Soit vous choisissez Stop, auquel cas vous conservez l’instance en mode pause, et vous ne payez que pour les données que vous avez stockées sur l’image (à un taux très faible). Vous pouvez alors la réactivez quand vous le souhaitez. Soit, maintenant que vous savez créer des instances à tout va, vous faites « terminate ». Et là, tout disparaît pour de bon : instance, données, etc.

Voilà pour les informations de base. Commentaires et questions bienvenus. Et je suis aussi preneur de tout tutoriel pour installer une instance sur un opérateur concurrent.

étienne

Chercheur CNRS (SAGE-Université de Strasbourg). Données numériques, sociologie politique, épistémologie des sciences sociales.

More Posts