Archives de catégorie : Actualités / News

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.

AAC : Retour critique sur les sociologies numériques

Laisser un commentaire

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 1^er 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.

Faut-il partager ses données?

3 réponses

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 manipulation 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)?

Source: 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 du 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 diffusion 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:

Une tribune dans le journal Le Monde republiée sur le site deuxième labo qui détaille les arguments en faveur de l’ouverture.
Un symposium sur cette injonction dans la science politique qualitative étatsunienne.
Un blog de politistes (étatsuniens) en faveur de la réplication.
L’initiative Data Access – Research Transparency en science politique étatsunienne, et ses critiques (merci à Fr. Briatte)

étienne

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

Fuck / NGram

1 réponse

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.

Le 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.

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.

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.

Analyse quantitative de contenus 2.0

3 réponses

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)

Recherche les mots qui reviennent régulièrement ensemble dans un document
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.
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 !

[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.

Les big data à l’étude

3 réponses

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

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.

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. 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.

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).

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.

Sciences sociales via internet

2 réponses

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.

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 ?

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?

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.
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.

Sur “Les dérives de la bibliométrie”

Laisser un commentaire

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.

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.

Données numériques en histoire – Conférence le 9 décembre 2013

Laisser un commentaire

En attendant la reprise de ce blog (très prochaine), voilà l’annonce d’une conférence qui s’annonce vraiment intéressante.

Les sources nativement numériques pour la recherche en histoire et patrimoine : pratiques et méthodes. Elle se tiendra au CNAM, le 9 décembre 2013.

Les sciences humaines et sociales ont depuis quelques années vu s’accroître le regard réflexif des chercheurs sur leurs terrains et corpus, leurs gestes, leurs outils et instruments, en particulier dans le rapport aux technologies de l’information et de la communication à l’ère numérique.

Si les « Digital Humanities » (Humanités numériques) ont montré les apports du traitement informatique pour des fonds de documents numérisés, de nouveaux documents sont produits dans l’usage même des techniques et environnements du numérique, et ce depuis que les ordinateurs sont nés il y a plus d’un demi-siècle. En quoi ces nouveaux documents peuvent-ils constituer de nouvelles sources pour les études qui s’interrogent sur le passé ? Quelles traces, générées dans l’usage des outils numériques et transmises par la mémoire d’usage des technologies informatiques, deviennent exploitables et analysables à côté des formes et contenus ? A quel nouveau type d’archives le chercheur en histoire ou en patrimoine doit-il se confronter ?

La suite et les détails ici

Sinon, la jeune revue RESET (Recherches en sciences sociales sur Internet) rejoint le portail de revues.org, signe de l’intérêt pour ces recherches et du dynamisme du journal. A suivre donc…

étienne

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

Sciences sociales et internet : actualités

Laisser un commentaire

Après une période période pionnière, les sciences sociales de l'”internet” connaissent une croissance rapide. Ce mois-ci, plusieurs publications ou événements montrent la structuration rapide de ce sous-champ émergent.

Conférence

La conférence Penser l’écosystème des données, sur les enjeux de la libération des données, aura lieu toute la journée du 14 février à Paris. Elle réunira de nombreux chercheurs de SHS intéressés à la production et aux usages multiple des informations numériques. Interdiscipinaire, la conférence est aussi internationale et promet d’être riche. À ne pas rater (attention, il faut s’inscrire).

Manuel

Ce Manuel d’analyse du web, ouvrage collectif dirigé par C. Barats (Paris-V), propose une série d’analyses sur le web pour les chercheurs en sciences sociales. Les différentes contributions, rédigées par des spécialistes français du domaine, montrent bien le double objectif de l’ouvrage. Il s’agit en effet de présenter des outils et des méthodes d’analyse du web, mais tout autant de prendre internet et ses usages comme objets.

Une première partie présente certains enjeux théoriques, mais aussi méthodologiques. Une section méthode est elle consacrée à différentes techniques d’analyses du web (textométrie, sémiologie, et ethnographie). Les contributions de la dernière partie présentent elles des méthodes d’approche plus quantitatives des usages du web. Les contributions, courtes, rendent la lecture facile et permettent de naviguer facilement dans l’ouvrage. Par ailleurs, des encadrés complètent les textes en informant, au-delà de la réflexion méthodologique, sur les outils concrets disponibles.

Revue

Enfin, on peut mentionner la naissance de la revue en ligne RESET, explicitement consacrée aux Recherches en Sciences Sociales sur l’Internet. Les appels à contributions pour les numéros à venir montrent le spectre large couvert par la revue : famille, troubles mentaux et jeux en ligne, etc. Le premier numéro traite d’internet et classes sociales, avec là aussi une grande variété : pratiques numériques des adolescents, ségrégation spatiale, et même un texte sur Bourdieu et les rencontres en ligne (plutôt La distinction 2.0 que l’e-Bal des célibataires).

étienne

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

Data Sciences Sociales

Sur les données numériques et leurs usages en sciences sociales

Archives de catégorie : Actualités / News

Après le déluge

étienne

AAC : Retour critique sur les sociologies numériques

étienne

Faut-il partager ses données?

Source: LSE Impact Blog

Ouvrez, ouvrez, la boîte aux données

Une vision un peu naïve du travail scientifique

La division du travail scientifique et ses périls

Reconfigurations

étienne

Fuck / NGram

étienne

Analyse quantitative de contenus 2.0

Une offre de logiciels en hausse

Topic Modeling

étienne

Les big data à l’étude

Une révolution, quelle révolution ?

La protection des données personnelles

Ce qui compte

étienne

Sur “Les dérives de la bibliométrie”

étienne

Données numériques en histoire – Conférence le 9 décembre 2013

étienne

Sciences sociales et internet : actualités

Conférence

Manuel

Revue

étienne