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.