Archives par étiquette : sciences sociales

Les big data à l’étude

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

Une révolution, quelle révolution ?

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

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

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

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

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

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

La protection des données personnelles

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

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

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

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

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

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

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

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

Ce qui compte

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

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

bandeau-def

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

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

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

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

étienne

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

More Posts

Sciences sociales via internet

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

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

Deux enquêtes actuelles

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

 

PRACTIC-IMAGE

 

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

 

ALGOPOL

 

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

 

Donner son ‘core’ à la science ?

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

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

étienne

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

More Posts

Sur « Les dérives de la bibliométrie »

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

 

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

De quoi les citations sont elles le nombre ?

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

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

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

Faut-il brûler le Web of Science ?

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

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

Invitation à la bibliométrie réflexive

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

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

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

étienne

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

More Posts

Les archives du web

Les ajouts et modifications apportés suite à la publication du billet sont indiqués par ce surlignage jaune.

Voilà maintenant plus de deux ans, la Revue d’Histoire Moderne et Contemporaine a consacré un dossier aux pratiques numériques des chercheurs. L’article de Nicolas Delalande et de Julien Vincent, « Portrait de l’historien-ne en cyborg », proposait un tour d’horizon utile sur le sujet. Récusant à la fois l’enthousiasme béat, le scepticisme radical ou l’indifférence polie vis-à-vis des données numériques, ils soulignaient les opportunités qu’elles fournissent aux chercheur.e.s. Les stratégies de recherche, formes de communication (entre chercheurs, ou avec d’autres publics) comme modalités de l’écriture sont selon eux radicalement modifiées par l’arrivée d’internet et de l’ordinateur.

Un aspect non évoqué par l’article – pour des raisons bien compréhensibles – concerne un aspect central du métier d’historien : les archives. Peut-on faire des archives sur internet ? Lieu et reflet de toute une partie de l’activité humaine, on trouve sur le web de très nombreuses informations (parfois même trop, comme le rappelait ce portrait d’un anonyme par la revue Le Tigre). Mais cette abondance disparaît assez rapidement. Probablement pas assez en ce qui concerne le droit à l’oubli, mais suffisamment pour qu’une enquête un peu rigoureuse soit rapidement contrariée.

C’est ce dont je me suis rendu compte récemment alors que je cherchais à faire une liste de tous les « administrateurs de science ». Dans le cadre du projet Go Science, nous cherchons à produire une liste des personnes investies dans l’administration de la science en France depuis les années 1960. Afin de rendre la tâche moins titanesque, nous avons choisi deux domaines, et fait des carrotages par périodes. Pour les collègues en charge du passé « lointain » (les années 1960), la solution est claire : il faut aller à Pierrefite-sur-Seine, fréquenter les archives du CNRS, et ouvrir des cartons. Visiblement, ils s’en sortent.

Pour les années 2010, les choses me paraissaient plus simples. Direction et commissions du CNRS, sections CNU, alliances scientifiques, organigrammes des grands EPST de recherche : tous publient une liste des membres. Sauf que… à chaque changement dans l’organigramme, à chaque nouvelle élection d’un bureau, la mémoire du passé est effacée. Je connaissais bien des manières de retrouver des documents dans le cache de Google, de faire des requêtes un peu complexes pour retrouver des fichiers pdf ou word, mais ça ne me permettait pas de reconstituer la direction du CNRS de 2008, ni ses sections.

C’est Christian Topalov qui m’a indiqué une solution. Engagé dans une entreprise assez similaire mais plus contemporaine et bien plus massive (les résultats de cette enquête collective en cours seront présentés dans le cadre du séminaire Politique des Sciences le 22 mai prochain), il m’a rappelé l’existence d’une « machine à remonter le temps ». Cette « wayback machine », c’est le site d’une association qui propose des « photos » des sites du passé (On y accède via https://archive.org/). Plusieurs fois par an, parfois plus, la machine « crawle » le site, et en conserve une photo.

La partie de l’enquêt que je mène permet de démontrer en actes de l’intérêt, et ses limites. Si vous cherchez à connaître l’organigramme du CNRS et ses sections pour les années passées, vous rentrez l’adresse internet (l’URL) sur site que vous cherchez. Attention : Wayback Machine archive en fonction de l’URL, donc si le site a changé de nom de domaine (ou changé d’extension, de .fr à .eu par exemple), il faut le retrouver tel quel.  Vous arrivez sur une page avec une frise, qui montre le nombre de photos. Pour le CNRS, on voit que la collecte commence en 1997, et qu’à partir de 2005, les copies sont multiples. On a donc de bonnes chances.

WaybackJPEG

On clique donc sur une date, et on se promène sur le site comme on le ferait à l’heure actuelle. C’est un peu plus lent puisque qu’il faut que WB aille chercher dans ses archives (mais plus rapide que d’attendre une dérogation pour consulter un carton). Et vous pouvez accéder aux informations désirées… parfois. Car malheureusement, l’ensemble du site n’est pas toujours conservé. Les deux principales difficultés sont les suivantes :
• La machine conserve assez bien tout ce qui est écrit « en dur » sur le site, c’est à dire le HTML (et son CSS), ainsi que les liens vers des fichiers (word, pdf). Mais ce n’est pas la seule manière d’écrire le web, et tout ce qui est stocké dans une base de données pour être « injecté » a peu de chances d’avoir été conservé par WB Machine.
• La machine ne se promène pas non plus sur toutes les pages, loin s’en faut. Dans plusieurs cas, comme ici dans pour le CNU Santé de 2008, il n’y a pas de photo disponible.

wayback-Hum

C’est ce qui justifiera donc que j’aille faire un tour au ministère cette semaine pour récupérer ladite liste. Car comme d’habitude avec les données numériques, elles sont potentiellement très riches, mais rarement suffisantes en elles-mêmes. Les stratégies numériques ne constituent pas des stratégies de recherches suffisantes dans la plupart des cas. Ceci dit, c’est un temps précieux gagné dans certains cas.

À noter sur le sujet :

  • La Bibliothèque Nationale de France s’est depuis longtemps engagée dans l’archivage du web et propose un service à ses usagers. Les noms de domaine en .fr sont collectés « largement », et la bibliothèque propose des archivages ciblés. Voir ici  pour une brève histoire et ici pour savoir comment y accéder.
  • L’INA s’occupe de l’archivage du web audiovisuel. Voir ici pour les détails, et là pour le blog sur le dépot légal (avec des annonces de séminaires, des réflexions). [Merci à Anne Pavis pour cette piste].
  • La BNF et d’autres sites permettent de faire de l’archivage de bases de données. Elles permettent de contourner la difficulté évoquée ci-dessus, à savoir l’archivage des pages HTML uniquement (dont l’usage en solo se raréfie). Le nombre de sites concernés est cependant plus faible.
  • Le site de l’IIPC, l’initiative des bibliothèques nationales de différents pays afin de conserver une trace du web.

La liste comme le billet sont évidemment loin d’être exhaustifs, donc n’hésitez pas à laisser des commentaires pour faire des ajouts.

étienne

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

More Posts

Vers une data-sociologie?

Pierre Mercklé vient de publier (sur Quanti) une présentation que nous avions faite en juin sur le thème des « big data » en sciences sociales. Elle propose un premier tour d’horizon des outils de collecte automatisée de données sur internet et évoque plusieurs enjeux dont il sera question ici

Ces vingt dernières années ont vu le développement de techniques et d’outils informatiques qui permettent d’automatiser la collecte et la mise en forme de données, en particulier celles provenant d’internet[1]. Plus puissantes et plus faciles d’accès, ils sont aussi de plus en plus utilisés dans de nombreuses professions. Leur diffusion intéresse donc les chercheurs en sciences sociales, à la fois parce qu’elles permettent de collecter rapidement des informations sur divers aspects du monde social, mais aussi parce qu’elle conteste un peu plus leur monopole dans la production de données quantitatives. On se propose ici de réaliser un rapide tour d’horizon sur cette question qui souligne le potentiel, et évoque certains enjeux, du recours croissant à ces méthodes pour nos disciplines…. Lire la suite sur Quanti

Voir aussi les remarques et compléments apportés sur Polit’bistro

étienne

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

More Posts

Data Sciences Sociales

Ces dernières années ont vu la prolifération tant des « données » accessibles que des outils pour les analyser. Le développement d’internet offre une masse d’informations potentiellement infinie ; la disponibilité croissante de bases de données importantes (directement ou après un travail de compilation) ; et les différentes transformations technologique (accessibilité, capacité de traitement) font que des masses d’informations sont désormais à portée de clic. Par ailleurs, une partie des interactions sociales a désormais lieu sur internet, et leur observation exige de recourir à des outils informatiques.

Cette profusion de données modifie non seulement les pratiques quotidiennes de tout un chacun ; elle transforme aussi en profondeur de nombreuses professions. À l’instar du journalisme — qui a récemment vu se développer une sous-branche spécialement consacrée (le « data journalisme ») — et du marketing, les sciences sociales sont elles aussi interrogées par cette profusion nouvelle. Cette « révolution des données » est en effet à la fois riche de potentiels pour nos disciplines, d’abord par le matériau qu’elle met à disposition des chercheurs. Elle est également un nouvel outillage, d’intérêt général, que tous les chercheurs en sciences sociales gagnent à connaître a minima, sinon à ajouter complètement à leur panoplie. Elle est enfin lourde d’enjeux, à la fois en interne quand il s’agira de définir ce qui fait la qualité de ces données, et en externe puisque ces techniques font que d’autres peuvent remplacer les sociologues dans la production de représentations quantifiées du monde social.

étienne

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

More Posts