Versione classicaVersione mobile
OpenEdition Books

Livre blanc — Une Science ouverte dans une République numérique — Guide stratégique

 | 
Direction de l’Information Scientifique et Technique - CNRS

Liberté d’analyse des résultats de la science

Qu’est-ce que le text and data mining ?

Testo integrale

1Le data mining est un concept jeune qui apparaît en 1989 sous un premier nom de KDD (Knowledge Discovery in Databases, en français ECD pour Extraction de Connaissances à partir des Données).

2Le terme de « text and data mining » est apparu pour la première fois dans le domaine du marketing au début des années 1990. Ce concept, tel qu’appliqué aux services marketing, est étroitement lié au concept du « one-to-one relationship » (Michael Berry et Gordon Linoff, créateurs du data mining dans le marketing), c’est-à-dire à la personnalisation des rapports entre l’entreprise et sa clientèle.

  • 1 http://www.rithme.eu/?m=resources&p=dmdomains&lang=fr.

3Si le domaine d’application du TDM qui intéresse le présent Guide est celui de la Science, la pratique du TDM est utilisée dans de nombreux secteurs d’activité comme par exemple1 :

  • le marketing direct : dans ce domaine des techniques de TDM sont par exemple utilisées pour segmenter les bases de données clients et pour prédire leur intention d’achat afin d’optimiser le discours marketing ;

  • la communication : le filtrage anti-spam des courriers électroniques ou encore le système Echelon, système mondial d’interception des communications privées et publiques (SIGINT), élaboré par les États-Unis, le Royaume-Uni, le Canada, l’Australie et la Nouvelle-Zélande dans le cadre du traité UKUSA, sont des techniques de TDM ;

  • le secteur bancaire et la finance ;

  • l’assurance et la santé ;

  • les secteurs médical et pharmaceutique.

4Le développement des pratiques du TDM a vu le jour ses dernières années dans le domaine scientifique avec le développement des archives ouvertes de type arXiv ou HAL afin d’optimiser la recherche sur ses bases au volume croissant de données.

5La notion de text and data mining ou encore d’exploration ou de fouille de textes et de données appliquée au domaine scientifique est aujourd’hui largement utilisée pour désigner des activités, des outils divers. Il est par conséquent proposé d’analyser la notion de TDM sous l’angle juridique, technique et économique afin de répondre aux questions suivantes :

  • Qu’est-ce que le TDM ?

  • Quelles sont les opérations que le TDM mobilise ?

  • Dans quels domaines le TDM s’applique-t-il ?

  • Comment mesurer l’efficience du TDM ?

Le droit du TDM

La consécration légale d’un droit au TDM par une exception

6Double exception. L’article 38 de la loi (Petite loi) consacre un droit au text and data mining en introduisant une exception au droit d’auteur et au droit du producteur de base de données selon les termes suivant :

Le Code de la propriété intellectuelle est ainsi modifié :

1° Après le second alinéa du 9° de l’article L. 122-5, il est inséré un 10° ainsi rédigé :

« 10° Les copies ou reproductions numériques réalisées à partir d’une source licite, en vue de l’exploration de textes et de données incluses ou associées aux écrits scientifiques pour les besoins de la recherche publique, à l’exclusion de toute finalité commerciale. Un décret fixe les conditions dans lesquelles l’exploration des textes et des données est mise en œuvre, ainsi que les modalités de conservation et de communication des fichiers produits au terme des activités de recherche pour lesquelles elles ont été produites ; ces fichiers constituent des données de la recherche ; »

2° Après le 4° de l’article L. 342-3, il est inséré un 5° ainsi rédigé :

« 5° Les copies ou reproductions numériques de la base réalisées par une personne qui y a licitement accès, en vue de fouilles de textes et de données incluses ou associées aux écrits scientifiques dans un cadre de recherche, à l’exclusion de toute finalité commerciale. La conservation et la communication des copies techniques issues des traitements, au terme des activités de recherche pour lesquelles elles ont été produites, sont assurées par des organismes désignés par décret. Les autres copies ou reproductions sont détruites. »

7Absence de définition. Le texte ne pose pas de définition de la notion même d’exploration ou de fouille de données. L’utilisation de ces deux termes dans un même texte appelle une remarque : l’utilisation du terme « exploration » de textes et de données dans la première partie du texte introduisant une exception au droit d’auteur et celui de « fouille » dans la seconde partie créant une exception au droit du producteur de base de données risque de soulever des problématiques d’interprétation. Le décret d’application pourrait à titre introductif préciser que les notions d’exploration et de fouille recouvrent les mêmes pratiques.

⚠︎ Le décret d’application pourrait à titre introductif préciser que les notions d’exploration et de fouille recouvrent les mêmes pratiques. Le décret doit à la manière des directives européennes comporter un article « Définition ».

8Encadrement de la notion. Si les notions même de fouille et d’exploration de textes et de données ne sont pas définies, le texte pose des limites et un cadre à cette pratique :

Critères

Article 38

Fondement

Exception au droit d’auteur et au droit du producteur de base de données : droit de copie et de reproduction numérique aux fins de TDM

Périmètre du TDM

Fouille de textes et de données incluses ou associées aux écrits scientifiques

Bénéficiaire de l’exception

/

Limites

TDM limité aux besoins de la recherche scientifique / dans un cadre de recherche

But non-commercial

Source licite / accès licite aux textes et données objets du TDM

L’introduction d’une exception TDM dans le projet de directive Droit d’auteur dans le marché unique numérique

9Rapports préliminaires. Le Livre blanc « Une Science ouverte dans une République numérique » relevait les nombreux rapports, dont certains commandés par la Commission européenne, qui préconisaient la révision de la directive 2001/29/CE « Droit d’auteur et droit voisin dans la société de l’information » et l’introduction d’un droit au TDM :

    • 2 Rapport CSPLA page 8.

    le rapport Sirinelli pour le Conseil supérieur de la propriété littéraire et artistique (CSPLA) « Rapport de la mission sur la révision de la directive 2001/29/CE sur l’harmonisation de certains aspects du droit d’auteur et des droits voisins dans la société de l’information » de décembre 2014 demande la « création de nouvelles exceptions au droit d’auteur concernent notamment les activités dites de text and data mining (TDM) »2 ;

  • l’étude du cabinet Wolf & Partners de mars 2014, intitulée « Study on the legal framework of text and data mining »3 pour la Commission européenne ;

  • un groupe d’experts de la Commission européenne a également publié en avril 2014 un rapport intitulé « Standardisation in the area of innovation and technological development, notably in the field of Text and data mining »4 ;

  • le rapport Reda : ce rapport adopté par le Parlement européen le 9 juillet 2015 affirme « l’impératif d’évaluer avec soin la mise à disposition des techniques analytiques automatisées des textes et des données (par exemple la "fouille de textes et de données") à des fins de recherche. » ;

  • le communiqué de presse de la Commission européenne du 9 décembre 2015 présentant les mesures pour améliorer l’accès aux contenus en ligne et présentant sa vision d’un droit d’auteur modernisé. Dans ce cadre, la Commission annonçait avoir « l’intention de travailler sur les exceptions au droit d’auteur » et notamment de réviser « les règles de l’Union afin de permettre aux chercheurs d’utiliser plus facilement les techniques de fouille data mining et de text mining pour analyser de grandes séries de données. »

10Projet de directive. Le projet de directive Droit d’auteur dans le marché unique numérique (COM(2016) 593 final) a été publié par la Commission européenne le 14 septembre 2016.

  • 5 Proposal for a Directive of the European Parliament and of the Council on copyright in the Digital (...)
  • 6 Communiqué de presse du 14 septembre 2016.
  • 7 Introduction d’une exception TDM au droit d’auteur dans la loi anglaise sur le fondement de l’artic (...)

11Par ce projet de directive Droit d’auteur dans le marché unique numérique (COM(2016) 593 final)5, la Commission a pour objectif « de moderniser les règles de l’UE sur le droit d’auteur pour favoriser l’essor et la diffusion de la culture européenne ». « Les propositions mettront également des outils permettant d’innover à la disposition de l’enseignement, de la recherche et des institutions du patrimoine culturel »6. L’objectif de cette directive est d’adapter les dispositions relatives au droit d’auteur à l’utilisation croissante des technologies numériques notamment dans le domaine de la recherche scientifique, constatant l’application protéiforme des dispositions de la directive DADVSI et notamment des exceptions7.

12Définition TDM. L’article 2 de la directive propose une définition de la notion de text and data mining :

« text and data mining means any automated analytical technique aiming to analyse text and data in digital form in order to generate information such as patterns, trends and correlations. »

13Exception. L’article 3 introduit une exception au droit d’auteur et au droit du producteur de base de données en faveur du text and data mining dans les termes suivants :

Article 3 - Text and data mining

1. Member States shall provide for an exception to the rights provided for in Article 2 of Directive 2001/29/EC, Articles 5(a) and 7(1) of Directive 96/9/EC and Article 11(1) of this Directive for reproductions and extractions made by research organisations in order to carry out text and data mining of works or other subject-matter to which they have lawful access for the purposes of scientific research.

2. Any contractual provision contrary to the exception provided for in paragraph 1 shall be unenforceable.

3. Rightholders shall be allowed to apply measures to ensure the security and integrity of the networks and databases where the works or other subject-matter are hosted. Such measures shall not go beyond what is necessary to achieve that objective.

4. Member States shall encourage rightholders and research organisations to define commonly-agreed best practices concerning the application of the measures referred to in paragraph 3.

14Cette exception peut être analysée selon les critères suivants (critères utilisés pour l’analyse du texte français) :

  • 8 Projet de Directive Art. 2 : “research organisation” : means a university, a research institute or (...)

Critères

Projet de Directive

Fondement

Exception au droit d’auteur et au droit du producteur de base de données : droit de reproduction ou d’extraction aux fins de TDM

Périmètre du TDM

TDM sur des œuvres ou d’autres objets

Bénéficiaire de l’exception

Les organisations de recherche (la notion est définie de manière large à l’article 2 du projet de directive8)

Limites

TDM limité aux besoins de la recherche scientifique

But non-commercial

Accès légal aux objets du TDM

15La Commission justifie les lignes directrices de ce texte de la manière suivante :

Text and data mining :

  • Option 1 consisted in self-regulation initiatives from the industry.

  • Other options consisted in the introduction of a mandatory exception covering text and data mining.

    • In Option 2, the exception only covered uses pursuing a non-commercial scientific research purpose.

    • Option 3 allowed uses for commercial scientific research purpose but limited the benefit of the exception to some beneficiaries.

    • Option 4 went further as it did not restrict beneficiaries.

  • Option 3 was deemed to be the most proportionate one.

16La Commission précise que l’objectif de ce texte est de fournir une clarification juridique et un cadre de concurrence équitable afin que les chercheurs européens puissent utiliser des techniques innovantes d’analyse de données ; leur permettant de trouver plus rapidement des solutions novatrices en réponse aux défis majeurs tels que les épidémies mondiales et le changement climatique ; favorisant les collaborations transfrontalières et interdisciplinaires. Cette exception participe au soutien de la compétitivité européenne en favorisant l’open science9.

17Carlos Moedas, Commissaire européen à la recherche, à l’innovation et à la science, a justifié la nécessité de cette exception de la manière suivante :

« Science needs a copyright law that reflects the reality of the modern age. We must remove barriers that prevent scientists from digging deeper into the existing knowledge base. This proposed copyright exception will give researchers the freedom to pursue their work without fear of legal repercussions, and so allow our greatest minds to discover new solutions to major societal problems. »

18Si la France et l’Europe se dotent d’un arsenal législatif autorisant l’utilisation de techniques d’analyse automatiques, il est également intéressant de regarder les dispositions adoptées par d’autres pays.

Des périmètres mouvant de la notion de TDM à travers les textes nationaux

19Le tableau ci-après présente une lecture analytique de la notion de TDM dans les législations anglaises, américaines, japonaises, autant de législations qui ont intégré légalement un droit au TDM.

Pays

Source

Texte

Caractéristiques du TDM

Royaume-Uni

Loi
Article 29 A introduit en 2014 dans le Copyright, Designs and Patents Act (1988)10

29A Copies for text and data analysis for non-commercial research
(1) The making of a copy of a work by a person who has lawful access to the work does not infringe copyright in the work provided that—
(a)the copy is made in order that a person who has lawful access to the work may carry out a computational analysis of anything recorded in the work for the sole purpose of research for a non-commercial purpose, and
(b)the copy is accompanied by a sufficient acknowledgement (unless this would be impossible for reasons of practicality or otherwise).
(2) Where a copy of a work has been made under this section, copyright in the work is infringed if—
(a)the copy is transferred to any other person, except where the transfer is authorised by the copyright owner, or
(b)the copy is used for any purpose other than that mentioned in subsection (1)(a), except where the use is authorised by the copyright owner.
(3) If a copy made under this section is subsequently dealt with—
(a)it is to be treated as an infringing copy for the purposes of that dealing, and
(b)if that dealing infringes copyright, it is to be treated as an infringing copy for all subsequent purposes.
(4) In subsection (3) “dealt with” means sold or let for hire, or offered or exposed for sale or hire.
(5) To the extent that a term of a contract purports to prevent or restrict the making of a copy which, by virtue of this section, would not infringe copyright, that term is unenforceable.

Fondement : Exception au droit d'auteur aux fins « d'analyse computationnelle »
Périmètre : les œuvres et toutes données associées
Bénéficiaire : /
Limites : accès licite ; fins non commerciales ; limité au seul but de la recherche ; mention de paternité ; interdiction de communication de la copie réalisée à un tiers/interdiction de conclure un contrat de cession ou licence de la copie réalisée

Etats-Unis

Loi
Federal Agency Data Mining Report Act of 2007 : Article 42 U.S. Code § 2000ee-3

The term “data mining” means a program involving pattern-based queries, searches, or other analyses of 1 or more electronic databases, where—
A. a department or agency of the Federal Government, or a non-Federal entity acting on behalf of the Federal Government, is conducting the queries, searches, or other analyses to discover or locate a predictive pattern or anomaly indicative of terrorist or criminal activity on the part of any individual or individuals;
B. the queries, searches, or other analyses are not subject-based and do not use personal identifiers of a specific individual, or inputs associated with a specific individual or group of individuals, to retrieve information from the database or databases; and
C. the purpose of the queries, searches, or other analyses is not solely—
i. the detection of fraud, waste, or abuse in a Government agency or program; or
ii. the security of a Government computer system
11.

Fondement : Droit positif de formuler des requêtes par un programme
Périmètre : modèles, recherches, ou autres analyses d'une ou plusieurs bases de données électroniques
Bénéficiaire : Agences fédérales
Limites : Analyse prédictive dans le domaine d'activité terroriste ou criminelle. Pas d'utilisation de données à caractère personnel

Etats-Unis

Décision de justice
Authors Guild V. Hathi Trust, 755 F.3d 87 (2d Cir.2014).

The court held that the HDL’s first use — creation of a full-text searchable database—was fair. It found that use “quintessentially transformative” because “the result of a word search is different in purpose, character, expression, meaning, and message from the page (and the book) from which it is drawn.” The court further held that the copies were reasonably necessary to facilitate the HDL’s services to the public and to mitigate the risk of disaster or data loss. In addition, it held that the full -text search posed no harm to any existing or potential traditional market for the copyrighted works. The court also held that the second use — access for the print -disabled —was fair. It concluded that providing such access was a valid purpose under the first statutory factor, even though it was not transformative. The court held that it was reasonable for the defendants to retain both text and image copies because the text copies were required for text searching and text -to-speech capabilities, and the image copies provide an additional method by which many disabled patrons can access the works. Finally, the court held that the fourth factor favored fair use given the insignificance of the present -day market for books accessible to the handicapped12.

Fondement : La reproduction et l'utilisation de livres numériques à des fins de conversation, de recherche de texte et d'accessibilité pour les malvoyants ne constituent pas des atteintes au droit d'auteur car relèvent du « fair use »
Périmètre : Œuvre/base de données
Bénéficiaire : Parties au litige
Limite : quatre critères du « fair use », le but non lucratif, le nature de l'œuvre protégée par le droit d'auteur, la portion de l'œuvre utilisée, l'absence d'impact économique de l'usage

Etats-Unis

Décision de justice
Authors Guild V. Google, INC13.

In sum, we conclude that .(1) Google's unauthorized digitizing of copyright-protected works, creation of a search functionality, and display of snippets from those works are non-infringing fair uses. The purpose of the copying is highly transformative, the public display of text is limited, and the revelations do not provide a significant market substitute for the protected aspects of the originals. Google's commercial nature and profit motivation do not justify denial of fair use.
(2) Google's provision of digitized copies to the libraries that supplied the books, on the understanding that the libraries will use the copies in a manner consistent with the copyright law, also does not constitute infringement.
Nor, on this record, is Google a contributory infringer.

Fondement : droit de mise à disposition par Google de certains passages de livres sous format numérique sur le fondement du « fair use »
Périmètre : Œuvre
Bénéficiaire : Parties au litige
Limite : quatre critères du « fair use », le but non lucratif, le nature de l'œuvre protégée par le droit d'auteur, la portion de l'œuvre utilisée, l'absence d'impact économique de l'usage
Portée : Avec cette jurisprudence, les Etats-Unis donnent un avantage significatif à ses chercheurs en leur ouvrant la possibilité de numériser des ensembles très larges de données accessibles licitement, de mutualiser les corpus et de développer des fonctionnalités de recherches et de traitements algorithmiques des données14

Japon

Loi
Japan Copyright Act – Article 47 septies introduit en 2009

For the purpose of information analysis (‘information analysis’ means to extract information, concerned with languages, sounds, images or other elements constituting such information, from many works or other much information, and to make a comparison, a classification or other statistical analysis of such information; the same shall apply hereinafter in this Article) by using a computer, it shall be permissible to make recording on a memory, or to make adaptation (including a recording of a derivative work created by such adaptation), of a work, to the extent deemed necessary. However, an exception is made of database works which are made for the use by a person who makes an information analysis15.

Fondement : Le texte prévoit une exception d'«analyse de l'information » aux fins de comparaison, classification, analyse statistique
Périmètre : information de toute nature
Bénéficiaire : /
Limite : L'analyse de l'information n'est pas cantonnée à la recherche publique, ni à des fins non commerciales

20

Analyse croisée des dispositions légales

  • 16 Le tableau d’analyse croisée figure en annexe 1.

21L’analyse croisée des dispositions légales françaises, anglaises, américaines, japonaises ainsi que celles du projet de directive permettent de formuler les remarques suivantes au regard des quatre critères d’analyse utilisés (fondement légal, périmètre, bénéficiaires et limites du TDM)16 :

Critères

Analyse croisée

Fondement

L’exception au droit d’auteur et au droit du producteur de base de données est privilégiée dans tous les pays ayant légalisé en faveur du TDM ;

Le Royaume-Uni a préféré l’expression « d’analyse computationnelle » à celle de text and data mining.

Périmètre

Le périmètre du droit au TDM est plus ou moins large selon les législations :

   – la loi japonaise est la plus large en prévoyant que le TDM peut être pratiqué sur toute information ;

   – la loi anglaise et le projet de directive vise les œuvres et toutes données associées

   – la loi française vise les « textes et de données incluses ou associées aux écrits scientifiques »

Bénéficiaire

Les textes anglais et français ne prévoient pas de bénéficiaire expresse de la disposition. Toutefois, les bénéficiaires concernés sont indirectement les organismes de recherche publique ; le TDM étant limité à des fins de recherche publique.

Le projet de directive limite de manière expresse l’utilisation du TDM aux organisations de recherche.

Limite

Trois limites sont principalement posées par l’ensemble des textes :

   – le TDM doit être limité aux besoins de la recherche scientifique ;

   – effectué dans un but non-commercial ;

   – sur les textes et données en accès licite.

22Cette analyse croisée montre une certaine proximité des régimes du TDM dans les pays analysés.

23Afin que le texte français ne soit pas en deçà des dispositions étrangères et du projet de directive, il est recommandé de préciser dans le décret d’application la notion de « textes et de données incluses ou associées aux écrits scientifiques » afin qu’elle soit la plus large possible.

⚠︎ Définition de la notion de TDM et son périmètre d’application. Clarification de la notion de « textes et de données incluses ou associées aux écrits scientifiques » afin qu’elle soit la plus large possible.

La technique du TDM

24D’un point de vue technique, le TDM peut s’analyser au regard :

  • des objets techniques nécessaires qu’il mobilise ;

  • des opérations techniques qu’il nécessite ;

  • de ses fonctionnalités générales.

Les objets techniques nécessaires au TDM

25Pour que les pratiques de text and data mining puissent être mobilisées, le chercheur doit disposer :

  • de données d’entrée ; les données input ;

  • d’outils de traitement ;

  • l’utilisation des outils de traitement sur les données d’entrée permettra de produire des données de sortie : les données output.

26La matière première : les données input. Techniquement parlant, le TDM peut se décrire comme un processus d’extraction de connaissances à partir de textes et données sélectionnées, basé sur des mécanismes d’identification de structures jusque-là inconnues, scientifiquement valides et exploitables. Chaque champ scientifique (astrophysique, biologie moléculaire, sociologie des organisations, géologie marine, linguistique…) a développé son propre arsenal de moyens et techniques de collecte de données : capteurs, sondes, satellites, séquenceurs, cameras, numérisation, simulation, analyses chimiques… qui conduisent à l’accumulation de vastes ensembles de données (big data).

  • 17 Schéma d’orientation stratégique de l’IST page 15 « les publications scientifiques : une augmentati (...)
  • 18 Schéma d’orientation stratégique de l’IST page 15 « Données et publications : une course poursuite  (...)

27La production scientifique globale connaît également une croissance spectaculaire en raison de l’augmentation de l’activité scientifique au niveau mondial mais également d’une certaine pression à publier. La production annuelle globale de l’édition scientifique a largement progressé ; par exemple, elle est passée entre 1996 et 2012 de 1 134 000 à 2 250 000 articles/an sur la base Scopus d’Elsevier17. Toutefois, « malgré sa croissance rapide, l’effort de publication ne croît pas en proportion des données produites par la recherche » : plus de 90 % des données resteraient stockées sur des disques durs locaux et donc non partagés18.

28La démarche d’analyse scientifique nécessite l’utilisation des données de la recherche dans son sens le plus large, elle concerne tant les publications scientifiques que les données brutes ou encore les tableaux, images, données statistiques, sons, autres corps de texte, de manière générale toutes données nécessaires au chercheur dans sa démarche.

29La physique des hautes énergies et le LHC (Large Hadron Collider) fournit un exemple ultime de cette nouvelle pratique scientifique centrée sur les données : à un dispositif technique – le collisionneur – bâti par des ingénieurs sont associés des instruments – les détecteurs – imaginés par les chercheurs pour étudier les particules émises lors des milliards de collisions produites. La production de données est de l’ordre de 15 pétaoctets/an. Une telle production de données nécessite à la fois des moyens techniques de traitement colossaux mais également une infrastructure de gestion de données à même d’offrir une disponibilité maximale aux équipes de recherche.

30Mais au préalable à cette mise à disposition, les données se doivent d’être préparées. Par exemple, on comprend aisément que les grands programmes d’observation de la terre et des océans, opérations menées le plus souvent en coopération internationale, réclament des processus de préparation des données préalable à la fouille de données elle-même. Ces activités, que l’on regroupe sous le terme de curation de données, englobent la sélection, vérification, normalisation, annotation, reformatage, enrichissement, structuration des données collectées ; le but ultime est de disposer de données qualifiées pour être soumises à un processus de fouille scientifiquement valide.

31Les grands programmes de numérisation de livres anciens s’accompagnent ainsi de processus de création de métadonnées enrichies, facilitant l’extraction de connaissances.

32Les entrepôts de données résultant de ces processus de curation sont alors mis à disposition des chercheurs à travers des portails d’accès thématiques tels l’observatoire virtuel astronomique international, l’observatoire mondial de la biodiversité, le programme mondial des données climatologiques…

33Les capacités de traitement jouent évidemment un rôle essentiel dans le développement des usages du TDM. Les moyens des centres de calcul sont en progression constante, et s’organisent en grilles de calcul à l’échelle internationale, pour répondre aux enjeux du traitement de flux de données massives en climatologie, environnement, santé, astronomie. En bout de chaîne de traitement interviennent les applications de représentation/visualisation de données complexes, fortement consommatrices en puissance informatique.

  • 19 Schéma d’orientation stratégique de l’IST page 16.

34Les outils techniques d’analyse. Les communautés scientifiques assistent par ailleurs à une évolution des pratiques de recherche, vers une recherche plus collaborative impliquant des acteurs multiples et s’appuyant sur les technologies modernes pour traiter et exploiter des masses importantes de données produites dans un environnement partagé19.

35Les technologies de TDM visent à faire émerger des relations entre les données unitaires analysées, de détecter des liens de cause à effet, d’établir des modèles et de valider leur reproductibilité. Pour ce faire, en fonction des types de données et des objectifs proposés, seront utilisées de façon complémentaire des techniques issues de la statistique descriptive, de l’analyse de données (statistique exploratoire) ou de l’informatique (intelligence artificielle).

36La fouille de textes utilise les mêmes techniques que la fouille de données mais il est nécessaire au préalable de traiter les données textuelles par des technologies linguistiques pour les rendre compatibles avec les méthodes de data mining. L’usage de structures de données adaptées aux propriétés des textes et d’algorithmes sémantiques est spécifique à la fouille de texte.

37Les méthodes d’analyse de données (factorielle, discriminante, composantes principales, composantes multiples, correspondances...) conduisent à rendre compte des différentes dimensions internes des ensembles de données, permettant de mettre à jour les paramètres d’organisation des données. Les méthodes de classification (clustering, apprentissage non supervisé) permettent de faire ressortir des groupes d’éléments. Les méthodes de régression et d’apprentissage supervisé (intelligence artificielle) ont pour finalité de prédire l’évolution de certains comportements en fonction d’autres variables.

38Les logiciels de TDM présentent des fonctionnalités regroupant tout ou partie de cette chaîne de traitement allant de l’accès à la préparation des données, l’application de calculs algorithmiques choisis (apprentissage), l’exploitation des sorties, l’exploitation des modèles, la visualisation des résultats.

39Les logiciels spécifiques au text mining traitent le langage naturel par étiquetage grammatical, règles syntaxiques, ontologies, apprentissage à partir de corpus étiquetés… A partir des corpus de documents ainsi structurés, différents algorithmes d’analyse peuvent être utilisés : classification automatique, analyse de tendances, règles d’associations…

40De nombreux outils et techniques d’analyse automatique de textes et de données sont développés par les laboratoires de recherche français et déjà utilisés par les chercheurs.

41Au CEA, la pratique du TDM est très courante tant en physique des particules, en physique nucléaire ou en astrophysique20. La mise en relation d’archives interopérables et d’outils intelligents pour leur analyse est à la base de projets européens, comme The European Virtual Observatory, http://www.euro-vo.org/​, ou EUROPLANET, http://www.europlanet-eu.org/​.

42Dans d’autres domaines, l’usage du TDM est utilisé par des équipes du CEA pour le traitement automatique des langues, notamment pour la constitution, la visualisation et l’analyse de réseaux de citations (http://clair.eecs.umich.edu/​aan/​index.php) ou pour accroître les performances de moteurs de recherche spécialisés (http://aclasb.dfki.de/​ ou http://saffron.insight-centre.org/​acl/​).

43A l’INRA, l’équipe de recherche Bibliome (unité MaIAGE-INRA) développe de nombreuses applications de TDM appliquées à des textes d’articles scientifiques dans des domaines intéressant l’Inra. Certains de ces projets utilisent également des références (PubMed), des brevets (EspaceNet) et des magazines professionnels (ex. Perspectives Agricoles).

44L’UMR Lisis (INRA, ENPC, UPEM) (http://www.inra-ifris.org/​), associée à l’IFRIS, développe une plateforme Cortext pour l’analyse de corpus textuels (http://www.cortext.net/​) dans le cadre de recherches en sciences humaines et sociales.

45Le Cirad est également concerné au travers de l’UMR IATE (CIRAD, INRA, SupAgro, Université de Montpellier II) et développe des méthodes et des outils innovants de traitement de données et de connaissances. L’objectif est de proposer des méthodes et outils d’aide à la décision pour le pilotage global de filières de transformation de la biomasse. Ces méthodes et outils doivent permettre de collecter, représenter et gérer différents types de données et de connaissances, incluant des données imparfaites (par exemple peu fiables, imprécises, ...), des connaissances à dire d’expert et des modèles de génie des procédés. D’autre part, les outils proposés doivent permettre la prise en compte de critères multiples, des préférences et des arguments des acteurs de la filière agricole.

46A Irstea, des scientifiques de l’UMR TETIS, utilisent des solutions innovantes de fouille de textes et de données dans le cadre de recherches conduites en collaboration entre IRSTEA, l’INRA et AgroParisTech : fouille d’articles scientifiques pour identifier des thématiques nouvelles de recherche par l’enrichissement de ressources sémantiques (ressources termino-ontologiques de spécialité, thésaurus, etc.) ou améliorer des outils de veille en épidémiologie animale. En outre, le TDM permet la mise en relation de données hétérogènes au sein de corpus très volumineux qui comprennent à la fois des textes scientifiques et non scientifiques, jeux et bases de données, images, etc.), ce qui a permis de découvrir des connaissances nouvelles et complémentaires (https://tetis.teledetection.fr/​index.php/​fr/​).

  • 21 Ces exemples sont tirés d’une note EPRIST (Responsables IST des organismes de recherche) sur le tex (...)

47L’UMR GESTE (IRSTEA, ENGEES), à Strasbourg (http://geste.engees.eu/​), mobilise actuellement des scientifiques qui travaillent sur la problématique des polluants émergents dans l’eau et les changements de pratiques des particuliers et des artisans permettant d’en réduire l’émission. Il s’agit d’une question majeure en termes de santé-environnement, encore insuffisamment cernée sur le plan des enjeux et des solutions. L’usage du TDM permettra de réaliser une cartographie de l’enjeu, dans ses dimensions scientifiques et sociétales, d’en préciser la chronologie, d’identifier des sous-thématiques ainsi que des institutions et acteurs clés21.

48L’Inria a également développé GROBID (GeneRation Of BIbliographic Dataset)22, outil d’apprentissage automatique (ou Machine Learning) disponible en Open source. Cet outil permet l’extraction, l’analyse et la restructuration de publications scientifiques d’un format bruts (ex : PDF) vers un format TEI.

49Autres outils. Les logiciels Alceste23 (développé par l’entreprise IMAGE et le CNRS) et Calliope24 (par Astefo) sont spécialisés dans l’analyse lexicale. Le projet Gargantext offre un exemple d’une telle analyse. Il permet d’analyser les textes selon un autre paradigme que les mots complets :

« Il paraît que l’drore des lettres dans un mot n’a pas d’imtaorpnce. La preimère et la dernière lettre doveint être à la bonne plcae. Le reste peut être dans un désrodre total et on peut touojurs lire sans proèlbme. On ne lit donc pas chqaue lettre en elleê-mme, mais le mot comme un tout. Un chagemnent de réféenrtiel et nous transopsons ce réslutat au texte lui-êmme : l’rodre des mots est failbement imprtoant comparé au conetxte du texte qui, lui, est compté : comptexter avec Gargantext. »25

50Parmi les logiciels de TDM largement utilisés dans le monde, Weka, développé à l’origine par l’université de Waikato en Nouvelle-Zélande, permet de visualiser et d’analyser rapidement les données. Enfin, de nombreux logiciels payants ont été produits par des entreprises, tels que RightsDirect26, KNIME27 ou RapidMiner28.

  • 29 Liste catégorisée de « Plateformes de partage d’information scientifique et technique » : http://ww (...)

51Les données et articles scientifiques, qui constituent la source primaire d’information pour l’analyse par TDM, peuvent être importés depuis des plateformes de partage d’information scientifique et technique (tels que des bibliothèques numériques, bases de données, archives ouvertes, moteurs de recherche, etc.). Certaines plateformes œuvrent en faveur du libre accès à la production scientifique telles que, en France, HAL, Gallica, NAKALA, ISIDORE, OpenEdition, Persée 29.

52ISTEX. Enfin, dans le cadre du projet ISTEX (Initiative d’excellence de l’Information Scientifique et Technique - ANR-10-IDEX-004-02), plateforme numérique d’accès, de partage et d’enrichissement de l’information scientifique et technique (IST) sont développés des « services à valeur ajoutée ». Ces services doivent permettre aux utilisateurs d’analyser automatiquement des masses importantes de données en proposant notamment les services suivants :

  • l’enrichissement des données ;

  • les jeux de données induites ;

  • les nano publications ;

  • les schémas de collaboration ;

  • les schémas d’influence ;

  • l’analyse sémantique ;

  • l’analyse d’impact ;

  • le document automatique.

53De nombreuses autres plateformes de partage de l’information scientifique et technique sont recensées par le CNRS et catégorisées afin de mettre en valeur les initiatives en faveur de la mutualisation des connaissances et du libre accès à la production scientifique30.

54Les résultats. À l’issue de l’application du processus de TDM sur des jeux de données, un résultat automatique est produit. Ce résultat se présente différemment selon la technique d’analyse utilisée, selon l’angle d’analyse choisi par le chercheur (« user generated contents »).

55Ce résultat constitue des connaissances nouvelles. Celles-ci sont de plusieurs ordres et sont exploitées selon plusieurs axes :

  • les systèmes de recommandation, par analyse et filtrage de l’information contenue dans les données, produisent des prédictions sur les comportements ;

  • en science, les liens entre éléments de données mis en évidence conduisent à proposer de nouvelles hypothèses de recherche.

56Le résultat produit s’intègre alors dans la démarche scientifique comme une nouvelle donnée d’analyse.

Les opérations techniques du TDM

57Il convient d’appréhender le TDM également sous l’angle de la démarche technique nécessaire à toute opération de traitement.

58Présentation Atilf. Dans une note datée du 14 mai 2014, M. Pierrel, représentant de l’Université de Lorraine (agissant pour le compte de la Conférences des Présidents d’Université), en charge du développement des services à valeur ajoutée dans le cadre d’ISTEX, et Directeur de l’Atilf (Analyse et Traitement Informatique de la Langue Française) a précisé les opérations techniques réalisées par les laboratoires dans le cadre du développement du TDM. M. Pierrel distingue dans sa note deux temps :

1. Les travaux effectués sur les machines :

  • copie de travail de sous-corpus sur des machines ;

  • annotation linguistique sur les données :

  • détection des termes et construction d’un référentiel terminologique ;

    • détection d‘entités nommées et construction d’un référentiel d’entités nommées ;

    • annotation et lemmatisation des textes, construction et gestion de lexiques ;

    • balisage des références bibliographiques ;

  • utilisation de ces annotations dans les procédures de sélection des articles suite à une demande utilisateur ;

  • construction de cartographie à partir des éléments annotés.

2. La diffusion des résultats de recherche en TDM

  • dans le cadre de publications scientifiques ;

  • dans le cadre de diffusion des résultats de TDM.

59Schéma TDM. Le schéma suivant illustre les étapes du traitement de l’information dans le cadre du TDM appliqué au marketing direct, dont les principes sont transposables au domaine scientifique31 :

©Jisc CC BY-NC-ND.

60Schéma de synthèse opérations TDM. Eu égard à l’ensemble de ces éléments, le processus de traitement de l’information par TDM est complexe et peut être synthétisé en trois étapes ; les opérations techniques réalisées dans chacune des étapes sont précisées ci-après :

61Chacune de ces étapes nécessite d’être encadrée, sécurisée, des standards et formats doivent être définis, un process de réalisation des opérations de TDM doit être rédigé voire normalisé.

Les fonctions macro du TDM

62Une approche fonctionnelle macro du TDM permet également d’appréhender la notion au regard de ses objectifs.

  • 32 Toussaint Yannick, « Extraction de connaissances à partir de textes structurés », Document numériqu (...)
  • 33 Fidelia Ibekwe-Sanjuan, Fouille de textes : méthodes, outils et applications, Coll. Systèmes d’info (...)

63Le développement de techniques de TDM ouvre de nouvelles perspectives dans l’analyse d’importants volumes de textes et de données (big data). Le TDM, grâce à une démarche inductive, analyse l’ensemble de ces informations formées en corpus. La fouille de textes regroupe un ensemble de pratiques et des méthodes diverses, qu’il est difficile d’unifier32. Il est pourtant possible de dégager de grands traits de compréhensions33.

64La multiplication des articles de sciences en format numérique a rendu accessible des informations diverses : tableaux, images, données statistiques, sons, corps de texte… Ces derniers sont quant à eux différemment rédigés (langue, expression…). L’ensemble des styles et des genres des textes à analyser invitent donc le chercheur qui utilise le TDM à former des corpus cohérents de données. L’objectif du TDM est un objectif ciblé. Une opération d’exploitation des données n’a pas comme finalité de donner des clés de lecture généraliste pour le corpus, mais de les explorer sur la base d’une question précise.

65Le TDM analyse donc un ensemble de données selon un critère de nouveauté (qu’est-ce qui apparaît en croisant tous les textes du corpus, par exemple ?) ou un critère de similarité (qu’est-ce qui est récurrent dans tous les textes du corpus ?). C’est ensuite aux chercheurs de dégager le sens issu des croisements de données. Après avoir sélectionné puis transformé les données (selon leur codage notamment), le chercheur utilisera des outils de TDM pour aboutir à une interprétation et à une évaluation. Toutes les étapes du TDM sont donc essentielles, du prétraitement au formatage des données jusqu’aux conclusions.

66Prenons un exemple pour mieux comprendre ces techniques. L’INRA mène actuellement une étude à l’aide de text mining afin d’identifier de nouvelles espèces de poissons domesticables, c’est-à-dire adaptables à l’aquaculture. De nombreuses données relatives aux poissons (reproduction, alimentation, milieu de vie) sont analysées à l’aide de technologies de text mining. Ces données proviennent notamment du corpus ISTEX. L’objectif est d’identifier les caractères types des poissons d’aquaculture afin de mieux comprendre le phénomène de la domestication ainsi que d’identifier les espèces de poissons qui ressemblent le plus à des espèces d’aquaculture (recherche fondamentale). Ces espèces identifiées pourront ainsi faire l’objet d’expérimentations de domestication (recherche appliquée). L’utilisation de leurs résultats pourrait ouvrir de nouvelles possibilités pour la pisciculture.

L’économie du TDM

67Le TDM peut générer deux types de bénéfices économiques et sociaux :

  • une baisse de coûts et une hausse de la productivité ;

  • un accroissement des innovations de produits ou de services.

68Il est par ailleurs important d’analyser également l’impact du TDM face au monde de l’édition, afin de dépassionner le débat tout en encadrant et sécurisant les pratiques.

Réduction des coûts de la recherche et accroissement des découvertes

69Le potentiel économique du TDM tient d’abord à la réduction des coûts de la recherche et l’accroissement des découvertes envisageables.

70En effet, l’usage du TDM, en réduisant les coûts de traitement, ouvre la possibilité de multiplier les nouveaux articles de recherche grâce à ce gain de temps, donc d’enrichir les bases de données, etc., dans une logique de cercle vertueux.

71Le JISC34, organisme britannique en charge des services numériques pour la recherche, a estimé que l’utilisation et le développement du TDM pour la recherche permettraient une hausse de la productivité de la recherche publique sans coûts supplémentaires. Le TDM équivaudrait à un gain de 4,7 millions d’heures de travail pour les chercheurs sur une année, sur l’ensemble du Royaume-Uni.

72Dans le même sens, le TDM permet de développer les activités de recherche interdisciplinaire. Les corpus pourront être construits entre matières diverses, pour accéder aux avancées de la biochimie dans le cas d’une étude en biologie, ou encore pour comparer les évolutions de l’histoire dans les analyses sociologiques.

Accroissement de l’innovation

73Une large part de ces nouvelles connaissances est convertible en innovation économique. Par exemple, dans le domaine de la santé, une analyse via PubMed35 a permis de formuler de nouvelles hypothèses de recherche. Un groupe de chercheurs a procédé à une extraction de données sur un corpus d’articles de médecine. Ils cherchaient les liens entre « médicament – maladie » et « médicament – phénotype »36. En parcourant l’ensemble des articles, ils ont identifié des gènes pouvant être responsable de maladie dont l’origine était la toxicité d’un médicament. Cet enrichissement pourrait permettre aux chercheurs et aux médecins de diagnostiquer rapidement des liens nouveaux entre « médicament » et « maladie ». D’un point de vue économique, cette découverte pourrait faire avancer la recherche médicale, avec un coût de main-d’œuvre limité.

74L’intérêt économique qui se dégage de l’utilisation du TDM correspond donc essentiellement à une source d’innovation incrémentale. A cet égard, le JISC37 souligne que le TDM est un « déverrouillage »38 des connaissances dont les sphères économiques et sociales ne peuvent que bénéficier.

75Par ailleurs, le TDM est une technique scientifique et numérique qui nécessite un capital humain conséquent pour être bien appliquée. La fouille de textes et de données ouvre donc des possibilités d’emplois spécialisés et techniques, d’ingénieurs et d’informaticiens essentiellement. Cette recherche utilisant le TDM demande aussi des infrastructures et des services dont la création et la production seraient des éléments stimulant de croissance.

Les enjeux économiques du TDM face au monde de l’édition

76Les enjeux économiques du TDM sont à mettre en parallèle avec les attentes du monde de l’édition. Le TDM transforme en effet la conception classique du droit d’auteur. Si les interrogations sont normales, il convient de mettre en avant les bénéfices de cette pratique par rapport au modèle actuel de l’édition.

  • 39 Projet de loi pour une République numérique NOR : EINI1524250L/Bleue ETUDE D’IMPACT 9 décembre 2015 (...)

77L’argument selon lequel l’activité de l’éditeur va purement et simplement disparaître a déjà été avancé par les éditeurs dans le cadre de l’analyse de l’article 17 du projet de loi pour une République numérique (article 30 de la Petite loi) organisant un droit d’accès aux publications scientifiques après le respect d’une période d’embargo. Cet argument n’a pas été retenu dans le cadre de l’Etude d’impact de cet article 17, publiée par l’Assemblée nationale le 9 décembre 201539.

78Cette affirmation n’a également pas été vérifiée au Royaume-Uni, pays qui a introduit une exception au droit d’auteur en faveur du text and data mining en 2014 ; ni aux Etats-Unis où la jurisprudence a également légalisé la pratique (Affaire Authors Guild v. Google - 14 novembre 2013).

79Par ailleurs, les remises en question qu’introduit le TDM pour les bénéfices du monde de l’édition ne semblent en effet pas dépasser l’ensemble des bénéfices que la société pourrait tirer d’une exploitation intensive des données. La Commission européenne s’accorde ainsi sur les bénéfices à long terme du TDM en insérant une exception en faveur du TDM dans le projet de directive relative au droit d’auteur dans le marché unique numérique.

Note

1 http://www.rithme.eu/?m=resources&p=dmdomains&lang=fr.

2 Rapport CSPLA page 8.

3 http://ec.europa.eu/internal_market/copyright/docs/studies/1403_study2_en.pdf.

4 http://ec.europa.eu/research/innovation-union/pdf/TDM-report_from_the_expert_group-042014.pdf.

5 Proposal for a Directive of the European Parliament and of the Council on copyright in the Digital Single Market, COM(2016) 593 final, 14-9-2016 http://ec.europa.eu/transparency/regdoc/rep/1/2016/EN/1-2016-593-EN-F1-1.PDF.

6 Communiqué de presse du 14 septembre 2016.

7 Introduction d’une exception TDM au droit d’auteur dans la loi anglaise sur le fondement de l’article l’article 5, 3 a) de la Directive 2001/29/CE du 22 mai 2001 sur l'harmonisation de certains aspects du droit d'auteur et des droits voisins dans la société de l'information (Directive DADVSI). L’analyse des textes de la directive dans leur version anglaise et française ont permis de s’apercevoir que l’étendue de l’exception posée n’est pas la même selon la langue utilisée.

8 Projet de Directive Art. 2 : “research organisation” : means a university, a research institute or any other organisation the primary goal of which is to conduct scientific research or to conduct scientific research and provide educational services:
(a) on a non-for-profit basis or by reinvesting all the profits in its scientific research; or
(b) pursuant to a public interest mission recognised by a Member State; in such a way that the access to the results generated by the scientific research cannot be enjoyed on a preferential basis by an undertaking exercising a decisive influence upon such organisation.

9 http://ec.europa.eu/research/index.cfm?pg=newsalert&year=2016&na=na-140916.

10 http://www.legislation.gov.uk/uksi/2014/1372/pdfs/uksi_20141372_en.pdf.

11 https://www.law.cornell.edu/uscode/text/42/2000ee-3.

12 https://copyright.gov/fair-use/summaries/authorsguild-hathitrust-2dcir2014.pdf.

13 https://www.authorsguild.org/wp-content/uploads/2015/10/CA2-Fair-Use-Ruling.pdf.

14 « Comment l’affaire Google Books se termine en victoire pour le Text Mining », 21 octobre 2015, https://scinfolex.com/2015/10/21/comment-laffaire-google-books-se-termine-en-victoire-pour-le-text-mining/.

15 http://www.cric.or.jp/english/clj/cl2.html.

16 Le tableau d’analyse croisée figure en annexe 1.

17 Schéma d’orientation stratégique de l’IST page 15 « les publications scientifiques : une augmentation continue et forte ».

18 Schéma d’orientation stratégique de l’IST page 15 « Données et publications : une course poursuite ».

19 Schéma d’orientation stratégique de l’IST page 16.

20 Voir les travaux du Centre de données astronomiques de Strasbourg : http://cdsweb.u-strasbg.fr/about.

21 Ces exemples sont tirés d’une note EPRIST (Responsables IST des organismes de recherche) sur le text and data mining « Le TDM comme outil innovant de recherche scientifique »
http://www.cnrs.fr/dist/z-outils/documents/EPRIST%20text%20et%20data%20miningV3.pdf.

22 https://www.researchgate.net/publication/221176095_GROBID_Combining_Automatic_Bibliographic_Data_Recognition_and_Term_Extraction_for_Scholarship_Publications.

23 http://www.image-zafar.com/Logiciel.html.

24 https://www.calliope-textmining.com/.

25 http://gargantext.org/.

26 http://www.rightsdirect.com/.

27 https://www.knime.org/.

28 https://rapidminer.com/.

29 Liste catégorisée de « Plateformes de partage d’information scientifique et technique » : http://www.cnrs.fr/dist/acces-ist.html.

30 http://www.cnrs.fr/dist/acces-ist.html.

31 http://www.jisc.ac.uk/reports/value-and-benefits-of-text-mining.

32 Toussaint Yannick, « Extraction de connaissances à partir de textes structurés », Document numérique, Vol.8, 3/2004, pp. 11-34.

33 Fidelia Ibekwe-Sanjuan, Fouille de textes : méthodes, outils et applications, Coll. Systèmes d’information et organisations documentaires, Hermès, 2007, 352 p.

34 https://www.jisc.ac.uk/guides/text-and-data-mining-copyright-exception.

35 http://www.ncbi.nlm.nih.gov/pubmed.

36 A CTD–Pfizer collaboration: manual curation of 88 000 scientific articles text mined for drug–disease and drug–phenotype interactions”, http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3842776/.

37 https://www.jisc.ac.uk/guides/text-and-data-mining-copyright-exception page 38.

38 JISC, p.38.

39 Projet de loi pour une République numérique NOR : EINI1524250L/Bleue ETUDE D’IMPACT 9 décembre 2015 : « Focus 1 : Impact économique sur l’édition scientifique institutionnelle en France.
L'impact de cette mesure sur les équilibres économiques de l'édition scientifique institutionnelle française, essentiellement constituée d’éditeurs de sciences humaines et sociales, doit être relativisé dans la mesure où la majorité de leur chiffre d’affaires est aujourd’hui constitué de subventions apportées par des établissements ou des laboratoires. Les revues ne représentent en outre, en moyenne, que 18 % de leur production éditoriale, et entre 40 % et 60 % du chiffre global des ventes associées ces revues est réalisé grâce aux publications de l'année, qui demeureront sous embargo au terme de la mesure proposée, garantissant que ces acteurs ne devraient être touchés que marginalement. »
http://www.assemblee-nationale.fr/14/projets/pl3318-ei.asp.

Acquista