Versione classicaVersione mobile

Big data et traçabilité numérique

 | 
Pierre-Michel Menger
, 
Simon Paye

II. Big data et configurations sociales en mouvement

La « science des données » à la conquête des mondes sociaux : ce que le « Big Data » doit aux épistémologies locales

Éric Dagiral e Sylvain Parasie

Testo integrale

  • 1 Nous remercions les coordinateurs de cet ouvrage ainsi que Dominique Cardon et Jean-Philippe Coint (...)
  • 2 Sauf mention contraire, les citations sont traduites en français par les auteurs du chapitre [NdE]

1Au milieu des années 1950, le pionnier de l’informatique Howard Aiken était loin de penser que l’ordinateur trouverait une place en dehors des centres de recherche1. « S’il s’avérait, écrivait-il, que la logique de base d’une machine conçue pour la résolution numérique des équations différentielles coïncidât avec la logique d’une machine conçue pour établir les factures d’un grand magasin, je considérerais ce fait comme la coïncidence la plus extraordinaire que j’aie jamais vue2 » (Ceruzzi, 1993). Soixante ans plus tard, non seulement l’informatique est utilisée dans la plupart des mondes sociaux, mais ce sont aussi désormais de plus en plus les façons de calculer issues des mondes informatiques et statistiques qui pénètrent les mondes sociaux les plus divers.

2Qu’il s’agisse du marketing, de la santé, des médias, du sport ou même de l’industrie automobile, les mondes sociaux les plus variés en viennent à mobiliser aujourd’hui des algorithmes et des modèles statistiques qui leur sont en apparence éloignés. Ces dernières années, le phénomène du « Big Data » a à la fois rendu visible et contribué à étendre la mobilisation, par les mondes sociaux les plus divers, de technologies informatiques et statistiques pour traiter d’immenses volumes de données souvent hétérogènes. La remarque de Howard Aiken reste pourtant d’actualité. Comment expliquer que des technologies de calcul élaborées par des statisticiens et des informaticiens en viennent à « coïncider » avec les préoccupations de médecins, de marketers, d’industriels, de journalistes et même d’entraîneurs sportifs ? Sur quels fondements pratiques et cognitifs une telle conquête s’établit-elle ?

3Face à une telle question, les promoteurs du Big Data soulignent d’abord que la plupart des organisations et des individus sont aujourd’hui confrontés à un ensemble de problèmes pratiques communs liés à la disponibilité de vastes ensembles de données souvent « sales », peu, voire non structurées, et provenant de sources hétérogènes. Mais plus profondément, expliquent-ils, les technologies actuelles permettraient surtout une rupture de nature épistémologique. Alors que chaque monde social est marqué par un ensemble de préjugés ou d’hypothèses jamais interrogées, les techniques du Big Data offriraient un retour à une forme de connaissance plus inductive (Anderson, 2008). Comme l’écrivent Mayer-Schönberger et Cukier,

[…] si le Big Data est susceptible d’offrir un nouveau regard et de nouvelles connaissances, c’est précisément parce qu’il n’est pas gêné par les conceptions traditionnelles ou les préjugés qui se cachent derrière les théories d’un domaine spécifique (Mayer-Schönberger et Cukier, 2013, p. 71).

4L’attrait pour les perspectives analytiques de type big data résiderait donc surtout dans la forme de connaissance plus inductive que celles-ci porteraient – laquelle rendrait possible la conception de produits ou de services valorisables économiquement.

5Les chercheurs en sciences sociales ont accueilli ces arguments avec un intérêt teinté d’un certain scepticisme. Le Big Data, ont-ils avancé, doit être étudié comme un phénomène technologique et culturel (Boyd et Crawford, 2012), mais cela fait bien longtemps que l’on fait face à des données massives et hétérogènes (Strasser,  2012 ; Grier, 2005). En outre, ils ont remis en cause l’argument selon lequel le Big Data marquerait une rupture épistémologique. Pointant la résurgence de discours emprunts d’une approche inductive naïve, ils ont rappelé que les données sont toujours des constructions à la fois sociales et politiques (Gitelman et al., 2013), et que des traditions scientifiques bien établies visaient déjà à accumuler un grand nombre d’éléments empiriques sans formuler d’hypothèses de départ (Strasser, 2012). Quoique pertinentes, ces critiques échouent pourtant à rendre compte de l’extension du phénomène. La question reste donc entière : la mobilisation de ces technologies de traitement de données dans une diversité de mondes sociaux s’explique-t-elle par la séduction d’un modèle de connaissance plus inductif ? L’extension des big data correspond-elle à une remise en cause des épistémologies spécifiques à chaque monde social et à ses segments professionnels (Strauss, 1992) ?

6Considéré depuis la sociologie des sciences et des techniques, l’argument selon lequel les technologies des big data seraient porteuses d’une remise en cause des épistémologies locales est plutôt contre-intuitif – si on entend par « épistémologies locales » des façons de connaître imbriquées dans des mondes sociaux (Knorr-Cetina, 1999). Plusieurs théories ont mis l’accent sur la plasticité des objets technologiques et scientifiques, laquelle rendrait possible une pluralité d’interprétations à l’intérieur des mondes sociaux qui s’en emparent (Star et Griesemer, 1989). Analysant la mise au point de la bombe nucléaire dans l’Amérique des années 1940, l’historien Peter Galison a ainsi montré de quelle manière les méthodes statistiques de Monte Carlo ont été au cœur de la collaboration entre des mondes scientifiques et industriels qui les interprétaient chacun d’une façon particulière (Galison, 1996).

  • 3 En 2013, l’APEC (Association pour l’emploi des cadres) a fait figurer le poste de « data scientist(...)

7Pour être en mesure de trancher cette question, il est impératif, croyons-nous, de déplacer notre regard. Mettons de côté le terme big data, auquel les professionnels n’ont souvent recours que pour chercher à convaincre des clients ou sensibiliser le public aux enjeux économiques, industriels et politiques du traitement de données. Concentrons-nous plutôt sur une expression qui est à la fois davantage utilisée par les praticiens et qui renvoie à des savoirs et à des technologies beaucoup plus situés : la « science des données » ou data science. Apparue au tout début des années 2000, cette expression désigne un ensemble de pratiques, de savoirs et de technologies situées au croisement des mondes de l’informatique et des statistiques. Elle s’applique aussi plus récemment à un métier – celui de data scientist – aujourd’hui reconnu par plusieurs institutions du marché du travail aux États-Unis comme en Europe3. Embauché par les entreprises du Web et les organisations les plus diverses, ce praticien est chargé de concevoir des data products, c’est-à-dire des services ou des produits élaborées à partir d’importants volumes de données souvent peu structurées.

8Une fois ce déplacement opéré, nous verrons qu’il est plus facile de décrire et d’expliquer l’extension de ces savoirs et technologies à des mondes sociaux variés. Là où, bien souvent, les chercheurs critiquent la prétention des big data à s’appliquer à des mondes sociaux très différents les uns des autres, nous verrons au contraire que leur capacité de diffusion procède bien plutôt de leur relative ouverture aux épistémologies propres aux différents mondes sociaux concernés.

9L’enquête s’appuie ici sur trois types de matériaux. En premier lieu, nous avons analysé la littérature académique dans le domaine des statistiques et de l’informatique depuis le début des années 1960. Nous avons ainsi pu reconstituer l’émergence progressive d’un domaine associé à la « science des données ». En deuxième lieu, nous avons étudié une partie des éléments logiciels constitués dans le cadre du projet open source R – qui constitue une référence majeure pour les praticiens des data sciences. Enfin, nous avons conduit une enquête par entretiens auprès d’une dizaine de data scientists nord-américains engagés dans les mondes du journalisme d’une part, du corps, de la santé et du bien-être d’autre part.

10Notre propos s’organise de la façon suivante. Dans une première partie, nous montrons que la « science des données » résulte de la revalorisation d’une tradition longtemps minoritaire dans le monde des statistiques. Cette revalorisation découle d’une fragilisation professionnelle des statisticiens face à l’essor des pratiques d’analyse de données rendues possibles par les développements de l’informatique depuis les années 1960. Dans une deuxième partie, nous analysons les principaux traits de la science des données depuis le début des années 2000 et leur diffusion au sein d’une pluralité de mondes sociaux. Enfin, nous consacrons la troisième partie à l’analyse de la réception de cette « science des données » et de sa mise à l’épreuve conjointe dans deux mondes particuliers – le monde du journalisme et celui du corps, de la santé et du bien-être.

1. Petite histoire de la « science des données »

11Ce qu’on appelle aujourd’hui la science des données désigne un certain assemblage de technologies et de savoirs situés au croisement des statistiques et de l’informatique. Cet assemblage trouve son origine dans l’Amérique des années 1960, au moment où le traitement de données connaît un essor dans les entreprises et les universités. Au sein du monde de la statistique universitaire américaine apparaît alors un mouvement d’ouverture des statistiques à l’informatique et aux préoccupations des mondes sociaux.

1.1. Un mouvement de statisticiens dans l’Amérique des années 1960

12John Tukey est la figure majeure d’un mouvement qui prend naissance au sein de la statistique américaine du début des années 1960. Ce mathématicien de formation officie à la fois à l’université de Princeton et dans les laboratoires de recherche de la compagnie AT&T – les Bell Labs –, où il développe des méthodes statistiques et promeut la conception d’outils statistiques informatisés. En 1962, il publie un long article programmatique intitulé « Le futur de l’analyse de données », dans lequel il explique que les statistiques doivent s’ouvrir bien au-delà de leur dimension strictement mathématique (Tukey, 1962).

13Son argumentation prend la forme suivante. Il enjoint d’abord à ses collègues statisticiens de s’intéresser à des problèmes pratiques émanant de professionnels d’horizons divers. Lui-même a participé à des projets d’analyse de données en prise directe avec des mondes précis : lors des élections présidentielles de 1960, il dirige une équipe qui prédit, pour le compte de la chaîne NBC, le résultat du vote à partir des premiers dépouillements (McGrayne, 2011, p. 163-175). Il incite ensuite les statisticiens à analyser des données produites par les professionnels des mondes concernés, qui sont donc souvent très incomplètes – comme dans le cas des données électorales. À ses yeux, cela implique que les statisticiens doivent s’intéresser de près à l’ordinateur, et non plus seulement aux mathématiques. Ils y trouveront, explique-t-il, à la fois de nouveaux outils d’analyse et de nouvelles façons de représenter visuellement des données.

14Mais Tukey met en avant un argument plus fondamental encore. En se convertissant à l’« analyse de données », les statisticiens modifieront leur propre rapport à la connaissance. Plutôt que de chercher à appliquer des modèles mathématiques en vue de la plus grande précision possible, le statisticien devra davantage s’interroger sur les « bonnes questions », quitte à en rabattre sur la précision mathématique :

15La maxime la plus importante à respecter pour l’analyse de données – et que de nombreux statisticiens ont dédaignée – est celle-ci : « Mieux vaut de loin une réponse approximative à la bonne question, laquelle est souvent vague, plutôt qu’une réponse exacte à la mauvaise question, laquelle peut toujours être précise. » (Tukey, 1962)

16Quelques années plus tard, Tukey fait la distinction entre deux paradigmes distincts de l’analyse de données (Tukey, 1977). D’une part, l’« analyse confirmatoire des données » (confirmatory data analysis) consiste, à partir d’une question bien définie, à mettre en place un protocole d’enquête et à collecter des données que l’on analyse ensuite pour en tirer une conclusion. À ses yeux, ces opérations sur les données peuvent être informatisées, c’est-à-dire en grande partie « routinisées ». D’autre part, l’« analyse exploratoire des données » (exploratory data analysis) vise plutôt à laisser ouverte la question sur laquelle portera la recherche et à manipuler un ensemble d’outils de représentation des données pour y déceler progressivement la question pertinente et les types d’analyses possibles. Si ces deux paradigmes sont à ses yeux complémentaires, il est urgent de développer l’analyse exploratoire des données :

Pour suggérer rapidement en quoi consiste l’analyse exploratoire des données, je dirais qu’il s’agit (1) d’une attitude, (2) d’une flexibilité et (3) de papiers millimétrés (ou de transparents, ou des deux à la fois). Aucun catalogue de techniques ne peut transmettre une disposition à chercher ce qui peut être observé, que cela ait été anticipé ou non. C’est pourtant là qu’est le cœur de l’analyse exploratoire de données. (Tukey, 1980, p. 24)

  • 4 Dès 1970, l’économiste français Edmond Malinvaud repère ce « mouvement pour l’analyse de données » (...)

17Dès les années 1960, un mouvement apparaît alors au sein du monde des statistiques américaines en faveur de l’analyse de données4. Celui-ci défend l’importance de l’exploration aux différentes étapes d’une analyse faite d’essais, d’allers et retours, recourant aux visualisations pour chercher à identifier des relations entre des données, puis à s’interroger sur les significations de ces relations et, éventuellement, à recommencer l’analyse à partir de nouveaux éclairages. Ce mouvement correspond également à l’ouverture des statisticiens à des considérations issues du monde des entreprises et d’une diversité de mondes sociaux.

1.2. L’informatique, vecteur de diffusion de l’analyse de données

18En pratique, c’est la diffusion de logiciels statistiques qui étend le traitement de données en dehors du monde de la statistique universitaire. À partir de la fin des années 1960 apparaît en effet une offre commerciale qui s’adresse à des personnes qui ne maîtrisent pas nécessairement le contenu mathématique des modèles statistiques. Il s’agit d’abord de chercheurs non statisticiens, puis de membres des administrations et des entreprises. À tel point que le terme même de statisticien se met à désigner des personnes qui exercent des activités dans des domaines professionnels très différents (comptabilité, assurance, banque, etc.).

19Conçus pour des ordinateurs mainframe (ordinateurs de grande puissance de calcul), les trois premiers logiciels s’adressent au départ à des usagers différents. Le premier s’appelle BMDP (BioMeDical Package) et il est développé à l’université de Los Angeles au sein d’un centre de recherche biomédicale. Il est destiné aux chercheurs travaillant sur la santé. Le deuxième logiciel statistique cible les chercheurs en sciences sociales : il se nomme SPSS (Statistical Package for the Social Sciences) et apparaît en 1968 à l’université de Chicago. Appelé SAS (Statistical Analysis System), le troisième logiciel est produit la même année à l’université de Caroline du Nord, et s’adresse spécifiquement aux entreprises. Le statisticien Jan De Leeuw explique que cette première génération de logiciels reposait sur un répertoire commun de techniques statistiques :

Les spécialistes de la recherche en santé, les chercheurs en sciences sociales et les clients dans les entreprises, tout le monde avait besoin d’un répertoire standard de techniques statistiques, auquel s’ajoutaient des méthodes spécialisées qui étaient importantes dans chaque domaine. Donc, les paquets logiciels se différenciaient, même si les éléments de base étaient grosso modo les mêmes. (De Leeuw, 2011, p. 9)

20Au cours des années 1980, le traitement de données connaît un essor important dans une diversité de mondes sociaux : d’une part, parce que les firmes qui commercialisent ces logiciels statistiques élargissent leur clientèle en tirant partie de la diffusion de l’ordinateur personnel ; d’autre part, parce que l’informatisation des grands organismes au cours de la décennie s’accompagne d’une intensification de la production de données numériques, susceptibles de faire l’objet à leur tour d’analyses menées à l’aide de tels logiciels.

  • 5 Alors que l’usage des statistiques dans les institutions publiques a fait l’objet de travaux histo (...)

21L’analyse de données réalisée au sein des organismes au moyen de ces logiciels prend alors des formes différentes5. Les modèles de régression connaissent ainsi une extension importante. Mais certains logiciels offrent aussi des fonctionnalités graphiques qui rendent possible une certaine exploration des données que John Tukey avait appelée de ses vœux vingt ans plus tôt. Un autre rapport aux données, moins directement centré sur l’identification de facteurs explicatifs, devient également possible.

  • 6 À tel point que les logiciels SAS et SPSS, qui étaient dominants dans les entreprises, ont été con (...)
  • 7 Cf. D. Smith (2013), « R users: Be counted in Rexer’s 2013 Data Miner Survey », Revolution Analyti (...)

22En marge des firmes qui commercialisent SPSS et SAS auprès d’un nombre croissant d’organisations, des logiciels plus confidentiels apparaissent aux États-Unis à partir de la fin des années 1980. Conçus par des chercheurs des Bell Labs, ceux-ci visent à permettre l’analyse exploratoire de données imaginée par John Tukey. C’est notamment le cas du langage de programmation statistique appelé « S », qui est alors seulement utilisé dans une partie du monde académique américain. À la fin des années 1990, ce langage devient « R » et connaît un succès très important (De Leeuw, 2011). Il s’impose dans le monde académique nord-américain, avant de s’étendre à l’enseignement des statistiques et à bien d’autres mondes sociaux6. Une enquête réalisée en 2011 par une société privée auprès d’un millier d’analystes indiquait que R était le logiciel le plus utilisé dans le monde académique, les entreprises, l’administration et les ONG7.

23Depuis les années 1960, la diffusion de l’informatique et des logiciels statistiques a ainsi participé à l’avènement progressif de « l’analyse de données » telle que la défendait John Tukey. Une variété toujours plus grande de mondes sociaux s’est mise à mobiliser les statistiques pour traiter, et même explorer, des données souvent hétérogènes.

1.3. La « science des données », une solution à la crise des statistiques

24L’expression « science des données » apparaît au tout début des années 2000 comme une manière, pour les statisticiens universitaires, de combattre ce qu’ils identifient alors comme une crise de leur domaine. Nombreux sont en effet ceux qui dressent un constat sévère de la situation des statistiques au tournant des années 2000 (Chambers, 1999). D’abord, la profession est désormais concurrencée par de nouvelles spécialités scientifiques :

Nous ne sommes plus les seuls sur le marché. Jusqu’à récemment, pour quelqu’un qui était intéressé par l’analyse de données, les statistiques étaient l’un des très rares domaines adéquats dans lequel il était possible de travailler. Ce n’est plus le cas. Il y a aujourd’hui plusieurs autres sciences passionnantes qui sont orientées vers les données, et qui sont en concurrence avec nous pour attirer des clients, des étudiants, des boulots et même nos propres statisticiens. (Friedman, 2001)

25Quelles sont ces « autres sciences passionnantes » qui viennent ainsi priver les statisticiens professionnels de leurs forces vives ? Ceux-ci ont alors surtout à l’esprit le data mining, un domaine interdisciplinaire issu de l’informatique qui se consacre à l’analyse de vastes corpus de données. S’il est alors jugé particulièrement dangereux pour les statistiques, c’est que ce domaine vise d’emblée un grand nombre d’entreprises, en tirant profit des volumes considérables de données que celles-ci collectent auprès de leurs clients. Or les statistiques ne jouent qu’un rôle marginal dans ce domaine en plein essor :

La communauté du data mining devra peut-être modérer son amour du « big » : les méthodes d’échantillonnage, qui ont une longue tradition en statistiques, peuvent être utilisées avec profit de façon à améliorer la précision et à réduire les besoins en capacité de calcul. (Friedman, 1997)

26Plus généralement, ces statisticiens s’inquiètent de voir toutes les activités associées à l’analyse de données être directement contrôlées par les informaticiens et les firmes informatiques. Collecter les données, gérer les bases de données, traiter les données et les visualiser : toutes ces opérations sont désormais prises en charge par des acteurs qui sont presque totalement étrangers au monde des statistiques. Si bien que les statistiques universitaires ont beaucoup perdu en influence sur le développement de l’analyse de données :

Aujourd’hui, la conception des systèmes est presque entièrement dans les mains des firmes qui développent des systèmes commerciaux pour l’analyse de données. Ce que les analystes de données utilisent en pratique est déterminé par ces firmes. Celles-ci travaillent dur pour produire les meilleurs systèmes possibles, mais l’innovation doit être limitée par leur besoin de rester bénéficiaires. Sans l’impulsion de la recherche consacrée à l’innovation, le progrès dans le traitement de données a été plus lent, et la créativité qui existe à l’intérieur des universités n’a eu pratiquement aucune influence. (Cleveland, 2001)

27C’est pour surmonter cette crise professionnelle que plusieurs statisticiens américains jugent urgent d’en revenir aux propositions que formulait John Tukey dans les années 1960. William S. Cleveland – un autre chercheur statisticien des Bell Labs – joue un ici un rôle majeur en revalorisant le mouvement pour l’analyse de données au tout début des années 2000. Il propose l’expression « science des données » (data sciences) pour qualifier un domaine des statistiques qui serait à la fois plus étendu et redéfini (Cleveland, 2001).

28Cette « science des données » est définie par plusieurs traits. Elle incite d’abord les statisticiens à s’engager dans des projets d’analyse de données en lien avec des chercheurs d’autres disciplines ou même d’entreprises. Plutôt que de définir les statistiques comme un ensemble d’outils, cette « science » vise à traiter des « problèmes » auxquels sont confrontés un grand nombre d’organisations et de mondes sociaux. Mais surtout, il s’agit de « faire la paix avec l’informatique », en faisant en sorte que les statisticiens s’engagent autant dans le développement d’outils informatiques que dans les modèles mathématiques. Le point majeur est alors, explique Cleveland, de fusionner les connaissances provenant des statistiques et celles issues de l’informatique :

Les informaticiens n’ont qu’une connaissance limitée de la manière de penser l’analyse des données, tout comme les statisticiens n’ont qu’une connaissance limitée des environnements informatiques. Fusionner les bases de ces connaissances produirait une force puissante pour l’innovation. […] Cela veut dire que les départements de « science des données » devraient comporter des chercheurs qui consacrent leur carrière à faire avancer le traitement informatique de données et qui nouent des partenariats avec des informaticiens. (Cleveland, 2001)

29Ainsi conçue, la « science des données » enjoint aux statisticiens de ne plus se définir professionnellement à partir des seules mathématiques, mais de s’intéresser tout autant à la conception d’outils informatiques et à la résolution de problèmes intéressant un grand nombre d’organisations situées en dehors des départements de statistiques. D’une nature profondément pluridisciplinaire, cette « science » se présente donc comme un assemblage de technologies et de savoirs situés au croisement des statistiques et de l’informatique.

30Au tournant des années 2000, la « science des données » s’apparente donc à une proposition, formulée par des statisticiens américains, visant à résoudre la crise vécue par la profession. Elle se réclame alors explicitement du mouvement pour l’analyse de données, qui était apparu dans les années 1960. Cette « science des données » présente trois traits majeurs : (1) une étroite articulation entre des préoccupations scientifiques et industrielles ; (2) un intérêt pour des jeux de données volumineux et hétérogènes ; (3) une posture davantage centrée sur l’exploration des données que sur la confirmation de modèles statistiques.

2. Une « science » ouverte aux épistémologies des mondes sociaux

31Depuis quelques années, un nombre croissant d’acteurs se revendique de cette « science des données », dont nous venons de voir qu’elle s’inscrit dans des dynamiques longues propres aux mondes statistiques et informatiques. Nous verrons à présent ce que cette extension doit à une ouverture assez large de cette « science » aux épistémologies des mondes sociaux auxquels elle s’adresse.

2.1. Quels sont les mondes sociaux concernés ?

32Afin d’identifier quels sont les mondes sociaux aujourd’hui affectés par cet assemblage de technologies et de savoirs, nous avons procédé à une analyse du logiciel R. Créé à la fin des années 1990, R se présente à la fois comme un langage de programmation statistique et un logiciel de traitement de données. S’inscrivant dans la continuité du projet S conçu par les chercheurs des Bell Labs, R procède du mouvement pour l’analyse de données (De Leeuw, 2011). R a rapidement connu un succès considérable : d’abord utilisé par les statisticiens et les spécialistes de l’analyse informatique de données, il a ensuite très largement investi les mondes de l’enseignement des statistiques, de la recherche et de l’entreprise.

33Projet open source, R évolue ainsi constamment à mesure que des contributeurs déposent de nouvelles briques logicielles – appelées packages – destinées à permettre des traitements plus ou moins spécifiques. Au mois d’octobre 2014, le projet compte 5873 packages, chacun d’entre eux étant désigné par un acronyme, associé à un responsable et accompagné d’un petit texte de présentation :

Backtest
Le package « Backtest » fournit des instruments pour explorer des hypothèses de portefeuilles concernant des instruments financiers (actions, obligations, échanges de créances, options financières, etc.)8.

  • 9 Notre analyse comporte deux limites. La première est que rien n’empêche un package ne s’adressant (...)

34Nous avons lu l’ensemble des textes associés aux packages, en codant manuellement la référence éventuelle à des mondes sociaux situés en dehors des mondes statistiques et informatiques. Nous avons considéré que les mondes sociaux ciblés étaient un bon indicateur de la diffusion de cette « science des données » entendu comme assemblage de savoirs et de technologies9.

35Il en ressort qu’un quart des packages font explicitement référence à des mondes sociaux extérieurs aux statistiques et à l’informatique entendues comme domaines spécialisés. Comme l’indique le tableau 1 ci-dessous, ce sont des mondes sociaux très différents que ciblent explicitement ces briques logicielles.

Tableau 1. Les mondes sociaux de R.

Mondes sociaux Nombre de packages Pourcentage des packages
Génétique 379 26,5 %
Médecine, santé, épidémiologie, pharmacologie, toxicologie 163 11,4 %
Biologie 145 10,1 %
Écologie, biodiversité, éthologie, populations animales & végétales 119 8,3 %
Finance, assurance, analyse des risques 93 6,5 %
Sciences sociales, économie, démographie 80 5,6 %
Environnement, géologie, hydrologie, pédologie, océanographie 73 5,1 %
Sciences physiques, astronomies 51 3,6 %
Climat, météo, énergie et atmosphère 50 3,5 %
Psychologie, sciences cognitives, neurosciences 38 2,7 %
Services web 37 2,6 %
Chimie, biochimie 34 2,4 %
Géographie 24 1,7 %
Administrations & institutions statistiques 20 1,4 %
Marketing, benchmark, management 19 1,3 %
Sports, jeux et culture 17 1,2 %
Analyse du langage 16 1,1 %
Politique et politiques publiques 14 1,0 %
Sciences médico-légales, police, cryptographie 11 0,8 %
Agriculture, alimentation 10 0,7 %
Éducation & emploi 8 0,6 %
Médias & journalisme 8 0,6 %
Scientométrie, publications académiques 9 0,6 %
Aviation 4 0,3 %
Autres 9 0,6 %
Total 1 431 100 %

36Plusieurs éléments apparaissent ici. Premièrement, on perçoit la très grande diversité des mondes sociaux auxquels s’adresse cet assemblage de savoirs et de technologies. De la santé à l’environnement, de la finance à la politique en passant par le marketing et le sport, rares sont les mondes qui ne sont pas mentionnés dans R. L’univers du religieux serait peut-être le seul à n’être pas explicitement visé. Deuxièmement, on remarque la très forte représentation des mondes scientifiques, certains d’entre eux occupant une place majeure – la génétique, la médecine et la biologie représentent à elles seules près de la moitié de l’ensemble des packages faisant explicitement référence à un monde social. La forte visibilité de la génétique s’explique par le fait que la recherche dans ce domaine consiste, depuis deux décennies, presque exclusivement à traiter des volumes considérables de données issues des procédés de séquençage (Keating et Cambrosio, 2012). D’autres domaines scientifiques accordent depuis plusieurs décennies une grande importance au traitement de données et à la modélisation – c’est le cas du climat, de l’économie ou de la physique (Armatte et Dahan, 2004) – si bien qu’il n’est pas surprenant de les trouver si bien représentés ici. Troisièmement, on constate une forte intrication des perspectives scientifiques et industrielles. Ceci est particulièrement visible dans le domaine des médicaments ou de l’analyse des risques, dans lesquels les sciences concernées sont étroitement associées à des finalités industrielles. Enfin, certains domaines sont plus éloignés de la recherche scientifique – le sport, la culture, les médias ou le journalisme – et on peut penser qu’il s’agit là de mondes plus récemment investis par l’analyse de données.

  • 10 L’analyse des descriptifs de chaque package ne permet pas de mesurer avec précision quels sont les (...)
  • 11 Nous nous appuyons ici sur la liste des 100 packages les plus téléchargés début 2013 (http://www.r (...)

37Le logiciel R constitue aujourd’hui l’une des infrastructures qui sous-tendent l’extension de la « science des données » à une grande diversité de mondes sociaux. Mais les algorithmes et les modèles statistiques qui constituent ces packages sont d’une grande hétérogénéité10. Parmi ceux qui sont les plus téléchargés11, on trouve une diversité de modèles – régression, séries temporelles, analyse de réseaux, etc. –, de nombreux algorithmes de visualisation ainsi que des outils permettant d’interfacer R avec de nombreux logiciels d’analyse statistique et de gestion de bases de données.

2.2. L’importance des épistémologies locales

38Lorsqu’on quitte le terrain des enjeux des big data, et que l’on se plonge dans les conseils pratiques qui accompagnent la formation des « scientifiques des données » (data scientists), on ne peut que constater la place importante accordée aux épistémologies locales. Ce phénomène s’inscrit dans la continuité de l’histoire du mouvement pour l’analyse de données, qui incitait le statisticien à s’intéresser aux problèmes rencontrés par les organisations situées en dehors des départements de statistiques.

39Nous avons examiné plusieurs manuels du domaine. L’un d’entre eux s’intitule Doing Data Science et a été publié en 2013 par les éditions O’Reilly – qui s’adressent traditionnellement aux mondes de l’informatique et du Web. Ce manuel a été rédigé par deux statisticiennes qui ont travaillé dans le privé à l’issue de leur thèse (O’Neil et Schutt, 2013). Il s’appuie sur leur expérience d’enseignantes à l’université de Columbia. Leur cours s’adresse à des étudiants d’horizons divers – statisticiens, informaticiens, chercheurs en biomédecine, marketers, journalistes, etc. – intéressés par la perspective de « trouver des façons de résoudre des problèmes importants, qui ont souvent une valeur sociale, avec des données » (O’Neil et Schutt, 2013, p. 15).

40D’emblée, l’ouvrage s’inscrit implicitement dans la filiation du mouvement pour l’analyse de données. Faire de la science de données, expliquent les auteures, consiste à s’intéresser à des jeux de données volumineux et hétérogènes (chiffres, données de capteurs, textes, données temporelles, etc.) et à concilier un intérêt pour les modèles statistiques avec un goût pour les dispositifs informatiques. Mais surtout, affirment-elles, il est indispensable de se fonder sur un ensemble de connaissances propres au monde social concerné. C’est ce que traduit le diagramme de Drew Conway qu’elles mettent en avant comme une représentation de ce qu’est la science des données :

Figure 1. Diagramme de Venn de la science des données selon Drew Conway.

Figure 1. Diagramme de Venn de la science des données selon Drew Conway.

Source : Conway, 2013, adapté en français par les auteurs.

41Ce diagramme enjoint de prendre appui à la fois sur les savoirs statistiques, les compétences informatiques et l’expertise propre à un domaine précis. Autrement dit, il n’est pas question de mobiliser des outils informatiques associés à des modèles statistiques sans égard pour les savoirs propres au monde social auquel le data scientist s’intéresse.

42Mais l’ouverture aux épistémologies locales ne doit pas se limiter pas à une seule incantation. Elle imprègne au contraire l’ensemble des étapes du « processus de la science des données » qui sont décrites dans le manuel, et synthétisées dans le graphique ci-dessous.

Figure 2. Le processus de la science des données.

Figure 2. Le processus de la science des données.

Source : O’Neil et Schutt, 2013, p. 41, adapté en français par les auteurs.

43L’« analyse exploratoire des données » est ici présentée comme une étape centrale du processus. Explicitement inscrite dans l’héritage de John Tukey, cette opération organise les interactions entre le data scientist et les spécialistes du monde considéré (ingénieurs, responsables, etc.). Elle assure l’ouverture du processus aux épistémologies locales, c’est-à-dire une sensibilité à la fois aux questions et aux problèmes qui sont jugés importants par les acteurs des mondes sociaux considérés.

44En pratique, les auteures expliquent que l’analyse exploratoire doit intervenir une fois les premiers jeux de données constitués. À cette étape, le data scientist n’a aucun modèle statistique à l’esprit, ni ne sait précisément à quelle question ou problème il va se consacrer. Il se met d’abord à parcourir les données de façon systématique – au moyen de distributions et de graphiques – de façon à se familiariser avec ces données. Identifiant les données manquantes et le degré de « propreté » des données, il comprend alors de quelle façon les données ont été construites et de quelle manière le dispositif de collecte doit éventuellement être modifié. Mais surtout, cette première exploration permet au data scientist d’échanger, via des représentations graphiques, avec des acteurs qui n’ont pas l’habitude d’analyser des données. C’est au terme de cette exploration et de ces interactions que le data scientist identifie progressivement à la fois le problème à résoudre, le produit susceptible d’être conçu, et les algorithmes et modèles statistiques qu’il faut concevoir ou ajuster.

  • 12 Contrairement à ce que pourrait laisser penser le schéma, les auteures précisent que la collecte d (...)

45Nous sommes ici bien éloignés des discours qui accompagnent souvent le « Big Data ». Non seulement ces spécialistes reconnaissent le caractère construit des données12 et les choix qui sous-tendent la sélection des modèles, mais ils aussi mettent en avant la nécessité d’intégrer les épistémologies locales dans la mise en œuvre de cette « science des données ». C’est cette plasticité qui explique en grande partie, croyons-nous, la faculté de cette science à se diffuser dans les mondes sociaux les plus divers.

3. La science des données à l’épreuve des mondes sociaux

46Si la plasticité épistémologique de cette « science des données » est une condition importante de sa diffusion, c’est que la plupart des mondes sociaux ne lui réservent pas d’emblée un accueil bienveillant. Ces mondes sociaux soumettent en effet cette « science » à un ensemble d’épreuves (Lemieux, 2007). C’est ce que nous allons maintenant examiner dans le cas de deux mondes sociaux dans lesquels nous enquêtons depuis plusieurs années : le monde du journalisme et celui de la santé. Comme nous l’avons vu précédemment, ces deux mondes sont dans une position opposée par rapport à la science des données (cf. tableau 1). Alors que le monde de la santé y occupe une place de choix depuis de nombreuses années, celui du journalisme ne s’y est ouvert que plus récemment.

3.1. Le « journalisme de données » est-il un journalisme ?

47Dans le monde journalistique américain, il existe une tradition bien établie qui valorise la mobilisation, par les reporters eux-mêmes, des statistiques et des logiciels d’analyse de données. Dès la fin des années 1960, des reporters ont collaboré avec des chercheurs en sciences sociales et entrepris d’analyser eux-mêmes des données dans le cadre de leurs investigations. Le courant du computer-assisted reporting a ensuite participé à la définition de normes précisant les usages légitimes de l’analyse de données du point de vue de l’intérieur du monde journalistique américain (Parasie et Dagiral, 2013).

48Dans la seconde moitié des années 2000, les usages journalistiques du traitement de données ont connu un essor important, bien au-delà du territoire américain. Des individus issus des mondes informatiques et statistiques (développeurs web, activistes open data, analystes de données) ont été employés par des organisations de presse ou ont fondé leurs propres start-up à prétention journalistique. Les réalisations journalistiques ont pris des formes très diverses – visualisations, applications, bases de données en ligne, articles textuels, etc. – et se sont appuyées sur des algorithmes très variés – traitement du langage, visualisation, machine learning, etc.

49Des échanges plus ou moins vifs ont eu lieu à l’intérieur des rédactions dans lesquelles ces individus sont intervenus. Fondamentalement, les journalistes se posent la question suivante : à quelles conditions la mobilisation des algorithmes et des bases de données permet-elle de produire une information qui soit valide d’un point de vue journalistique ? Nous avons pu analyser, dans nos recherches, les tensions épistémologiques qui sont aujourd’hui à l’œuvre à l’intérieur comme à l’extérieur de certaines rédactions américaines (cf. Parasie, 2013 et 2014). Ce sont souvent les journalistes formés au sein du courant du computer-assisted reporting qui interrogent la valeur journalistique de ces nouveaux produits proposés au public.

50Cette mise à l’épreuve a notamment concerné deux points majeurs. Le premier a trait à la qualité des données traitées dans le cadre de ces projets. Un grand nombre de journalistes rompus à l’investigation ont mis en avant la nécessité de vérifier les données, et de satisfaire ainsi une norme majeure de leur univers professionnel. En 2009, des journalistes du Los Angeles Times ont ainsi accusé les responsables du site EveryBlock.com – un site d’information locale traitant un grand nombre de données provenant notamment de la police – de diffuser de fausses informations concernant la criminalité dans un quartier de la métropole californienne. Mais, dès lors que les bases de données exploitées sont d’une taille importante, la vérification systématique des données peut rapidement se révéler impossible à effectuer. Nous avons pu observer que des négociations avaient eu lieu dans les rédactions, et que plusieurs compromis avaient pu être trouvés localement. Les journalistes peuvent ainsi décider de procéder à la vérification systématique d’un échantillon des données ; ils peuvent aussi mettre en garde leurs lecteurs contre une possible imprécision des données ; ils peuvent encore concevoir des algorithmes qui intègrent le risque d’erreur associé à la précision des données (Parasie, 2014).

51Le second point concerne l’importance qu’accorde le « journaliste de données » à l’expertise des acteurs qui connaissent le sujet dont il est question. Plusieurs journalistes ont ainsi critiqué les projets d’analyse de données qui abordent un problème sans tenir compte des acteurs sociaux ou des chercheurs qui le connaissent intimement. Nate Silver, qui a animé le blog Fivethirtyeight du New York Times – consacré à l’analyse de données électorales notamment – a ainsi été pris à parti à l’intérieur du monde journalistique :

Vous ne pouvez pas extraire le sens des données à partir d’un modèle unique. Peu importe que vous soyez très fort pour analyser des choses avec le langage statistique R, vous aurez des problèmes si vous n’avez pas une compréhension profonde de l’origine des données, de la façon dont elles ont été collectées, filtrées et traitées, de leurs forces et de leurs faiblesses. […] Il s’agit aussi d’enquêter en collaboration avec des chercheurs, qui sont les seuls à vraiment connaître les données. Les médias qui pratiquent le journalisme de données et d’investigation le plus solide aujourd’hui, comme ProPublica, travaillent ainsi régulièrement. Leurs journalistes sont très conscients des limites de leur savoir. (Cairo, 2014)

52Si l’on s’en tient au cas américain, on mesure donc à quel point le monde journalistique est vigilant quant à la valeur journalistique des nouveaux produits ainsi offerts au public.

3.2. Limiter l’analyse des données à l’échelle d’un l’individu ? Le quantified self

53L’émergence du mouvement du quantified self (« quantification de soi », abrégé en QS) et des pratiques qui lui sont associées constitue un second exemple récent et original des tensions qui se font jour dans les manières d’analyser des données numériques. Celles-ci sont en l’occurrence produites par des capteurs et des dispositifs variés souvent portés à même le corps (bracelets, téléphones mobiles, etc.). Les données que ces capteurs et leurs algorithmes génèrent visent par exemple à comptabiliser un nombre de pas effectués, à proposer une représentation graphique des cycles du sommeil d’un individu, ou encore à mesurer les variations de son rythme cardiaque, pour n’en retenir que quelques-unes. Les data products vendus par les entreprises qui commercialisent ces objets (ou encore par des services web intermédiaires spécialisés) fournissent ainsi à leurs utilisateurs un mélange de chiffres, de visualisations et de tableaux de données permettant la comparaison et le suivi dans le temps. Selon les cas, ils rendent ou non possibles l’extraction des données enregistrées et à partir de là un travail de ré-analyse de ces données hors du cadre du service originel. Pour ces entreprises, l’analyse de données est donc centrale à plusieurs titres : le service fourni au client est in fine constitué par la présentation des données et leurs formes d’analyse ; et la pertinence même du dispositif et du service est sous-tendue par les modèles de données utilisés, eux-mêmes alimentés par les données fournies par les usagers équipés.

  • 13 Parmi les entretiens réalisés à San Francisco en septembre 2012 auprès de plusieurs start-up du do (...)

54En questionnant les frontières entre les catégories de santé, de bien-être et d’activité physique ou cognitive, le QS s’appuie donc largement sur la science des données13 et ses outils autant qu’il interroge les pratiques de mesure et d’analyse statistique en vigueur au sein des sciences de la vie et de la santé. Si l’analyse des données de population, et, plus largement, le domaine de l’épidémiologie, manifeste un intérêt certain pour les objets connectés, les controverses sont vives quant aux pratiques d’analyses statistiques effectivement accomplies au sein de ces mouvements. Celles-ci sont en effet très discutées et souvent critiquées, à la fois du point de vue de la qualité des mesures réalisées, des protocoles d’analyse statistiques mis en œuvre et des finalités éthiques relatives aux résultats et aux services produits (Neff, 2013 ; Barret et al., 2013). En son sein, pourtant, ce mouvement compte nombre de chercheurs et d’acteurs du domaine de la santé publique, mais aussi de patients intéressés par les perspectives offertes par ces technologies.

55Les premières enquêtes de sciences sociales dont nous disposons sur les acteurs et premiers usagers des dispositifs de quantification de soi proposent des descriptions très contrastées des pratiques d’analyse de données observées. Des auteurs soulignent combien les données fournies, telles quelles, peuvent ne pas faire sens, et ne font que très exceptionnellement l’objet d’une analyse originale par les usagers eux-mêmes (Pharabod et al., 2013) ; ou que, lorsqu’elles sont analysées par les usagers, elles requièrent un engagement et un travail conséquent (Ruckenstein, 2014). S’intéressant pour leur part à des passionnés des meetups dédiés à ces expérimentations, d’autres enquêtes pointent les tensions entre l’analyse des mesures individuelles et l’analyse des données à des échelles collectives : puisque, lors des présentations individuelles, « n = 1 » prévaut (quitte à analyser des volumes considérables de données pour cet individu), il est possible d’y voir une « pratique alternative du Big Data » :

Le Big Data n’a pas à voir qu’avec les grandes institutions ; c’est aussi une question de subjectivités. (Nafus et Sherman, 2014, p. 1786)

  • 14 Nous avons ainsi pu observer, lors du second congrès européen du QS organisé à Amsterdam en mai 20 (...)

56Cette tension essentielle constitue donc une épreuve d’échelle. D’un côté, l’analyse de données est fondamentalement ajustée à l’individu (une autre désignation du travail d’analyse de ces données, à savoir « personal analytics », insiste d’ailleurs sur leur dimension personnelle autant que sur l’ubiquité de leur nature) ; de l’autre, les données personnelles produites représentent une perspective de connaissance prometteuse à des échelles collectives, dont l’épidémiologie est plus familière. Pour autant, de nombreux promoteurs du QS opposent une fin de non-recevoir à tout ou partie des chercheurs intéressés par les opportunités de ré-analyse des données collectées par ces premiers utilisateurs14 – bien que, dans le même temps, de nombreux praticiens mettent en ligne sans restriction aucune l’ensemble des données les concernant, pour l’usage des communautés d’intérêt qui leur sont proches (Dagiral, 2014).

Conclusion

57Au terme de ce chapitre, nous espérons avoir convaincu le lecteur de l’intérêt sociologique qu’il y a à aller au-delà de la seule discussion sur le Big Data et ses enjeux. En faisant porter l’analyse sur des pratiques, des savoirs, des individus et des technologies situées – ce à quoi la notion de « science des données » permet plus sûrement d’accéder –, on se donne les moyens de décrire et d’expliquer l’extension de l’analyse de données à une grande diversité de mondes sociaux. Les travaux d’Alain Desrosières invitaient déjà à une telle perspective, en mettant en lumière le rôle majeur des dynamiques internes aux mondes statistiques (Desrosières, 2008 ; 2014).

58Cette perspective permet de mieux comprendre sur quoi repose la diffusion des pratiques d’analyse de données dans une diversité de mondes sociaux. Contrairement à ce que mettent en avant les promoteurs du Big Data, cette diffusion ne s’explique pas par la transformation profonde des formes de connaissance qui ont cours dans chacun de ces mondes sociaux. Nous avons plutôt vu à quel point cette science des données fait la part belle aux façons de connaître qui dominent les mondes sociaux. C’est même précisément la plasticité de cet assemblage de savoirs, de pratiques et de technologies, et son ouverture aux façons de connaître locales, qui expliquent cette diffusion.

59L’approche que nous avons esquissée ici ouvre plusieurs chantiers. Le premier est historique. Parce que la plupart des travaux historiques ont privilégié l’étude des activités statistiques au sein des institutions publiques, on sait peu de choses sur la manière dont l’analyse de données a été prise en charge dans le monde de l’entreprise ces dernières décennies. Le deuxième chantier concerne le rôle des logiciels d’analyse statistique – dont l’histoire demeure elle aussi méconnue – et des infrastructures dans la diffusion de cette science des données. Nous avons pointé ici le rôle du langage R, mais d’autres travaux seraient nécessaires pour saisir de quelle manière ce dispositif alimente l’essor de l’analyse de données. Enfin, le dernier chantier concerne les épreuves auxquelles est soumise cette science des données dans un grand nombre de mondes sociaux. Il est particulièrement crucial de saisir de quelle manière ces savoirs et ces technologies d’analyse de données sont contestés, traduits et transformés.

Bibliografia

Anderson C. (2008), « The end of theory: The data deluge makes the scientific method obsolete », Wired, 28 juin 2008, https://www.wired.com/2008/06/pb-theory/ (consulté le 8 mars 2017).

Armatte M. et Dahan Dalmedico A. (2004), « Modèles et modélisations, 1950-2000 : nouvelles pratiques, nouveaux enjeux », Revue d’histoire des sciences, vol. 57, no 2, p. 243-303.

Barrett M.A. Humblet O., Hiatt R. et Adler N.E. (2013), « Big data and disease prevention: From quantified self to quantified self communities », Big Data, vol. 1, no 3, p. 168-175.

Boyd D. et Crawford K. (2012), « Critical questions for big data », Information, Communication & Society, vol. 15, no 5, p. 662-679.

Cairo A. (2014), « Data journalism needs to up its own standards », niemanlab.org, http://www.niemanlab.org/2014/07/alberto-cairo-data-journalism-needs-to-up-its-own-standards/ (publié le 9 juillet 2014, consulté en novembre 2014).

Ceruzzi P. (1993), « Une révolution inattendue. Les premiers pas de l’informatique (1935-1985) », Culture technique, no 28, p. 164-177.

Chambers J. (1999), « Computing with Data: Concepts and Challenges », The American Statistician, vol. 53, no 1, p. 73-84.

Cleveland W.S. (2001), « Data science: An action plan for expanding the technical areas of the field of statistics », International Statistical Review, vol. 69, no 1, p. 21-26.

Conway D. (2013), « The data science Venn diagram », http://drewconway.com/zia/2013/3/26/the-data-science-venn-diagram (publié en ligne le 26 mars 2013, consulté en novembre 2014).

Dagiral E. (2014), « Step-by-step self-learning? The quantification and interpretation of walking activities », communication au congrès de l’International Sociological Association, Yokohama, 16 juillet 2014.

De Leeuw J. (2011), « Statistical software: An overview », in Lovric M. (dir.), International Encyclopedia of Statistical Science, Springer, p. 1470-1473.

Desrosières A. (2008), Gouverner par les nombres. L’argument statistique II, Paris, Presses des Mines.

Desrosières A. (2014), Prouver et gouverner. Une analyse politique des statistiques publiques, Paris, La Découverte.

Friedman J.H. (1997), « Data mining and statistics: What’s the connection? », Proceedings of the 29th Symposium on the Interface Between Computer Science and Statistics.

Friedman J.H. (2001), « The role of statistics in the data revolution? », International Statistical Review, vol. 69, no 1, p. 5-10.

Galison P. (1996), « Computer simulation and the trading zone », in Galison P. et Stump D.J. (dir.), The Disunity of Science. Boundaries, Contexts and Power, Stanford, Stanford University Press, p. 118-157.

Gitelman L. (dir) (2013), « Raw Data » is an Oxymoron, Cambridge, MIT Press, coll. « Infrastructure studies ».

Grier D.A. (2005), When Computers Were Humans, Princeton, Princeton University Press.

Keating K. et Cambrosio A. (2012), « Too many numbers: Microarrays in clinical cancer research », Studies in History and Philosophy of biological and biomedical sciences, vol. 43, p. 37-51.

Knorr-Cetina K. (1999), Epistemic Cultures: How the Sciences Make Knowledge. Cambridge (Mass.), Harvard University Press.

Lemieux C. (2007), « À quoi sert l’analyse des controverses ? », Mil neuf cent, vol. 1, no 25, p. 191-212.

Malinvaud E. (1970), « L’analyse des données », Annales de l’INSEE, no 4, p. 3-8.

Mayer-Schönberger V. et Cukier K. (2013), Big Data. A Revolution that Will Transform how we Live, Work and Think, Boston et New York, Houghton Mifflin Harcourt.

McGrayne S.B. (2011), The Theory That Would Not Die. How Bayes’ Rule Cracked the Enigma Code, Hunted Down Russian Submarines, & Emerged Triumphant From Two Centuries of Controversy, New Haven et Londres, Yale University Press.

Nafus D. et Sherman J. (2014), « This one does not go up to 11: The quantified self movement as an alternative big data practice », International Journal of Communication, vol. 8, p. 1784-1794.

Neff G. (2013), « Why big data won’t cure us », Big data, vol. 1, no 3, p. 117-123.

O’Neil C. et Schutt R. (2013), Doing Data Science. Straight Talk from the Frontline, Sebastopol, O’Reilly.

Parasie S. (2013), « Des machines à scandale. Éléments pour une sociologie morale des bases de données », Réseaux, no 178-179, p. 127-161 (en ligne : https://www.cairn.info/revue-reseaux-2013-2-page-127.htm).

Parasie S. (2014), « Data-driven revelation ? Epistemological tensions in investigative journalism in the age of “big data” », Digital Journalism, DOI : 10.1080/21670811.2014.976408 (publié en ligne le 19 novembre 2014).

Parasie S. et Dagiral É. (2013), « Data-driven journalism and the public good. Computer-assisted reporters and programmer-journalists in Chicago » New Media and Society, vol. 15, no 6, p. 853-871.

Pharabod A.-S., Nikolski V. et Granjon F. (2013), « La mise en chiffres de soi. Une approche compréhensive des mesures personnelles », Réseaux, no 177, p. 97-129 (en ligne : https://www.cairn.info/revue-reseaux-2013-1-page-97.htm).

Ruckenstein M. (2014), « Visualized and interacted life: Personal analytics and engagements with data doubles », Societies, vol. 4, no 1, p. 68-84 (en ligne : http://www.mdpi.com/2075-4698/4/1/68).

Smith D. (2013), « R users: Be counted in Rexer’s 2013 Data Miner Survey », Revolution Analytics Blog,‎ 30 janvier 2013, http://blog.revolutionanalytics.com/2013/01/r-users-be-counted-in-rexers-2013-data-miner-survey.html (consulté le 13 novembre 2014).

Star S. et Griesemer J. (1989), « Institutional ecology, “translation”’ and boundary objects: Amateurs and professionals in Berkeley’s Museum of verterbrate zoology », Social Studies of Science, vol. 19, no 3, p. 387-420.

Strasser B.J. (2012), « Data-driven sciences: from wonder cabinets to electronic databases », Studies in History and Philosophy of Biological and Biomedical Sciences, vol. 43, no 1, p. 85-87.

Strauss A. (1992), La Trame de la négociation. Sociologie qualitative et interactionnisme, Paris, L’Harmattan.

Tukey J.W. (1962), « The future of data analysis », The Annals of Mathematical Statistics, vol. 33, no 1, p. 1-67.

Tukey J.W. (1977), Exploratory Data Analysis, Reading (Mass.), Addison-Wesley.

Tukey J.W. (1980), « We need both exploratory and confirmatory », The American Statistician, vol. 34, no 1, p. 23-25.

Note

1 Nous remercions les coordinateurs de cet ouvrage ainsi que Dominique Cardon et Jean-Philippe Cointet pour leurs précieux conseils.

2 Sauf mention contraire, les citations sont traduites en français par les auteurs du chapitre [NdE].

3 En 2013, l’APEC (Association pour l’emploi des cadres) a fait figurer le poste de « data scientist » ou « scientifique de la donnée » dans la liste des « métiers en émergence ». Cf. APEC, Les métiers en émergence, hors-série, « Les référentiels des métiers cadres », mai 2013, p. 65.

4 Dès 1970, l’économiste français Edmond Malinvaud repère ce « mouvement pour l’analyse de données » qu’il interprète comme « visant surtout à un élargissement de la méthodologie statistique, un élargissement qui s’avère opportun même s’il suppose que soient réduites, dans un premier temps, les ambitions de rigueur auxquelles la statistique classique a pu nous habituer » (Malinvaud, 1970, p. 7).

5 Alors que l’usage des statistiques dans les institutions publiques a fait l’objet de travaux historiques majeurs, l’histoire des pratiques statistiques en entreprise reste très peu documentée.

6 À tel point que les logiciels SAS et SPSS, qui étaient dominants dans les entreprises, ont été contraints d’inclure des interfaces avec R (De Leeuw, 2011).

7 Cf. D. Smith (2013), « R users: Be counted in Rexer’s 2013 Data Miner Survey », Revolution Analytics Blog,‎ 30 janvier 2013. http://blog.revolutionanalytics.com/2013/01/r-users-be-counted-in-rexers-2013-data-miner-survey.html (consulté le 13 novembre 2014).

8 Jeff Enos, « The R project for statistical computing », http://www.r-project.org/, mis en ligne le 18 février 2010.

9 Notre analyse comporte deux limites. La première est que rien n’empêche un package ne s’adressant pas à un monde social précis d’être utilisé bien au-delà des mondes statistique et informatique. La seconde limite tient à ce que nous ne savons rien de l’utilisation effective des différents packages du projet. L’analyse que nous proposons ici témoigne néanmoins de l’inscription des briques logicielles dans une pluralité de mondes sociaux.

10 L’analyse des descriptifs de chaque package ne permet pas de mesurer avec précision quels sont les éléments statistiques ou informatiques communs à des packages associés à des mondes sociaux différents. Lorsque les contributeurs décrivent les fonctionnalités de leur package, ils utilisent souvent des catégories soit très générales (modeling, simulation), soit très spécifiques au monde dans lequel ils s’inscrivent (association analysis ; risk assessment).

11 Nous nous appuyons ici sur la liste des 100 packages les plus téléchargés début 2013 (http://www.r-statistics.com/2013/06/top-100-r-packages-for-2013-jan-may/ ; dernière consultation le 8 mars 2017).

12 Contrairement à ce que pourrait laisser penser le schéma, les auteures précisent que la collecte des données repose sur un ensemble de choix : « Vous, le data scientist, êtes l’observateur. Vous transformez le monde en données, et ceci est un processus totalement subjectif, en aucun cas objectif. » (O’Neil et Schutt, 2013, p. 19).

13 Parmi les entretiens réalisés à San Francisco en septembre 2012 auprès de plusieurs start-up du domaine (QS), trois l’ont été auprès d’acteurs s’auto-désignant comme « data scientists ». Tous avaient une expérience préalable au sein d’entreprises dédiées à la conception de services web, sans lien apparent avec des questions de santé et de données numériques liées au corps ou à la génétique, avant de s’orienter vers ce domaine émergent.

14 Nous avons ainsi pu observer, lors du second congrès européen du QS organisé à Amsterdam en mai 2013, l’opposition d’une partie des participants à la proposition de fonder une revue du QS articulée autour des expérimentations de ses participants et de l’analyse des données collectées, imaginée par d’autres membres – pour partie chercheurs eux-mêmes – selon le format d’une revue scientifique. Ce projet n’a donc pas vu le jour.

Indice delle illustrazioni

Titolo Figure 1. Diagramme de Venn de la science des données selon Drew Conway.
Credits Source : Conway, 2013, adapté en français par les auteurs.
URL http://books.openedition.org/cdf/docannexe/image/4999/img-1.jpg
File image/jpeg, 293k
Titolo Figure 2. Le processus de la science des données.
Credits Source : O’Neil et Schutt, 2013, p. 41, adapté en français par les auteurs.
URL http://books.openedition.org/cdf/docannexe/image/4999/img-2.jpg
File image/jpeg, 284k

Autori

Maître de conférences en sociologie à l’université Paris Descartes et chercheur au CERLIS (Centre de recherche sur les liens sociaux)
Maître de conférences en sociologie à l’université Paris-Est / Marne-la-Vallée et chercheur au LISIS (Laboratoire interdisciplinaire sciences, innovations, sociétés)

Il testo e gli altri elementi (illustrazioni, file importati) possono essere utilizzati con OpenEdition Books License, se non diversamente specificato.

Cerca su OpenEdition Search

Sarai reindirizzato su OpenEdition Search