1Au début de l’année 2011, le prestigieux magazine Science qui publie les résultats les plus avancés de la recherche scientifique fait paraître un article qui va faire sensation dans le petit milieu des humanités numériques. Intitulé « Quantitative analysis of culture using millions of digitized books », ce court texte est cosigné par Jean-Baptiste Michel et Erez Aiden, deux chercheurs de la prestigieuse université d’Harvard. Assez rapidement, il suscite des comptes rendus élogieux, en particulier dans des médias qui ne sont pas à destination des milieux académiques. Hubert Guillaud dans InternetActu.net, Xavier Delaporte sur France Inter s’en font l’écho. On retrouve des articles au sein de quotidiens généralistes !

2L’argument des deux chercheurs est en effet aisément et directement compréhensible par les journalistes et le grand public éclairé : ils démontrent que l’on peut utiliser la plateforme Google Books qui recèle de millions d’ouvrages numérisés comme une immense base de données sur laquelle on peut effectuer des recherches d’ordre statistique. Pour cela, Google a développé, avec l’aide des deux chercheurs, un outil bien commode : Google Ngram Viewer. Celui-ci permet en effet de mesurer la fréquence de n’importe quelle suite de mots (les fameux « ngram » dont la longueur varie en fonction de la variable « n ») et d’en visualiser la répartition dans le temps selon la date de publication des ouvrages où apparaissent les occurrences.

3Si l’outil en lui-même n’a rien d’extraordinaire (il est similaire aux fonctionnalités les plus basiques de la plupart des outils de lexicométrie), il se distingue évidemment par l’importance de la base de textes sur laquelle il s’appuie. Et c’est d’ailleurs un point central de l’argumentation scientifique des deux auteurs : par son ampleur, la plateforme Google Books, forte de ses quelque 15 millions livres numérisés, permet d’obtenir une représentation vraisemblable de la production culturelle d’une époque : « Nous faisons état de la création d’un corpus de 5 195 769 livres numérisés, soit environ 4 % de la totalité des livres publiés. L’analyse computationnelle de ce corpus nous permet d’observer des tendances culturelles et de les soumettre à l’enquête quantitative. Les « culturomics » étendent les limites de la recherche scientifique à un large éventail de phénomènes nouveaux1. »

4 Le passage de 15 millions à 5 millions de livres (les environ 4 %) qui pourrait surprendre est en fait expliqué par la nécessité de construire un corpus homogène et contrôlé. À partir de celui-ci, Michel et Aiden présentent quelques exemples d’utilisation possible de l’outil Ngram Viewer proposé par Google. Leurs exemples ont pour objectif d’illustrer les différentes disciplines des sciences humaines et sociales où la méthode qu’ils proposent pourrait trouver des applications. Ainsi, en linguistique, ils montrent comment on peut établir des courbes d’évolution des formes irrégulières du prétérit des verbes en anglais (ce fut en réalité leur première recherche). En histoire, l’évolution des courbes de fréquence sur des noms d’artistes juifs, comme « Chagall », dans le corpus en allemand au xx^e siècle, met en évidence les mécanismes d’épuration ethnique liés à l’arrivée du nazisme au pouvoir. En sociologie, on peut s’intéresser à la longueur des périodes au cours desquelles une personne devient célèbre puis tombe dans l’oubli. Les auteurs sont bien sûr conscients de l’étroitesse de la base sur laquelle ils travaillent : « Les culturomics sont l’application de l’analyse de grandes quantités de données à l’étude de la culture humaine. Les livres ne sont que le début, car nous devons aussi intégrer les journaux, les manuscrits, les cartes, les œuvres d’art et une myriade de créations humaines d’autres types. Et bien sûr de nombreuses voix, déjà perdues avec le temps, sont hors d’atteinte2. » Ils pensent toutefois faire la preuve du caractère à la fois novateur et scientifique de la méthode qu’ils proposent : « Les culturomics apportent un nouveau type de preuve dans les humanités. Comme pour les fossiles des espèces disparues, la difficulté des culturomics réside dans l’interprétation de ces preuves3. » Beaucoup d’éléments sont contenus dans cette simple phrase. On peut en dégager trois : la notion de « preuve » dans les humanités, la métaphore du fossile qui renvoie à la paléontologie, et la question de l’interprétation.

Le statut de la preuve dans les humanités

5En ce qui concerne la preuve, l’affirmation des deux chercheurs renvoie implicitement à l’idée que les humanités échouent traditionnellement à démontrer ce qu’elles avancent et reposent essentiellement sur des impressions subjectives. On retrouve là un argument déjà avancé par Moretti une décennie auparavant : les méthodes traditionnelles des humanités, qui reposent sur une « lecture proche » des documents, limitent nécessairement le nombre de ceux qui peuvent être analysés. En littérature, seuls les « grands auteurs » et les œuvres du canon littéraire font l’objet d’une analyse approfondie, laissant de côté les millions d’écrits tombés dans l’oubli parce que, pour des raisons politiques, sociologiques, historiques, ils n’ont pas eu la chance de passer à la postérité.

6Dès lors, toute analyse littéraire ou historique ne peut qu’être biaisée par un double processus de sélection, à la fois par la société dans laquelle elle s’inscrit, mais aussi par l’appétence du chercheur à se diriger vers telle ou telle œuvre. Au contraire, la « lecture à distance » permet d’analyser un corpus complet de matériaux disponibles. C’est la question de la représentativité des sources et de la montée en généralité qui est ici posée : analyser La Comédie humaine d’Honoré de Blazac, ce qui peut être le travail d’une vie pour un chercheur, ne permet pas de « prouver » quoi que ce soit concernant la littérature française du xix^e siècle car elle n’est qu’une œuvre parmi toutes celles qui furent publiées à la même époque.

7L’autre pilier sur lequel repose la notion de preuve proposée par Michel et Aiden, est bien sûr la rigueur de l’analyse mathématique qui s’oppose à l’impressionnisme de l’analyse critique. Les hypothèses que peut formuler le chercheur sur un corpus peuvent être « prouvées » par l’évolution de la fréquence d’apparition de tel ou tel terme qui est un fait indubitable directement issu d’un traitement mathématique du corpus. Il s’agit là d’une très ancienne tradition des sciences sociales qui pose le passage du qualitatif au quantitatif comme condition de scientificité : pour prouver une quelconque assertion sur un phénomène social, il faut en démontrer la réalité statistique.

8Au-delà de son succès dans les médias, l’article de Science reçut de nombreuses critiques venant de la communauté scientifique, y compris des sciences humaines et sociales. Nombre de ces critiques font remarquer que le corpus sur lequel s’appuient les deux chercheurs n’a rien non plus de particulièrement significatif : 5 % de la totalité des livres publiés peuvent-ils être considérés comme un échantillon suffisant ? En nombre certainement, si l’on applique la méthode de l’échantillon représentatif ; mais pour cela, il faut avoir une connaissance suffisante des caractéristiques de la totalité de la population de référence, ce qui n’est pas le cas ici. En réalité, l’échantillon est constitué de manière méthodique à l’intérieur des 15 millions d’ouvrages numérisés disponibles sur la plateforme Google Books (le passage des 15 aux 5 millions d’ouvrages est contrôlé), mais il ne l’est pas au niveau supérieur : l’échantillonnage de l’ensemble de la production culturelle humaine par le travail de numérisation de Google est le résultat d’un ensemble de contraintes qui n’ont rien de scientifique. Ainsi, l’essentiel de ce travail résulte d’une entreprise industrielle de numérisation des livres disponibles dans les bibliothèques universitaires nord-américaines pour la plupart. Or, ces bibliothèques définissent des politiques d’acquisition ciblées sur les besoins de leurs utilisateurs et pratiquent régulièrement des opérations de « désherbage » qui les conduisent à se séparer chaque année d’un certain nombre de volumes qui ne trouvent plus leur place sur leurs rayonnages. Enfin, Google a lui-même effectué une sélection parmi les volumes disponibles dans les bibliothèques, essentiellement en raison de contraintes techniques liées à leur format ou leur état de conservation.

9Pour justes qu’elles soient sur le principe, ces critiques ne parviennent toutefois pas à atteindre le cœur de l’argumentation développé dans l’article de Science. Car ici précisément, la métaphore du fossile remplit son office : pas plus que le chercheur en « culturomics », le paléontologue ne contrôle la constitution du corpus de matériaux sur lesquels il travaille. La disponibilité des fossiles qu’il peut analyser résulte elle aussi d’un ensemble de contraintes arbitraires qui n’ont rien de scientifique : glissements de terrain, accidents géologiques, nature des sols, événements fortuits de la vie des individus dont on retrouve les ossements. C’est d’ailleurs un des moteurs de l’avancée de ces disciplines : les paléontologues échafaudent des théories susceptibles d’expliquer un certain nombre de phénomènes eu égard aux matériaux disponibles, mais celles-ci sont toujours susceptibles d’être remises en cause par une nouvelle découverte, la plupart du temps par hasard. L’histoire des théories de l’hominisation est riche de ces exemples, encore récemment, avec la découverte de traces humaines en Amérique datant de plus de 100 000 ans avant la période généralement admise pour l’arrivée de l’homme sur ce continent.

10L’absence de contrôle sur la constitution du corpus de matériaux disponibles pour être soumis à l’analyse ne permet donc pas d’invalider a priori la possibilité d’une science « culturomique » pour étudier les phénomènes culturels similaires et sur les mêmes bases méthodologiques que celles qui étudient les phénomènes naturels ; à une exception près. Car si le corpus de fossiles résulte de la conjonction entre des événements fortuits et le travail de fouille d’équipes multiples issues de plusieurs pays, le corpus sur lequel travaillent Michel et Aiden est lui constitué par une entreprise unique selon des règles de sélection et de classement qu’elle fixe consciemment. On rejoint ici les remarques de Milad Doueihi exposées dans le chapitre précédent à propos de l’archive numérique : l’erreur de la prétention à la mathesis, ce qu’il appelle l’« oubli de l’oubli » est d’ignorer le caractère partiel et partial des « big data » qui sont soumises à l’analyse. Ce n’est pas l’absence d’exhaustivité des données qui compte, c’est le fait que leur constitution est le résultat d’une intention humaine.

11L’historien qui travaille sur une archive historique quelconque intègre dans son raisonnement les conditions de sélection, de classification et de représentation des documents qu’il analyse. Il existe même une discipline spécialement dédiée à cette question : l’archivistique. Le chercheur en littérature qui travaille sur un auteur ou une œuvre ne prend jamais comme un « donné » le texte qu’il analyse. Il intègre dans son raisonnement les conditions dans lesquelles ce texte est établi, que ce soit par la mobilisation de méthodes philologiques pour les textes les plus anciens, ou génétiques pour les plus récents. Pour établir scientifiquement donc leurs analyses statistiques, Michel et Aiden doivent y intégrer une connaissance spécifique de la manière dont les bibliothèques nord-américaines constituent et gèrent leurs fonds ainsi que des méthodes de sélection et de classification mises en œuvre par Google dans son travail de numérisation. Paradoxe ultime : pour établir de nouvelles « preuves » dans les humanités, les deux chercheurs mathématiciens devraient en revenir aux méthodes les plus classiques de ces mêmes humanités. C’est uniquement à cette condition qu’ils peuvent proposer des interprétations valides des éléments qu’ils avancent.

De la preuve à l’interprétation

12Car les deux chercheurs ont bien raison de faire remarquer que la question la plus difficile à laquelle ils peuvent être confrontés est celle de l’interprétation. Pour bien le comprendre, reprenons un des exemples les plus marquants parmi ceux qu’ils évoquent dans l’article de Science : la sous-représentation du ngram « Chagall » dans le corpus de langue allemande dans les années 1930 et 1940. L’interprétation qu’ils proposent pour expliquer cette sous-représentation est la mise en œuvre d’une politique culturelle d’épuration antisémite par ce même régime. Or, nous savons que cette interprétation est valide grâce à ce que nous connaissons par ailleurs de la mise en œuvre de cette politique. Elle a été prouvée par un nombre considérable de travaux de recherche effectués par des historiens tout ce qu’il y a de plus classique dans leurs méthodes : fouille dans les archives, recoupement des sources, analyses des documents et témoignages.

13Prenons maintenant le problème à l’envers : nous constatons la sous-représentation de Chagall dans le corpus de langue allemande dans les années 1930 et 1940, mais nous ne savons presque rien du régime nazi, comme s’il venait d'une lointaine espèce disparue il y a très longtemps, dont il ne nous reste que quelques fossiles : un corpus de textes en langue allemande datant de la même époque. Suivant la méthode des deux chercheurs, nous ne nous avisons pas de tenter de lire ce corpus car, comme le dit Moretti, une vie de chercheur n’y suffirait pas et par ailleurs soumettrait l’interprétation à la subjectivité du chercheur. Nous en restons donc à la pure analyse statistique des fréquences de ngrams. Comment interpréter la sous-représentation du ngram Chagall ? On voit immédiatement l’infinité d’interprétations possibles. Même si nous réduisons la difficulté en intégrant que d’un côté nous savons que le régime nazi a mis en œuvre une politique culturelle antisémite et que par ailleurs Chagall était un artiste juif, est-il possible d’en inférer que la sous-représentation de son nom est la conséquence de l’application de cette politique à sa personne ? Rien n’est moins évident. Car même dans ces circonstances, cette sous-représentation peut avoir bien d’autres causes : internes au contexte historique, comme un désintérêt pour le type de peinture qu’il réalisait au profit d’un autre mouvement artistique sans qu’aucun critère racial n’entre en ligne de compte, mais aussi externes et propres aux aléas de constitution de l’archive sur laquelle ils travaillent : un changement de politique d’acquisition des bibliothèques qui pourraient moins s’intéresser aux arts sur cette période, ou encore un changement de format de livres dans l’édition allemande de cette époque qui rende les ouvrages où il est cité plus fréquemment rejetés par la chaîne de numérisation de Google. Que prouve donc la sous-représentation du ngram « Chagall » dans le corpus de langue allemande dans les années 1930 et 1940 existant dans Google Books ? Rigoureusement rien. Même pas que cette sous-représentation existe dans l’ensemble des livres de langue allemande publié à cette époque.

14Elle ne prouve rien, mais elle peut signifier beaucoup. Elle peut constituer un indice concordant parmi des milliers d’autres, la plupart non statistiques mais historiques, venant appuyer la thèse de la mise en œuvre d’une politique culturelle antisémite par le régime nazi et de son application à Chagall. Autrement dit, et c’est le point d’aboutissement de notre raisonnement par l’absurde, l’interprétation d’un phénomène constaté n’est possible que par la compréhension du contexte de son avènement ; et cette compréhension n’est possible que par la mise en relation d’un faisceau d’indices de natures diverses et la construction d’un raisonnement qui en rende compte. C’est exactement le travail de l’historien qui effectue un travail d’interprétation contrôlé s’appuyant sur une compréhension englobante de ce qu’il étudie.

15Cette compréhension est rendue possible à la fois par le savoir historique accumulé et l’ensemble des sources qu’il mobilise, mais aussi par la démarche historique qui consiste à relier les multiples informations que ces dernières délivrent dans un ensemble intellectuellement cohérent. L’analyse statistique à partir d’un corpus donné peut aider l’historien, le sociologue, le chercheur en littérature dans son travail d’interprétation en établissant certains faits parmi bien d’autres. Il ne peut le remplacer.

16Notre raisonnement à partir de l’article de Science mobilise un certain nombre de notions – preuve, inférence, coïncidence, compréhension, explication, corrélation – qui jouent un rôle essentiel dans les controverses qui traversent le champ des humanités numériques, au croisement de modèles épistémologiques en conflit. Le cœur de la question est la différence fondamentale que connaissent tous les scientifiques entre cause et corrélation. Google ngram viewer permet de constater une coïncidence entre la mise en œuvre de la politique antisémite nazie et la quasi-disparition des références à Chagall dans le corpus de livres publiés en langue allemande. On a vu qu’il était impossible d’en déduire, sur la seule base de ces données qu’il y avait là un facteur de cause à effet. Mais est-il vraiment nécessaire de vouloir passer de la coïncidence à la cause ? Oui, si l’on souhaite expliquer des phénomènes historiques ou sociaux. De nouveau : est-il vraiment nécessaire de les expliquer, ou même de les comprendre, alors que l’établissement de corrélation pourrait être considéré comme suffisant ?

Le rôle de la métasource

17On imagine aisément le frisson d’horreur que ce type de question peut faire passer dans le dos de tout chercheur normalement constitué. N’est-ce pas précisément la mission qui lui est assignée que d’établir les causes qui permettent d’expliquer les phénomènes naturels ou sociaux ? Que certains hommes politiques posent la question parce que, selon eux, « expliquer c’est déjà vouloir un peu excuser », s’attirant à juste titre les foudres de la communauté des sciences sociales, est une chose. L’affaire devient autrement plus sérieuse lorsque l’attaque vient de l’intérieur de la communauté scientifique, comme c’est le cas ici. Pour le comprendre, il faut s’arrêter un instant sur l’histoire de la mobilisation des modèles quantitatifs en sciences humaines et sociales. Car malgré les apparences, le « tournant quantitativiste » que représente aujourd’hui la montée en puissance du paradigme du « big data » dans les sciences humaines et sociales n’a que peu de rapport intellectuel avec celui qu’ont connu ces disciplines dans les années 1960 et 1970.

18Ce qui caractérisait le mouvement alors, c’est qu’il partait des disciplines elles-mêmes : ce sont toujours des historiens, des linguistes, des anthropologues qui vont chercher des outils mathématiques et des méthodes informatiques à partir de leurs problématiques de spécialistes. Un bon exemple peut en être trouvé dans la célèbre revue Histoire et Mesure, fondée en 1986, et qui rend compte depuis de l’actualité des recherches historiques quantitatives. Le premier article publié par la revue s’intitule « Histoire, informatique, mesure » ; il est écrit par Jean-Philippe Genet, un des maîtres d’alors en France de cette école de recherche historique.

19Dans cet article-manifeste, Genet pose les enjeux épistémologiques qui émergent de l’introduction du quantitatif et de son corollaire inévitable, l’informatique, dans la recherche historique depuis bientôt trente ans. Sans entrer dans le détail d’un texte assez ardu, on peut en retenir qu’à son sens, l’utilisation de l’ordinateur et les mesures qu’il permet ne peuvent se concevoir sans la mobilisation par l’historien de modèles théoriques complets qui en justifient l’usage. Au-delà d’une première coupure communément admise entre le « réel passé » qui est l’objet d’étude de l’historien et le « réel historique » qui regroupe l’ensemble des informations disponibles à un moment donné sur le réel passé, il pose en effet une seconde coupure : ce que peut en effet mesurer l’ordinateur n’est pas le « réel historique », mais une partie extraite, formalisée, construite de celui-ci. Ce qu’il appelle « métasource », « c’est-à-dire un ensemble réduit et fini de données extraites de l’ensemble de données infinies qu’est le “réel historique”. La première exigence qui découle d’un recours conscient à la machine est là : l’obligation de consentir à un appauvrissement raisonné qui fonde le travail scientifique4. »

20Pour Genet donc, le traitement informatique des données historiques implique un travail d’abstraction de la part de l’historien, en amont, du fait même des principes de fonctionnement de l’ordinateur qui opère des calculs sur des ensembles d’informations organisés en systèmes, et un travail d’interprétation, en aval, permettant de rapporter les résultats du calcul au « réel historique » qu’il s’agit de ne pas perdre de vue. Autrement dit, et c’est le point central de l’argumentation, il faut se prémunir de l’illusion référentielle qui consisterait à croire que l’ordinateur peut procéder à des calculs sur des sources brutes et produire naturellement des connaissances historiques sur le « réel passé » ou même le « réel historique » sans intervention de l’historien.

21Au contraire, l’ordinateur est avant tout, dans cette perspective, un outil pour l’historien lui offrant de travailler sur des modèles issus de partis pris théoriques assumés, dont il se servira pour proposer des interprétations cohérentes du réel historique. On a là une position préfiguratrice des humanités numériques finalement très proche de celle que nous avons rencontrée précédemment chez Willard McCarty. D’ailleurs, bon nombre d’historiens français investis aujourd’hui dans le champ des humanités numériques reconnaissent l’importance des travaux de Jean-Philippe Genet dans leur propre parcours intellectuel, et de l’école de recherche qu’il a fondée à l’université Panthéon-Sorbonne.

Les « culturomics » sans humanités

22Dans le cas des « culturomics », la situation est très différente et presque inverse : les deux auteurs de l’article paru dans Science sont des mathématiciens qui n’ont de formation poussée dans aucune des disciplines traditionnelles des humanités. Jean-Baptiste Michel est un polytechnicien français parti poursuivre ses études à Harvard ,d’abord en mathématiques, puis en biologie. Sa thèse porte sur « Les aspects quantitatifs de l’évolution ». C’est ce même sujet qui l’occupe lors de son post-doctorat, toujours à Harvard, mais cette fois-ci à l’Institute for Quantitative Social Sciences où il s’intéresse, selon son profil public, aux « aspects quantitatifs de phénomènes touchant directement à la vie humaine, comme l’évolution de cellules pathogènes, de la violence durant les conflits, de la manière dont le langage et la culture changent dans le temps ».

23Le profil d’Erez Aiden est tout aussi éclectique et pas moins passionnant : après des études de mathématiques, de physique et de philosophie à Princeton, il mène une double thèse de mathématiques appliquées et de bio-engineering à Harvard et au MIT. Ses premières publications, rédigées avec un de ses directeurs de thèse, Martin Nowak, portent sur les dynamiques d’évolution des graphes. Il s’agit en l’occurrence de montrer comment la disposition spatiale des individus dans une population donnée – et quel qu’en soit le type – influe sur sa dynamique d’évolution. Ce champ d’étude, au croisement des théories probabilistes et de la théorie des graphes, prétend connaître de nombreux domaines d’application : de l’écologie, à l’évolution cellulaire, mais aussi l’économie. En réalité, à partir de sa thèse de doctorat, Aiden s’intéressera surtout aux questions de modélisation en trois dimensions du génome.

24Quel est donc le point commun entre Michel et Aiden ? Les mathématiques certes, mais plus précisément la modélisation mathématique de l’évolution des systèmes, en particulier à partir des problématiques propres à la biologie. Ainsi Jean-Baptiste Michel, avant de passer par l’IQSS, effectua sa thèse au sein du département de biologie des systèmes (systems biology). La biologie des systèmes, selon le site web du département, est « l’étude des systèmes formés par des composants biologiques, qui peuvent être des molécules, des cellules, des organismes ou des espèces entières. Les systèmes vivants sont dynamiques et complexes, et leur comportement peut être difficile à prévoir à partir des propriétés des individus qui les composent. Pour les étudier, nous utilisons des mesures quantitatives du comportement de groupes de composants qui interagissent, des technologies de mesure systématique comme la génomique, la bio-informatique, la protéomique, et des modèles mathématiques et informatiques qui décrivent et prédisent des comportements dynamiques. Les problèmes liés aux systèmes sont en train d’émerger comme des domaines de recherche centraux en biologie et en médecine5 ».

25Autrement dit, et c’est le point le plus important ici, il y a un fil rouge qui donne sa cohérence au parcours des deux chercheurs et les conduit à fonder ensemble un nouveau champ scientifique : les fameux culturomics, ainsi qu’une structure de recherche qui lui est dédiée, on y reviendra. Ce fil rouge c’est la production d’un mode de connaissance particulier de populations quelconques qui résulte d’une modélisation et d’une représentation mathématique de leur dynamique d’évolution. Ce mode de connaissance est externe aux objets auxquels il s’applique. Il ne s’attache pas à comprendre de l’intérieur leur mode de fonctionnement ni les spécificités de chacun. Il est rigoureusement universel au sens où il peut s’appliquer à tout type d’objet, humain et non-humain, à toute échelle, ce qui permet aux deux chercheurs de passer sans difficulté du génome, à la cellule, à « Marc Chagall », etc., sans nécessairement devoir mobiliser les spécialistes de chacun des domaines concernés, sinon pour produire les données analysées.

26Ainsi, lorsque Erez et Michel, forts de leur succès avec le Ngram Viewer, fondent le Cultural Observatory à Harvard, l’équipe qu’ils composent comporte bien peu, et c’est un euphémisme, de chercheurs en sciences humaines : six mathématiciens ou informaticiens de différents niveaux sur un total de sept personnes. Seul un doctorant en histoire vient apporter des compétences venant des humanités. Alors que Jean-Philippe Genet s’interroge dans son article sur le niveau de connaissances en informatique et mathématiques que doivent acquérir les historiens pour tenter de fixer une limite au-delà de laquelle ils seraient détournés de leur « travail d’historien », ici, on a au contraire des mathématiciens qui appliquent des modèles informatiques à des matériaux historiques et plus largement culturels qu’ils ne connaissent pas – et ne souhaitent sans doute pas connaître.

27En réalité, Michel et Aiden ne sont pas des cas isolés. Ils représentent l’avant-garde d’un mouvement plus large, porteur d’une proposition épistémologique singulière, et pas seulement dans les humanités. En 2008, le magazine Wired, une source d’information inestimable permettant de comprendre l’histoire intellectuelle qui accompagne et sous-tend le développement des usages des technologies numériques, publiait un dossier intitulé « The end of theory », introduit par un éditorial signé de son rédacteur en chef, Chris Anderson, sous un titre choc : « Le déluge de données rend obsolète la méthode scientifique6 ».

28Pour Anderson, l’explosion des capacités de stockage et de calcul informatique depuis quelques décennies a changé radicalement la donne et constitue une rupture épistémologique. En prenant plusieurs exemples concrets, Anderson tente de montrer qu’il est désormais possible de faire des découvertes scientifiques grâce à l’émergence spontanée de formes récurrentes et de corrélations au sein de grands ensembles de données sur lesquels sont appliqués des calculs intensifs ; et surtout, qu’il est désormais possible de se passer de la méthode scientifique classique consistant à émettre des hypothèses, construire un modèle, en tester la validité : « Les chercheurs savent faire la différence entre corrélation et cause ; ils savent qu’aucune conclusion ne peut être déduite de la corrélation entre X et Y (cela pourrait simplement être une coïncidence). On leur demande au contraire de comprendre le mécanisme qui connecte les deux. Une fois que vous avez un modèle, vous pouvez connecter les ensembles de données en toute confiance. Les données sans le modèle, c’est juste du bruit. […] Il y a maintenant une meilleure manière de faire. Les petabytes nous permettent de dire que la corrélation est suffisante. On peut cesser de chercher des modèles. On peut analyser les données sans aucune hypothèse sur ce que cela pourrait montrer. On peut jeter les nombres dans les plus grands ensembles d’ordinateurs que le monde a jamais vus et laisser les algorithmes statistiques trouver des formes inconnues de la science7. »

29Anderson invoque de nombreux exemples à l’appui de sa démonstration, dans tous les domaines : l’astronomie, la physique, la génétique bien sûr, l’économie, les sciences politiques, mais aussi, et c’est plus intéressant pour nous, la sociologie et la culture : « Il y a un monde où des quantités massives de données et de mathématiques appliquées remplacent tout autre outil qui ait pu être inventé, permet de se passer de toute théorie du comportement humain, de la linguistique à la sociologie. Oubliez la taxonomie, l’ontologie, la psychologie. Qui peut savoir pourquoi les gens font ce qu’ils font ? Le fait est qu’ils le font et que nous pouvons mesurer et tracer ces actions avec une précision inédite. Avec suffisamment de données, les nombres parlent d’eux-mêmes8. » Savoir « pourquoi les gens font ce qu’ils font ». Voilà précisément ce qui constitue le programme de la majorité des sciences humaines et des sciences sociales auquel Anderson met brutalement fin en des termes on ne peut plus explicites.

30Quel peut être le sens d’une telle approche ? Comment la justifier ? Anderson donne des éléments de réponse à travers les exemples qu’il promeut : un des exemples les plus importants est celui de la publicité en ligne, et l’acteur qui a su mettre à profit cette nouvelle approche est Google. La force de Google est d’avoir emporté le marché en traçant le comportement des consommateurs sur le réseau, en récoltant des masses gigantesques de données d’usages, trahissant les réflexes, les goûts, les centres d’intérêt de tout un chacun et de l’avoir appliqué à un marché publicitaire en plein essor sans rien chercher à apprendre de son fonctionnement. Au diable la psychologie, l’économie, la sociologie. Il ne sert à rien de chercher à comprendre le consommateur ; il suffit de tracer ses actions, de calculer des corrélations, et d’en user pour lui faire une offre pertinente. Et ce n’est évidemment pas un hasard si Michel et Aiden ont développé leur projet au sein de la firme, en tant que « visiting scholars ».

31On comprend pourquoi ils n’ont pas besoin de plus d’un historien, ni d’un linguiste ou d’un anthropologue pour « observer » la culture. La calculabilité universelle se substitue aux longs détours de la compréhension en profondeur ; elle établit des raccourcis qui permettent d’obtenir directement les réponses aux questions précises, pragmatiques et opérationnelles qui sont posées.

Science prédictive

32La tentation pourrait être grande de rejeter de prime abord cette méthode d’analyse appliquée par Michel et Aiden aux phénomènes culturels et sociaux parmi bien d’autres. On pourrait penser qu’il s’agit d’un parti pris d’ignorance lorsqu’on la compare aux connaissances précises, de l’intérieur, que les différentes disciplines scientifiques « classiques » produisent sur leurs objets d’étude. Une approche plus fine serait davantage utile, qui tente d’établir et de comprendre le mode de connaissance que produit la formalisation mathématique mise en œuvre dans le paradigme des « big data ». On a pu le remarquer, le point commun entre les deux chercheurs, c’est la notion d’évolution, qu’il faut prendre ici dans son sens le plus neutre et le moins conceptuel, alors qu’il fut massivement utilisé par les sciences humaines tout au long du xix^e siècle dans un sens bien différent – mobilisé en particulier par l’anthropologie évolutionniste – qui a conduit à en discréditer durablement l’usage dans ces disciplines. Ainsi, le Ngram Viewer de Google est-il conçu fondamentalement, dans son mode d’analyse et de visualisation, comme un outil diachronique : il ne sert pas tant à mesurer des fréquences d’occurrences à un instant donné – il ne permet pas, par exemple, de comparer (contraster) des fréquences entre des sous-corpus contemporains – qu’à mesurer des évolutions de fréquence dans le temps. Mais à quoi peut donc bien servir de constater des dynamiques d’évolution et de pouvoir les formaliser mathématiquement ?

33En premier lieu à pouvoir prédire des phénomènes et comportements à venir. Dans le livre en anglais, intitulé Uncharted, que les deux chercheurs ont publié en 2013 pour populariser leur approche, – il a été publié deux années plus tard en français sous le titre de Culturama –, ils proposent une conclusion entièrement dédiée à cette perspective.

34Prenant pour modèle la célèbre figure d’Hari Seldon, le mathématicien qu’Isaac Asimov invente dans son roman Fondation, ils imaginent que les culturomics pourraient concrétiser le rêve de « psycho-histoire » qui s’y exprime. Si, selon eux, cette idée d’une science sociale prédictive paraît aujourd’hui incongrue à la plupart des chercheurs en sciences sociales, elle rejoindrait pourtant la vieille idée comtienne d’une « physique sociale » qui dégagerait les lois d’évolution de l’humanité. Et de conclure : « Peut-être n’est-il pas tout à fait impossible qu’une science prédictive de l’histoire voie le jour. Peut-être n’est-il pas tout à fait impossible que notre culture obéisse à des lois déterministes. Et peut-être n’est-il pas tout à fait impossible que ce soit vers cette conclusion que nous conduisent nos données9. »

35Depuis la publication de leur livre, les deux chercheurs ont poursuivi leur carrière, avec brio. Le parcours professionnel de l’un d’eux, Michel, mérite que l’on s’y arrête, parce qu’il montre combien l’idée d’une « science prédictive de l’histoire », formulée de manière hypothétique et prudente à la fin de Culturama, a trouvé confirmation depuis, non pas dans le champ de la recherche académique, mais au sein d’applications industrielles.

36Après son post-doctorat à l’IQSS, Michel co-fonda une petite entreprise, aujourd’hui disparue semble-t-il, Quantified Labs, avec Thomas Annicq, un autre spécialiste des big data. Il est assez difficile de trouver aujourd’hui de l’information sur cette société en raison de sa durée de vie éphémère. Retenons simplement ce descriptif général trouvé sur un site de capital-risque : « La plupart des données créées aujourd’hui sont dans l’ombre : des produits dérivés inexploités de l’activité principale d’une entreprise. Nous créons des technologies à l’échelle qui transforment ces données en produits utilisables en interne ou par d’autres utilisateurs. Notre premier produit convertit des archives poussiéreuses en tendances virales et prédictives, accessibles via une API et des visualiseurs qui s’intègrent directement dans le tableau de bord des sociétés10. »

37À partir de 2015, la carrière du chercheur continue dans le même domaine, mais prend une tout autre dimension : il intègre la société Palantir où il s’occupe de l’application de l’analyse de données dans une grande variété de domaines. Palantir est une entreprise peu connue du grand public mais d’un poids non négligeable dans la Silicon Valley. Fondée en 2004, cette société spécialisée dans le traitement et l’analyse de grandes masses de données hétérogènes a surtout développé son activité dans le domaine de la défense et de la surveillance (ses premiers contrats lui sont venus des agences de renseignement américaines dans le contexte de l’après 11-Septembre). Depuis, l’entreprise, dont on estime la valorisation à plus de 20 milliards de dollars, a diversifié ses activités dans un nombre impressionnant de domaines d’activité : lutte contre la fraude, marchés financiers, management d’entreprise, gestion de crise, cyber-sécurité, défense, gestion de catastrophes naturelles, prévention des épidémies, gestion des systèmes de santé, assurance, renseignement, intelligence économique, police, veille juridique, recherche et développement dans le domaine pharmaceutique ; le tout en s’appuyant sur deux logiciels seulement : Palantir Gotham et Palantir Metropolis.

38Dans tous ces domaines, la proposition est la même : quel que soit leur domaine, les grandes organisations publiques ou privées, produisent et doivent traiter de grandes masses de données hétérogènes provenant de sources disparates. Les produits proposés par Palantir leur permettent de connecter ces sources et de traiter ces données de manière à permettre aux utilisateurs (les employés des organisations) de comprendre leur environnement et de prendre des décisions informées rapidement. Si l’entreprise, dans ses supports de communication publics n’évoque pas explicitement la dimension « prédictive » de ses logiciels, celle-ci est pourtant bien identifiée en ce qui concerne Palantir Metropolis, logiciel beaucoup plus centré sur la modélisation de données quantitatives et l’usage de modèles de régression statistique. Il est un des outils professionnels et appliqués les plus reconnus en matière d’analyse prédictive, un domaine en explosion du fait du big data.

39La mobilisation d’analyses statistiques susceptibles de fournir des prévisions est ancienne dans des domaines spécifiques telles que l’analyse économique et surtout financière, ou encore l’actuariat dont c’est le métier même. Ce qui est nouveau ici ne réside ni dans les méthodes d’analyse elles-mêmes ni dans l’objectif qui consiste à vouloir prévoir, mais dans l’extension de son application à de nombreux domaines qui y échappaient jusqu’à présent. Et c’est au fond l’argument essentiel de Michel et Aiden dans leurs différentes publications autour du Google Ngram Viewer : des méthodes d’analyse jusque-là réservées à des domaines bien particuliers – essentiellement des sciences de la nature, ou anciennement formalisés comme l’économie – peuvent, du fait de la numérisation de l’ensemble de la vie culturelle et sociale, être appliquées universellement, et en particulier à tous les domaines de la vie des hommes. Leur travail sur les livres numérisés par Google n’est qu’un démonstrateur réduit permettant d’avoir un aperçu sur ce qu’il est possible de faire lorsqu’on y ajoute d’autres sources couvrant l’ensemble des écrits produits par les hommes dans leurs interactions. Mais, alors que les sciences de la nature ont opéré depuis longtemps le travail de formalisation nécessaire à la transformation d’un réel complexe en séries homogènes de données quantitatives, tout reste à faire en ce qui concerne les productions culturelles. C’est là que se situent le cœur de métier et le savoir-faire d’entreprise comme Quantified Labs ou Palantir : traiter des informations qualitatives issues de sources disparates pour en extraire des données quantitatives directement analysables selon les méthodes de l’analyse statistique, mais toujours dans une perspective opérationnelle : il s’agit de dégager des tendances prédictives utiles à tout un ensemble de professionnels – logisticiens, managers, commerciaux, policiers, militaires, agents de renseignemente.

40La proposition des deux chercheurs, si elle s’inscrit dans le champ des humanités numériques, constitue à n’en pas douter une rupture par rapport aux recherches effectuées dans ce domaine depuis les débuts de son histoire. Parce qu’elle s’appuie sur un mode de connaissance radicalement différent, sur la base d’une calculabilité universelle et sert des objectifs très particuliers, qui sont de prévision à des fins d’efficacité de l’action.

Un projet idéologique

41Au cours d’une table ronde venue en conclusion d’un colloque sur les humanités numériques organisé par la Maison européenne des sciences de l’homme et de la société à Lille en 2014, Milad Doueihi a bien mis en lumière le rôle que les mathématiques jouent dans cette perspective : « Je voudrais revenir sur cette question du calcul et du calculable, car elle était présente dès les origines de l’informatique. On la retrouve à la fois chez Von Neumann et chez Turing sous la forme d’une expression que tous les deux utilisent : “general purpose computing”, en anglais, que l’on peut traduire par “informatique à usage général”. Il me semble qu’il y a là un projet idéologique implicite ou inconscient qui est celui de la prétention universelle des mathématiques et qui est très rarement mis en question, à ma connaissance. Dans les premiers textes informatiques, il y a une exception, et c’est la conclusion du texte de Von Neumann. Il faut se souvenir que c’est un des plus grands mathématiciens du xx^e siècle. Von Neumann rappelle que depuis Leibniz en tout cas, il y a cette idée des mathématiques comme langue universelle. Lui dit être en train d’essayer de créer un langage informatique qui va peut-être nous donner accès à quelque chose comme le cerveau. Il faut cependant faire attention au fait que l’on ne va jamais accéder à la manière dont le cerveau pense, mais plutôt, grâce aux mathématiques et avec le passage par l’informatique, à ce qu’il appelle en anglais « short codes », c’est-à-dire quelque chose qui peut tenir lieu de pensée en donnant des résultats équivalents sans jamais donner accès à la manière dont la pensée se forme. On a oublié cette hypothèse essentielle de Von Neumann et on est passé vers une universalité qui s’articule aujourd’hui autour de l’expression de “raison computationnelle”. On peut dire aujourd’hui que l’informatique est un préjugé occidental qui s’affirme partout et modifie notre rapport à la culture, à l’identité, à la langue11. »