« La valeur des données réside dans leur usage ».
National Research Council, Bits of Power

Introduction

1En 1963, dans une formule qui a fait date, Derek de Solla Price a opposé science légère et science lourde (ou mégascience), en anglais little science et big science. Weinberg (1961) avait récemment créé ce dernier terme pour désigner les grands travaux qu’une société humaine entreprend afin de réaliser ses aspirations. Les monuments du xx^e siècle auxquels Weinberg faisait référence étaient d’énormes fusées, des accélérateurs de haute énergie et des réacteurs de recherche à haut débit. C’étaient des « symboles de notre temps » comparables aux pyramides d’Égypte, au château de Versailles ou à Notre-Dame de Paris. C’était l’ère de Spoutnik, une époque où l’on déversait de larges sommes d’argent dans l’entreprise scientifique. Price et Weinberg interrogeaient la trajectoire de la big science, se demandant quelles étaient les valeurs relatives des sciences lourdes et légères (Price), si la science lourde valait les sommes qu’on y investissait et même si celle-ci ne nuisait pas à la science en général (Weinberg).

2Le big data jouit aujourd’hui du même statut hypertrophié que la big science il y a cinquante ans. Il fait la une des magazines Science, Nature, The Economist et Wired, ainsi que du Wall Street Journal et du New York Times, sans compter de nombreuses autres publications plus ou moins connues. Tout comme la mégascience devait nous révéler les secrets de l’univers, les mégadonnées sont censées mettre au jour les trésors enfouis du train binaire de la vie. Le big data est le pétrole des affaires d’aujourd’hui (Mayer-Schonberger et Cukier, 2013), le ciment des collaborations (Borgman, 2007) et une source de friction entre universitaires (Edwards et al., 2011 ; Edwards, 2010).

3Pourtant, les données ne coulent pas comme le pétrole, ne fixent pas comme le ciment et n’allument pas de feu par friction comme les allumettes. Leur valeur réside dans leur usage, d’où la rédaction du rapport Bits of Power (National Research Council, 1997). La question qu’il faut aujourd’hui poser est : « qu’est-ce qu’une donnée ? ». Le consensus nous dit seulement qu’une définition unique ne saurait suffire. Les données revêtent toutes sortes de valeurs, qui ne peuvent parfois apparaître que longtemps après leur collecte, leur classement ou leur perte. La valeur des données varie largement en fonction des lieux, des époques et des contextes. Détenir les bonnes données est, en général, préférable à en posséder beaucoup. Les mégadonnées accaparent l’attention, alors que les petits ruisseaux de données peuvent être tout aussi précieux. Il n’est que trop fréquent de ne pas détenir de données du tout, soit parce qu’il n’en existe aucune qui soit pertinente, soit parce qu’elles existent, mais qu’on ne peut les trouver, soit parce qu’elles existent, mais qu’elles ne sont pas accessibles en raison d’un contrôle exclusif, d’embargos, de barrières techniques, de détériorations dues à une mauvaise conservation, soit, tout simplement, parce que ceux qui possèdent ces données ne peuvent pas, ou ne veulent pas, les diffuser.

4Les données prolifèrent, sous forme numérique comme physique. Le big data permet de penser et de poser de nouvelles questions à grande échelle. Pour la première fois, les scientifiques peuvent interroger des ensembles de données où n = tous (Edwards et al., 2013 ; Mayer-Schonberger et Cukier, 2013 ; Schroeder, 2014). Néanmoins, les données numériques sont aussi bien plus fragiles que les sources physiques, dont certaines ont traversé les siècles. Contrairement au papier, au papyrus et à la peinture, les données numériques ne peuvent être interprétées sans le dispositif technique qui a permis de les créer. Les matériels et les logiciels évoluent rapidement, rendant les fichiers numériques illisibles s’ils ne sont pas migrés vers leurs nouvelles versions au fur et à mesure. Une documentation doit les accompagner, non seulement pour les lignes et les colonnes d’un tableur, mais aussi dans les procédures grâce auxquelles on les a obtenus. De même, des spécimens, des diapositives et des échantillons peuvent parfois n’être interprétables qu’en se référant à leur documentation. Si l’on n’investit pas expressément dans la conservation des données, la plupart d’entre elles disparaîtront rapidement.

5C’est la puissance des données combinées à leur fragilité qui en faitl un sujet d’étude fascinant dans la communication savante. Prises isolément, les données n’ont ni valeur ni sens. Elles peuvent constituer un atout ou une charge, ou les deux. Elles existent au sein d’une infrastructure de la connaissance, c’est-à-dire d’un écosystème de personnes, de pratiques, de technologies, d’institutions, d’objets matériels et de relations. Tous les éléments de l’infrastructure sont en mouvement, avec des fluctuations dans les parties prenantes, les technologies, les politiques et les jeux de pouvoir. Les enjeux sont importants non seulement pour les savantes et savants d’aujourd’hui et de demain, mais aussi pour celles et ceux qui souhaitent utiliser les connaissances qu’ils créent.

Big Data, Little Data

6Par son titre – Big Data, Little Data, No Data –, le présent ouvrage se réclame de Price et du souci de tous les domaines de recherche pour la conservation et la maîtrise de leurs ressources intellectuelles. Les données sont des moyens, des résultats et des atouts de la recherche. Elles sont omniprésentes et pourtant souvent éphémères. La question « qu’est-ce qu’une donnée ? » devient souvent « quand est-ce une donnée ? », car admettre qu’un phénomène peut être traité comme une donnée est, en soi, un acte scientifique (Borgman, 2007, 2012a ; Bowker et al., 2010 ; Star et Bowker, 2002).

7On trouvera une définition nominale du mot anglais « data » (donnée) dans l’Oxford English Dictionary : 1) « information ; donnée ; ensemble de données » ; 2) « informations (surtout numériques) liées entre elles considérées collectivement, généralement obtenues par un travail scientifique et utilisées à des fins de référence, d’analyse ou de calcul » ; 3) « quantités, caractères ou symboles traités par ordinateur, considérés collectivement. Également (en contexte non technique) : information sous forme numérique ». Ces définitions, restrictives et circulaires, ne parviennent ni à saisir la richesse et la variété des données de la recherche, ni à dévoiler leurs propres prémisses épistémologiques et ontologiques. C’est pourquoi le chapitre 2 est consacré à expliquer le concept de donnée.

8Les données possèdent des caractéristiques qui, conjuguées à des tendances sociales et techniques plus larges, contribuent de plus en plus à la reconnaissance de leur utilité, de leur valeur et des problèmes qu’elles posent dans la communication savante.

Masse

9Derek de Solla Price (1963) a établi que les principales distinctions entre science légère et science lourde (ou mégascience) sont d’ordre qualitatif. De son point de vue, la science lourde était dominée par des collèges invisibles qui établissaient des relations communautaires, échangeaient des informations en privé et géraient les activités professionnelles de leur discipline (Crane, 1970 ; Furner, 2003b ; Lievrouw, 2010). La science légère est, quant à elle, menée à une échelle plus modeste, dans des communautés de recherche plus restreintes ; le consensus sur les questions et les méthodes de recherche y est moindre, de même que l’infrastructure. Depuis les observations de Price, la manière de pratiquer la science sous toutes ses formes a considérablement changé. Parce qu’il était l’un des premiers historiens contemporains de la science, son point de vue était fortement influencé par l’essor de l’activité de recherche dans l’après-guerre (Furner, 2003a, 2003b). Les pratiques dominantes dans la recherche aujourd’hui, qui font un usage intensif des données et des calculs, étaient à peine visibles lorsque Price est décédé en 1981. Néanmoins, son intuition quant à la distinction qualitative entre science légère et science lourde est toujours valable à l’ère du big data.

10Les concepts de big data et little data ne sont que grossièrement analogues à ceux de big science et little science. Price ne distinguait pas ces derniers en fonction de la taille des projets, mais de la maturité de la science en tant qu’entreprise. La science contemporaine, ou big science pour reprendre ses termes, se caractérise par des efforts collaboratifs internationaux et par des collèges invisibles de chercheurs et de chercheuses qui se connaissent et échangent des informations de manière formelle et informelle. La little science, ce sont les trois cents ans de travaux indépendants à petite échelle qui permettent de développer la théorie et la méthode pour comprendre les problématiques de la recherche. Cette science légère, qu’on appelle souvent small science, se caractérise par des méthodes et des données hétérogènes, ainsi que par une analyse et un contrôle locaux (Borgman et al., 2007a ; Cragin et al., 2010 ; Taper et Lele, 2004). Comme le remarquait Price, les disciplines légères peuvent devenir lourdes, bien que beaucoup conserveront un caractère modeste.

11La distinction entre big data et little data est problématique parce que quelque chose peut être massif (big) de nombreuses façons. Le terme big data n’est entré dans le dictionnaire Oxford qu’en 2013 : « données de très grande taille, généralement au point que leur manipulation et leur gestion présentent des difficultés logistiques significatives ; [également] la branche informatique concernant ce type de données ». D’autres définitions des mégadonnées parlent d’échelle relative plutôt que de taille absolue. Dans le cadre des applications commerciales et administratives, Mayer-Schonberger et Cukier (2013) envisagent le big data sous l’angle d’informations qui peuvent être extraites à grande échelle, alors qu’elles ne pourraient pas l’être à une échelle plus modeste. Dans le cadre universitaire, le big data est la recherche sur un phénomène donné rendue possible par le recours aux données à une échelle ou dans un périmètre sans précédent (Meyer et Schroeder, 2014 ; Schroeder, 2014).

12Des données sont massives ou non selon ce qu’on peut en faire, les informations qu’elles peuvent nous révéler et l’échelle d’analyse adaptée au phénomène étudié, qu’il s’agisse de comportement du consommateur ou de découverte de médicaments. Une ancienne définition, qui distingue en quoi les données peuvent être massives, reste encore utile : volume, variété, vitesse ou une combinaison de ces dimensions (Laney, 2001). L’augmentation substantielle de l’une ou l’autre peut modifier l’échelle de la recherche.

13L’omniprésence des données contribue aussi à leur caractère massif. Maintenant que nos quotidiens sont outillés de technologies de l’information, on enregistre les traces du comportement humain en toute facilité. Il y a vingt ans à peine, l’accès aux télécommunications se mesurait par la proportion de foyers équipés d’une ligne téléphonique. Aujourd’hui, chaque individu possède potentiellement plusieurs outils de communication, chacun doté de son propre identifiant. Même dans les pays en voie de développement, la fourniture numérique d’information est possible grâce à la croissance exponentielle des technologies de communication mobile. Ces appareils omniprésents sont cependant bien plus que de simples téléphones. Ils peuvent détecter, communiquer et calculer ; ils peuvent enregistrer et diffuser du texte, des images, du son et des vidéos. Ces traces peuvent être marquées de coordonnées de temps et de lieu, créant des relevés d’activité continus. Les bâtiments, les véhicules et les lieux publics sont eux aussi équipés de technologies similaires. On peut combiner ces traces pour élaborer de fructueux modèles d’activité sociale. Les données et leurs usages potentiels prolifèrent bien plus vite que le droit à la vie privée ou les politiques informationnelles, qui peinent à suivre.

14L’essor du concept de donnée dans les médias et dans le discours académique reflète l’omniprésence des sources de données et la masse de données désormais disponibles sous forme numérique. Après avoir été longtemps prédite, la masse critique a été atteinte dans les sciences exactes, en médecine, en affaires et au-delà. Dans le jargon des affaires, on dirait que le big data a atteint le point de bascule, le seuil de popularité qui permet à une idée de se répandre rapidement (Gladwell, 2002). Dans tous les secteurs, les données numériques sont plus faciles à générer, miner et diffuser que jamais.

15La possibilité de poser de nouvelles questions, de dégager de nouvelles tendances et d’enregistrer des phénomènes autrefois insaisissables a créé une industrie nouvelle, parfois compatible avec les préoccupations de la recherche ou non.

Ouverture

16Les tendances aux modèles ouverts ou libres dans les domaines du logiciel, de l’administration, des normes, des publications, des données, des services et de la production collaborative de connaissances ont transformé les relations entre les acteurs de tous ces secteurs (Benkler, 2007 ; Hess et Ostrom, 2007a ; Kelty, 2008 ; Raymond, 2001). L’ouverture favoriserait la circulation de l’information, la modularité des systèmes et des services et l’interopérabilité. Cependant, l’ouverture comporte également des coûts économiques et sociaux, comme le montre le mouvement du « logiciel libre ». Pour reprendre la distinction de Richard Stallman (2002), l’ouverture s’apparente davantage à la « free speech » (liberté d’expression) qu’à la « free beer » (bière gratuite).

17On considère généralement que l’édition en accès ouvert remonte à la déclaration de Budapest en 2002, laquelle puise aux expériences d’édition électronique des années 1970 (Budapest Open Access Initiative, 2002 ; Naylor et Geller, 1995). L’accès ouvert aux données possède des racines plus anciennes encore. Le système du Centre mondial des données a été créé dans les années 1950 pour archiver et diffuser les données recueillies au sein des programmes d’observation de l’année internationale de géophysique en 1957-1958 (Korsmo, 2010 ; Shapley et Hart, 1982). CODATA a été fondé en 1966 par le Conseil international pour la science afin de promouvoir la coopération dans le domaine de la gestion et de l’utilisation des données (Lide et Wood, 2012). En 2007, l’Organisation de coopération et de développement économiques (OCDE) a codifié les principes de l’accès aux données de la recherche issues de financements publics (Organisation de coopération et de développement économiques, 2007). Depuis, les rapports d’orientation sur l’accès aux données de la recherche continuent de foisonner (Arzberger et al., 2004 ; National Research Council, 1997 ; Esanu et Uhlir, 2004 ; Mathae et Uhlir, 2012 ; Pienta et al., 2010 ; Wood et al., 2010). Nous examinons plus avant l’édition en accès ouvert et l’open data au chapitre 3.

18L’accès ouvert est en partie une réponse à la marchandisation des ressources informationnelles. Bien que cette tendance ait pour origine des changements de politiques dans les secteurs de la propriété intellectuelle et de l’économie de l’information, l’atteinte de la masse critique a ouvert de nouveaux marchés. Antécédents médicaux, comportement du consommateur, médias sociaux, recherche d’information, édition universitaire et génétique font partie des domaines où la concentration de données est suffisante pour créer et déplacer des marchés. Certaines de ces données s’échangent exclusivement dans le secteur privé, mais beaucoup suscitent des intérêts académiques et commerciaux. Les données de la recherche universitaire peuvent avoir une valeur commerciale, tout comme les données commerciales peuvent revêtir un intérêt pour la recherche ; cela mène à de nouveaux partenariats et à de nouvelles tensions (Lessig, 2004 ; Mayer-Schonberger et Cukier, 2013 ; Schiller, 2007 ; Weinberger, 2012).

19L’accès ouvert, conjugué à la marchandisation des données, conduit à des mutations dans les politiques de recherche. Pouvoirs publics, organismes de financement et revues encouragent ou enjoignent désormais les chercheurs à diffuser leurs données (Finch, 2012 ; National Science Foundation, 2010b ; National Institutes of Health, 2003 ; Research Councils UK, 2012a). L’accès ouvert aux publications et aux données accélère la circulation des contenus académiques dans de nombreux domaines et participe aux tensions entre parties prenantes.

20La circulation de l’information dépend plus que jamais de l’infrastructure technologique. Les réseaux de télécommunications augmentent leur capacité et leur pénétration avec et sans fil. Les investissements technologiques ne diminuent pas dans l’offre et la demande d’informations, d’outils et de services. Cependant, ils ne conduisent pas directement à des améliorations de l’échange d’informations. En effet, les infrastructures techniques sont aussi des cibles pour l’espionnage, qu’il soit industriel, politique ou académique. La vie privée, la confidentialité, l’anonymat et la maîtrise des ressources intellectuelles sont en jeu. Déplacer des données scientifiques ou autres à travers des réseaux requiert un équilibre délicat entre sécurité, droits, protection, interopérabilité et politiques.

La longue traîne

21« La longue traîne » est une façon courante de caractériser la disponibilité et l’utilisation des données dans des domaines de recherche ou des secteurs économiques. L’expression est d’abord apparue en anglais sous la plume de Chris Anderson (2004) dans un article du magazine Wired, où il comparait le commerce de marchandises dans des boutiques physiques à celui des boutiques en ligne. La distribution statistique – une loi de puissance – est bien connue (figure 1.1). Dans le modèle d’Anderson, environ 15 % de la distribution se trouve dans la tête de la courbe et les 85 % restants sont distribués tout au long de la queue. Dans le cas de la recherche universitaire, un petit nombre de laboratoires travaillent avec de très grands volumes de données, un certain nombre avec très peu de données et la majorité se situe entre les deux. Tout à droite de la courbe, un grand nombre de scientifiques mènent leurs recherches avec des quantités minimes de données (Foster et al., 2013).

22La longue traîne est un raccourci commode pour montrer la gamme des volumes de données utilisées dans un domaine ou un laboratoire donné. Elle met également bien en valeur le fait que seules quelques disciplines – telles que l’astronomie, la physique et la génétique parmi les sciences exactes, la macroéconomie dans les sciences sociales et certains champs des humanités numériques – travaillent avec de très grands volumes absolus de données. En somme, les volumes de données sont inégalement répartis entre les disciplines.

Figure 1.1. La loi de puissance communément appelée la longue traîne

23La métaphore de la longue traîne a pour faiblesse de suggérer que les pratiques en matière de données de n’importe quel individu ou discipline peuvent être placées sur un graphique en deux dimensions. En réalité, les activités scientifiques sont influencées par d’innombrables facteurs en sus du volume de données manipulées. L’objet de recherche détermine généralement le choix des méthodes et des données, mais l’inverse peut aussi être vrai. En effet, la disponibilité de données peut permettre de poser d’autres questions et d’appliquer d’autres méthodes. Le choix des données dépend également d’autres ressources à la disposition des chercheurs et des chercheuses en tant qu’individus, comme la théorie, l’expertise, les laboratoires, l’équipement, les réseaux techniques et sociaux, les sites de recherche, le personnel et d’autres formes d’investissements en capital.

24On peut toutefois poser une généralité quant à la distribution en longue traîne des données dans la recherche : les données exploitées par un petit nombre d’universitaires à la tête de la courbe tendent à être volumineuses, mais peu variées. Les sciences lourdes qui produisent de grands volumes de données doivent s’accorder sur des instruments (par exemple des télescopes ou des séquenceurs d’ADN) et des formats communs(par exemple des métadonnées ou des structures de base de données). Ces données sont relativement homogènes pour ce qui est du contenu et de la structure. La capacité de normaliser les structures de données facilite le développement d’infrastructures, d’outils et de services partagés. À l’inverse, plus une spécialité scientifique se trouve en queue de distribution et plus ses pratiques sont caractéristiques de la small science ou de la recherche légère, plus ses contenus, ses structures et ses représentations sont variés. Les scientifiques travaillant (seuls ou en équipe) dans ces spécialités peuvent adapter leurs méthodes de recherche, leur collecte de données, leur équipement et leur analyse du problème étudié bien plus facilement que celles et ceux officiant dans la recherche lourde, qui dépendent de télescopes spatiaux, d’accélérateurs linéaires de particules ou de projets de numérisation massive pour obtenir leurs données. Le revers de cette souplesse est l’absence de normes sur lesquelles baser une infrastructure commune, ainsi que le manque de masse critique pour développer et pérenniser des ressources de données.

25Aujourd’hui, la majorité du travail scientifique et du travail savant en général est menée par des individus ou de petits laboratoires disposant habituellement de financements minimes (Heidorn, 2008). Certains de ces laboratoires participent à des collaborations mégascientifiques internationales. Ils peuvent produire ou analyser des mégadonnées et les échanger par le biais de dépôts de données communautaires (National Science Board, 2005 ; Olson et al., 2008). Cependant, beaucoup de ces individus et de ces laboratoires mènent des recherches avant tout exploratoires, locales, variées et qui ne disposent pas de ressources communautaires partagées.

No Data

26Aujourd’hui que la communauté scientifique, la population étudiante, les pouvoirs publics, les entreprises et le grand public partent du principe que des données accessibles existent sur n’importe quel sujet ou presque, l’absence de données devient d’autant plus visible. Les volumes, la vitesse et la variété des données disponibles pour répondre aux questions de recherche varient grandement d’un domaine à l’autre. Souvent, les champs de recherche disposant de données en abondance les mettent en commun, ce qui favorise la mutualisation des méthodes, des outils et des infrastructures. Dans un contexte de profusion de données qu’aucun individu ou laboratoire ne saurait analyser seul, la mise en commun permet de les explorer, de les combiner et de bénéficier de plus de regards qu’il n’aurait été possible autrement. Dans les domaines où les données sont rares, à l’inverse, celles-ci constituent des « biens précieux »1 (Sawyer, 2008, p. 361) qui peuvent déterminer le choix des méthodes et de la théorie. Comme la métaphore de la longue traîne, la dichotomie entre domaines riches en données et domaines pauvres en données simplifie à l’excès la complexité des ressources utilisées dans tout travail de recherche. Nous n’exposerons ici que quelques-unes des raisons possibles de l’absence ou de la rareté de données disponibles dans une question ou un projet de recherche donné.

Des données indisponibles

27Dans la plupart des disciplines, les scientifiques sont encouragés à créer de nouvelles données. Il est bien plus facile d’obtenir un financement pour étudier quelque chose de nouveau par des observations, des expériences, des enquêtes, des modèles, de l’ethnographie ou d’autres moyens que pour réanalyser des données existantes. Les universitaires obtiennent un avantage compétitif en se penchant sur des sujets où aucune donnée n’existe. À l’inverse, l’astronomie, l’étude des médias sociaux, la modélisation de villes et de climats et les recherches in silico dans les sciences de la vie sont des exemples de domaines où les scientifiques recherchent des données réutilisables.

28Des données pertinentes peuvent exister, mais se trouver entre les mains d’organismes qui n’ont aucune obligation de les publier, ou qui en sont empêchés par la loi. Il peut s’agir de documents professionnels, de procédés brevetés, d’archives muséales, de dossiers scolaires et d’innombrables autres formes d’information potentiellement utiles à la recherche. Certaines de ces données peuvent être mises à disposition sous licence ou à certaines conditions, telles que l’anonymisation. La tendance à l’ouverture des données dans la recherche, l’administration et les affaires a eu pour conséquence de rendre accessibles des données autrefois considérées comme exclusives.

29Les données provenant d’essais cliniques, de médicaments ou d’autres interventions médicales sont particulièrement litigieuses. Elles peuvent en effet avoir une grande valeur financière et concurrentielle. Elles jouent également un rôle essentiel dans les soins cliniques. Les patients souhaitent accéder à ces données et découvertes, car elles servent l’intérêt public. La diffusion sélective et la présentation de données d’essais cliniques sont devenues une question publique. Bien que nous ne les étudiions pas en profondeur dans le présent ouvrage, les données biomédicales telles que les résultats d’essais cliniques se trouvent en première ligne des évolutions des politiques en matière d’accès ouvert et des mutations des relations entre parties prenantes (De Angelis et al., 2005 ; Edwards et al., 2009 ; Fisher, 2006 ; Goldacre, 2012 ; Hrynaszkiewicz et Altman, 2009 ; Kaiser, 2008 ; Laine et al., 2007 ; Lehman et Loder, 2012 ; Marshall, 2011 ; Prayle et al. 2012 ; Ross et al., 2012 ; Wieseler et al., 2012).

30Les données personnelles utilisées dans les sciences humaines et sociales, que nous évoquons au chapitre 5, peuvent également être particulièrement sensibles et non diffusables. Les données pouvant être anonymisées à un degré raisonnable, comme celles issues des enquêtes démographiques, sont les plus susceptibles d’être mises à disposition pour être réutilisées. Les données ethnographiques ou issues d’enquêtes qualitatives sont rarement mises à disposition d’universitaires autres que les enquêteurs et enquêteuses eux-mêmes.

Des données non publiées

31Si l’accès ouvert est connu depuis longtemps dans certains domaines de la recherche, la diffusion des données ne suscite pas pour autant une approbation universelle. Alors que la non-diffusion est considérée comme une faute professionnelle dans certaines disciplines, dans d’autres, c’est l’inverse, comme expliqué au chapitre 8. En chimie, par exemple, la collecte et la conservation des données en vue de leur réutilisation sont assimilées à de la simple « philatélie » (Lagoze et Velden, 2009a, 2009b). Les données peuvent constituer de précieux atouts à échanger, marchander et faire miroiter dans des négociations avec des partenaires scientifiques ou financiers. Une fois que les données sont publiées, les laboratoires perdent le contrôle de qui les exploite, comment, quand et pourquoi. Souvent, les chercheurs et chercheuses craignent que leurs données soient détournées, mal utilisées ou mal interprétées, ce qui pourrait rejaillir sur leur propre travail (Hilgartner et Brandt-Rauf, 1994).

32À la suite d’évolutions récentes, les demandes de financement doivent désormais comporter un plan de gestion des données, ce qui constitue un premier pas vers la diffusion. Cependant, rares sont les politiques à rendre l’accès ouvert obligatoire. Il est plutôt demandé aux scientifiques de spécifier le type de données qu’elles et ils vont collecter, comment elles et ils comptent les gérer et comment les rendre accessibles à d’autres. De même, quelques revues, de plus en plus nombreuses, demandent que les données citées dans leurs articles soient diffusées. La diffusion peut se faire selon différents mécanismes, par exemple le dépôt dans des archives locales ou des référentiels institutionnels, l’ajout en annexe d’articles de revues, la publication sur des sites web locaux ou encore la diffusion à la demande (Alsheikh-Ali et al., 2011 ; Wallis et al., 2013).

33Dans certains domaines, les laboratoires disposent de périodes d’embargo, ou période d’utilisation exclusive, pour contrôler leurs données avant de les diffuser. Cette période dure généralement de quelques mois à quelques années. Elle est censée être suffisamment longue pour analyser les données et publier les découvertes réalisées, mais assez courte pour encourager leur diffusion auprès de la communauté scientifique. Lorsque les organismes de financement ou les revues exigent des universitaires la diffusion de leurs données, c’est généralement au moment de la publication des résultats ou après, sur demande. Il est rarement exigé des scientifiques de diffuser leurs données avant la publication de leurs travaux, à moins que la période d’embargo n’ait été dépassée ou que d’autres règles s’appliquent, comme c’est le cas pour les études cliniques.

34Dans les domaines pauvres en données décrits par Steve Sawyer (2008), garder ses données par devers soi est une pratique communément admise. Les personnels de recherche en sciences humaines, par exemple, peuvent vouloir préserver leur accès à des manuscrits, des lettres ou d’autres sources rares le plus longtemps possible. Dans les sciences sociales, ils protégeront leurs contenus, leurs sites et les données associées. Dans les sciences de la vie et les sciences physiques, ce seront les sites, les espèces, les observations et les expériences. Un pays peut refuser l’accès à des sites archéologiques, à du patrimoine et à d’autres ressources, qu’il autorisera uniquement aux savantes et savants autochtones et à leurs partenaires. Les scientifiques venus de pays pauvres peuvent, quelle que soit leur discipline, protéger les trésors qu’elles et ils auront rapportés d’un rare voyage à l’étranger.

35Dans de nombreux domaines, les chercheurs et chercheuses peuvent explorer des jeux de données ou d’autres ressources tout au long de leur carrière, sans jamais « en avoir terminé » avec leurs données. Certains ensembles deviennent plus précieux à mesure que le temps passe, par exemple des observations cumulées sur une espèce ou un phénomène. Les notes, les enregistrements et les contenus produits par un ou une scientifique peuvent s’avérer précieux pour d’autres, mais ne devenir disponibles qu’à la fin de sa carrière, si elle ou il les offre à des archives.

Des données inutilisables

36Documenter des données pour son propre usage est déjà difficile. Rédiger une documentation qui permette à d’autres de les découvrir, les extraire, les interpréter et les réutiliser l’est bien plus. Rendre des données utiles à d’autres est un effort, dont les motivations dépendent de facteurs sociaux, techniques, politiques, économiques et contextuels innombrables, comme abordé aux chapitres 8 et 9.

37Diffuser des données et les rendre exploitables sont deux questions différentes. L’information nécessaire à l’interprétation des données dépend entièrement de la problématique et du domaine de recherche des scientifiques qui les réutiliseront, ainsi que de leur expertise et de leurs ressources, comme expliqué au chapitre 4 et dans les études de cas. Pour interpréter les données, il est généralement nécessaire de disposer de guides de codification, de modèles et de descriptions détaillées des méthodes de collecte, de nettoyage et d’analyse. De plus, les jeux de données numériques ne peuvent être ouverts qu’avec des logiciels particuliers, comme des outils statistiques, du code spécifique à un instrument ou des logiciels conçus pour des applications propres au domaine, de l’art à la zoologie. Beaucoup sont des logiciels propriétaires. Par ailleurs, des renseignements sur les origines et les transformations des données peuvent être essentiels à leur réexploitation. Plus la réutilisation envisagée est loin du point d’origine, que ce soit en termes de temps, de théorie, de discipline ou de toute autre mesure de distance, plus il est difficile d’interpréter un jeu de données ou de jauger sa valeur.

38Si les données ne sont pas documentées à temps, tant que des spécialistes sont disponibles pour les décrire, elles peuvent rapidement perdre toute utilité. De même, les jeux de données sont prompts à se désynchroniser des versions logicielles et matérielles utilisées pour les créer et les analyser.

39Quelles données valent la peine d’être préservées, pourquoi, pour qui, par qui et pour combien de temps ? La responsabilité de leur conservation incombe-t-elle d’abord aux personnels de recherche, aux communautés scientifiques, aux universités, aux organismes de financement ou à d’autres acteurs ? Ces questions, que nous explorons au chapitre 10, sont au cœur de la problématique de la conservation des données.

Provocations

40Manifestement, la question des données est bien plus complexe que ce que la presse grand public ou les politiques officielles laissent entendre. Même restreinte à la recherche et à l’érudition, elle reste vaste et compliquée. La littérature sur les données de la recherche augmente rapidement, certes, mais chaque article, communication, livre blanc, rapport et manifeste ne traite que d’un seul aspect de ce problème éléphantesque. Le présent ouvrage est la première monographie à envisager tout « l’éléphant » des données aux points de vue social, technique et stratégique et à se fonder sur des exemples tirés de différentes disciplines universitaires. Il fait suite à une exploration plus générale de la recherche à l’ère numérique (Borgman, 2007) pour traiter de l’expansion inédite de l’intérêt pour les données apparu dans l’intervalle, comme le montrent les tendances évoquées plus haut.

41Aussi ambitieux que soit le projet de ce livre, d’autres questions demeurent quant à la nature, aux rôles et aux usages des données dans la recherche. Théorie, preuve et pratique sont étroitement mêlées. Nous identifions les points d’intersection et les démêlons lorsque c’est possible. Les thèses que nous présentons ici explorent les problèmes d’actualité en partant d’un profond souci pour les enjeux auxquels la recherche universitaire et l’activité académique sont confrontées. Le propos adopte la forme de six provocations visant à susciter un débat plus approfondi entre les nombreux acteurs de l’entreprise scientifique :

1. La reproductibilité, le partage et la réutilisation des données sont des questions débattues depuis des décennies, voire des siècles. Nous intéresser à qui possède les données de la recherche, les contrôle, y a accès et les pérennise permettra de déterminer comment exploiter leur valeur et qui pourra le faire.
2. Transmettre des connaissances au fil du temps et dans différents contextes est difficile. Certaines formes et représentations de données se partagent aisément d’une discipline à une autre, d’un contexte à un autre et d’une époque à une autre, mais beaucoup d’autres ne le peuvent pas. Il est nécessaire de comprendre quelles fonctionnalités sont importantes ou non afin d’inspirer les pratiques et politiques scientifiques et guider les investissements dans les infrastructures de la connaissance.
3. En dépit de la prolifération des formes et des genres, les fonctions des publications scientifiques restent stables. Les données servent des objectifs différents des articles, des ouvrages et des communications. Traiter les données comme des publications risquent de renforcer le poids des intérêts catégoriels au détriment de l’expérimentation de nouveaux modèles de communication savante. Il convient d’envisager les fonctions des données dans la recherche du point de vue de différentes parties prenantes.
4. Les travaux de recherche se diffusent plus largement grâce à des mouvements tels que l’édition en accès ouvert, l’ouverture des données et le logiciel libre. Les finalités différentes des données et des publications dans la recherche influent sur les incitations à diffuser, ainsi que sur les moyens et les pratiques de diffusion. L’ouverture de l’accès aux données a des répercussions encore mal comprises sur les personnels de recherche, les bibliothèques, les universités, les organismes de financement, les maisons d’édition et les autres acteurs.
5. Les infrastructures de la connaissance évoluent afin de prendre en compte l’ouverture des données, leur usage intensif dans la recherche, les nouvelles technologies, les médias sociaux et les transformations des pratiques et des politiques. Certaines parties prenantes y gagnent tandis que d’autres y perdent. Coûts, bénéfices, risques et responsabilités sont redistribués. De nouvelles formes d’expertise sont nécessaires, mais leur application varie selon les contextes et les domaines de recherche.
6. Les infrastructures de la connaissance se développent et s’adaptent au fil des générations de savantes et savants. Elles ont besoin d’une vision à long terme pour leur conception et leurs politiques, or le financement de la recherche se fait sur des cycles courts. Des investissements substantiels dans l’infrastructure sont nécessaires afin d’acquérir, de pérenniser et d’exploiter les données de la recherche aujourd’hui et demain. Ces investissements seront controversés, car les choix faits aujourd’hui décideront de quelles données et autres ressources informationnelles nous disposerons demain et bien après.

42Ces provocations sont approfondies en dix chapitres, organisés en trois parties. Les quatre premiers chapitres donnent une vision d’ensemble des données et de la recherche afin d’établir les fondements des six provocations. La deuxième partie consiste en trois études de cas, en autant de chapitres. Nous y étudions de multiples exemples tirés des sciences exactes, des sciences sociales et des sciences humaines, chacun venant corroborer les provocations. Les politiques et les pratiques en matière de données constituent l’objet de la troisième partie, qui offre une analyse comparative de l’accessibilité et de l’utilisation des données à travers les disciplines et les contextes (chapitre 8), explore les questions du crédit, de l’attribution et de la découvrabilité (chapitre 9) et se termine en demandant ce qu’il faut conserver et pourquoi (chapitre 10). La dernière partie dégage les implications de ces provocations dans la pratique scientifique et les politiques en matière de recherche et ouvre vers de nouvelles questions.

Conclusion

43La santé d’une communauté intellectuelle repose sur la poursuite obstinée de connaissance de spécialistes, en physique nucléaire comme en culture tibétaine. Le défi consiste à développer des infrastructures de la connaissance qui servent la diversité des idées, des questions, des méthodes et des ressources que chacun apporte à l’érudition. Des universitaires de tous domaines conviennent que l’enthousiasme pour le big data constitue un risque pour la recherche à petite échelle (Alberts, 2012 ; Berlekamp, 2012 ; Gamazon, 2012 ; Meyer, 2009 ; Sawyer, 2008 ; Siminovitch, 2012). Le présent ouvrage ouvre la boîte noire des « données », y examinant les idées, les théories, les pratiques, les politiques, les valeurs, les incitations et les motivations intrinsèques. En soi, les données ne sont pas un sujet particulièrement enthousiasmant. Il s’agit cependant d’un cadre extrêmement utile pour observer les bouleversements de la pratique scientifique et comment ils s’inscrivent dans la technologie, l’éducation et les politiques. Nos six provocations visent à élargir et approfondir le débat sur les données de la recherche en y faisant participer toutes les parties prenantes. Aucune d’elles n’appelle une réponse simple ou claire. Beaucoup de ces questions se négocieront isolément, souvent au coup par coup. Elles influeront toutes sur la manière dont la recherche est menée aujourd’hui et demain. Tel est le cœur de cet ouvrage.