3. Le travail scientifique des données
p. 55-79
Texte intégral
Introduction
1« Travail scientifique des données » (data scholarship)1 est un terme que j’ai créé pour exprimer l’agencement complexe des relations entre données et recherche. Les données sont aujourd’hui animées d’une vie propre, indépendamment du contexte scientifique où elles servent à mettre en évidence des phénomènes ; c’est du moins ce qui ressort de la presse grand public. Scientifiques, universités et cabinets de conseil sont tous d’accord pour dire que disposer de suffisamment de données et des techniques adéquates pour les exploiter permet de poser des questions inédites et d’obtenir des indicateurs d’un nouveau genre. Dans certains cas, on peut réaliser des choses extrêmement utiles. Cependant, il peut s’avérer très difficile de déterminer la valeur d’un jeu de données quelconque ou d’anticiper à quoi il pourrait servir.
2La notion de travail scientifique des données a d’abord été formulée comme une « recherche à forte concentration de données » dans les initiatives stratégiques du début des années 2000, telles que l’eScience, l’eSocial Science, les eHumanities, l’eInfrastructure et la cyberinfrastructure (Atkins et al., 2003 ; Edwards et al., 2007 ; Hey et Trefethen, 2005 ; Unsworth et al., 2006). Les trois premiers termes se sont finalement fondus en celui d’eResearch. Le programme britannique Digital Social Research a mis en commun des investissements antérieurs dans l’eSocial Science : il englobait ainsi la recherche à forte concentration de données dans les sciences sociales et l’étude de l’eResearch (Digital Social Research, 2013). Le nom eScience désigne souvent le travail des données dans l’ensemble des champs de recherche, y compris les sciences humaines (Crane et al., 2007). Cyberinfrastructure reste un terme résolument américain qui recouvre à la fois le travail des données et le cadre technique qui rend ces activités possibles.
3Un individu ou une communauté scientifique peut savoir exploiter ses données pour ses besoins propres tout en ignorant quelles données et méthodes, utilisées par des communautés contiguës, pourraient lui servir et vice versa. Passer à de très grands volumes de données produit des différences qualitatives dans les méthodes et les problématiques. Les anciennes approches ne sont plus viables ; pourtant, il faut bien souvent combiner de vieilles données avec des nouvelles. L’expertise se transmet difficilement d’un domaine à l’autre, d’une méthode à l’autre. Les personnels de recherche réagissent de façons très diverses à ces difficultés. Certains veulent diffuser largement leurs données, quelle que soit leur forme, pour qu’elles puissent être exploitées à loisir. D’autres préfèrent les conserver par devers eux indéfiniment plutôt que de laisser des personnes extérieures en extraire des trésors qui leur auraient échappé. Beaucoup sont paralysés par le risque de mésusage, d’interprétation erronée, de charge à gérer, de manque d’expertise, de manque d’outils et de ressources, de manque de financement, de perte de contrôle et de pollution de banques de données communes, ainsi que par ce redoutable défi qu’est la pérennisation. Ce n’est qu’aujourd’hui que ces difficultés dans la gestion des données apparaissent au grand jour. Nous comprenons suffisamment certaines d’entre elles pour nous diriger vers des solutions. D’autres semblent insurmontables.
4Pour les chercheurs et chercheuses, la gestion des données peut apparaître comme une responsabilité individuelle supplémentaire dans un contexte de réduction des ressources consacrées à la recherche et à l’éducation ; pourtant, le travail scientifique des données est profondément ancré dans les infrastructures de la connaissance. Comme nous l’avons évoqué au chapitre 1, les données suscitent des tensions en raison de l’intérêt que représentent leur possession, leur contrôle et leur accès ; de la difficulté à les transmettre pour des contextes et périodes futurs ; et du besoin de pérennité des données et d’autres contenus scientifiques. Les enjeux sont considérables pour les scientifiques, la population étudiante et les sociétés humaines où la recherche est menée. Les infrastructures de la connaissance fournissent un cadre pour évaluer les interactions sociales et techniques, les implications de la recherche ouverte et la convergence des formes de communication savante.
Les infrastructures de la connaissance
5Le terme « infrastructure de la connaissance » s’inspire de travaux antérieurs sur l’information, l’infrastructure et l’Internet : la recherche sur l’infrastructure en soi s’est considérablement développée, l’Internet s’est enraciné dans la vie académique et l’information circule en continu. L’expression « infrastructure de l’information », qui évoquait une vision globale d’un monde, a pris le sens plus restreint d’architectures techniques de communication. De même, en anglais, national information infrastructure (infrastructure nationale de l’information) et global information infrastructure (infrastructure mondiale de l’information) désignent désormais des politiques états-uniennes des années 1990 (Borgman, 2000, 2007 ; Busch, 2013 ; Kahin et Foray, 2006 ; Wouters et al., 2012).
6Une infrastructure n’est pas un processus conçu pour être cohérent. Elle se rapproche plutôt de l’écosystème, d’un système adaptatif complexe. Elle est constituée de nombreuses composantes qui interagissent, avec plus ou moins de succès, à travers des processus sociaux et techniques. Paul Edwards (2010, p. 17) définit les « infrastructures de la connaissance » (knowledge infrastructures) comme des « réseaux robustes de personnes, d’artefacts et d’institutions qui créent, partagent et entretiennent des connaissances spécifiques sur les mondes humains et naturels ». Ces réseaux intègrent la technologie, les activités intellectuelles, l’apprentissage, la collaboration et l’accès décentralisé à l’expertise humaine et à une information étayée. La recherche disciplinaire sur ces idées s’est alors penchée sur trois thèmes : comment les infrastructures de la connaissance évoluent-elles ? Comment renforcent-elles ou redistribuent-elles autorité, influence et pouvoir ? Comment pouvons-nous mieux étudier, connaître et imaginer les infrastructures de la connaissance d’aujourd’hui (et de demain) (Edwards et al., 2013) ?
7La donnée est un mode d’information qui semble toujours en mouvement, difficile à fixer en une forme statique. En outre, les limites du savoir tacite et des terrains d’entente sont également mouvantes, puisque de nombreuses parties négocient l’appréhension des données dans de multiples disciplines, domaines et périodes. Les normes de la connaissance n’ont certes jamais été stables, mais elles sont plus complexes encore à établir à l’ère du big data. Que signifie « savoir » quelque chose si le résultat du calcul ne peut être parfaitement expliqué ? Que peut-on connaître des origines des données, que faut-il en savoir pour les transmettre dans d’autres contextes ? La « structure de confiance » implicite dans le partage d’informations entre collaborateurs et collaboratrices est ardue à recréer dans des échanges avec des inconnus, en particulier avec d’autres communautés et sur de longues périodes. Certains transferts peuvent se réaliser par l’entremise de la technologie, mais beaucoup dépendent de l’expertise de médiateurs humains, qu’il s’agisse de scientifiques spécialisés, de bibliothécaires, d’archivistes ou d’autres acteurs émergents dans les personnels de recherche. De plus, cet espace est également investi par les intérêts commerciaux.
8La notion d’infrastructures de la connaissance recoupe celle de « biens communs de la connaissance », comme nous le développerons au chapitre 4. En effet, un commun est aussi un écosystème complexe, défini simplement comme « une ressource partagée par un groupe confronté à des dilemmes sociaux » (Hess et Ostrom, 2007a, p. 3). Le présent ouvrage est parsemé d’exemples de ces systèmes qui renforcent ou redistribuent autorité, influence et pouvoir. Les personnes possédant des compétences en analyse de mégadonnées sont aujourd’hui recherchées. Les scientifiques capables d’exploiter ces nouvelles formes de données tirent également leur épingle du jeu. De nouvelles formes de connaissance, comme le data mining (exploration de données) et le crowdsourcing (production participative) participent à reconfigurer et redessiner le territoire intellectuel.
9Des investissements massifs dans l’infrastructure profitent à tous, au sens où la marée montante soulève tous les navires. Mais cette comparaison est contrecarrée par d’autres tendances économiques et sociales, comme la théorie du knowledge gap (écart des connaissances) (Ettema et Kline, 1977 ; Tichenor et al., 1970), les compétences médiatiques (Jenkins et al., 2009) et l’effet Matthieu (Merton, 1968, 1988, 1995). De manière générale, les riches s’enrichissent. Ceux qui sont plus à même de tirer profit des technologies et des informations nouvelles bénéficient d’avantages différentiels. L’effet Matthieu existe dans la recherche ; il a d’ailleurs été formulé pour la première fois dans une étude sur les lauréats du prix Nobel. En effet, les individus et les centres d’enseignement supérieur jouissant d’un grand prestige ont tendance à accaparer la reconnaissance et les ressources de manière disproportionnée. Les découvertes réalisées par des institutions d’excellence recevront plus d’attention que les centres moins connus. À l’inverse, les scientifiques travaillant dans des établissements de faible niveau et des pays peu développés possèdent souvent des compétences inférieures et disposent de moins de ressources locales pour exploiter les innovations technologiques.
10L’invisibilité pose problème dans la conception et la maintenance des infrastructures d’au moins deux façons. La première est que les infrastructures, par définition, ne sont visibles que lorsqu’elles ne marchent plus (Star et Ruhleder, 1996). Le public n’a souvent pas conscience de sa dépendance vis-à-vis de l’une d’elles, que ce soit le réseau électrique ou l’interopérabilité entre deux instruments, avant que celle-ci ne cesse de fonctionner. La deuxième est la quantité de travail invisible nécessaire à l’entretien des infrastructures, qu’il s’agisse de réseaux électriques, de réseaux d’instruments scientifiques ou de référentiels décentralisés de données de recherche. Les personnes qui jouissent de l’usage de ces infrastructures ignorent souvent le labeur effectué en arrière-plan pour faire fonctionner harmonieusement tous ces éléments. Le travail invisible est une caractéristique saillante des infrastructures de la connaissance parce que l’effort de documentation, d’organisation et de gestion de l’information scientifique est essentiel pour que d’autres puissent la découvrir et l’utiliser. Il constitue à la fois un ciment et une source de frictions dans les collaborations, le développement d’outils, le partage et la réutilisation de données et beaucoup d’autres composantes de l’infrastructure (Bietz et Lee, 2009, 2012 ; Birnholtz et Bietz, 2003 ; Borgman, 2003 ; Edwards et al., 2011 ; Ehrlich et Cash, 1999 ; Lee et al., 2006 ; Paisley, 1980 ; Ribes et Jackson, 2013 ; Star et Strauss, 1999).
11« Infrastructures de la connaissance » est un terme nouveau, mais l’idée est ancienne. Dès les premiers instants du questionnement intellectuel, les savants et savantes ont appris à nager – ou à concevoir de meilleurs bateaux – pour ne pas se noyer dans la vague, le déluge, le tsunami de données prêt à s’abattre sur eux. Ils se plaignent d’être bombardés d’information depuis au moins le premier siècle de notre ère, comme le raconte Ann Blair (2010)2 dans Tant de choses à savoir. La crainte d’une surabondance de livres est apparue bien avant l’époque moderne. Au milieu du xiiie siècle, on élabore des solutions au problème de l’information : pages de titre, concordanciers et florilèges. Ces derniers, dont le nom signifie « fleurs choisies », étaient des compilations des bonnes feuilles d’un livre sur un sujet donné. Au xvie siècle, les index étaient devenus courants. Blair étudie comment les premiers savants et savantes ont géré, chacun à leur manière, leurs lectures et leurs interprétations grâce à des mécanismes sophistiqués de prise de note et d’organisation. Comme le rapporte Price (1975) dans Science Since Babylon, l’augmentation de l’offre de services d’indexation et de synthèse est allée de pair avec la croissance des revues depuis le milieu du xixe siècle. Depuis, les relations entre les métiers d’auteur, d’éditeur, d’indexeur, de bibliothécaire, de libraires et autres n’ont cessé d’évoluer.
Le social et la technique
12Le travail scientifique des données est parcouru de tensions entre l’aspect social et la dimension technique. On ne peut que rarement séparer ces facteurs, car ils sont réflexifs et s’influencent mutuellement. L’outil rend possible la création de données, mais c’est la capacité à imaginer quelles données pourraient être recueillies qui engendre l’outil. Plutôt que de tenter de résoudre ce débat ancien, nous prenons comme prémisses de nos provocations l’idée que les aspects sociaux et techniques de la recherche sont indissociables. Les données ne peuvent être comprises sans l’outil et vice versa ; ces deux éléments trouvent leur sens dans la relation qui les unit (Bijker et al., 1987 ; Bijker, 1995 ; Hughes, 1989, 2004 ; Latour et Woolgar, 1979 ; Latour, 1987, 1988, 1993 ; Meyer et Schroeder, 2014 ; Schroeder, 2007).
13Bruno Latour (1987) a introduit le terme « technoscience » pour expliquer le rapport de la pratique scientifique aux technologies. En bon philosophe, Latour tend à utiliser le mot « science » pour évoquer pratiquement toutes les formes de recherche savante. Dans l’anglais d’Amérique du Nord, au contraire, les sciences désignent en fait les sciences exactes par opposition aux sciences humaines et sociales. On peut aller plus loin dans les distinctions, par exemple en séparant les champs disciplinaires des carrières dans l’ingénierie, la médecine, le droit et la recherche3.
14L’attention croissante portée aux données pose des questions plus larges pour l’histoire et la philosophie des sciences. La recherche est un investissement public coûteux. Depuis la seconde guerre mondiale et surtout la fin de la guerre froide, le public exige que la communauté scientifique rende des comptes, il demande à peser dans les orientations de la recherche et à avoir davantage accès aux découvertes (Kwa, 2011 ; Latour, 2004). Dans ce contexte de reconfiguration des relations entre l’entreprise scientifique et la population, les spécialistes des sciences sociales se sont intéressés de plus près au travail de recherche comme objet d’étude. De leur côté, les scientifiques et autres savants et savantes ont accepté d’être étudiés, à la fois pour faire entendre leur voix et pour bénéficier d’un regard externe sur leur activité (Salk, 1986). Depuis le début des années 1950, une littérature de plus en plus foisonnante traite de l’histoire, de la philosophie et de la sociologie des sciences et des technologies (Hackett et al., 2007 ; Latour et Woolgar, 1986 ; Lievrouw et Livingstone, 2002 ; Van Raan, 1988 ; Woolgar, 1988). Elle a, à son tour, donné naissance à des enquêtes sur les pratiques scientifiques dans les sciences humaines et sociales (Borgman, 2009 ; Case, 2006 ; Flor et al., 2010 ; Friedlander, 2009 ; Jirotka et al., 2006 ; Wouters et al., 2012).
Communautés et collaboration
15Les politiques, les pratiques et les infrastructures en matière de données se rapportent généralement aux communautés de recherche associées à celles-ci. Les plans de gestion des données en sont un excellent exemple : « La communauté considérée déterminera ce qui constitue une donnée par l’évaluation par les pairs et la gestion de programme » (National Science Foundation, 2010a). De même, les politiques d’archivage numérique évoquent la « communauté désignée » (Consultative Committee for Space Data Systems, 2012). Par ailleurs, les données représentent souvent des « objets-frontières » existant de manière précaire à la limite de plusieurs domaines (Star et Griesemer, 1989). L’étude des rôles des données dans les collaborations fait apparaître les frontières, les champs d’application, les accords et les désaccords des communautés.
16La collecte, la création, l’analyse, l’interprétation et la gestion de données supposent une expertise dans le domaine de recherche concerné. De nombreuses compétences sont nécessaires, certaines théoriques et pratiques, d’autres sociales et techniques. Certaines d’entre elles peuvent être enseignées ou apprises grâce à des livres, des revues ou de la documentation, mais la plus grande partie se rapporte à un savoir profondément ancré et difficile à formuler. Connue sous le nom de « savoir implicite » – une notion elle-même complexe –, cette expertise des plus critiques est souvent la moins transmissible entre communautés et contextes (Agre, 1994 ; Collins et Evans, 2007 ; Darch et al., 2010 ; Duguid, 2005 ; Polanyi, 1966 ; Schmidt, 2012).
17La communauté est une construction théorique bien connue des sciences sociales. Les communautés de pratiques et les cultures épistémiques représentent des notions clés de la sociologie des sciences. La « communauté de pratique » est un concept créé par Lave et Wenger pour décrire la manière dont des groupes acquièrent et partagent des connaissances (Lave et Wenger, 1991 ; Wenger, 1998), qui a été largement étudié et approfondi depuis (Osterlund et Carlile, 2005). En revanche, les « cultures épistémiques » ne sont ni des disciplines ni des communautés (Knorr-Cetina, 1999). Il s’agit plutôt d’une série « d’arrangements et de mécanismes » associés à l’élaboration du savoir et qui englobe les individus, les groupes, les artefacts et les technologies (Van House, 2004). Les communautés de pratiques et les cultures épistémiques ont en commun l’idée que le savoir est situé et local. Nancy van House (2004, p. 40) résume cette perspective de manière succincte : « Il n’existe pas de “vue de nulle part” : le savoir est toujours situé en un lieu, une époque, des conditions, des pratiques et des a priori. Il n’existe pas un savoir, mais des savoirs ».
Connaissances et représentation
18En dépit des tentatives de marchandisation, les données ne sont des « choses qui brillent » qu’au sens où c’est un thème en vogue qui attire et détourne l’attention (Schrier, 2011 ; Starke, 2013). Signaux, enregistrements, notes, observations, spécimens et autres entités ont été considérés comme des données au terme d’un long processus culturel au sein des domaines de recherche, des disciplines et des spécialités. On appelle « inscriptions » les enregistrements des pratiques scientifiques (Latour et Woolgar, 1979, 1986 ; Latour, 1988 ; Lynch et Woolgar, 1988a, 1988b). Chaque champ de recherche élabore ses propres inscriptions pour consigner, décrire et représenter ce qu’il considère comme des données. Les méthodes courantes de représentation – métadonnées, langages de balisages, formats, étiquetage, espaces de noms, thésaurus, ontologies, etc. – facilitent l’échange de données au sein d’un domaine. Ainsi, une forme de représentation commune peut délimiter une communauté scientifique. Ces mêmes limites peuvent devenir des barrières empêchant d’apporter des données à des champs ayant recours à des formes de représentation concurrentes. Certains médicaments, maladies, animaux, plantes et phénomènes peuvent être connus sous beaucoup de noms différents. La capacité à combiner des données issues de plusieurs sources dépend donc de ces inscriptions.
19Les données, les critères de preuve, les formes de représentation et les pratiques de recherche sont étroitement liés. Les différences entre communautés de recherche n’apparaissent souvent que lorsqu’on tente d’utiliser ou de combiner des sources externes, de collaborer ou d’imposer les pratiques d’une communauté à une autre. Transmettre des connaissances au fil du temps et dans plusieurs contextes est difficile, comme nous l’avons formulé dans la deuxième provocation. Or, les données ne sont pas plus simples à transférer que les autres formes de connaissance. C’est même souvent une tâche particulièrement délicate, car leur sens dépend du dispositif qui les entoure : logiciel, matériel, documentation, publications et ainsi de suite.
20Les articles de revue, les communications de conférences, les ouvrages et les autres types de publications sont des lots d’information conçus pour être interprétables de manière indépendante, du moins par le lecteur averti. Ils constituent des représentations du savoir scientifique et comprennent souvent des représentations de données sous des formes adaptées à la diffusion, à la découvrabilité et à l’échange. Les formes adoptées par les publications savantes ont évolué au cours des siècles. Pages de titre, mentions d’auteur, tables des matières, index et autres éléments qui sont aujourd’hui considérés comme des parties intégrantes des ouvrages scientifiques sont apparus graduellement. Certains de ces éléments, comme les mentions de responsabilité, sont passés des ouvrages aux articles avec la parution des premières revues scientifiques, Le Journal des sçavans à Paris et Transactions of the Royal Society à Londres. Depuis, des infrastructures de la connaissance en évolution se sont multipliées autour de l’édition scientifique. Les maisons d’édition, l’évaluation par les pairs, le renvoi bibliographique, les services d’indexation et de synthèse, les systèmes de recherche d’informations et les mesures d’évaluation comme le facteur d’impact des revues sont autant de composantes de cette infrastructure de la connaissance, ainsi que nous le verrons au chapitre 9.
Théorie, pratique et politique
21Le concept de travail scientifique des données transcende la théorie, la pratique et la politique. À petite échelle, les politiques en matière de données correspondent aux choix effectués par les chercheurs et chercheuses quant à ce qu’ils considèrent comme une donnée, ce qu’ils sauvegardent et ce qu’ils conservent ; ce qu’ils partagent, quand et avec qui ; et ce qu’ils déposent, quand et pour combien de temps. À grande échelle, elles consistent dans les décisions des pouvoirs publics et des organismes de financement sur des questions telles que ce qui est considéré comme une donnée ; ce que les laboratoires doivent préserver ; ce qu’ils doivent diffuser, quand, comment et à qui ; quelles données doivent être conservées, par qui et pour combien de temps ; et comment ces exigences doivent se manifester dans les demandes de financement, les récompenses et les conditions d’utilisation des référentiels de données. Enfin, à l’échelle intermédiaire, elles correspondent aux choix effectués par les institutions de recherche, les universités, les maisons d’édition, les bibliothèques, les référentiels et les autres parties prenantes quant à ce qu’ils considèrent être une donnée et leur rôle dans sa conservation et sa diffusion. Ces acteurs s’appuient eux-mêmes sur des politiques plus larges en matière de financement de la recherche, de propriété intellectuelle, d’innovation, d’économie, de gouvernance et de vie privée.
22Les politiques destinées à fluidifier la communication savante, établies par les pouvoirs publics, les organismes de financement, les revues et les institutions, ont souvent une vision simpliste de la marchandisation et de l’échange d’informations. Celles qui ne respectent pas les importantes différences théoriques, pratiques et culturelles entre domaines, bien qu’elles visent généralement l’équité entre communautés et disciplines, risquent d’être mal appliquées, de s’avérer contre-productives ou d’être ignorées par leurs parties prenantes. Par exemple, une communauté de recherche peut avoir sa propre économie morale en matière de collecte, de gestion et de partage des données (Kelty, 2012 ; McCray, 2000). Comme nous l’observerons dans les études de cas et au chapitre 8, les politiques qui régissent actuellement les plans de gestion et le partage des données ont tendance à insister sur la diffusion au détriment de la réutilisation ou de la pérennisation, qui sont des dimensions complexes et coûteuses des infrastructures de la connaissance.
La recherche ouverte
23Open access, open source, open data, normes ouvertes, référentiels ouverts, réseaux ouverts, bibliographies ouvertes, annotations ouvertes… la liste ne cesse de s’allonger. Le mouvement de l’open access (accès ouvert ou libre accès) existe depuis les années 1970, comme évoqué au chapitre 1. Les infrastructures de la connaissance d’aujourd’hui ont été façonnées par la recherche en accès ouvert ; les améliorations de l’interopérabilité des systèmes, des outils et des services ; les avancées en matière de technologies et de réseaux informatiques distribués ; et la quasi-omniprésence de l’accès à Internet. Elles continuent de les modeler aujourd’hui.
24Il n’est pas plus aisé de définir la recherche ouverte que le travail scientifique des données. Elle se rapproche du concept de science ouverte. Pour les besoins du présent ouvrage, la recherche ouverte désigne les politiques et les pratiques associées à l’édition en accès ouvert, à l’ouverture des données, à leur diffusion et à leur partage. La recherche ouverte est censée accélérer les études, impulser de nouvelles questions et de nouvelles formes d’investigation, diminuer la fraude et les fautes professionnelles, favoriser la croissance d’une main-d’œuvre éduquée au point de vue technique et scientifique et exploiter les investissements publics dans la recherche et l’éducation (David et al., 2010 ; Esanu et Uhlir, 2004 ; Nielsen, 2011 ; Boulton et al., 2012 ; Uhlir et Schröder, 2007).
25Employer un terme unique comme « recherche ouverte » comporte cependant un risque : celui de masquer des différences substantielles entre les nombreuses formes qu’adopte l’open access. Les publications et les données jouent chacune un rôle distinct dans la recherche, comme esquissé dans la troisième provocation et comme nous allons l’expliquer ci-dessous. L’accès ouvert aux publications et les données ouvertes visent tous deux à fluidifier la circulation de l’information, à réduire les restrictions dans l’usage de ressources intellectuelles et à rendre les pratiques de recherche plus transparentes. Néanmoins, elles diffèrent de par leurs valeurs respectives pour la recherche, les acteurs qu’elles mobilisent et leur mobilité au fil du temps et dans plusieurs contextes.
L’accès ouvert aux résultats de la recherche
26Avec l’apparition des premières revues en 1605, la recherche est sortie du domaine de la correspondance et des réunions privées pour passer à la diffusion ouverte. Les lecteurs et lectrices avaient désormais accès à des livres, des périodiques et d’autres publications grâce aux bibliothèques, aux librairies et aux abonnements. L’échange privé de lettres, de brouillons, de manuscrits et de prépublications s’est poursuivi en parallèle.
27L’accès ouvert aux résultats de la recherche a effectué un formidable bond en avant en 1991 avec le lancement d’arXiv, d’abord connu sous son adresse xxx.lanl.gov, avant l’apparition du World Wide Web (Ginsparg, 1994, 2001). Dans les décennies qui ont suivi, arXiv s’est étendu à de nouveaux domaines scientifiques, a quitté les laboratoires nationaux de Los Alamos pour rejoindre l’université Cornell et a obtenu un large soutien de la part d’institutions partenaires. Son usage augmente toujours de manière exponentielle. Près de huit mille articles sont déposés chaque mois sur arXiv et plus de soixante millions ont été téléchargés rien qu’en 2012 (ArXiv.org, 2013).
28Nous pouvons tirer du lancement d’arXiv plusieurs leçons importantes pour l’accès ouvert aux données aujourd’hui. La première est que ce système représente une excroissance de la culture d’échanges de manuscrits qui imprégnait les milieux de la physique des particules. Il s’est constitué sur une infrastructure de la connaissance existante qui permettait la circulation de l’information au sein de réseaux de collèges proches, que l’on appelle collèges invisibles (Crane, 1972).
29La deuxième leçon est qu’arXiv a bouleversé cette infrastructure de la connaissance en transformant les relations entre les parties prenantes de la communication savante en physique – auteurs et autrices, maisons d’édition, bibliothèques et lectorat. Les personnels de recherche comme la population étudiante, de pays riches ou pauvres, ont tous pu accéder à des articles bien avant leur date officielle de publication. Étant donné la rapidité de son adoption, les éditeurs et éditrices de revues n’ont eu d’autre choix que d’accepter l’existence d’arXiv. Auparavant, beaucoup refusaient d’examiner des articles publiés en ligne, au motif qu’il s’agissait d’une « publication antérieure ». Des politiques semblables sont encore en vigueur dans de nombreux domaines actuels.
30La troisième leçon est que la réussite d’arXiv n’a pas rapidement fait d’émules dans les autres champs de recherche. Les serveurs de prépublication gagnent certes en taille et en popularité dans d’autres disciplines, mais aucun ne s’est implanté aussi profondément que l’original dans les pratiques scientifiques. Néanmoins, même arXiv ne s’est pas intégré dans l’ensemble de la physique, des mathématiques, de l’astronomie ou des autres domaines qu’il couvre. Dans certaines spécialités, il est omniprésent, tandis que dans d’autres, il n’est que marginalement utilisé.
31L’accès ouvert aux publications s’est bâti sur ces enseignements. Le concept est simple, mais souvent mal compris, en grande partie à cause des intérêts divergents des nombreuses parties prenantes. La définition de Peter Suber (2012a, p. 44) est la plus succincte : « La littérature en accès ouvert est numérique, en ligne, gratuite et exempte de la plupart des restrictions en termes de droit d’auteur et de licence d’utilisation.5 » Suber s’empresse de préciser que le libre accès à la littérature scientifique se fait dans un contexte très différent de celui d’autres contenus. La littérature en accès ouvert repose sur un premier postulat : les auteurs et autrices détiennent les droits de leur travail, à moins qu’ils ne les transfèrent à un tiers, par exemple une maison d’édition. Le deuxième postulat est que les scientifiques sont rarement payés pour rédiger des articles de recherche. Ils et elles peuvent diffuser largement leur travail sans perdre de rentrées d’argent, contrairement à la plupart des autres auteurs, autrices, artistes, créateurs et créatrices. En effet, les auteurs et autrices académiques écrivent des articles pour augmenter leur impact ou leur influence et non leurs revenus. Toucher un lectorat aussi large que possible est dans leur intérêt. Par ailleurs, les principales sources de financement de la recherche sont les salaires académiques et les subventions. Il est également dans l’intérêt des institutions qui emploient et financent des scientifiques que leurs publications aient le plus grand impact possible.
32On peut rendre possible l’accès ouvert à la littérature de nombreuses manières, sous divers modèles de gouvernance et sous de nombreux noms (par exemple, « vert », « doré », « gratuit », « libre », etc.). Ces modèles ont en commun les deux postulats que nous avons évoqués. En général, les auteurs et autrices conservent leur droit d’auteur ou une licence de leur travail diffusé en open access. On leur en reconnaît également la paternité. En ce qui concerne l’accès ouvert aux ouvrages scientifiques, aux manuels et aux autres travaux desquels ils tirent généralement des revenus directs, des considérations nuancées s’appliquent (Budapest Open Access Initiative, 2002 ; Directory of Open Access Journals, 2013 ; Howard, 2013a ; Jacobs, 2006 ; Laakso et Björk, 2013 ; Leptin, 2012 ; Pinter, 2012 ; Research Councils UK, 2013 ; Suber, 2012a ; Van Noorden, 2013b ; Wickham et Vincent, 2013 ; Wilbanks, 2006 ; Willinsky, 2006).
33Depuis le début des années 2000, un nombre croissant d’établissements de recherche dans le monde adoptent des politiques d’accès ouvert pour les revues de leur faculté. Aux États-Unis, c’est par exemple le cas de Harvard, du Massachusetts Institute of Technology, du California Institute of Technology et de l’université de Californie (Harvard University, 2010 ; MIT Libraries, 2009 ; Caltech, 2013a ; Office of Scholarly Communication, 2013). Ces politiques octroient généralement aux universités une licence non exclusive pour diffuser des travaux, le plus souvent par le truchement d’un dépôt public. En 2012 et 2013, l’accès ouvert aux publications a été bouleversé. En effet, en 2012 au Royaume-Uni, les Research Councils (RCUK) ont annoncé que tous les articles de revues et les communications de conférence découlant entièrement ou partiellement de leur financement seraient soumis à des revues en accès ouvert à partir d’avril 2013. La définition de « revue en accès ouvert » dans cette politique était particulièrement controversée et a depuis été modifiée et réinterprétée à plusieurs reprises. Elle implique en effet des périodes d’embargo, une série de modèles économiques et des subventions intermédiaires (Research Councils UK, 2012a, 2012b). En 2013, l’exécutif états-unien a annoncé une politique similaire d’accès ouvert aux publications issues d’un financement fédéral qui suivait, dans l’ensemble, les périodes d’embargo et les politiques établies par les National Institutes of Health et PubMed Central (Office of Science and Technology Policy, 2013 ; Holdren, 2013b). À l’heure où nous écrivons, l’Union européenne, l’Australie et d’autres pays envisagent des politiques semblables.
34Ces diverses politiques, modèles économiques et publications d’un nouveau genre ont abouti à un élargissement de l’accès à la littérature scientifique périodique. En tenant compte de la période d’embargo, environ la moitié des articles de revue sont librement disponibles en ligne dans l’année qui suit leur publication et l’on s’attend à ce que cette proportion augmente (Laakso et al., 2011 ; Van Noorden, 2013a). Cependant, les tensions entre parties prenantes n’ont pas pour autant disparu. Auteurs et autrices continuent de publier en ligne des articles, des mémoires et d’autres travaux auxquels ces politiques d’accès ouvert ne s’appliquent pas et certaines maisons d’édition contrôlent de plus en plus âprement l’accès aux publications dont les droits leur sont réservés (Howard, 2013b ; SHERPA/RoMEO, 2014).
L’accès ouvert aux données
35De nombreuses politiques d’accès aux données mises en place par les organismes de financement sont liées à des politiques d’accès ouvert aux publications. Celles du Royaume-Uni sont les plus explicites en la matière (Research Councils UK, 2012b, p. 1) : « Le Gouvernement, conformément à son engagement majeur en faveur de la transparence et de l’ouverture des données, veille à ce que les résultats de recherche publiés soient libres d’accès ». La politique de publication dans des revues en accès ouvert des RCUK exige des auteurs et autrices qu’ils spécifient comment retrouver les données associées à leur publication, mais reconnaît que c’est une tâche complexe (Research Councils UK, 2012b, p. 4) : « veiller à ce que les personnels de recherche envisagent les problématiques d’accès aux données… Cependant, cette politique n’exige pas l’ouverture des données. Si l’on considère qu’il existe des raisons convaincantes de protéger l’accès à celles-ci, par exemple la confidentialité commerciale ou le caractère sensible de données issues de participants humains potentiellement identifiables, ces raisons doivent figurer dans la note ».
36Les National Institutes of Health, aux États-Unis, demandent que les publications financées par leurs subventions soient déposées dans PubMed Central. Elles requièrent également que les demandes de financement comportent des plans de gestion des données (Basken, 2012 ; National Institutes of Health, 2013 ; PubMed Central, 2009 ; Zerhouni, 2006). La National Science Foundation a des exigences en matière de plans de gestion des données, mais pas en matière de publication en accès ouvert. Néanmoins, la politique fédérale états-unienne de 2013 s’applique à la NSF, aux NIH et aux autres organismes fédéraux consacrant plus de 100 millions de dollars par an à la recherche et au développement. Elle enjoint à chacun d’eux d’élaborer un plan d’ouverture de l’accès aux publications et aux données numériques scientifiques (Holdren, 2013b ; Burwell et al., 2013).
37Cependant, les données ouvertes diffèrent de l’accès ouvert aux articles de revue d’après les deux postulats de Suber (2012a). Alors que les auteurs et autrices détiennent les droits de leurs écrits, au moins au départ, il en va rarement de même pour les données. Comme nous le verrons plus avant au chapitre 9, déterminer qui peut être auteur est une question âprement débattue au sein des disciplines et entre elles. Une fois celle-ci réglée, des droits et des devoirs incombent aux auteurs et aux autrices de travaux. En revanche, déterminer « l’auteur » de données est un sujet qui n’est qu’effleuré dans la plupart des collaborations (Wallis, 2012). Même quand des individus et des groupes attribuent une autorité à des données, les droits et les devoirs afférents peuvent manquer de clarté. De nombreuses formes de données sont créées et contrôlées par des chercheurs et chercheuses, mais leur propriété est une question différente. Certaines formes de données sont considérées comme des faits qui ne relèvent pas du droit d’auteur. Les scientifiques utilisent aussi des données détenues par des tiers ou obtenues dans des ressources communes. Certains types de données, comme des dossiers confidentiels sur des sujets humains, sont contrôlés par les personnels de recherche, mais ne peuvent être diffusés. Les politiques en matière de droits varient selon l’institution, l’organisme de financement, le contrat, le droit applicable et d’autres facteurs.
38Le deuxième postulat de Suber est que les auteurs et autrices académiques rédigent des articles de revue et des publications sous de nombreuses formes pour augmenter leur influence, et non leurs revenus. Les scientifiques, leurs employeurs et leurs financeurs ont intérêt à diffuser leurs publications aussi largement que possible. Or, pour la plupart des données, ni l’un ni l’autre de ces principes ne sont vrais. Les articles de revue sont conçus pour être diffusés à un lectorat, tandis que les données doivent être extraites avec difficulté du processus de recherche. Communiquer ces dernières suppose souvent un investissement considérable en plus de la recherche elle-même et de la rédaction. Les données constituent des atouts précieux que l’on accumule tout au long d’une carrière pour ne les diffuser qu’avec prudence, voire pas du tout.
39Les modèles de gouvernance pour l’accès ouvert aux données sont, au mieux, balbutiants, comme nous le développerons aux chapitres 4 et 10. La formule « libre d’accès » (freely accessible) utilisée dans la politique des RCUK que nous avons citée semble se rapporter davantage à la liberté d’expression qu’à la bière gratuite, pour reprendre l’aphorisme de Stallman mentionné au chapitre 1. Pour tous les communs, les questions essentielles à traiter concernent l’équité, l’efficacité et la pérennité (Hess et Ostrom, 2007a). Quelques domaines seulement sont parvenus à prendre des mesures en faveur de l’équité et de l’efficacité en mettant en place des référentiels pour absorber les données, les conserver et y donner accès. Pour certains champs de recherche, les échanges privés sont suffisants. D’autres se tournent vers les bibliothèques de recherche. Dans tous les cas, la pérennité est un problème. Certains référentiels bénéficient d’un financement à long terme, mais d’autres seulement à court terme. Certains fournissent leurs données à tous gratuitement, d’autres ne les proposent qu’aux membres des consortiums qui les ont financés. Les données partagées dans des échanges privés ou publiées sur le site web d’un laboratoire peuvent n’être accessibles qu’à court terme (voir chapitre 8).
40La notion de données ouvertes est donc tout à fait différente de celle d’accès ouvert à la littérature scientifique. Il n’y a guère de consensus sur ce que signifie « ouvert » pour une donnée. La première explication de ce qu’est l’open data, par Peter Murray-Rust et Henry Rzepa (2004), recouvre la plupart des idées qui lui succéderont. Les deux chimistes s’inquiétaient du libre accès et de leur capacité à explorer des données structurées. Lorsque des entités, telles que des molécules, sont représentées de manière à ce qu’un algorithme puisse identifier leur structure, elles deviennent des données que l’on peut avantageusement explorer, extraire et manier. En revanche, si ces mêmes molécules ne sont représentées que sous forme d’images dans un fichier texte, il faut disposer d’yeux humains pour identifier leur structure. Les données ouvertes, prises en tant que « datument »6 dans la formulation de Murray-Rust et Rzepa, sont des données structurées pour être lisibles par une machine et qui sont libres d’accès.
41Murray-Rust et d’autres ont plus tard développé, sous l’égide de l’Open Knowledge Foundation, une définition juridique succincte des données ouvertes : « Une donnée ou un contenu est ouvert si quiconque est libre de l’utiliser, de le réutiliser et de le redistribuer et qui n’est conditionné, au plus, que par l’attribution et le partage à l’identique » (Open Data Commons, 2013). Dans des contextes commerciaux, les définitions sont plus ambiguës : « Donnée ouverte : information lisible par une machine, en particulier des données publiques, qui est mise à disposition d’autrui » (Manyika et al., 2013). Les Principes et lignes directrices de l’OCDE pour l’accès aux données de la recherche financée sur fonds publics (Organisation de coopération et de développement économiques, 2007) formulent l’accès ouvert aux données au moyen de treize principes, comme nous l’expliquons au chapitre 8. Le rapport de l’UK Royal Society intitulé Science as an Open Enterprise (Boulton et al., 2012, p. 14) définit la donnée ouverte comme « une donnée qui répond aux critères de l’ouverture intelligente. Les données doivent être accessibles, exploitables, évaluables et intelligibles ». Pour les données biomédicales, cela implique des compromis entre coûts et bénéfices, un déclencheur et un calendrier de diffusion, des moyens de s’assurer de leur qualité, une délimitation des données à inclure, la confidentialité, la protection de la vie privée, la sécurité, la propriété intellectuelle et le droit applicable (Boulton et al., 2011).
42L’ouverture peut favoriser la création de données. Par exemple, l’accès ouvert aux textes permet de traiter les entités qu’ils contiennent comme des données. On peut, grâce au recours aux techniques de fouille de texte (text mining), localiser tous les articles ou ouvrages qui décrivent une molécule, un objet céleste, une personne, un lieu, un événement ou une autre entité. Pour l’exploration de données, les bases de publications, les archives de données et les collections de livres numérisés commencent à se ressembler (Bourne et al., 2011 ; Bourne, 2005 ; Crane, 2006 ; Murray-Rust et al., 2004). Elles sont cependant très différentes les unes des autres au point de vue de la propriété intellectuelle, comme nous l’étudierons au chapitre 4.
43L’ouverture des données peut aussi comprendre la capacité à traiter des représentations d’objets de recherche comme des données, que les objets décrits soient ouverts ou non. Un exemple en est la création de tags ou d’annotations ouvertes sur des publications, des jeux de données et d’autres contenus. Annotations et bibliographies apportent une valeur ajoutée aux éléments décrits en les rendant plus découvrables. Le partage d’annotations a rapidement suscité l’intérêt dans la recherche sur les bibliothèques numériques, ce qui a conduit à des méthodes concurrentes et à des efforts de normalisation pour permettre l’interopérabilité des systèmes d’annotation (Foster et Moreau, 2006 ; Hunter, 2009 ; Phelps et Wilensky, 1997, 2000). Les premiers outils de gestion de bibliographies personnelles, tels que ProCite, BiblioLink, RefWorks et EndNote, supposaient un auteur ou une autrice unique et des fichiers stockés en local. Au début des années 2000, des individus se sont mis à « taguer » et annoter des sites web, des images, des publications et des données et à partager ces tags sur des réseaux sociaux comme Delicious ou Flickr. À la fin des années 2000, bibliographies personnelles et annotations ouvertes convergeaient. Zotero, Mendeley, LibraryThing et d’autres outils permettent de partager bibliographies, tags et notes. Le mouvement de la bibliographie ouverte a reçu un coup de fouet lorsque les bibliothèques nationales se sont mises à diffuser leurs catalogues pour qu’ils soient utilisés librement (Open Bibliography and Open Bibliographic Data, 2013). Le nombre de notices bibliographiques en accès ouvert a augmenté et, avec lui, les données à explorer. Les outils d’annotations sont compatibles avec de plus en plus de types de données (Agosti et Ferro, 2007 ; Das et al., 2009 ; Kurtz et Bollen, 2010 ; Renear et Palmer, 2009 ; Rodriguez et al., 2007).
Les technologies ouvertes
44La recherche ouverte s’inscrit dans l’ouverture, sur plus de quarante ans, des réseaux et des technologies. Les récits sur l’origine et la trajectoire d’Internet racontent cette transition (Abbate, 1999 ; Goldsmith et Wu, 2006 ; Kraut et al., 2002 ; Levien et al., 2005 ; MacLean, 2004 ; O’Brien, 2004 ; Odlyzko, 2000 ; National Research Council, 2001 ; Zittrai, 2005). On s’accorde généralement sur le fait que les réseaux informatiques se sont développés grâce à des fonds publics à des fins scientifiques et militaires. Des premières interconnexions internationales à la fin des années 1960 aux changements de politique du début des années 1990, Internet n’a été accessible qu’aux communautés de recherche, aux universités et à l’armée par le truchement de marchés publics. Ces réseaux sont devenus les réseaux nationaux de la recherche et de l’enseignement, ou NREN (pour National Research and Education Networks). D’abord conçu pour répartir les coûteux cycles informatiques sur l’ensemble du réseau, Internet a vu ses capacités s’étendre jusqu’à comprendre le courrier électronique, le transfert de fichiers et d’autres fonctionnalités de même type. D’autres réseaux à commutation de paquets existaient dans le commerce, comme Telenet et Tymnet, et fournissaient des moyens de communication à des entreprises privées pour faciliter leur activité et les nouveaux services d’information, telles les bases de données bibliographiques (Borgman et al., 1984 ; Borgman, 2000).
45Les changements de politique intervenus en 1993-1994, sous les titres de national information infrastructure et global information infrastructure, ont permis l’interconnexion des réseaux publics et commerciaux. Ce furent les débuts de l’Internet commercial et de la conversion de réseaux de communication, jusqu’alors propriété de l’État ou protégés, vers les activités lucratives. Internet fut déclaré « ouvert » à l’interconnexion et à la fourniture de services publics comme privés. L’ouverture du réseau a coïncidé avec la première démonstration du World Wide Web sur les interfaces initiales d’explorateurs. Dans les deux décennies qui ont suivi, les technologies, les capacités et les communautés d’internautes sont allées au-delà des rêves les plus fous de ses concepteurs et conceptrices. Néanmoins, de nouveaux modèles économiques, des fluctuations dans l’équilibre des parties prenantes et des problèmes imprévus en matière de sécurité et de confidentialité redessinent aujourd’hui l’infrastructure (Borgman, 2000 ; Estrin et al., 2010).
46Acquérir des données sur des réseaux ouverts ne revient pas à pouvoir les utiliser. Les données et les représentations numériques ne sont lisibles qu’à l’aide de technologies adéquates. Pour interpréter un jeu de données, il faut disposer de nombreuses connaissances sur le matériel utilisé pour les générer, qu’il s’agisse de réseaux de capteurs ou de machines en laboratoire ; sur les logiciels employés pour les encoder ou les analyser, qu’il s’agisse de traitement d’image ou d’outils statistiques ; et sur les protocoles et le savoir nécessaires pour les combiner. Les technologies évoluent très rapidement, surtout dans les milieux de la recherche. De nombreux instruments produisent des données qui ne peuvent être lues que dans des logiciels propriétaires : utiliser ou réutiliser ces données suppose donc d’avoir accès à la bonne version du logiciel et, parfois, à l’instrument lui-même. Beaucoup d’outils d’analyse sont des logiciels propriétaires et génèrent donc des jeux de données dans des formats exclusifs, quel que soit le degré d’ouverture des données au moment de l’analyse. Les scientifiques conçoivent souvent leurs propres outils et écrivent leur propre code pour résoudre leurs problèmes. Bien que cette pratique soit très efficace à court terme, du code et des outils locaux peuvent s’avérer bien difficiles à maintenir à long terme, car ils se conforment rarement aux normes sectorielles du génie logiciel. Les outils locaux sont souples et adaptables, souvent au détriment de la portabilité entre sites et situations (Easterbrook et Johns, 2009 ; Edwards et al., 2013 ; Segal, 2005, 2009).
47Le degré d’ouverture des données, des normes et des technologies influe sur la capacité à échanger des données entre outils, laboratoires, partenaires et au fil du temps. Les normes peuvent améliorer la circulation de l’information au sein de communautés, mais aussi ériger des barrières entre ces dernières. En effet, elles peuvent apparaître prématurées ou inadaptées, créant des obstacles et empêchant l’innovation. L’interopérabilité technique des systèmes et des services a longtemps été le Graal des bibliothèques numériques et du génie logiciel. Elle permet à certaines données et parties prenantes d’accéder au système et empêche d’autres d’y entrer. Les politiques, les pratiques, les normes, les modèles économiques et les intérêts catégoriels sont souvent plus déterminants pour l’interopérabilité que la technologie en elle-même (Brown et Marsden, 2013 ; Busch, 2013 ; DeNardis, 2011 ; Lampland et Star, 2009 ; Libicki, 1995 ; Palfrey et Gasser, 2012).
La convergence des communications
48Les communications formelles et informelles sont en train de converger, dans les affaires et l’administration comme dans la recherche. Une entreprise ne peut plus se contenter d’avoir pignon sur rue et d’apparaître dans les quotidiens : pour rester dans la course, il lui faut aussi être présente sur le Web, les réseaux sociaux, les blogs et microblogs et les chaînes vidéo. Les administrations doivent être accessibles à la population dans les grandes villes comme dans les petits quartiers ; il leur faut aussi, avec le développement de l’administration numérique, être présentes en ligne et fournir un service public 24 heures sur 24, 7 jours sur 7. De même, les scientifiques n’exercent plus seulement leur influence à travers la littérature de leurs domaines, mais aussi sur des pages web, des serveurs de manuscrits, des archives de données, des dépôts institutionnels, des archives de présentations et de schémas, des blogs et microblogs, des réseaux sociaux et d’autres médias au fur et à mesure de leur invention. Les nouvelles technologies favorisent de nouveaux moyens de communication, mais déstabilisent les modèles existants. Quand les nouveaux modèles sont calqués sur les anciens, les métaphores touchent à leurs limites.
Les métaphores de la donnée
49Les rôles respectifs des publications et des données dans la communication savante se confondent dans des expressions telles que « publication de donnée » et « publier des données ». Les présupposés simplistes de ces métaphores font courir des risques aux nouveaux modèles de communication savante, comme nous l’avons dit dans la troisième provocation.
50Au sens strict, publier signifie « rendre public » ; de nombreux actes peuvent donc être considérés comme une « publication ». Cependant, dans le contexte de la recherche, la publication poursuit trois buts principaux : 1) la légitimation, 2) la diffusion et 3) l’accessibilité, la sauvegarde et la conservation (Borgman, 2007). La première fonction est généralement remplie par l’évaluation par les pairs (peer review). Le point fixe de la publication, qui est habituellement le document de référence, matérialise le processus de légitimation, conférant un sceau de qualité qui marque la confiance de la communauté scientifique. Parce qu’ils sont les références légitimes de la recherche, c’est vers ces éléments publiés que pointent les renvois bibliographiques. La deuxième fonction, la diffusion, est essentielle, car la recherche n’existe que si elle est communiquée à autrui (Meadows, 1974, 1998). Les maisons d’édition diffusent la recherche sous forme de revues, de livres, d’actes de colloque et d’autres genres. Les auteurs et autrices diffusent leur propre travail en distribuant leurs publications à leurs collègues, en les mettant en ligne et en les mentionnant dans des présentations, des blogs, sur des réseaux sociaux, etc. La troisième fonction consiste à rendre les travaux disponibles et découvrables, à veiller à ce que des exemplaires soient préservés et, généralement, à s’assurer qu’une copie est conservée pour un usage à long terme. Les auteurs et autrices, les maisons d’édition et les bibliothèques tendent à assumer conjointement la responsabilité de cette dernière fonction. Les scientifiques sont motivés pour publier leur travail, puisque la publication est la forme de reconnaissance primordiale qui permet de bénéficier d’une embauche, d’une promotion ou d’autres récompenses.
51La métaphore de la publication des données n’est juste que dans un sens particulier, proche de celui de la publication de revues et d’ouvrages. Par exemple, l’Organisation de coopération et de développement économiques (OCDE) publie une vaste série de statistiques nationales et internationales sur le produit intérieur brut, l’emploi, le revenu, la démographie, le travail, l’éducation, le commerce, la finance, les prix et ainsi de suite. Divers organismes publics publient des données de recensement et d’autres statistiques de même type. Hors de la sphère scientifique, la publication de données peut faire référence à la dissémination de documents constitués de listes, de faits ou d’annonces plutôt que de récits. Ainsi, une société états-unienne nommée Data Publishing produit depuis 1986 des annuaires téléphoniques (Data Publishing, 2013).
52Dès que l’on sort de cette acception restreinte, la métaphore de la publication de données fait long feu. Le plus souvent, l’expression désigne la divulgation de jeux de données associés à un article de revue individuel. Les données peuvent être jointes aux articles, mais elles bénéficient rarement d’un examen indépendant par les pairs, car elles sont difficiles à évaluer. Dans cette acception de la publication de données, ces dernières sont souvent déposées dans une archive et liées à l’article et non publiées en tant que telles. Les jeux de données peuvent être trouvés et conservés, mais ils ne sont pas diffusés comme une entité autonome et ne sont pas autodescriptifs comme le sont les articles de revue. La publication de données peut aussi désigner le téléversement sur le site web de l’auteur ou de l’autrice, auquel cas aucune des trois fonctions de la publication n’est vraiment remplie. Dans quelques cas, l’expression fait référence à une archive qui recueille des données et y donne accès (PANGAEA : « Data Publisher for Earth & Environmental » Science, 2013). Les données peuvent alors être trouvées et conservées ; en revanche, l’évaluation par les pairs et la diffusion ne constituent pas, pour la plupart des archives de données, des activités essentielles.
53Un argument en faveur de cette métaphore est son côté familier : les scientifiques savent comment publier et citer des articles. L’idée sous-jacente est que cette familiarité encouragera la divulgation de données (Crosas et al., 2013 ; Klump et al., 2006 ; Lawrence et al., 2011 ; Murphy, 2013 ; Parsons et Fox, 2013). Bien que cela soit souvent présenté comme un fait, il n’existe guère d’éléments permettant d’affirmer que la citation de données constitue une incitation à la diffusion. Par ailleurs, la métaphore de la publication promeut les intérêts des maisons d’édition, qui étendraient leurs modèles économiques en faisant des données des unités à diffuser.
54De nombreux arguments s’élèvent en défaveur de la métaphore ; pourtant, elle persiste. Les appels à « publier vos données » avec chaque article de revue sont dangereux parce qu’ils consolident un lien binaire entre articles et jeux de données. La mise en correspondance peut servir les intérêts de la communauté dans les domaines où cette relation binaire existe déjà et où les articles se doivent d’être reproductibles à partir des jeux de données. Cependant, comme nous le verrons au chapitre 9, ces domaines sont rares. Pour qu’une telle correspondance des publications et des données fonctionne, elle doit s’inscrire dans une infrastructure de la connaissance plus vaste qui comprenne l’évaluation par les pairs des jeux de données, des référentiels disponibles, des politiques et des technologies de la part des revues pour faciliter l’établissement des liens et un accès au matériel, aux logiciels et autres dispositifs nécessaires à la reproductibilité.
55Une mise en correspondance d’un article de revue avec un jeu de données n’est qu’une des nombreuses relations possibles entre publications et données. Les correspondances sont souvent multivoques. En effet, il peut s’avérer impossible de spécifier de manière complète le champ d’application des données et informations associées à une publication donnée. Les liens directs sont utiles dans la mesure où ils contribuent à la découvrabilité et à la reproductibilité, mais une architecture qui suppose des liens univoques réduit la capacité à découvrir ou à réutiliser des jeux de données à d’autres fins. Le mouvement de l’open data repose sur la possibilité de rassembler et de comparer des données issues de nombreuses sources, ce qui nécessite des technologies ouvertes.
56La publication n’est que la première des cinq métaphores identifiées par Parsons et Fox (2013) pour désigner l’intendance de données, métaphores qu’ils jugent toutes problématiques et incomplètes. La deuxième est celle du « big data » ou « big iron »7, en référence à la production industrielle et à la culture technique associées aux données en astronomie, en climatologie, en physique des particules et dans des domaines similaires. Le big iron s’intéresse avant tout à l’assurance qualité, à la réduction des données, à la gestion de versions, aux standards de données et métadonnées et au débit. « L’infrastructure scientifique » (science support) constitue la troisième métaphore, qui se rapporte à des domaines tels que l’écologie de terrain, où séparer la science des données ou les collecteurs des conservateurs peut s’avérer difficile. La « cartographie », la quatrième métaphore de Parsons et Fox, fait référence aux données géospatiales qui sont essentielles aux modèles climatiques, à l’affectation des terres, aux enquêtes et à bien d’autres usages. Ces données sont intégrées en couches et publiées sous forme de cartes plutôt que d’articles ou de textes.
57Les « données liées » constituent la dernière métaphore. S’il s’agit de relier des jeux de données et des publications, c’est aussi une méthode participant d’un mouvement plus large pour rassembler des données, des publications et des documentations qui présentent un lien. La notion de données liées est fondamentale pour le Web sémantique. Pour fonctionner, celles-ci reposent sur des modèles graphiques d’organisation et supposent un accord sur les ontologies et les normes. Les données ouvertes occupent une place centrale dans cette vision ; en revanche, la sauvegarde, la conservation et l’assurance qualité n’y sont pas des priorités.
Les unités de données
58Les métaphores autour des données illustrent une vision simpliste de l’élément qu’il conviendrait de diffuser, citer, utiliser ou conserver. Les données peuvent être représentées sous forme d’unités de toute taille : pixels, photons, caractères, frappes, lettres, mots, cellules de tableur, jeux ou archives de données. Le terme « jeu de données » même est problématique en ce qu’il fait couramment référence à au moins quatre thèmes – regroupement, contenu, parenté et destination – qui comportent chacun plusieurs catégories (Renear et al., 2010). Les jeux de données peuvent être traités comme des objets indépendants, qu’ils représentent quelques bits ou plusieurs centaines de téraoctets. L’unité adéquate dépend de l’usage qu’on souhaite en faire. Il est parfois utile de rassembler de nombreux éléments pour les comparer et les explorer ; dans d’autres cas, on cherchera plutôt à extraire des portions de ressources plus vastes.
59Les ouvrages et les articles de revue, unités de communication commodes qui n’existaient autrefois que sous forme papier, peuvent aujourd’hui être divisés en éléments bien plus petits. Les moteurs de recherche retrouvent les articles sous forme d’entités indépendantes et non comme des parties d’une revue assemblées avec soin par un comité éditorial. Au sein de ces articles, chaque tableau, figure et jeu de données peut avoir ses propres identifiants de manière à pouvoir être trouvé indépendamment, séparé du contexte de la méthode de recherche, de la théorie et des conclusions. Livres, articles et autres formes de texte peuvent être traités comme des unités ou comme des agrégats de données, interrogeables par mot, par expression et par chaîne de caractères.
60La frontière entre communication formelle – les publications – et informelle – les présentations et les discussions – continue de se brouiller à mesure que le contenu scientifique s’atomise et est traité comme des données. Articles de revue, prépublications, manuscrits, billets de blogs, slides, tableaux, figures, présentations vidéo, tweets, publications sur Facebook et LinkedIn et d’innombrables autres entités peuvent être partagés indépendamment. Les dépôts de slides et de figures, tout commerciaux qu’ils soient, rencontrent un vif succès grâce à leur facilité d’utilisation et d’accès et à leur acceptation d’entités utiles difficilement publiables ailleurs. La souplesse des objets numériques en matière de division en unités et d’établissement de liens promeut de nouvelles formes de communication. Par exemple, quand des revues facturent un prix à la page substantiel pour publier un schéma en couleur – même pour une publication numérique –, les auteurs et autrices peuvent choisir de publier une version en noir et blanc dans l’article et déposer ou publier ailleurs la figure en couleur. Parce que les couleurs sont nécessaires pour interpréter les résultats découverts, ces auteurs optent pour une manière peu coûteuse de toucher leur lectorat, au moins à court terme. Une partie de ces contenus sera pérennisée, mais beaucoup disparaîtront : en effet, les liens se brisent souvent et vite.
61Pour répondre à ce problème de désagrégation, la réponse habituelle consiste à réagréger les contenus, à la fois pour reconstituer les relations d’origine entre éléments et pour créer de nouveaux ensembles. Les méthodes des données liées peuvent servir à reconstruire la chaîne de valeur de la recherche, à relier des articles, des données, de la documentation, des protocoles, des prépublications, des présentations et d’autres unités. Cette stratégie convient bien aux éléments que l’on peut aisément mettre en réseau, mais ne constitue pas pour autant une solution générique pour relier des ressources dans différents systèmes et services (Bechhofer et al., 2013 ; Goble et al., 2013 ; Pepe et al., 2010 ; Van de Sompel et al., 2012). De même, l’exploration de données (data mining) dans la littérature ouverte permet d’identifier des données dans des textes, des tableaux et des figures, mais pas dans des ressources complémentaires ou dans des archives. Il faut appliquer des stratégies multiples pour régler les problèmes de désagrégation, de réagrégation, de citation et de choix d’unités à publier (Bourne et al., 2011 ; Parsons et Fox, 2013 ; Uhlir, 2012).
Les documents de référence
62Alors que les communications savantes se fragmentent, se dispersent et se réagrègent de façon nouvelle, maintenir la publication de référence comme telle devient plus difficile. Les objets cités disparaissent, les liens se brisent et les algorithmes de recherche évoluent souterrainement, protégés par le secret industriel. Les données sont plus instables encore, car elles servent des causes multiples dans des contextes divers. Les publications sont des éléments fixés dans le temps et l’espace au terme d’une longue élaboration. Au moment de la parution, on assigne aux travaux des identifiants uniques et permanents : un digital object identifier (DOI, « identifiant numérique d’objet »), des numéros de volume et de page ou d’autres immatriculations. Pour recevoir un identifiant permanent, les unités de données doivent être figées dans le temps, dans une version et sous une forme uniques. Reste toujours à déterminer lesquelles sont probantes.
63La prolifération des versions d’un même document n’est pas un problème nouveau. De grands quotidiens, tel le New York Times, publient plusieurs éditions dans la journée. Dans la presse, la « dernière édition » du jour était considérée comme le document de référence ; mais dans le monde du numérique, le New York Times existe sous de multiples versions imprimées et numériques adaptées à des lectorats locaux, nationaux et internationaux. Chaque article peut évoluer en continu.
64Dans l’univers de l’imprimé, il n’y a pas d’ambiguïté sur ce qui constitue le document de référence : le numéro de la revue, les actes de la conférence, le livre publié. Une fois que les documents ont paru, ils le restent. C’est à la version publiée que les renvois bibliographiques font référence. Les lecteurs et lectrices peuvent retracer le flux des idées et des informations en suivant ces références bibliographiques, sachant pertinemment qu’ils peuvent trouver une copie stable de l’œuvre auprès d’une bibliothèque, d’un collègue ou d’une librairie, même des années plus tard. En revanche, aujourd’hui, les articles de revue paraissent en ligne des semaines, voire des mois avant leur mise sous presse, s’ils sont seulement imprimés. Jusqu’à une époque récente, la version en ligne était considérée comme une prévisualisation et la version imprimée constituait le document de référence. Désormais, la version en ligne est devenue la référence et le DOI est en passe de remplacer le référencement par volume, numéro et page.
65Les données sont diffusables d’une manière qui rend compte de leur caractère dynamique, bien mieux que ne peuvent le faire les formats statiques des articles de revue. Le Journal of Visualized Experiments, par exemple, publie des rapports d’expériences évalués par les pairs qui s’accompagnent de vidéos démonstratives (JoVE : Peer Reviewed Scientific Video Journal, 2013). Les auteurs et autrices enrichissent leurs publications de visualisations interactives, comme des PDF 3D qui permettent au lectorat de manipuler les modèles de données astronomiques contenus dans l’article (Goodman et al., 2009). De nombreuses expérimentations de ce type sont en cours (Flor et al., 2010 ; Dutton et Jeffreys, 2010 ; Wouters et al., 2012).
66Les méthodes et les résultats de recherche peuvent aussi être divulgués par d’autres moyens que les publications formelles dans les revues et les ouvrages. Par exemple, les vidéos brèves constituent une manière courante de montrer des techniques de laboratoire. D’autres concepts peuvent être illustrés par des dessins et des commentaires audio. Si l’on cherche sur Internet des vidéos concernant la protéomique, les équations différentielles, l’économétrie ou l’intertextualité, on trouvera des dizaines d’enregistrements gratuits, certains visionnés un demi-million de fois. Les médias sociaux sont utilisés par les auteurs et autrices pour promouvoir leurs travaux et par les lecteurs et lectrices pour y découvrir de nouvelles idées, trouvailles et compétences. Les tweets et les billets de blogs sont devenus un système de notification important pour les contenus scientifiques. Le magazine Science organise chaque année Dance Your PhD, un concours très en vue de clips musicaux illustrant les thèses de doctorantes et doctorants (Bohannon, 2013a). Ces ressources se trouvent certes aux marges de l’édition scientifique, mais elles occupent une place de plus en plus importante dans les infrastructures de la connaissance des chercheurs et chercheuses.
Conclusion
67Les données et la recherche sont indissociables. Elles existent ensemble au sein d’un écosystème complexe, qui doit être entendu comme une infrastructure de la connaissance. Les infrastructures de la connaissance sont prises dans un mouvement perpétuel à mesure des avancées de la recherche et des technologies, des évolutions des politiques et des rééquilibrages des intérêts des parties prenantes. Elles s’adaptent et se transforment sur de longs laps de temps. De même, il est impossible de dissocier les influences sociales et techniques sur ces infrastructures. Les scientifiques appartiennent à de multiples communautés qui se chevauchent, chacune possédant ses propres méthodes, cultures, pratiques et moyens pour représenter ses connaissances. Les représentations communes facilitent le partage des données et d’autres ressources, mais elles créent aussi des frontières entre communautés.
68À bien des égards, la recherche est de plus en plus ouverte ; mais chaque forme d’ouverture révèle de nouveaux obstacles à la communication et à l’échange de ressources telles que les données. L’absence de consensus sur la signification du terme « ouvert » est due aux nombreuses caractéristiques qui peuvent faire considérer une entité, une politique, une technologie ou un service comme « ouvert », chacune avec ses circonstances atténuantes. Les communications savantes formelles et informelles convergent par certains aspects et divergent par d’autres. Les métaphores de la publication scientifique font long feu quand on les applique aux données. L’atomisation des unités de communication crée des perspectives nouvelles pour l’agrégation et la désagrégation des connaissances, mais met à mal la conception traditionnelle de ce qui doit constituer la référence du travail de recherche à valoriser, croire et conserver, et de ce qui doit être écarté.
Notes de bas de page
1 Pour la traduction des concepts de scholarship et data scholarship, voir la Note de la traductrice p. 7.
2 Référence originale : Blair, Ann M., 2010. Too Much to Know. Managing Scholarly Information before the Modern Age. New Haven : Yale University Press.
3 NdT : Dans la traduction française, nous adoptons l’usage de Latour et utilisons les termes « science » et « scientifiques » aussi bien pour les sciences humaines et sociales que pour les sciences exactes.
4 . Référence originale : Suber, Peter, 2012a, Open Access, Cambridge, MA: MIT Press.
5 Citation traduite par Marie Lebert in Suber, Peter. 2016. Qu’est-ce que l’accès ouvert ? [en ligne], Marseille. OpenEdition Press.
6 NdT : mot-valise composé de data et document.
7 NdT : un terme argotique en anglais pour désigner les « gros calibres » que sont les superordinateurs.

Le texte seul est utilisable sous licence Creative Commons - Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International - CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.
What is the Text Encoding Initiative?
How to add intelligent markup to digital resources
Lou Burnard
2014
What is digital identity?
Issues, tools, methodologies
Olivier Ertzscheid Helen Tomlinson (trad.)
2016
Sur quoi reposent nos infrastructures numériques ?
Le travail invisible des faiseurs du web
Nadia Eghbal
2017
Qu’est-ce qu’un forum internet ?
Une généalogie historique au prisme des cultures savantes numériques
Camille Paloque-Bergès
2018
Qu’est-ce qu’une archive du web ?
Francesca Musiani, Camille Paloque-Bergès, Valérie Schafer et al.
2019
Qu’est-ce que le travail scientifique des données ?
Big data, little data, no data
Christine L. Borgman Charlotte Matoussowsky (trad.)
2020
Qu’est-ce que la cartographie du web ?
Expéditions scientifiques dans l’univers des données numériques et des réseaux
Franck Ghitalla Dominique Boullier et Mathieu Jacomy (éd.)
2021