8. Le partage, la diffusion et la réutilisation des données

L’eau, l’eau était partout, et toutes les planches du bord se rétrécissaient. L’eau, l’eau était partout, et nous n’avions pas une goutte d’eau à boire.
— 
Samuel Taylor Coleridge, La complainte du vieux marin, partie II. Traduction d’Auguste Barbier.

Introduction

1Il est bien connu que Galilée (1610) au xviie siècle et Cavendish (1798) au xviiie ont fourni l’intégralité de leurs données pour étayer leur argumentation. Les travaux de Galilée sur les lunes de Jupiter et ceux de Cavendish sur la densité de la Terre demeurent des jalons de l’histoire scientifique parce que leurs données, leurs méthodes et leurs argumentaires peuvent être examinés encore aujourd’hui (Goodman et al., 2014). Lorsqu’on demande aux chercheurs et chercheuses du xxie siècle s’ils seraient prêts à partager leurs données, la plupart répondent que oui. Mais quand on leur demande s’ils ont entrepris de les diffuser, ils admettent généralement que non (Tenopir et al., 2011 ; Wallis et al., 2013). Bonne volonté ne veut pas dire action, c’est pourquoi « les données, les données sont partout, et nous n’avons pas une goutte à boire » est la norme dans la plupart des domaines de recherche. Galilée et Cavendish divulgueraient-ils leurs données de nos jours ?

2Une autre manière d’envisager la question consiste à se demander si, effectivement, « la valeur des données réside dans leur usage » et si cela implique qu’il faudrait « faire de l’accès intégral et ouvert aux données scientifiques la norme internationale pour l’échange de données de la recherche » (National Research Council 1997, p. 10). Ce genre de prises de position maintes fois entendues promeut l’idée que les données constituent une fin en elles-mêmes. Si elles possèdent une valeur intrinsèque, alors elles devraient être enregistrées, conservées comme des atouts et maintenues indéfiniment pour être réutilisées. Un point de vue différent, lui aussi répété à l’envi, est que les objets de recherche sont malléables, changeants et mobiles (Latour, 1987). Les données ne sont pas des « objets naturels », comme expliqué aux chapitres 1 et 2 ; elles sont plutôt des moyens en vue d’une fin, indissociables du processus de recherche. Dans cette perspective de vue, on peut se débarrasser des données à la fin d’un projet ou après publication d’un article. Elles représentent une charge autant qu’un atout et ne valent pas nécessairement l’investissement nécessaire à leur conservation. La vérité se situe sans doute entre ces deux extrêmes. Certaines données valent la peine d’être partagées et beaucoup d’autres non.

3Malgré plusieurs décennies d’avancées réglementaires en matière d’accès ouvert aux données, les rares statistiques existantes montrent de faibles taux de dépôt et de diffusion. Une enquête menée par la revue Science (2011) sur ses évaluateurs et évaluatrices (peer reviewers) a révélé que seulement 7,6 % d’entre eux versent leurs données dans des référentiels disciplinaires, alors que 88,7 % les conservent sur les serveurs de leurs universités ou les ordinateurs de leurs laboratoires, hors de portée des autres scientifiques (Science Staff, 2011). Seulement 1 % des données environnementales sont accessibles après publication des résultats (Reichman et al., 2011). Même lorsque les revues appliquent des politiques de mise à disposition, celles-ci sont peu respectées. Une étude portant sur des articles de recherche dans cinquante-cinq revues à fort impact, dont la plupart exigeaient une forme de diffusion des données, a découvert que seulement 9 % des publications déposaient l’intégralité de leurs données en ligne. Lorsque des règles étaient applicables (ce qui était le cas pour environ 70 % des articles), 59 % suivaient partiellement les consignes de la revue. En revanche, les publications qui n’étaient pas soumises à ces exigences n’ont jamais divulgué l’intégralité de leurs données (Alsheikh-Ali et al., 2011).

4La capacité à diffuser, partager et réutiliser des données – ou leurs représentations – dépend de la présence d’infrastructures de la connaissance adéquates. Celles-ci reposent à leur tour sur des accords entre des acteurs nombreux et en concurrence. Qui doit investir dans l’infrastructure et qui doit en bénéficier ? Comme le montrent bien les études de cas, les données et leurs usages diffèrent selon les contextes et au fil du temps. Les types d’investissement dont ces communautés ont besoin dans leurs ensembles, leurs outils et leurs politiques varient en fonction, de même que leurs rapports avec les autres parties prenantes.

5Ce chapitre offre trois analyses contrastées. La première évalue dans quelle mesure l’intérêt des parties prenantes à diffuser et réutiliser des données est une question d’offre et de demande. La deuxième porte sur les motivations des scientifiques à diffuser et réutiliser des données en replaçant les pratiques en la matière dans le contexte de la communication savante. La troisième analyse examine les implications de ces deux perspectives pour la conception et la pérennité des infrastructures de la connaissance. Ces analyses s’appuient sur les études de cas, sur des rapports – demandant qui partage les données, comment, quand, pourquoi et avec quels résultats, qui réutilise les données comment, quand, pourquoi et avec quels résultats – et sur des discussions avec des scientifiques, chercheurs et chercheuses de nombreuses disciplines.

L’offre et la demande de données de recherche

6Le rapport Bits of Power du National Research Council (1997) n’est qu’un des nombreux documents d’orientation qui encouragent l’accès ouvert aux données de la recherche. Une décennie après sa parution, l’Organisation de coopération et de développement économiques (OCDE) a formulé des principes internationaux pour l’accès aux données de la recherche issues de fonds publics. Les treize principes, développés dans un bref document, sont l’ouverture, la flexibilité, la transparence, la conformité au droit, la protection de la propriété intellectuelle, la responsabilité formelle, le professionnalisme, l’interopérabilité, la qualité, la sécurité, l’efficience, la responsabilité de rendre compte et la pérennité. Bien que largement applicables, ces principes ont une portée étroite. En effet, la définition des données de la recherche du rapport de l’OCDE n’inclut que les « enregistrements factuels […] utilisés comme sources principales […] généralement reconnus par la communauté scientifique comme nécessaires pour valider des résultats de recherche ». Elle exclut spécifiquement « carnets de laboratoire, analyses préliminaires [et] objets matériels » tels que des échantillons de laboratoires (Organisation de coopération et de développement économiques, 2007, p. 18). La plupart des politiques et rapports ultérieurs promeuvent le partage d’un plus large éventail de données (Australian National Data Service, 2014 ; Ball, 2012 ; Wood et al., 2010). Le document de l’OCDE reste le plus précis concernant l’identification des nombreuses contraintes qui pèsent sur la diffusion et leurs variations selon le type de données, la juridiction et autres.

7Le problème de l’offre et de la demande s’apparente à celui de l’œuf ou de la poule. Puisque la demande de réutilisation est faible, peu de données sont divulguées. Puisque peu de données sont divulguées, la demande ne suffit pas à bâtir l’infrastructure nécessaire à une réutilisation aisée. La plupart des politiques de partage de données essaient d’augmenter l’offre en obligeant ou en encourageant les chercheurs et chercheuses à diffuser leurs données. Les responsables politiques, les organismes de financement, les revues scientifiques et les autres parties prenantes manient surtout le bâton – en imposant des plans de gestion des données, le dépôt… – parce qu’ils ont peu de carottes à proposer. Curieusement, ces politiques mentionnent à peine la demande en données attendue ou l’infrastructure nécessaire à la diffusion et à la réutilisation.

8Il ne suffit pas de déclarer qu’il faut diffuser les données. Les politiques de partage en appellent à la générosité des scientifiques par des arguments historiques en faveur de l’ouverture. Elles prennent rarement en compte le caractère concurrentiel de la recherche, la quête de la récompense et de l’attribution des mérites, la disproportion du travail fourni par rapport aux bénéfices obtenus, la diversité des pratiques d’un domaine à l’autre et d’un scientifique à l’autre, la disparité des ressources entre communautés, les difficultés à interpréter les données partagées et la quantité de ressources nécessaires pour partager ou pérenniser des données. Les politiques comme celles de l’OCDE s’adressent aux États, appelant là encore à l’ouverture et à la transparence.

9Les États aussi sont en concurrence et les politiques nationales diffèrent par le degré d’ouverture ou de fermeture par défaut des informations. De nombreux mécanismes existent pour augmenter l’offre de données, que nous considérons tous, pour les besoins du présent ouvrage, comme de la diffusion de données. Parmi eux, on citera les données divulguées par les chercheurs et chercheuses, les données de recherche disponibles dans des référentiels, des observatoires ou d’autres types d’ensembles et les données recueillies à des fins autres que la recherche.

L’offre de données de recherche

10Les origines des politiques de partage des données sont multiples. La marchandisation croissante de l’information qui a suivi l’évolution des régimes de propriété intellectuelle dans les années 1970 et 1980 a constitué un facteur significatif (Schiller, 2007). Les tentatives de brevetage et de commercialisation du génome humain aux débuts du séquençage ont provoqué un tollé autour du contrôle de l’information scientifique. Ces tentatives d’« anticommuns » ont contribué au développement de réservoirs communs de ressources pour la recherche. L’instauration de politiques pour l’accès ouvert aux données génétiques a constitué un tournant dans les pratiques scientifiques de partage de données (Hamilton, 1990 ; Hess et Ostrom, 2007b ; Koshland, 1987 ; Science Staff, 1987 ; Roberts, 1987, 1990 ; Watson, 1990).

11De nombreux acteurs prônent le partage des données : les organismes de financement – publics comme privés –, les instances politiques, telles que les académies nationales et les organes de financement des universités, les maisons d’édition de revues, le corps enseignant, le grand public et les chercheurs et chercheuses eux-mêmes. Nous reformulons ici quatre raisonnements, développés dans un ouvrage antérieur (Borgman, 2012a), qui sont avancés pour justifier le partage des données : 1) pour reproduire la recherche, 2) pour mettre des ressources publiques à la disposition de la population, 3) pour optimiser les investissements dans la recherche et 4) pour faire progresser la recherche et l’innovation. Cette liste n’est pas exhaustive, mais elle fournit un cadre pour examiner les interactions de l’offre et de la demande dans les politiques, les pratiques et les parties prenantes du partage des données.

12Les termes « raisons », « raisonnement », « arguments », « motivations », « incitations » et « bénéfices » sont souvent confondus. Un raisonnement (rationale) est une explication des principes d’une opinion, d’une croyance ou d’une pratique. Un argument, en revanche, vise à convaincre : c’est l’ensemble des raisons données par un individu ou une instance pour entreprendre quelque chose. Les raisonnements sont sous-tendus par des motivations intrinsèques et extrinsèques, qui peuvent être explicites ou implicites. Une motivation intrinsèque (motivation) est quelque chose qui pousse à agir, alors qu’une motivation extrinsèque ou incitation (incentive) est une influence externe qui suscite l’action. Un bénéficiaire est ici un individu, un organisme, une communauté, un secteur économique ou une autre partie prenante qui tire un bénéfice du partage des données, par exemple leur utilisation dans un but particulier.

Pour reproduire la recherche

13On dit souvent de la reproductibilité qu’elle est la référence absolue de la science (Jasny et al., 2011). Cette justification du partage des données est percutante, mais problématique. Bien qu’elle soit fondamentalement axée sur la recherche, on peut aussi considérer qu’elle sert le bien commun. En effet, reproduire une étude confirme les travaux scientifiques et donc le fait que les deniers publics ont été dépensés à bon escient. Cependant, cet argument ne s’applique qu’à certains types de travaux de recherche et repose sur des postulats discutables.

Définir la reproductibilité

14Le problème fondamental de ce raisonnement est l’absence de consensus sur ce qu’est la « reproductibilité ». Un numéro spécial de Science consacré à la réplication et à la reproductibilité souligne les différences conceptuelles entre domaines. La question est particulièrement compliquée en métaomique (qui regroupe la génomique, la transcriptomique, la protéomique et la métabolomique) où « des découvertes significatives au point de vue clinique sont cachées parmi des millions d’analyses » (Ioannidis et Khoury, 2011, p. 1230). Chaque domaine de ce champ opère des distinctions fines entre reproductibilité, validation, utilité, réplication et répétabilité, qui n’ont pas la même définition d’une discipline à l’autre. Cette variabilité est encore plus grande en élargissant la question aux sciences exactes et sociales (Ioannidis et Khoury, 2011 ; Jasny et al., 2011 ; Peng, 2011 ; Ryan, 2011 ; Santer et al., 2011 ; Tomasello et Call, 2011).

15Une nouveauté est apparue avec la possibilité pour les scientifiques de payer pour que leur recherche et les données associées soient validées par un tiers, soit avant, soit après publication. Les débats autour de la Reproductibility Initiative portent sur les problèmes qu’elle pourrait résoudre – s’il y en a –, si elle tente de réinventer la science et si elle détourne des ressources qui pourraient être consacrées à de nouveaux travaux. Les maisons d’édition se sont montrées peu enthousiastes au motif que les études avec appariement et les réplications ne feraient qu’encombrer la littérature scientifique (Bamford, 2012 ; Science Exchange Network, 2012).

Déterminer quoi reproduire

16La difficulté à distinguer les notions de reproductibilité, de répétabilité, de réplication, de validation et de vérification se manifeste lorsqu’on décide quels éléments seront reproduits et à quelles fins. Certaines démarches tentent de réaliser une réplication exacte avec les mêmes observations, ressources, conditions, instruments, logiciels, etc., tandis que d’autres s’efforcent d’obtenir des résultats comparables avec des données d’entrée et des méthodes similaires. La première méthodologie permet de valider un article spécifique, tandis que la dernière peut produire des travaux plus valides en confirmant l’hypothèse de départ.

17Il y a plusieurs niveaux de reproductibilité, par exemple la duplication précise d’observations ou d’expérience, la réplication exacte d’un processus logiciel, différents niveaux d’efforts à fournir et la nécessité éventuelle d’outils propriétaires. Les sciences numériques représentent le champ le plus prometteur pour la reproductibilité, car on peut y répéter des procédés avec exactitude pour peu qu’on dispose d’un accès suffisant aux données et aux programmes (Stodden, 2009a, 2009b, 2010 ; Vandewalle et al., 2009). Les logiciels de flux de travaux scientifiques, qui maintiennent des traces détaillées des tâches de recherche, visent souvent la reproductibilité ou du moins l’établissement de registres de provenance (Bechhofer et al., 2010 ; De Roure et al., 2009 ; Goble et al., 2013 ; Hettne et al., 2012).

18Les essais cliniques de médicaments et de procédures médicales sont préoccupés par la réplication et la vérification, mais reproduire intégralement représente un coût prohibitif. Un essai réussi sur une population donnée peut néanmoins être répliqué sur une autre. La médecine fondée sur des données probantes repose, plus que sur la reproductibilité proprement dite, sur l’examen systématique d’essais multiples, qui valident les résultats par la comparaison de populations, de méthodes et de résultats (Chalmers, 2011 ; Cochrane Collaboration, 2013 ; Goldacre, 2012 ; Thomas, 2013). Pour les laboratoires pharmaceutiques, essayer de répliquer des résultats rapportés dans un article de revue est souvent une première étape pour déterminer si une piste de recherche a des chances d’aboutir. Ils peuvent dépenser des dizaines, voire des millions de dollars pour reproduire une étude publiée, souvent en vain. Les avis des parties prenantes divergent : certaines estiment qu’il s’agit d’argent bien dépensé afin d’éviter des investissements erratiques, tandis que d’autres pensent que la situation révèle les failles de la méthode scientifique ; c’est notamment l’avis du Wall Street Journal (Naik, 2011). Toutefois, les articles journalistiques simplifient souvent les méthodes et résultats scientifiques d’une manière qui induit en erreur, voire qui contredit les résultats effectifs (Goldacre, 2008).

Détecter la fraude

19Dès que des articles publiés dans des revues majeures sont rétractés, on s’interroge sur ce que les évaluateurs et évaluatrices connaissaient – ou auraient dû connaître – des données et des procédures (Brumfiel, 2002 ; Couzin et Unger, 2006 ; Couzin-Frankel, 2010 ; Normile et al., 2006). À la suite d’un cas de fraude particulièrement médiatisé en psychologie, un groupe de psychologues a lancé un projet de réplication d’études récentes parues dans les principales revues du domaine. Celui-ci a provoqué des tensions, d’aucuns se demandant si ces efforts renforceraient vraiment la recherche en psychologie et si l’innovation méthodologique serait pénalisée (Carpenter, 2012 ; Doorn et al., 2013 ; Enserink, 2012a).

20Ce n’est qu’aujourd’hui qu’on pose la question de ce qui constitue un examen de données valide, adéquat ou raisonnable, avec peu de réponses (Borgman, 2007 ; Lawrence et al., 2011 ; Parsons et Fox, 2013). Il n’est pas toujours nécessaire d’avoir accès aux données pour repérer des résultats erronés. Dans bien des cas, la fraude n’est détectable qu’après publication, par exemple lorsqu’on trouve les mêmes illustrations ou chiffres dans plusieurs articles (Couzin et Unger, 2006 ; Wohn et Normile, 2006). Distinguer entre fraude, faute et erreur est plus difficile. L’évaluation par les pairs (peer review) est un mécanisme de validation imparfait, mais il n’en existe pas encore de meilleur. Les évaluateurs et évaluatrices, qu’on appelle aussi arbitres scientifiques, sont tenus d’apprécier la fiabilité et la validité d’un rapport de recherche en se fondant sur les informations fournies. L’évaluation par les pairs repose moins sur la reproductibilité que sur un jugement d’expert (Arms, 2002 ; Fischman, 2012 ; Fitzpatrick, 2011 ; Harnad, 1998 ; King et al., 2006 ; Shatz, 2004 ; Weller, 2001).

Clore des controverses

21Les perspectives les plus ambitieuses voient dans la reproductibilité un moyen de clore des controverses scientifiques. Si un résultat peut être confirmé ou infirmé, la réponse devrait être claire, semble-t-il. Cependant, les tentatives de reproduction de résultats révèlent souvent les désaccords épistémologiques qui sous-tendent ces controverses, dévoilant ainsi le cœur de la recherche scientifique. Par exemple, Albert Wegener a avancé des théories sur la tectonique des plaques au début du xxe siècle, mais celles-ci n’ont pas été largement acceptées avant les années 1960, quand les progrès technologiques en cartographie des fonds marins ont confirmé son modèle. Wegener s’appuyait sur des faits tirés de différentes disciplines et n’avait pas une connaissance suffisamment poussée de chaque spécialité pour convaincre les scientifiques des avantages de sa théorie (Frankel, 1976). De même, en physique, les tentatives pour résoudre la question de l’existence des ondes gravitationnelles ont échoué en raison de désaccords sur les méthodes de validation. Certains scientifiques estimaient que seules les expériences qui avaient détecté les ondes avaient été menées correctement, alors que d’autres ne faisaient confiance qu’aux travaux qui n’étaient pas parvenus à les déceler (Collins, 1975, 1998).

Pour mettre des ressources publiques à la disposition
de la population

22Un autre raisonnement courant en faveur de la diffusion des données est que les produits de fonds publics devraient être accessibles aux citoyennes et aux citoyens. On retrouve ce raisonnement dans les arguments en faveur du gouvernement ouvert, de l’accès ouvert aux publications et de l’accès ouvert aux données (Boulton, 2012 ; Lynch, 2013 ; Wood et al., 2010). Par exemple, les politiques britanniques combinent l’accès ouvert aux publications et aux données (Research Councils UK, 2011, 2012c ; Suber, 2012b). L’Australie a incorporé la gestion des données dans son code déontologique pour la recherche (National Health and Medical Research Council, 2007 ; Australian National Data Service, 2014). Enfin, les politiques états-uniennes varient d’un organisme de financement à l’autre. Les National Institutes of Health ont instauré l’accès ouvert aux publications à travers PubMed Central avant de traiter la question des plans de gestion des données. À l’inverse, la National Science Foundation a établi des politiques de partage des données et de plans de gestion en laissant de côté l’accès ouvert aux publications. Les réglementations états-uniennes pourraient converger sous l’influence de nouvelles politiques fédérales en matière d’information de recherche, mais la route est encore longue (Burwell et al., 2013 ; Holdren, 2013a, 2013b).

23Le fait de confondre ces deux types de politiques a pour conséquence d’assimiler accès ouvert aux publications et accès ouvert aux données, ce qui soulève les problèmes que nous avons vus au chapitre 3. L’accès ouvert aux publications bénéficie à tous les lectorats, que l’on parle de scientifiques, de praticiennes et praticiens, de la population étudiante ou du grand public. L’accès ouvert aux données offre, quant à lui, des bénéfices directs à bien moins de gens, sans compter qu’ils varient en fonction des acteurs. Les rapports préliminaires sur l’accès ouvert aux données d’essais cliniques, par exemple, indiquent que la majorité des demandes proviennent de compagnies pharmaceutiques, de juristes et de cabinets de conseil ; quelques-unes seulement émanent de chercheurs et chercheuses universitaires (Bhattacharjee, 2012 ; Cochrane Collaboration, 2013 ; Fisher, 2006 ; Goldacre, 2012 ; Marshall, 2011 ; Rabesandratana, 2013 ; Vogel et Couzin-Frankel, 2013).

Pour optimiser les investissements dans la recherche

24Un troisième raisonnement pour justifier la diffusion des données est que d’autres devraient avoir la possibilité de les exploiter. Là encore, la différence d’intérêts des parties prenantes est manifeste. Les motivations des scientifiques à diffuser leurs données sont influencées par les bénéficiaires supposés. Cette optique défend le besoin d’un plus grand nombre de référentiels qui acceptent et conservent les données de la recherche, de meilleurs outils et services pour les exploiter et d’autres investissements dans l’infrastructure de la connaissance. Par ailleurs, elle corrobore les arguments des acteurs du secteur privé qui veulent « libérer la valeur » des données produites par les universités (Biemiller, 2013 ; Thomson Reuters, 2013). Cependant, elle mélange investissements dans la recherche et investissements dans les données, qui jouent un rôle différent dans la communication savante.

25On avance souvent des exemples d’usages imprévus de données anciennes pour étayer l’idée qu’il faudrait en conserver autant que possible. Par exemple, des résidus d’ADN de Louis XVI, guillotiné en 1793 avec son épouse Marie-Antoinette, ont été comparés à l’ADN d’un de ses ancêtres directs. Les analyses ont révélé que Louis était concerné par un risque génétique de diabète, d’obésité et de troubles bipolaires. Ces découvertes ont apporté des éléments aux débats sur les sources de l’indécision du roi (Science Staff, 2013). Les progrès réalisés dans le décodage d’ADN ancien ont fait partie des « découvertes de l’année » citées par la revue Science (Gibbons, 2012 ; Science Staff, 2012). L’anticipation d’applications futures constitue un problème classique des bibliothèques, des musées et des archives, mais même eux ne peuvent pas tout garder.

Pour faire progresser la recherche et l’innovation

26Le dernier raisonnement veut que le partage des données fasse progresser la recherche et l’innovation. À la différence des deux précédents, il s’intéresse aux bénéfices pour la science. Cette logique est implicite dans des phrases telles que « la science repose sur des données de qualité » (Whitlock et al., 2010, p. 145) et « la conservation scientifique des données est un moyen de les organiser, de les valider et de les préserver pour que les scientifiques trouvent de nouveaux moyens de répondre aux grandes questions de recherche auxquelles notre société est confrontée » (Data Conservancy, 2010). Elle constitue un argument pour investir dans l’infrastructure de la connaissance pour pérenniser les données de la recherche, qui seraient organisées selon des normes professionnelles exigeantes. Toutes les données n’ont pas besoin d’être gardées, mais celles qui en valent la peine doivent être conservées au mieux et devenir des atouts pour la communauté scientifique.

La demande de données de recherche

27Les quatre raisonnements justifiant le partage des données partent du principe qu’elles seront réutilisées : si les données sont partagées, les utilisateurs et utilisatrices viendront. Ce postulat sous-tend les discours selon lesquels partager les données permettrait de « libérer leur valeur » (Thomson Reuters, 2013). Or, les données de la recherche sont des objets sociotechniques complexes qui existent au sein de communautés et non de simples marchandises que l’on peut échanger sur un marché public. Si les scientifiques cherchaient activement des données à réutiliser, elles seraient davantage partagées. C’est dans les domaines où la dépendance mutuelle est la plus importante que la demande en données réutilisables est la plus forte, comme expliqué au chapitre 4. En effet, ces champs ont lourdement investi dans les infrastructures de la connaissance pour partager l’instrumentation, les ensembles de données et d’autres ressources. Comme nous l’avons vu dans les études de cas, de nombreux aspects du travail scientifique des données semblent influer sur le moment, la manière et le fait de diffuser ou réutiliser des données.

28Dans certains domaines, on dissuade activement les chercheurs et chercheuses de réutiliser des données. Pour paraphraser Jamie Callan et Alistair Moffat (2012), la réutilisation revient à chercher ses clés sous un lampadaire parce que c’est là qu’il y a de la lumière : les données et les questions intéressantes se trouvent ailleurs. On bâtit sa carrière en explorant des territoires vierges. Or, poser de nouvelles questions à partir de nouvelles données est la manière la plus sûre d’innover. Certes, poser de nouvelles questions à partir de données anciennes peut aussi conduire à des découvertes, mais il est difficile de convaincre les comités de rédaction et les arbitres scientifiques que les réanalyses sont des contributions de valeur. Poser les mêmes questions en répliquant des études n’amène guère de reconnaissance et il est particulièrement difficile de se faire publier dans ces conditions.

29Les études de cas en sciences exactes et en sciences sociales laissent à penser que l’échange privé de données serait plus courant que l’échange public à travers des référentiels. Les chercheurs et chercheuses indiquent qu’ils cherchent rarement à obtenir des données d’autres scientifiques et qu’on ne leur demande guère les leurs (Faniel et Jacobsen, 2010 ; Pienta et al., 2010 ; Wallis et al., 2013). Lorsqu’on les sollicite en ce sens, les chercheurs peuvent répondre favorablement ou non en fonction de divers facteurs, tels que les ressources nécessaires pour partager les données, leurs rapports avec le demandeur ou la demandeuse et le temps écoulé depuis la création des données (Campbell et al., 2002 ; Hanson et al., 2012 ; Hilgartner et Brandt-Rauf, 1994 ; Hilgartner, 1997). Mayernik (2011) a découvert que certaines données n’étaient pas diffusées parce que les chercheurs ne voyaient pas qui en voudrait ou à quoi elles pourraient servir.

30Le plus difficile lorsqu’on évalue les pratiques de réutilisation des données est l’absence de consensus sur la notion de « réutilisation ». Cette dernière dépend elle-même de ce que signifie l’« utilisation » des données ou d’autres formes d’informations. La recherche d’information, les besoins et les usages sont des problèmes anciens et épineux en sciences de l’information. Puisqu’aucune définition d’« utilisation d’information » ne s’applique de manière satisfaisante à l’ensemble des disciplines et des contextes, l’absence d’unanimité sur ce qui constitue l’« utilisation » ou la « réutilisation » des données n’est pas surprenante. Après de nombreuses années d’analyses, les archivistes en astronomie sont parvenus à un consensus international sur les bibliographies de télescope, mais sans définir clairement ce que signifie « utiliser les données » d’un télescope (IAU Working Group Libraries, 2013). Ce problème de définition se répercute : les archives diffèrent quant à ce qu’elles considèrent comme des publications « évaluées » et à leur manière de mesurer des concepts clés, comme « observation ». Bien que les mesures de l’usage des données soient plus cohérentes en astronomie que dans la plupart des champs, elles ne sont pas transférables à des domaines proches, ni comparables d’une discipline à l’autre.

31En somme, le modèle de l’offre et de la demande ne décrit pas adéquatement les défis de la divulgation, du partage et de la réutilisation des données. Une analyse autrement plus profonde est nécessaire pour éclairer les motivations intrinsèques et extrinsèques, ainsi que les parties prenantes de ces activités.

Les motivations scientifiques

32Le partage des données est difficile à réaliser et le retour sur investissement ne suffit pas à le justifier. Peu de scientifiques travaillent en ayant la réutilisation des données en tête. Elles sont un moyen en vue d’une fin, laquelle consiste généralement à chercher des résultats qui seront rapportés dans des publications, et non une fin en soi. Traiter les données comme des produits à diffuser ou partager suppose des changements dans les méthodes et les pratiques de recherche. Dans certains cas, les pratiques peuvent être adaptées, mais les problèmes insolubles de propriété, d’éthique, de ressources et de normes communautaires sont légion. Dans la plupart des domaines, les scientifiques disposent de ressources minimes pour investir dans le partage de leurs données, et même quand ils s’en occupent, il n’existe pas de référentiels pour les prendre en charge. Le succès des politiques encourageant la diffusion des données dépendra sans doute d’investissements bien plus radicaux dans les infrastructures de la connaissance que les organismes de financement, les revues, les bibliothèques, les archives ou les scientifiques ne veulent l’admettre.

Publications et données

33Dans la recherche, les données jouent un rôle très différent des publications, comme nous l’avons évoqué au chapitre 3. L’amalgame entre l’accès ouvert à la littérature et l’accès ouvert aux données embrouille les relations complexes entre ces deux réalités. Ces rapports évoluent, quoique lentement, comme nous le verrons au chapitre 10.

Communiquer la recherche

34La communication de la recherche a commencé bien avant les livres et les revues. Les discussions « souvent précairement préservées dans des manuscrits maintes fois recopiés » (Meadows, 1998, p. 3) des Grecs contemporains d’Aristote influencent la pensée scientifique encore aujourd’hui. La communication savante s’est progressivement formalisée et professionnalisée. Les livres ont été les premiers à émerger comme forme longue. Les revues ont été créées au xviie siècle pour formaliser la correspondance entre savants. Ces genres littéraires ont évolué jusqu’à trouver leurs formes actuelles. Les articles présentent une structure formelle qui comprend les mentions d’auteur, les titres, les résumés, les références à d’autres publications, les figures, les tableaux, etc. Cette structure a divergé dans les différents champs, mais tout article traitant d’un domaine de recherche quelconque conserve ces éléments clés. De plus, les genres diffèrent peu entre les formats papier et en ligne.

35Les livres, les articles de revue, les actes de colloque et les autres publications permettent à la communauté d’examiner les résultats de recherche. Ils comportent suffisamment de détails sur les arguments, les méthodes, les sources de preuve et les procédures pour en étayer les conclusions, mais rarement assez pour pouvoir reproduire les résultats. Dans certains domaines, les revues publient des tableaux et des figures détaillés. Dans d’autres, les articles consistent principalement en un argumentaire où l’explication des sources de preuve est réduite à portion congrue.

36Les publications simplifient nécessairement les activités de recherche, omettant des détails jugés inutiles à la compréhension de l’argumentaire et des preuves par le lectorat cible. Les éléments passés sous silence peuvent être, dans les sciences exactes, les réglages des appareils, les étalonnages, les filtres et les protocoles ; dans les sciences sociales, les méthodes d’analyse statistique, la réduction des données, la conception de l’entretien et les protocoles de terrain ; dans les sciences humaines, les méthodes de recherche dans les archives, la traduction et l’accès au terrain. S’ils ne sont pas forcément utiles à la compréhension de l’article, ces détails peuvent s’avérer nécessaires pour comprendre les données.

37Les publications ne sont donc pas de simples contenants de données. Les chercheurs et chercheuses formulent leur discours de manière à convaincre autrui de la validité et de l’importance de leur travail. Les publications sont des argumentaires étayés par des preuves. Elles sont les produits finis au terme d’un long processus de négociations entre partenaires, financeurs, arbitres, comités de rédaction, maisons d’édition, présidentes et présidents de programmes et collègues. Tout résultat d’étude est présenté de manière stratégique pour plaire au lectorat de la revue à laquelle un article est proposé, au comité de rédaction d’une maison d’édition à laquelle un manuscrit est envoyé ou à l’assistance d’un colloque. Un même résultat peut être adapté à de multiples publics. Les auteurs et autrices choisissent leur terminologie, leurs questions de recherche, leurs données, leurs tableaux et figures, la longueur et la structure de leur manuscrit et leurs arguments pour chaque publication. Même le format des références diffère d’un article à l’autre (Bowker, 2005 ; Kwa, 2011 ; Latour et Woolgar, 1979, 1986 ; Lynch et Woolgar, 1988a ; Merton, 1963b, 1970, 1973 ; Star, 1995 ; Storer, 1973).

38Identifier « les données » associées à un article, une communication de colloque, un livre ou une autre publication est souvent difficile. Les chercheurs et chercheuses recueillent des données en continu, sur de longues périodes et à l’aide de multiples méthodes pour étudier un ensemble de problèmes interdépendants. Ils s’appuient sur des jeux de données cumulatifs, plus ou moins documentés, pour avancer différents arguments dans chacune de leurs publications. Ils extraient ou non un jeu de données distinct pour un article particulier. Expliquer comment un jeu de données a été créé peut nécessiter d’expliquer les méthodes employées dans toute une série d’articles antérieurs et de phases préliminaires de réduction des données. La règle générale en matière de publications est que celles-ci doivent être suffisamment distinctes pour être compréhensibles isolément, impliquant qu’une interprétation plus complète peut nécessiter la lecture des références citées.

39Une fois publiés, ces produits finis prennent une vie propre. Chaque lecteur ou lectrice apporte ses propres connaissances au document et en tire sa propre signification. Une personne lira l’article pour ses résultats, une autre pour ses méthodes, une autre encore pour une figure spécifique et encore une autre pour la revue de la littérature. Un lecteur travaillant dans le même domaine de spécialité lira la prépublication pour se tenir au courant des nouvelles découvertes. Une lectrice dans un domaine connexe lira l’article un an après sa parution pour comparer ses résultats aux derniers développements de sa discipline. Un lecteur d’un champ différent le lira en quête de méthodes ou de résultats transférables. Cinq ou dix ans plus tard, une doctorante évaluera l’article pour sa thèse : entre-temps, il aura pu être jugé comme une œuvre majeure, une fraude ou une découverte fallacieuse qui aura entraîné la discipline dans une impasse (Brown et Duguid, 1996, 2000 ; Latour et Woolgar, 1986).

Publier la recherche

40La diffusion des jeux de données avec chaque publication n’est jamais devenue la norme dans la communication savante. Du point de vue des maisons d’édition, les arguments en faveur de leur incorporation dans le processus éditorial ne sont pas les mêmes pour l’imprimé et le numérique. Dans l’univers du papier, le coût de reproduction de vastes jeux de données est prohibitif. Les auteurs et autrices sont tenus de se limiter à un nombre de pages fixes, lesquelles sont généralement dévolues au déroulement de l’argumentaire avec le minimum de données probantes. Les sections sur la méthodologie sont souvent portion congrue pour des raisons d’espace et parce qu’on suppose le lectorat suffisamment expert dans le domaine pour ne pas avoir besoin de beaucoup de détails.

41Dans l’univers du numérique, l’économie n’est plus la même. Les contraintes d’impression et de pagination ne sont plus une préoccupation majeure. Cependant, les revues qui publient à la fois sur papier et en numérique, comme Science et Nature, tendent à conserver un périmètre identique pour chaque article. Ainsi, une limite à quatre pages dans la version papier se traduit par un article numérique de même longueur. Ces contraintes sont en partie contournées en demandant des « informations complémentaires » (supplemental information) qui ne sont publiées qu’en ligne ; celles-ci peuvent comprendre des éléments essentiels sur la méthodologie et les données. Les informations complémentaires sont restées largement cantonnées à l’édition en sciences exactes et ne se sont jamais démocratisées dans les sciences humaines et sociales. Les évaluateurs et évaluatrices peuvent demander davantage d’éléments sur le déroulement d’une expérience, par exemple, et les auteurs doivent satisfaire à ces demandes dans le cadre de la politique éditoriale de la revue. Certaines revues imposent des règles strictes sur les éléments à faire figurer dans le corps du texte, à inclure dans les informations complémentaires, à publier ailleurs et à lier, ainsi que sur la présentation des rapports entre ces éléments. À mesure que les jeux de données et les autres formes de preuve gagnent en volume, les maisons d’édition s’inquiètent de devoir assurer à long terme les coûts de stockage et de conservation. Au point de vue de la réutilisation, le plus problématique reste les jeux de données derrière des pay walls (accès payant) ou postés sur les sites web des auteurs, car ils ne sont pas facilement découvrables.

Des atouts et des charges

42Exiger la divulgation des données au moment de la publication suppose que les auteurs et autrices « en aient fini » avec elles. La diffusion des données est très courante dans des champs comme la génomique, où la correspondance entre la publication et le jeu de données est plutôt claire et où « les jeux de données sont relativement simples, homogènes et bien définis » (Shotton, 2011). Lorsque la carrière du chercheur ou de la chercheuse est concentrée sur l’étude à long terme d’une espèce, d’un lieu ou d’un ensemble d’artefacts particulier, les données gagnent en valeur à mesure de leur accumulation. Les chercheurs peuvent ne jamais en avoir fini avec leurs données. Ils sont réticents à diffuser les jeux associés à une publication parce que cela peut impliquer de divulguer des années de données. De même, reproduire des données associées à une publication quelconque est problématique, car l’ensemble des observations rapportées peut dépendre largement d’études antérieures et de l’interprétation de données bien plus anciennes.

43Les jeux de données représentent aussi des atouts qui peuvent être échangés avec d’autres scientifiques, utilisés comme leviers dans des collaborations et offerts en dot. Les chercheurs et chercheuses en sciences humaines peuvent ainsi apporter des mines de ressources à un nouveau poste ou à de nouvelles collaborations. Si les données sont diffusées, elles perdent leur valeur en tant que monnaie d’échange. Il est difficile de persuader les chercheurs de renoncer à ces atouts sans qu’ils obtiennent quelque chose en retour, surtout si leur collecte a nécessité d’importants efforts et dépenses (Borgman, 2007 ; Edwards et al., 2011 ; Hilgartner et Brandt-Rauf, 1994). Le moment est un autre facteur dans la diffusion des données. Les personnels de recherche protègent leurs collaborations et leur investissement dans leur travail en ne divulguant pas leurs données plus tôt qu’il n’est nécessaire. Si elles sont diffusées trop tôt, les partenaires peuvent renâcler à engager les sommes et le travail salarié nécessaires à la collaboration. L’objectif des périodes d’embargo est de trouver un compromis entre la prérogative des chercheurs et une diffusion rapide.

44Les données représentent aussi une charge. Selon leur type, les stocker suppose un espace physique et des ressources informatiques. Les gérer exige des ressources humaines. Le temps consacré à les préparer pour leur diffusion est perdu pour les autres activités scientifiques. De même, les fonds des subventions dévolus à la gestion des données ne sont pas utilisables pour mener des recherches. Les droits de diffusion et le devoir de conservation peuvent s’avérer inextricables ; les questions juridiques et économiques imprègnent donc la problématique du partage des données. Souvent, les données ne sont pas diffusées en l’absence de certitude sur qui a le droit ou la responsabilité de le faire. Les chercheurs et chercheuses peuvent ignorer si les données leur appartiennent ou si elles sont possédées par leur université, leur laboratoire ou département, leur organisme de financement, leur maison d’édition ou une autre instance. La réponse peut ne pas avoir d’importance tant que la question de la diffusion des données n’est pas soulevée. Plus il y a de partenaires et de juridictions impliqués, plus il est difficile de déterminer les droits de diffusion des données (Arzberger et al., 2004 ; Berman et al., 2010 ; Birnholtz et Bietz, 2003 ; Hirtle, 2011 ; Reichman et al., 2009 ; Stanley et Stanley, 1988).

45Les scientifiques s’inquiètent aussi de leur responsabilité légale et des risques pour leur réputation si les données sont mal utilisées ou mal interprétées. Le mésusage peut sembler un problème mineur puisque les scientifiques ont malheureusement l’habitude de voir leur travail compris de travers dans les médias de masse (Goldacre, 2008). Pourtant, l’extraction sélective de données, la réidentification de sujets humains ou d’animaux de laboratoire et d’autres formes de mésusage – qu’elles soient dues au manque d’expertise, à une documentation insuffisante ou à de la malveillance – représentent un vrai problème. La recherche mondiale et comparative sur le changement climatique dépend de l’accès ouvert aux données, mais la politisation de ces travaux fait hésiter les chercheurs et chercheuses de ces domaines à diffuser leurs données.

Diffuser les données

46Les chercheurs et chercheuses éprouvent souvent de grandes difficultés à gérer leurs données pour leur usage présent et futur. Disposer des moyens de gérer efficacement des données est un prérequis pour les diffuser de manière à les rendre interprétables par d’autres scientifiques.

Représentations et mobilité

47La difficulté à extraire les données du contexte de recherche est connue comme le problème de la « mobilité ». Rendre des données mobiles suppose de les séparer de la situation qui en a fait des données. Par conséquent, on perd une couche de signification. Consigner la provenance peut permettre de la rétablir en partie, mais le contexte précis est impossible à transférer intégralement. Les données peuvent constituer des « objets-frontières » qui délimitent les communautés. Elles prennent des sens différents à mesure qu’elles sont utilisées, décrites, documentées et interprétées d’un domaine à l’autre et d’une chercheuse à l’autre (Bishop et Star, 1996 ; Bowker, 2005 ; Kanfer et al., 2000 ; Star et al., 2003 ; Star et Griesemer, 1989 ; Star, 1983, 1989).

48Comme expliqué au chapitre 2, les données sont des entités qui servent à mettre en évidence des phénomènes à des fins de recherche. Elles ne peuvent que rarement être séparées de leurs représentations. Que les chercheurs et chercheuses étudient un enfant dans un parc ou des expressions dans un texte chinois bouddhique, ils représentent leurs données d’une façon particulière pour prouver un phénomène donné. Une fois les représentations intégrées dans un fichier STATA, Word, R ou autre, elles perdent ce qui en a fait des preuves de phénomènes particuliers.

49Les logiciels peuvent constituer une source de friction dans l’échange de données. Au CENS, par exemple, certaines équipes utilisaient R, un progiciel statistique open source répandu, quand d’autres préféraient Matlab ou d’autres outils. Pour échanger leurs données, ces groupes exportaient leurs données dans des tableaux Excel qui faisaient office de plus petit dénominateur commun. D’autres équipes partageaient leurs données dans des tableurs Google et des méthodes semblables. Le CENS se situe du côté de la science légère, mais Vertesi et Dourish (2011) ont observé le même problème en astronomie, où les groupes devaient réduire leurs données à leur plus petit logiciel commun pour pouvoir les échanger. De même, les données qualitatives dans des outils analytiques comme NVIVO ou Atlas.ti peuvent être exportées dans des tableurs ou des traitements de texte à condition de renoncer à leur structure. Ces réductions ont pour conséquence une perte de puissance d’analyse considérable. Les tableurs utilisés pour échanger des données sont cependant omniprésents au point d’être devenus un format courant pour le dépôt (California Digital Library, 2013).

50Des normes et standards communs permettent l’utilisation de suites logicielles pour analyser, visualiser, documenter, partager et réutiliser des données. Ils aboutissent à l’interopérabilité entre matériels, logiciels, outils, protocoles et pratiques au sein de communautés et entre elles. Le revers de la médaille est que ces normes créent des silos de données et de systèmes incompatibles entre eux. Les formats représentant le plus petit dénominateur commun peuvent alors constituer le seul moyen d’échanger des données. Les silos sont un problème canonique des sciences de l’information. De nombreux mécanismes de conversion, humains ou techniques, existent, mais ils restent des traductions (Busch, 2013 ; Lampland et Star, 2009 ; Libicki, 1995 ; Nature Staff, 2012 ; Star, 1991).

51Partager des données dans l’optique d’une réutilisation immédiate, comme lors d’échanges entre collaborateurs et collaboratrices, est plus facile que de les diffuser à l’intention d’utilisateurs et utilisatrices inconnus qui en auront besoin à une période indéterminée, potentiellement des années plus tard. Dans ce cas, la documentation et les représentations constituent la seule communication entre le créateur ou la créatrice des données et l’utilisateur. Ce dernier peut être un autre chercheur ou bien un ordinateur. Les data miners (explorateurs et exploratrices de données) et les robots ont leurs propres critères de « lecture », d’indexation et d’extraction. Plus la distance entre l’utilisateur et le créateur est grande, que ce soit au point de vue temporel, disciplinaire ou linguistique, plus il est difficile d’interpréter l’argumentaire, la méthodologie, les données, les résultats et le contexte d’une étude ou d’un jeu.

52Les politiques de partage des données ne s’appliquent pas de la même manière aux données numériques et aux objets matériels. Certaines politiques font en effet expressément référence aux échantillons et aux spécimens. Ceux-ci sont envoyés par la poste et constituent en ce sens une forme de partage de données entre laboratoires en sciences de la vie. On réalise parfois un partage de données en envoyant du personnel à un laboratoire, des archives ou un terrain où se trouvent des données. Des accords de transfert matériel régissent habituellement ce type de partage.

Provenance

53Des questions de provenance – au sens archivistique d’« historique de conservation » et au sens informatique de « transformations par rapport à l’état d’origine » – se posent lorsqu’on interprète des données qui ont évolué à travers plusieurs mains et processus (Buneman et al., 2000 ; Carata et al., 2014 ; Groth et al., 2012). Les données et leurs représentations tendent à correspondre à des logiciels et, souvent, à du matériel. Les réseaux de capteurs, le traitement en pipeline en astronomie et l’examen au microscope électronique en métallurgie sont quelques exemples de cet entrelacement inextricable des processus matériels et logiciels. Répliquer ces procédures ou en interpréter les résultats implique d’accéder au logiciel. Or, qu’ils soient open source ou propriétaires, les logiciels changent continuellement. Documenter les données peut nécessiter de saisir des éléments sur chaque version du logiciel et chaque configuration des plateformes où ces données ont été manipulées. L’interprétation des données de sortie peut être difficile parce que les outils d’analyse et de traitement – logiciels statistiques, mathématiques et de flux de travaux – gardent rarement une trace précise des systèmes ou des données à chaque transaction (Claerbout, 2010 ; Goble et De Roure, 2009).

54Certains des logiciels nécessaires à l’interprétation des données peuvent être des outils développés sur mesure par les scientifiques pour recueillir, traiter, analyser et documenter leurs données. Les chercheurs et chercheuses écrivent du code pour analyser les phénomènes qu’ils étudient, que ce soient des modèles climatiques ou des séquences de symboles sur des papyrus. Ce code représente parfois un investissement majeur nécessitant le recours à du personnel pour la programmation, mais il consiste plus souvent en des scripts écrits dans des outils statistiques, de visualisation ou autres. En informatique, les logiciels sont parfois « les données » qui résultent d’un projet.

55Les chercheurs et chercheuses sont souvent encore plus réticents à diffuser leur code que leurs données. Les raisons en sont multiples. Pour commencer, ils s’inquiètent du caractère « brouillon » de leur code. En effet, le code utilisé en recherche est souvent mal documenté et son exécution n’est pas toujours efficiente. Conçu pour être utilisé immédiatement, il est rarement documenté pour être réutilisé, notamment dans les projets ponctuels. Un autre sujet d’inquiétude est le contrôle du programme informatique. L’investissement intellectuel du chercheur dans son code transcende le jeu de données ou la publication. Les modélisations de phénomènes ou d’autres types de code analytique représentent en effet un avantage concurrentiel. Les résultats des modèles et les paramètres sont souvent partagés sans diffuser le code qui les sous-tend.

56Un aspect peu exploré de la diffusion et la réutilisation des données est l’influence des décisions de traitement préliminaires sur les interprétations d’un jeu de données. Les choix initiaux sur la manière de nettoyer et de réduire les données peuvent déterminer à quel degré la provenance des données peut être récupérée. Dans des domaines comme l’astronomie, la biologie et la métaomique, où la réutilisation est courante, les chercheurs et chercheuses nettoient et réduisent les données pour bâtir une base. Comme l’expliquent Alexander Blocker et Xiao-Li Meng (2013), les décisions de prétraitement « peuvent être périlleuses » au point de vue statistique, car la plupart sont irréversibles. Les partis pris initiaux contraignent les analyses de toutes les phases ultérieures : les réutilisations par les scientifiques en aval reposent donc sur eux. Toute inférence ne saurait être plus valide que les partis pris sur lesquels le traitement a été fondé dans les premières phases ; or, les connaître est parfois impossible. Bien des controverses scientifiques remontent au problème statistique de l’inférence sur plusieurs phases. Même des collaborateurs et collaboratrices peuvent éluder ces partis pris. La réutilisation est plus risquée encore pour les scientifiques ne faisant pas partie de la collaboration ou du domaine, puisqu’elles et ils sont moins au fait des questions à poser sur les décisions de prétraitement (Blocker et Meng, 2013 ; Meng, 2011).

57Les décisions de prétraitement et les autres formes de nettoyage et de réduction des données sont prises dans l’optique de questions de recherche et de phénomènes particuliers. Lorsque ces données sont réutilisées pour des questions différentes, connaître les divers choix de prétraitement peut devenir une nécessité. Par exemple, de nouvelles théories sur le cancer suggèrent que les réponses aux traitements sont largement individuelles. Or, les cas où l’efficacité d’un médicament ou d’un autre traitement est exceptionnelle peuvent être exclus de l’analyse des données, car les observations situées aux extrémités d’une courbe sont généralement traitées comme des aberrations statistiques. Un nouveau projet va étudier ces valeurs aberrantes en explorant des données anciennes afin de générer des hypothèses qui expliqueraient pourquoi des médicaments fonctionnent sur certaines personnes et pas sur d’autres (Kaiser, 2013). Ces décisions ont toutefois un prix. La NASA conserve ses données à plusieurs niveaux de traitement, comme expliqué au chapitre 2. Peu de scientifiques ont les moyens de tenir à jour leurs ressources en données à différents niveaux ou avec une documentation suffisante pour réanalyser ou réutiliser chaque étape du traitement.

58Il vaut mieux envisager la provenance des jeux de données comme un réseau que comme une séquence linéaire de relations. En fonction du domaine, un jeu peut être lié à des objets de recherche tels que des logiciels, des instruments, des protocoles, des carnets de laboratoire, de la documentation technique et une ou plusieurs publications. Relier ces objets rend chacun d’eux plus utile et contribue à leur découvrabilité. Lier des publications aux jeux de données correspondants est particulièrement utile, parce qu’ils s’apportent mutuellement une valeur ajoutée. Les articles représentent la principale source de découverte de la plupart des jeux de données et peuvent constituer leur seule documentation publique. Créer de tels liens est un investissement dans la gestion de données, puisqu’il faut décrire chaque objet de recherche et préciser leurs relations. Des technologies comme les données liées peuvent aider à enregistrer et trouver ces relations, mais restent une solution incomplète (Bechhofer et al., 2010, 2013 ; Borgman, 2007 ; Bourne, 2005 ; Parsons et Fox, 2013 ; Pepe et al., 2010).

Acquérir des données à réutiliser

59L’enchantement à l’idée de pouvoir réutiliser des échantillons d’ADN, des mesures climatiques, des flux de transport ou du trafic mobile et de pouvoir déterminer les récurrences d’explosion de plaques d’égout (Anderson, 2006, 2008 ; Mayer-Schonberger et Cukier, 2013) fait trop souvent oublier les risques posés par la réutilisation de données. La majeure partie du travail de recyclage de données anciennes est consacré à leur nettoyage, à leur codification et à leur vérification. Comme le remarquent Danah Boyd et Kate Crawford (2012, p. 668), « les données les plus volumineuses ne sont pas toujours les meilleures ». Augmenter la taille de la meule de foin ne rend pas l’aiguille plus facile à trouver ; les chercheurs et chercheuses se montrent donc prudents au moment de décider s’ils acquerront des données auprès d’autres scientifiques, de référentiels ou d’autres sources externes (J. Boyle, 2013 ; Eisen, 2012 ; Kwa et Rector, 2010).

Utilisations de premier plan et d’arrière-plan

60Il arrive que les ressources en données ne soient pas citées dans les publications scientifiques, que des jeux de données y soient joints ou non. L’absence de renvoi ne signifie pas qu’aucune donnée n’a été utilisée dans l’étude, mais simplement qu’aucune utilisation ou réutilisation n’a été mentionnée. Les données acquises afin d’étalonner les instruments, de vérifier les mesures ou d’évaluer les conditions sur le site peuvent ne pas être jugées dignes d’une mention ni être considérées comme une « utilisation » au sens des pratiques disciplinaires. Chercher des informations dans ses fichiers personnels, des bibliothèques, des musées, des archives, des référentiels numériques, des greniers, des entrepôts ou auprès d’amis et de collègues fait pourtant partie des activités de recherches. Cette dimension de la collecte de preuves tend à ne pas être documentée explicitement dans les publications – quoique les pratiques varient en la matière. Les conclusions d’une étude peuvent dépendre de nombreuses recherches, sources, ressources, utilisations et réutilisations qui ne seront pas mentionnées, car jugées inutiles au propos.

61C’est en partie pour cela que l’utilisation et la réutilisation des données sont, en pratique, difficiles à consigner. Celles et ceux qui recueillent de nouvelles données pour répondre à leurs questions de recherche peuvent aussi chercher des informations pour des raisons plus générales, « d’arrière-plan ». Par exemple, dans les études du CENS et des astronomes, ce type d’informations était tiré de référentiels de données, de relevés astronomiques, de bilans météorologiques, de documents administratifs relatifs à l’affectation des terres ou, occasionnellement, d’autres scientifiques. Bien qu’elles soient essentielles à l’interprétation des résultats de l’étude, ces sources ne sont généralement pas mentionnées ni explicitement citées dans les articles. En revanche, les nouvelles sources de données recueillies par les chercheurs et chercheuses se situaient au premier plan de leur travail et sont mentionnées (Borgman et al., 2012 ; Wallis et al., 2012 ; Wynholds et al., 2012).

62Ces éléments initiaux sur l’usage de premier plan et d’arrière-plan des données laissent à penser que la réutilisation – au sens de l’utilisation de données n’ayant pas été recueillies par les auteurs et autrices de l’étude – pourrait être plus élevée qu’il n’y paraît. Comparer ses données à des sources externes peut être considéré comme une bonne pratique et constituer une forme de savoir méthodologique implicite qui n’a pas besoin d’être mentionné dans les publications. Comme nous le verrons au chapitre 9, le taux de citations de données semble en augmentation dans certains domaines. Nous ne savons cependant pas si c’est la réutilisation des données qui augmente ou si citer ses sources de données est en train de devenir une bonne pratique répandue ; il est probablement impossible de le savoir. Les questions à poser semblent être : à quel moment quelque chose est considéré comme une donnée, quels types de preuves méritent d’être rapportés dans les publications et quelles parties du processus de recherche peuvent être considérées comme du savoir implicite au sein d’une communauté. Au point de vue psychologique, la perception figure-fond pourrait être un facteur : certains objets avancent au premier plan en tant que données quand d’autres restent en arrière-fond en tant que contexte ou comme un simple bruit ambiant.

Interprétation et confiance

63La capacité à faire confiance aux données des autres est cruciale, car les chercheurs et chercheuses jouent leur réputation sur leurs choix de données. Les publications et les réseaux personnels constituent les principaux moyens de découverte de données, notamment hors des disciplines qui ont recours à des référentiels partagés. Lorsque c’est possible, les chercheurs contactent les auteurs et autrices pour aborder les méthodes de création, de nettoyage, de traitement, d’analyse et de communication des données (Faniel et Jacobsen, 2010 ; Wallis et al., 2013 ; Zimmerman, 2003, 2007). Des communautés travaillant sur des problèmes connexes peuvent verser des données dans plusieurs référentiels. Les données de l’une peuvent être cachées aux autres à cause de différences dans les métadonnées ou les mécanismes de classification ou faute de connaître les ressources qui existent hors de la communauté. Quand un chercheur trouve une publication pertinente en cherchant un élément spécifique, comme la structure d’une protéine, il peut en contacter les auteurs plutôt que de consulter des archives où l’élément recherché a pu être déposé.

64Un nombre étonnamment faible de travaux, étant donné l’intérêt suscité par le sujet, ont étudié les circonstances, les motivations ou les pratiques de réutilisation de données. Faniel et Jacobsen (2010, p. 357), dans leur étude sur les spécialistes du génie parasismique, ont identifié trois questions utilisées pour évaluer le caractère réutilisable de données « 1) les données sont-elles pertinentes, 2) compréhensibles, 3) fiables ». Ces ingénieures et ingénieurs recherchent généralement des paramètres techniques auxquels ils pourront comparer leurs propres observations. Ils semblent donc chercher des « données d’arrière-plan » à des fins similaires de celles des chercheurs en astronomie et en réseaux de capteurs (Wallis et al., 2012 ; Wynholds et al., 2012).

Les infrastructures de la connaissance

65Des investissements stratégiques dans les infrastructures de la connaissance, tels que des référentiels, des ressources humaines expertes en gestion de données, de meilleurs outils et des méthodes pour reconnaître le travail de partage, pourraient augmenter la diffusion et la réutilisation des données. Pour être efficaces, les infrastructures de la connaissance doivent pouvoir prendre en charge les nombreuses formes de données diffusables et les multiples manières dont elles peuvent être utilisées, ainsi que trouver des moyens de transmettre les connaissances relatives à ces données aux contributeurs et contributrices et aux utilisateurs et utilisatrices. Elles doivent également permettre la conservation et l’accès aux ressources informationnelles pour une durée appropriée.

66Certains des premiers rapports d’orientation sur le partage des données faisaient état du manque d’infrastructure pour soutenir la diffusion et la réutilisation. Un rapport de 1985 des National Academies of Science états-uniennes, intitulé Sharing Research Data (« Partager les données de la recherche »), a formulé des recommandations qui devaient modifier les pratiques des organismes de financement, des auteurs et autrices, des personnels de recherche, des rédactions de revues, des arbitres, des archives de données, des universités et des bibliothèques (Fienberg et al., 1985). De même, la longue liste de principes que l’OCDE a publiée en 2007 traduit les préoccupations en matière d’infrastructure de nombreux acteurs. Bâtir des systèmes d’information – ou des infrastructures de la connaissance – qui donnent envie d’être utilisés est bien plus difficile qu’il n’y paraît (Markus et Kell, 1994). Les infrastructures ne se font pas en un jour, pas plus qu’elles ne sont statiques : elles sont des écosystèmes complexes comportant de nombreuses parties mouvantes. Elles doivent s’adapter aux évolutions des pratiques, des politiques, des technologies et des parties prenantes. Les principales composantes des infrastructures de la connaissance sont identifiables, même si toutes les relations entre elles ne le sont pas.

Référentiels, ensembles et archives

67Demander aux scientifiques de diffuser leurs données pose la question de comment et où ces données seront accessibles et pour combien de temps. La réponse la plus évidente, bien qu’incomplète, est de créer davantage de référentiels où les chercheurs et chercheuses pourront déposer leurs données. Qu’on les appelle des archives, des collections, des ensembles, des systèmes de données, des banques de données, des systèmes d’information ou des référentiels, la technologie n’y constitue qu’un point de départ. Ils sont des réservoirs communs de ressources qui nécessitent des modèles de gouvernance : politiques de développement des ensembles, règles de contribution et d’accès, normes de classification et de structure de données et dispositifs de pérennisation. Les ensembles et leur gouvernance sont associés à des communautés, mais les frontières de ces dernières sont poreuses et se chevauchent.

68La constitution de référentiels obéit souvent à une logique ascendante : ils trouvent leur origine dans des ensembles de recherche qui répondent aux besoins de petits laboratoires ou communautés, comme évoqué au chapitre 2. Ces types d’ensembles favorisent le partage le temps de la collaboration, mais peuvent ne pas être pérennisés. Ceux qui attirent des communautés plus vastes peuvent devenir des ensembles ressources. Enfin, ceux qui connaissent la plus grande réussite deviennent des ensembles de référence, qui bénéficient d’un financement à long terme et peuvent établir des normes dans leurs communautés (National Science Board, 2005). D’autres ensembles, qui représentent un but stratégique dans le cadre de grands projets, sont instaurés grâce à une logique descendante. C’est le cas des missions astronomiques, en particulier pour les télescopes spatiaux. L’archivage des données consomme une part relativement faible du budget des grandes missions et rend possible leur utilisation à long terme. Elles conservent leur valeur bien après la mise hors service des instruments.

69Les données peuvent être représentées de multiples manières dans l’espace et le temps. Les chercheurs et chercheuses peuvent proposer leurs jeux de données à plusieurs référentiels ou à aucun. Leurs choix dépendent des exigences des organismes de financement, des revues et des contrats institutionnels, ainsi que des politiques de collecte de chaque référentiel. En effet, certains référentiels recueillent des données relevant d’un domaine de recherche particulier, d’autres se concentrent sur des types de ressources et d’autres encore sur des régions géographiques. Certains acceptent les dépôts de tout un chacun, tandis que d’autres ne prennent en charge que les données des membres de leur consortium. Les bibliothèques universitaires se sont mises à acquérir les données de projets de recherche basés dans leur institution. Cependant, la plupart d’entre elles ne peuvent accepter que de petits jeux de données qui ne seraient pas hébergés autrement ou se contentent d’administrer un service d’enregistrement qui améliore la découvrabilité.

70L’engagement en matière de conservation est également très variable d’un référentiel à l’autre. Sauvegarder des données dans leur format de dépôt peut être coûteux ; mais les maintenir sur de longues périodes nécessite des investissements autrement plus importants dans la migration vers de nouveaux formats et technologies à mesure qu’ils apparaissent. Chaque référentiel spécifie les normes de qualité et de format qu’il accepte. Leur niveau d’investissement dans la vérification de la teneur et de la structure des données, dans l’augmentation des jeux par des métadonnées et de la documentation de provenance ou dans l’apport d’autres services à valeur ajoutée varie considérablement. Certains acceptent les données dans la mesure où elles répondent aux normes techniques, laissant le soin de la validation scientifique au contributeur ou à la contributrice. D’autres contrôlent la qualité des données avant d’accepter le dépôt. Une fois les données versées, la responsabilité de leur maintenance et de leur accessibilité passe généralement des scientifiques aux référentiels. Ces derniers peuvent s’engager à conserver les données indéfiniment ou pour des périodes déterminées. Ils peuvent se soumettre à une homologation vis-à-vis de normes de qualité et de dispositifs de pérennisation, mais cette procédure est généralement facultative (Consultative Committee for Space Data Systems, 2012 ; Data Seal of Approval, 2014 ; Jantz et Giarlo, 2005 ; Digital Curation Centre, 2014).

71Pour autant que les chercheurs et chercheuses soient prêts à diffuser leurs données, ils sont vraisemblablement plus enclins à les verser dans des référentiels de confiance qui conserveront leurs données et les mettront à la disposition du public indéfiniment. Les référentiels peuvent apporter une valeur ajoutée aux données grâce à des métadonnées, des informations de provenance, de la classification, des normes en matière de structure de données et de la migration. Ils peuvent également créer de la valeur en améliorant la découvrabilité des données et en élargissant leur utilisation à l’aide d’outils et de services. Il s’agit là d’investissements substantiels à réaliser pour les communautés et les universités, ainsi que pour les organismes et autorités qui les financent.

72Les référentiels représentent une composante essentielle de l’infrastructure de la connaissance et un facteur primordial dans la diffusion et la réutilisation de données. Ils ne constituent toutefois pas une panacée. Les choix de conception varient selon les communautés et les circonstances. Il est plus facile d’organiser des ensembles en fonction de la structure de leur contenu qu’en fonction des questions posées par les utilisateurs et utilisatrices. Les systèmes individuels s’efforcent de garder une cohérence interne en utilisant des critères qui conviennent au contexte et aux usages perçus de la communauté. Parce que différents référentiels répondent à différents besoins, il existe peu de moyens efficaces de chercher dans plusieurs référentiels à la fois. Chaque personne et chaque robot peuvent poser une question différente sur ces données. Les requêtes évoluent au fil du temps. Les robots aussi apprennent et s’adaptent. Recycler des données pour répondre à des questions inattendues est un but plus ambitieux encore que simplement les réutiliser aux fins pour lesquelles elles ont été créées. Des mécanismes de fédération sont nécessaires et doivent, eux aussi, être régis par une gouvernance.

73Certains chercheurs et chercheuses s’opposent au développement d’ensembles parce qu’ils draineraient des ressources au détriment d’autres formes de recherche, de bourses modestes et de la création d’autres formes de données. Les vastes projets à forte concentration de données peuvent être jugés contre-productifs s’ils semblent dissuader la poursuite de nouvelles pistes de recherche axées sur la découverte. D’autres soutiennent que les données sont agrégées à une mauvaise échelle – soit trop grande, soit trop petite – pour être réutilisées (J. Boyle, 2013 ; Eisen, 2012 ; Kwa et Rector, 2010).

74La granularité et la représentation sont des défis fondamentaux dans la conception de tout système d’information. L’ensemble des structures, des outils et des classifications qui accélèrent l’exploitation des données dans une communauté créeront des barrières dans une autre. Il n’y a pas de modèle unique qui conviendrait à tous, surtout pour des informations aussi malléables que les données de recherche. Lors de la conception d’infrastructures de la connaissance en général et de référentiels de données en particulier, il est essentiel de prendre en compte différents niveaux de granularité et de multiples outils d’exploitation du contenu, ainsi que de veiller à la flexibilité des moyens d’accès.

Pratiques privées

75Les référentiels ne représentent pas les seuls moyens de diffuser des données pour qu’elles soient réutilisées par d’autres. Les données circulent également au sein d’informations complémentaires, en étant publiées sur un site web ou encore à la demande. Les études sur les pratiques des revues illustrent à quel point il est difficile de déterminer avec certitude la quantité de données diffusées en complément des articles (Alsheikh-Ali et al., 2011). Même lorsque les revues stipulent que les données associées aux articles doivent être mises à disposition, les comités de rédaction ne tiennent que rarement des statistiques détaillées sur le respect de cette exigence. Les types, les formats et les volumes de données et de documentation varient grandement. Les auteurs et autrices peuvent fournir un identifiant de registre de données pour attester le dépôt dans un ensemble communautaire, mais parfois une déclaration comme quoi les données sont disponibles sur demande peut suffire. L’une ou l’autre de ces méthodes de diffusion peut répondre aux exigences ou aux recommandations des organismes de financement.

76Comme noté plus haut, le partage privé pourrait être plus courant que l’acquisition de données à partir de référentiels (Faniel et Jacobsen, 2010 ; Pienta et al., 2010 ; Wallis et al., 2013). Ces formes de partage sont difficiles à repérer et à documenter, donc peu d’études et de statistiques existent. Les communications privées peuvent être très efficaces, car elles permettent aux scientifiques de discuter de la teneur, du contexte, des forces, des limites et de l’applicabilité d’un jeu de données spécifique à un phénomène.

77Le partage de données entre individus, bien qu’il constitue un mécanisme courant et efficace pour la réutilisation, n’est pas applicable à grande échelle. Les chercheurs et chercheuses consacrent du temps et des efforts à rendre leurs données utiles à d’autres uniquement dans certaines circonstances. Cela peut dépendre de leur relation avec le demandeur ou la demandeuse et de la confiance qu’ils lui accordent, de ce qu’on leur demande et de l’utilisation prévue des données. Si les requêtes sont fréquentes ou pénibles, ils peuvent préférer refuser. Publier des jeux de données ou des informations à leur sujet sur des sites web est une méthode de partage qui épargne aux auteurs une partie du travail de documentation ; elle revient cependant à renoncer à maîtriser qui réutilise les données et comment.

78Bien qu’imparfaites, toutes ces méthodes améliorent les possibilités de réutilisation des données et doivent être prises en charge dans les infrastructures de la connaissance.

79Le partage privé et la publication sur un site web peuvent répondre aux exigences en matière de diffusion des données, mais elles ne favorisent pas particulièrement la découvrabilité, la provenance, l’utilisation et la pérennité. Le partage privé ne fonctionne que tant que les chercheurs et chercheuses disposent toujours de leurs données et sont familiers de leur contexte. De même, les jeux de données publiés sur des sites web consistent généralement en des fichiers statiques associés à des versions particulières d’un logiciel. L’accès à ces données diminue à mesure que les logiciels évoluent, que les ordinateurs sont remplacés, que les mémoires sont nettoyées et que le souvenir des détails s’estompe.

Infrastructure humaine

80La capacité à divulguer, partager et réutiliser des données repose largement sur l’infrastructure humaine. Les données peuvent être diffusées sous forme de jeux non traités – des chaînes de symboles accompagnées d’une documentation minime –, mais ne présentent alors que peu de valeur pour la réutilisation, faute d’une représentation et d’une documentation adéquate. Peu de chercheurs et chercheuses disposent du savoir-faire pour documenter leurs données en se conformant à des normes archivistiques. Des notions telles que les métadonnées et la provenance n’occupent pas une place clé dans les cours de second cycle, à part peut-être dans les métiers de l’information. Le temps nécessaire pour acquérir ces compétences est souvent vu comme du temps non consacré à la recherche. La documentation des données, quand elle est faite, est souvent déléguée à des étudiantes et étudiants de second cycle et à d’autres personnels de recherche. Ces personnes sont souvent celles qui côtoient les données de plus près : elles effectuent en effet l’essentiel de la collecte et de l’analyse, en particulier dans les sciences exactes. Les chercheurs peuvent accepter de déléguer certaines de ces activités à des bibliothécaires et à des archivistes en fonction du temps qu’ils devront passer à travailler avec eux, du bénéfice perçu et des bénéficiaires supposés.

81Les investissements visant à rendre les données diffusables et réutilisables constituent des problématiques infrastructurelles. Ils devraient être envisagés comme des questions communautaires et non comme la seule responsabilité de chercheurs et chercheuses individuels. Les institutions qui investissent dans les ressources humaines nécessaires à la gestion des données sont mieux à même de réutiliser ces dernières. Les personnes qui organisent les données et maintiennent les normes, les systèmes de classification et les outils associés sont des médiatrices entre celles qui créent les données et celles qui pourraient les réutiliser. Une grande partie de ce travail est effectué – quand il l’est – par des professionnels de l’information travaillant pour des référentiels de données et d’autres institutions (Lee et al., 2006 ; Mayernik, 2015).

82Ce travail est bien trop souvent invisible, comme expliqué au chapitre 3. Celles et ceux qui bénéficient du labeur des scientifiques et des professionnels de l’information, qui représentent les données pour les rendre mobiles, peuvent tout ignorer de ces investissements. L’invisibilité du travail nécessaire pour que toutes les composantes interagissent en harmonie est une caractéristique fondamentale de l’infrastructure. Elle met aussi en exergue les tensions entre parties prenantes. Celles et ceux qui investissent dans les référentiels, dans le travail interne de gestion des données et dans les autres parties de l’infrastructure n’en sont pas toujours les bénéficiaires directs. En effet, les acteurs d’autres communautés, d’autres pays et d’autres secteurs peuvent en tirer des bénéfices substantiels. C’est là que résident les défis pour la gestion de ces réservoirs communs de ressources, parmi lesquels la pérennité et le libre accès des passagers clandestins.

Problèmes insolubles

83La gouvernance de réservoirs communs de ressources, tels les référentiels de données, ne représente pas une tâche impossible, mais les méthodes pour y parvenir sont loin d’être automatiques (Ostrom et Hess, 2007). Elle doit être continuellement renégociée. Certains problèmes paraissent insolubles, notamment ceux causés par les influences extérieures identifiées dans les études de cas. Ils ne peuvent être réglés, mais des compromis sont parfois possibles. Par exemple, la propriété, la licence et les droits sur les données varient selon les domaines, les pratiques, les politiques et les juridictions. Des accords conclus en début de collaboration peuvent réduire les frictions, mais sans nécessairement les éliminer.

84Certaines formes de données ne peuvent pas être partagées pour des raisons de confidentialité ou d’éthique. La majeure partie de la recherche en sciences sociales sur des sujets humains est menée dans le cadre de réglementations qui limitent la diffusion des données. Lorsque ces informations sont divulguées, elles sont anonymisées dans la mesure du possible. Si les données sont utilisées isolément, des techniques de base comme le remplacement des noms par des identifiants peuvent suffire. D’autres méthodes, comme celles employées dans les recensements, agrègent des données en des ensembles suffisamment importants pour qu’on ne puisse pas identifier les individus. Néanmoins, des personnes qui sont anonymes dans un jeu de données singulier peuvent souvent être identifiées si on en combine plusieurs. Le regroupement d’informations telles que l’âge, le sexe, le lieu de résidence, la date de sortie de l’hôpital et le nombre d’enfants rendent la réidentification étonnamment facile. Des donneurs d’ADN anonymes ont ainsi pu être réidentifiés à l’aide de bases de données généalogiques publiques (Bohannon, 2013b ; Gymrek et al., 2013 ; Rodriguez et al., 2013). Anonymiser les données de manière sûre tout en préservant leur intérêt pour la recherche représente un défi technique et politique (Ohm, 2010 ; Sweeney, 2002). Une approche consiste à ne diffuser les données de sujets humains qu’auprès de chercheurs et chercheuses qualifiés et à condition qu’aucune tentative de réidentification ne soit entreprise. Ce type de modèle suppose une supervision institutionnelle.

Les infrastructures de la connaissance par discipline

85Les études de cas ont fourni une abondance de détails sur le travail scientifique des données dans de nombreux domaines de recherche. Un bref résumé des méthodes de gestion des données utilisées par chacun de ces champs, de leurs motivations et des acteurs impliqués illustrera les différences entre leurs infrastructures de la connaissance.

Dans les sciences exactes

86Les sciences exactes sont loin d’être homogènes en ce qui concerne leur gestion des données, leurs pratiques de partage et leurs investissements dans les infrastructures de la connaissance.

En astronomie

87En astronomie, la fourniture de données est largement descendante : des missions nationales et internationales développent et mettent en service des instruments de télescope dans l’espace et au sol. Les missions spatiales sont celles qui investissent le plus dans les ensembles de données. Les données des instruments sont transmises en continu à des stations au sol et dans des référentiels, où elles sont alors traitées dans un pipeline. Une fois nettoyées, étalonnées et vérifiées, elles sont diffusées à la communauté scientifique.

88Chaque data release (divulgation de données) de mission astronomique telle que le Sloan Digital Sky Survey, Hubble, Chandra et Planck s’accompagne généralement d’un data paper (publication de données) qui consigne le travail scientifique et la provenance du jeu de données. Les data papers, qui comportent les noms de tous les membres de l’équipe impliqués, sont proposés à des revues d’astronomie. Il s’agit des publications les plus citées dans la discipline et c’est par ce moyen que les chercheurs et chercheuses montrent qu’ils partagent leurs données.

89L’astronomie dispose de l’infrastructure de la connaissance la plus complète de tous les domaines évoqués dans les études de cas. Ses réservoirs communs regroupent des télescopes, des référentiels de données, des systèmes de classification et de nombreuses autres ressources. La communauté a convenu de standards pour les structures de données, les métadonnées et les ontologies. Elle dispose de suites logicielles pour analyser les données dans ces formes normalisées. Depuis le début des années 1990, elle coordonne des efforts internationaux en matière de publication pour verser ses notices bibliographiques à l’Astrophysics Data System. Ce dernier recouvre la littérature astronomique jusqu’au xixe siècle. Les objets célestes mentionnés dans ces publications sont catalogués dans SIMBAD, NED et d’autres systèmes de ce type. Ces derniers se recoupent étroitement, de manière que les publications pointent vers les astres et que les documents sur les objets célestes soient liés aux publications où ils sont mentionnés. Le WorldWide Telescope combine des données et de la littérature tirées de ces sources et d’autres pour créer une plateforme de visualisation de données. Spécialistes et novices peuvent contribuer à des « visites guidées » d’astres, de phénomènes et de régions célestes. Le WWT est intégré dans des outils astronomiques pour servir de plateforme scientifique et éducative (Accomazzi et Dave, 2011 ; Accomazzi, 2010 ; Eichhorn, 1994 ; Genova, 2013 ; Goodman, Fay et al., 2012 ; Hanisch, 2013 ; Norris et al., 2006 ; Pepe et al., 2011 ; Udomprasert et Goodman, 2012 ; White et al., 2009 ; WorldWide Telescope, 2012).

90Malgré sa vaste infrastructure de la connaissance, la communauté astronomique n’attend pas de ses chercheurs et chercheuses qu’ils diffusent leurs propres données, que celles-ci soient dérivées de données de référentiels ou aient été obtenues par d’autres moyens, comme des demandes de temps d’observation. Si quelques référentiels existent pour accepter des données, la plupart sont des archives de soutien aux missions. Certains chercheurs publient des données sur les sites web de leurs laboratoires, comme l’a fait l’équipe du relevé COMPLETE dans l’étude de cas. Les référentiels universitaires comme Dataverse bâtissent des capacités d’archivages spécifiques à l’astronomie (Goodman et al., 2012). Un nombre relativement faible de publications en astronomie comportent des liens vers les sources de données, mais le taux de citation augmente (Pepe et al., à paraître).

91L’observatoire de rayons X Chandra offre un exemple de gain de valeur des données au fil du temps grâce à des investissements intensifs dans leur intendance. Le personnel de Chandra a documenté ses usages dès le lancement de la mission en 1999, élaborant des indicateurs et des moyens de valoriser les données. Le personnel chargé des archives de données fouille la littérature astronomique à la recherche de mentions de la mission, puis lit les publications avec attention pour déterminer si ses données ont été utilisées et, si oui, comment. Leurs indicateurs imposent que l’article comporte un lien explicite vers une observation et qu’une propriété quelconque en soit dérivée. Le personnel distingue les publications scientifiques sur Chandra, les publications liées à Chandra et les articles sur la conception d’un instrument. Les utilisations de données qui répondent aux critères sont ajoutées aux archives de Chandra, à l’ADS et à SIMBAD, créant des liens entre les jeux de données, les publications et les objets célestes à l’aide de métadonnées. Cette procédure ajoute de la valeur aux données par l’apport de documentation scientifique et les rend plus facilement découvrables grâce à de nouveaux points d’entrée. Le personnel de Chandra se charge de créer les liens parce que les auteurs et autrices citent rarement expressément les sources de données (Becker et al., 2009 ; Blecksmith et al., 2003 ; Lagerstrom et al., 2012 ; Rots et Winkelman, 2013 ; White et al., 2009 ; Winkelman et Rots, 2012a, 2012b ; Winkelman et al., 2009).

92Ces efforts investis dans l’intendance des données montrent aussi la difficulté de définir ce qu’est une « utilisation ». Comme l’ont découvert Rots, Winkelman et Becker (2012), la notion d’« observation » diffère d’un observatoire à l’autre et peut varier au sein d’une même mission astronomique. À cause de cela et d’autres ambiguïtés dans les indicateurs des référentiels, un groupe de travail international a établi une série de bonnes pratiques en matière de statistiques qui sont applicables aux archives de données astronomiques (IAU Working Group Libraries, 2013).

En science et technologie des réseaux de capteurs

93Les tentatives de normalisation de la collecte de données et d’adoption de standards de métadonnées au sein du CENS ne cadraient pas avec la nature exploratoire et génératrice d’hypothèses de cette communauté de recherche. Lorsqu’une réutilisation avait lieu, elle impliquait souvent un partage privé pour s’assurer que les informations contextuelles étaient transmises avec les jeux de données. Les données les mieux à même d’être versées à des référentiels provenaient de pratiques et de protocoles normalisés, comme les données génomiques et sismiques. Certains logiciels étaient déposés dans des référentiels de code. Les équipes étaient souvent pleines de bonnes intentions en matière de diffusion, mais avaient omis de désigner un membre qui en aurait la responsabilité (Borgman et al., 2012 ; Wallis et Borgman, 2011 ; Wallis, 2012).

94Les chercheurs et chercheuses du CENS n’avaient pas besoin d’harmoniser des données sur le long terme, sauf au sein des équipes individuelles. La plupart des chercheurs se préoccupaient de la cohérence de leurs observations plutôt que de leur comparabilité entre sites de recherche. La comparaison à l’échelle mondiale est nécessaire pour mesurer le changement climatique et la perte de biodiversité, mais c’est là un autre type de programme de recherche. Au CENS, les réserves naturelles participantes, où l’on recueillait des observations synoptiques de la flore, de la faune et du climat, constituaient une exception (James San Jacinto Mountains Reserve, 2013 : Natural Reserve System, 2013). Elles ont servi de données d’arrière-plan pour certains types de recherche au CENS.

95Il existe peu de référentiels pour prendre en charge des données exploratoires telles que celles générées par la recherche de terrain du CENS. D’ailleurs, la demande en la matière y était faible, car les scientifiques n’arrivaient pas à imaginer qui pourrait bien avoir l’usage de leurs données (Mayernik, 2011). Le CENS a conçu un petit système d’archivage de données pour encourager le partage et la réutilisation, mais les dépôts y ont été peu nombreux (Wallis et al., 2010). Les communautés des sciences de l’environnement ont commencé à mettre en place des référentiels et des exigences de partage dans les derniers jours du CENS seulement (Dryad, 2013 ; Reichman et al., 2011 ; Whitlock, 2011).

96Une des nombreuses situations rencontrées à la fois par le CENS et par les Long Term Ecological Research Centers (LTER) a été la tentative d’adoption du standard Ecological Metadata Language (EML) afin d’améliorer le partage, la réutilisation et la comparaison des données. Millerand et Bowker (2009) ont identifié des récits concurrents sur l’acceptation de l’EML sur les sites LTER. Selon les concepteurs et conceptrices du standard, celui-ci a été adopté par l’ensemble de la communauté des LTER et l’entreprise a donc été couronnée de succès. Les gestionnaires de l’information chargés de la mise en place de l’EML sur leurs sites de recherche ont livré une version différente : ce standard est complexe, difficile à comprendre dans sa globalité et les outils fournis étaient incompatibles avec les pratiques locales. De leur point de vue, l’EML n’a que partiellement atteint son but. L’expérience du CENS est comparable à ce dernier récit. Comme l’EML se prêtait le mieux aux activités de recherche de plusieurs équipes du CENS, il a été proposé comme standard pour un référentiel de données commun. Cependant, le manuel de deux cents pages a découragé ces petites équipes ; elles ont rejeté l’EML au motif que cette solution était trop « puissante » pour leurs besoins. La plupart ont continué d’organiser leurs données dans des dossiers hiérarchiques et à l’aide d’autres conventions internes pour nommer les éléments et les variables (Wallis et al., 2010).

97Les collaborations au sein du CENS se sont formées autour d’intérêts communs pour des problématiques de recherche plutôt que sur des données partagées. Les scientifiques avaient besoin de meilleurs outils pour mener leurs travaux, tandis que les spécialistes de l’informatique et de l’ingénierie avaient besoin d’applications concrètes leur permettant de concevoir et de tester des technologies. Chaque équipe serait peut-être capable de retracer la provenance de ses propres collectes de données, mais les déploiements conjoints ne peuvent être complètement reconstitués. Ce n’est pas un échec : cette issue montre plutôt les efforts considérables que les équipes ont consacré à l’apprentissage des domaines des autres pour pouvoir traiter des problématiques ensemble. Malgré leurs problèmes d’interopérabilité, elles ont tout de même pu collaborer (Edwards et al., 2011 ; Mayernik et al., 2011 ; Olson et al., 2008 ; Wallis et al., 2008 ; Wallis et al., 2007).

En génomique

98Bien que nous n’ayons pas développé une étude de cas complète à son sujet, la génomique offre des exemples d’infrastructures de la connaissance qui contrastent avec les autres cas en sciences exactes. Parce que les spécialistes de ce domaine ont besoin de réutiliser leurs propres données, l’offre en la matière se crée de manière ascendante à mesure que les laboratoires séquencent des génomes et contribuent aux référentiels. Ces scientifiques ont pu investir des ressources massives dans des laboratoires, du matériel, des logiciels et du personnel. Elles et ils ont une motivation pour normaliser leurs procédures, ce qui produit des formes standardisées de données plus faciles à partager. Ces domaines de recherche sont extrêmement concurrentiels. Les laboratoires s’efforcent d’être les premiers à trouver un remède contre le cancer, la maladie d’Alzheimer, la grippe pandémique et d’autres affections redoutables : pour eux, des vies et des sommes importantes sont en jeu. La menace de brevetage et de contrôle qui a pesé sur le génome humain, combinée au déluge de données génomiques, a mené à des accords historiques en matière de partage des données (Watson, 1990). Depuis, le taux de réussite des essais cliniques de médicaments a diminué et leur coût a augmenté. La pression du public pour la divulgation des résultats d’essais cliniques s’est également intensifiée. Le partage des données génomiques promet l’accélération de la découverte de médicaments, la réduction des essais redondants, un recours plus faible aux sujets de recherche et l’apport de multiples bénéfices aux malades et aux médecins.

99En dépit de l’intense concurrence entre parties prenantes, la génomique développe des réservoirs communs de ressources. De nombreux laboratoires pharmaceutiques et consortiums universitaires ont commencé à partager les données de leurs essais cliniques, des séquences du génome et des structures de protéines. Cependant, certains acteurs refusent d’en faire de même et chacun peut imposer ses propres conditions au partage et à la réutilisation (Den Besten et al., 2009 ; Bhattacharjee, 2012 ; Check Hayden, 2013 ; Corbyn, 2011 ; Couzin-Frankel, 2013b ; Edwards et al., 2009 ; Edwards, 2008b ; Goldacre, 2012 ; Howe et al., 2008 ; Nelson, 2009 ; Rabesandratana, 2013 ; Weigelt, 2009 ; Williams et al., 2012).

100Même en ayant divulgué ses structures de protéines, le laboratoire qui conduit les études a toujours l’avantage quand il s’agit d’utiliser ces données pour expliquer des mécanismes scientifiques. Il a en effet passé des semaines ou des mois à générer, nettoyer et réduire ses données. Seules les données finales, propres et étalonnées, sont communiquées et diffusées. Bien que des traces des protocoles et des traitements intermédiaires soient conservées, tant de données sont créées et réduites qu’il est peu probable de pouvoir répliquer exactement les mêmes étapes. Les conditions précises de chaque expérience ne peuvent être reproduites, car des différences infimes de température, d’humidité et d’autres conditions du laboratoire affectent les observations. Le laboratoire diffuse ses protocoles en même temps que ses données pour aider d’autres à les réutiliser. Cependant, on s’aperçoit que lorsque des laboratoires extérieurs essaient de répliquer ses études, de petites déviations par rapport au protocole peuvent produire des résultats très différents. Même lorsqu’on applique des normes scientifiques exigeantes, des procédés par étapes tels que la cristallisation de protéines peuvent s’avérer stochastiques.

101Si la mise en commun de ces données représente une fusion d’intérêts remarquable, elle est aussi semée d’embûches, certaines prévues et d’autres non. Le Structural Genomics Consortium (2013) et Sage Bionetworks (2013) sont deux vastes collaborations à l’avant-garde du partage et de la réutilisation de données en génomique et en sciences biomédicales. Elles sont financées par différentes sources, dont des subventions et des sociétés pharmaceutiques. Pour recruter et retenir les meilleurs chercheurs et chercheuses, ceux-ci doivent pouvoir publier leurs conclusions dans des revues de premier rang comme Science, Nature et Cell. C’est là que la porosité des données et des résultats apparaît. Si les données sont publiées avant la soumission d’un article les concernant, les revues considèrent parfois cela comme une « publication préalable » et peuvent refuser d’examiner le manuscrit. Pourtant, les résultats pourraient être novateurs parce qu’ils expliquent le fonctionnement biologique de la protéine et du modèle. La diffusion des données est donc un acte scientifique différent de la communication des résultats. Une société pharmaceutique peut rechercher un nouveau médicament en se fondant sur des corrélations entre l’expression du gène et la protéine en même temps qu’un laboratoire académique étudie la biologie qui explique cette corrélation.

102La diffusion d’informations génétiques humaine est imprégnée de questions bioéthiques complexes. Par exemple, les propositions de diffuser les « découvertes fortuites » révèlent d’importantes divergences d’opinions des spécialistes de la bioéthique, des spécialistes de la recherche biomédicale, des responsables politiques, des médecins et des patientes et patients. Certains pensent que des résultats génétiques imprévus devraient être communiqués au patient, tandis que d’autres estiment que ce sont les patients ou les médecins qui doivent décider si les découvertes sans lien avec le motif de consultation devraient être intégrées au dossier (Couzin-Frankel, 2013a ; McGuire et al., 2013 ; Wolf et al., 2013).

Dans les sciences sociales

103Comme le montrent les études de cas, la recherche en sciences sociales est elle aussi caractérisée par un ensemble composite de pratiques de partage des données. Celles-ci influent sur la capacité à diffuser, interpréter et réutiliser des données.

Dans la recherche sur Internet

104En tant que parties prenantes du World Internet Project, les chercheurs et chercheuses menant l’Oxford Internet Survey ont besoin de comparer leurs données dans le temps et l’espace et sont donc motivés à maintenir une cohérence interne qui le permette. Chaque jeu de données est placé sous embargo le temps d’un cycle d’enquête pour être exploité en vue d’une publication dans des revues. Les jeux diffusés à des chercheurs qualifiés sont les observations « brutes » fournies par l’institut de sondages dans un format conçu pour STATA, un progiciel statistique courant.

105En diffusant des jeux de données sur son site web avec une simple licence autorisant les usages non commerciaux, l’Oxford Internet Institute conserve une trace des demandes et des téléchargements. Il n’a cependant aucun moyen de suivre l’usage réel. Faute de recevoir des demandes sur les caractéristiques précises des données de la part des internautes, il suppose qu’elles remplissent un rôle d’arrière-plan à des fins scientifiques ou éducatives, comme l’enseignement de techniques de sondage. Puisqu’il ne dépose pas les jeux de données dans des archives, il n’a pas besoin de leur assigner des métadonnées ou de la documentation de provenance au-delà de ce qui est nécessaire pour les besoins en interne.

106Des flux Twitter et d’autres données de réseaux sociaux peuvent être obtenus auprès des sociétés qui possèdent les services concernés. Ils peuvent donner lieu à un contrat qui régit le droit des chercheurs et chercheuses à les diffuser. Si les données sont recueillies en copiant des sites web, elles sont alors plus difficiles à contrôler, même si les fournisseurs s’efforcent d’en limiter la diffusion. La possibilité de maîtriser et de diffuser des informations relatives à sa propre personne ou à d’autres relève d’une zone grise des politiques en matière d’Internet (J. E. Cohen, 2012). Les revues craignent de publier des articles fondés sur des données exclusives interdites à la diffusion. Les spécialistes de la recherche d’information s’inquiètent également de mener des recherches sur des jeux de données qui ne peuvent être diffusés à des fins de réplication.

En sociotechnique

107L’équipe de recherche sociotechnique dont le travail est étudié au chapitre 6 adapte ses questionnaires, ses protocoles, ses guides de codification et ses autres méthodes de manière à ce que ses résultats soient comparables au fil du temps entre différents sites de recherche. La réutilisation des instruments, des guides de codification, des entretiens et des notes de terrain nécessite une autorisation de comités de protection des personnes. Les sujets de recherche peuvent approuver ou exclure les clauses de réutilisation des données. Dans le cas de projets collaboratifs impliquant plusieurs universités, les protocoles concernant les sujets humains doivent être approuvés par chaque établissement participant et donnent lieu à de multiples accords bilatéraux.

108Les entretiens ouverts et les ethnographies peuvent être plus difficiles à anonymiser que les sondages ou les dossiers médicaux, en particulier quand les personnes sont connues au sein de leurs communautés. Les enregistrements audio des scientifiques et des technologues de l’étude de cas ne peuvent pas être anonymisés, puisque les voix y sont distinctes et reconnaissables. Les transcriptions sont à peine moins identifiables, car les détails fournis sur les centres d’intérêt, les métaphores utilisées et les formes d’expression peuvent révéler une identité. Le caviardage de ces matériaux pour les anonymiser de manière à ce qu’ils conservent suffisamment d’informations pour être réutilisables par d’autres pourrait constituer un projet de recherche à part entière. Communiquer les résultats tirés de ce type de données suppose un savant savoir-faire : les explications sont travaillées de manière à être les plus descriptives possible en conservant les nuances d’interprétation de la communication, mais sans donner des détails qui dévoileraient l’identité des personnes impliquées. Utiliser ces données est difficile et les réutiliser plus encore.

Dans les sciences humaines

109Les données des sciences humaines sont les plus indéfinissables de toutes ; pourtant, leur réutilisation augmente. Les scientifiques trouvent de nouvelles manières d’exploiter leurs données et de poser des questions inédites.

En histoire de l’art et en archéologie antiques

110Le projet CLAROS est autant une infrastructure que la constitution d’un ensemble. Il réemploie des archives muséales pour qu’elles puissent être utilisées par des scientifiques, des apprenantes et apprenants et le grand public. Il leur adjoint de nouvelles fonctionnalités, comme la recherche d’images ou l’interrogation de plusieurs musées. Ces ensembles sont utiles à plusieurs types de publics. Le défi en matière de gouvernance est de répondre à tous les besoins tout en aidant suffisamment les communautés pour que celles-ci s’investissent dans la survie du projet. Ces systèmes complexes peuvent être pérennisés de plusieurs manières. Une approche consiste à en maintenir l’interactivité ; une autre à conserver une archive fermée du contenu. Les efforts investis dans l’archivage des « données internes » indépendamment du système opérationnel intégral ont constitué un facteur dans la disparition de l’Arts and Humanities Data System (Reimer et al., 2007 ; Robey, 2007, 2011).

111Pour la recherche sur le griffon de Pise, les spécialistes de l’histoire de l’art et de l’archéométallurgie rassemblent des données tirées d’archives et de sources secondaires du monde entier. Elles et ils examinent aussi l’objet lui-même. L’archéométallurgiste fournit des données tabulaires dans un format qui permet de comparer les métaux de cette œuvre en bronze à des objets similaires. Les publications sur le griffon de Pise comportent des notes de bas de page et des renvois à des publications et d’autres documents où des informations ont été trouvées. Des personnes ayant fourni des informations précises aux chercheurs sont parfois nommées. En revanche, on mentionne rarement les archives consultées ou les ensembles où des éléments probants ont été découverts : dans ces domaines, ces derniers peuvent être considérés comme des données d’arrière-plan. Les archives et les collections dont des ressources ont été tirées peuvent ne jamais savoir comment leurs ensembles sont employés ou comment les éléments obtenus sont réutilisés. Pour la communauté de recherche, publier les interprétations est plus important que de diffuser les données. Ce n’est que dans les rares cas où les travaux sont contestés sur le plan de l’exactitude ou de la fraude que l’on communique des notes et d’autres traces (Wiener, 2002).

En études bouddhiques

112Le spécialiste en philologie bouddhique chinoise a accumulé un vaste ensemble de ressources au cours de sa carrière, qu’il continue d’explorer. Jusqu’à récemment, il s’agissait surtout d’une collection sur papier. Maintenant qu’il est possible de saisir, diffuser et réutiliser des représentations de textes très anciens en langues non occidentales, il accumule davantage de traces numériques de ses observations. Ces possibilités étaient inimaginables il y a encore quelques années pour cette petite communauté soudée. Les motivations du philologue sont de maintenir ces ressources de façon à pouvoir les fouiller et les combiner à l’avenir. De même, son accès à la CBETA lui offre une immense mine de ressources numériques où puiser. Il rapporte les détails de ses analyses sous forme de longs tableaux dans ses publications.

113La CBETA et les autres recueils entretenus par la communauté bouddhiste représentent un cas particulier de réservoirs communs de ressources. Cette religion encourage la diffusion de ses textes depuis des siècles, car cela obéit à un précepte. La pérennité de ces ressources numériques n’inquiète donc pas les savantes et savants. Le recueil, qui continue de croître au-delà des cent trente-cinq et quelques volumes d’origine, est d’une portée et d’une qualité incomparables pour les spécialistes de ce champ.

Conclusion

114Les politiques des organismes de financement, des revues et des autres acteurs du travail scientifique des données se sont employées à augmenter l’offre de données réutilisables, sans guère s’intéresser aux motivations scientifiques du partage ou de la réutilisation des données ou aux investissements nécessaires dans les infrastructures de la connaissance. Les raisonnements derrière la promotion du partage reflètent les préoccupations légitimes des parties prenantes, comme la capacité à reproduire des travaux, à mettre des ressources publiques à la disposition de la population, optimiser les investissements dans la recherche et faire progresser la recherche et l’innovation. Ils conduisent souvent à l’instauration de politiques génériques qui ne reflètent pas la grande diversité du travail scientifique des données d’un domaine à l’autre et en leur sein. Les données sont à la fois des atouts et des charges. Lorsque la recherche repose sur la capacité à réutiliser ses propres données et à les mettre en commun avec d’autres scientifiques de la discipline, des motivations extrinsèques incitent au partage et à la réutilisation. En revanche, lorsque la recherche est locale et exploratoire ou qu’elle dépend d’éléments probants accumulés sur de longues périodes, les incitations à diffuser sont moindres.

115L’amalgame entre accès ouvert aux données et accès ouvert aux publications traduit une incompréhension de ce qu’est la communication savante. Les publications sont bien plus que de simples contenants pour les données : elles sont des argumentaires étayés par des preuves et les relations qui les unissent aux données sont très variées. Dans les domaines où les jeux sont distincts et où chacun correspond à une publication, la diffusion des données est envisageable. En revanche, dans les disciplines qui consistent largement en des interprétations, elle n’a pas de sens. Diffuser les données représente rarement une simple tâche annexe à la publication d’un article de revue. En effet, représenter les données d’une manière qui serve aux autres peut mobiliser des ressources substantielles, qui ne sont pas consacrées directement à la recherche.

116Il faut envisager la diffusion, le partage et la réutilisation des données comme des problèmes d’infrastructures de la connaissance. Se concentrer sur l’offre de données pose la question de la demande. Or, dans la plupart des domaines, la demande de données réutilisables paraît très faible. Il est cependant très difficile de définir les utilisations et les réutilisations, car les pratiques varient considérablement. Rendre les données mobiles pour qu’elles circulent entre domaines, entre contextes et au fil du temps est extrêmement difficile. Elles ne sont pas des objets naturels faciles à transformer en marchandises et à échanger sur un marché ; ce sont des entités qui servent à mettre en évidence des phénomènes. Un même objet ou observation peut être représenté de multiples façons. Par conséquent, la même entité devient des données différentes quand elle est transférée dans un autre contexte. De légers changements dans l’interprétation, la méthode ou la pratique peuvent conduire à considérer ces entités comme des preuves légèrement différentes de phénomènes légèrement différents. Les choix effectués dans les premiers stades de la recherche, comme le prétraitement des observations avant qu’elles ne soient considérées comme des données, ont des répercussions tout au long du processus.

117Les données sont souvent inséparables des logiciels, du matériel, de l’instrumentation, des protocoles et de la documentation. Pour gérer cette complexité, les scientifiques disposent de nombreux moyens. Cela implique souvent des décisions inscrites au cœur des activités de recherche et qui font partie d’un savoir implicite difficile à consigner ou à transmettre à autrui. Parfois, on part du principe que certains détails sont connus de la communauté et peuvent donc être omis de la documentation et des publications. Les jeux de données peuvent être extraits de leur contexte technologique et réduits au plus petit outil commun pour être interprétés. Rendre les données mobiles suppose de prendre en compte ces subtilités et la perte de sens induite par la traduction.

118Les infrastructures de la connaissance peuvent faciliter l’échange d’informations entre communautés et en leur sein. Pour les chercheurs et chercheuses, gérer ses propres données représente souvent la plus grande difficulté. Savoir les exploiter est pourtant un prérequis pour les partager. Au sein des infrastructures de la connaissance, les progrès en matière de méthodes, d’outils et de ressources humaines pour la gestion des données devraient permettre de tirer le meilleur parti de leur diffusion. Des moyens communs de représenter des objets de recherche, comme des métadonnées et des mécanismes de classification, constitueraient une autre fonctionnalité utile pour de nombreuses communautés. Lorsque les communautés parviennent à se mettre d’accord sur des représentations et d’autres standards d’échange d’informations, elles disposent d’une base pour bâtir des ensembles partagés. Ces derniers ont plus de chances d’émerger dans des communautés qui ont besoin de combiner des ressources informationnelles. Ces ensembles peuvent répondre aux besoins de communautés petites ou grandes, pour de longues ou courtes périodes.

119Néanmoins, les limites des communautés de recherche sont poreuses et en mutation perpétuelle. Une chercheuse peut être membre de plusieurs communautés et changer d’appartenance en fonction des priorités et des fronts de recherche. Les normes, les pratiques et les représentations qui facilitent le partage des données au sein d’une communauté peuvent aussi créer des barrières au partage entre disciplines. Quand ces barrières sont surmontées, c’est souvent par la communication privée entre chercheurs. Les discussions personnelles et le partage de connaissances au sein de groupes représentent des composantes essentielles de l’infrastructure de la connaissance. Cependant, ils ne sont pas généralisables à grande échelle. Chaque scientifique ne peut partager ses données en tête à tête qu’avec un nombre limité de personnes. De plus, le partage privé n’augmente pas au fil du temps : les données et leur savoir s’effritent rapidement si on n’en prend pas soin.

120Il est crucial de reconnaître le niveau d’investissement à réaliser dans les infrastructures de la connaissance si l’on veut que le partage, la diffusion et la réutilisation des données de la recherche fonctionnent. La valeur d’un jeu de données ou d’un ensemble peut n’apparaître que bien après sa création. Pour s’en rendre compte, il faut investir massivement dans des ressources pécuniaires, techniques et humaines. Les infrastructures de la connaissance ont besoin de l’implication d’acteurs multiples et concurrents, souvent de part et d’autre des frontières nationales. Les coûts et les bénéfices des investissements qui y sont effectués sont inégalement répartis. Elles ont toutes besoin d’être régies par une gouvernance, d’être maintenues le temps nécessaire et de gérer les passagers clandestins. Déclarer que les scientifiques doivent diffuser leurs données au nom du bien commun est, au mieux, simpliste : c’est une responsabilité communautaire. Il faut élargir le débat sur ce que le partage, la diffusion et la réutilisation des données sont censés accomplir. Si deux chercheurs veulent en apprendre plus sur leur travail scientifique des données respectif, alors le partage privé est le moyen le plus rapide. Si les ressources en données doivent être gérées pour profiter aux générations futures, des investissements majeurs dans la technologie, les ensembles, la main-d’œuvre et la gouvernance sont nécessaires. Les buts sont sans doute un mélange de ceux-là et de beaucoup d’autres. Les parties prenantes et les intérêts catégoriels abondent, mais il en va de même des formidables possibilités d’optimisation de l’usage des ressources existantes.