1Dans cette contribution, nous présentons les problématiques concrètes de la gestion et du partage des données, ainsi que les freins et leviers associés, avant de détailler les caractéristiques d’un plan de gestion des données sur la base d’un retour d’expérience de la ComUE1 Université Sorbonne Paris Cité (USPC).

2Le partage et la valorisation des données de la recherche sont devenus des enjeux importants pour les organismes financeurs, les institutions de recherche et les chercheurs eux-mêmes. Une démarche formalisée et anticipée de gestion des données constitue aujourd’hui une condition nécessaire à ce partage. Elle garantit d’une part des résultats fiables et réutilisables sur le long terme, d’autres part une compréhension, une ouverture et la possibilité d’une réutilisation de ces résultats par d’autres chercheurs. Si les politiques françaises n’en sont encore qu’au stade incitatif, de nombreuses actions montrent une accélération dans le domaine de l’ouverture et du partage des données. Bien que récente, la question des données n’est pas nouvelle. En sciences humaines et sociales (SHS), ces préoccupations font écho à diverses initiatives comme celles menées par le réseau Quételet2 depuis le début des années 2000. Le mouvement s’amplifie au cours des années 2010 sous l’influence de l’ouverture des données administratives (Open Data), confirmée par les dispositions de la loi sur le numérique3. Une partie de cette dynamique vient également des éditeurs commerciaux incitant davantage les chercheurs à fournir leurs données en complément de leur publication au risque d’une appropriation — par le secteur privé — de données financées par le secteur public4.

3De nouvelles perspectives pour la recherche sont néanmoins attendues : fouille de textes (text-mining), analyse statistique, fouille sémantique etc. sur de grandes masses de données. Comme le souligne Olivier Le Deuff (http://www.guidedesegares.info/a-propos/), la « culture numérique oblige à s’interroger pleinement sur les compétences informatiques requises notamment lors de l’implication au sein de projets qui reposent sur d’importants corpus de données à traiter5 ». La donnée s’érige désormais en matériau et renforce par ailleurs la confusion entre donnée informationnelle, intervenant dans un processus de raisonnement et donnée informatique, champ d’information défini en vue d’un traitement automatique. Ces évolutions suscitent chez les chercheurs un certain enthousiasme mais aussi de nombreuses réserves quant au renouveau réel qui en découle pour la discipline6. De sorte qu’à ce jour, la gestion et l’ouverture des données de la recherche ne sont pas une nécessité admise par tous les chercheurs. Dans les faits, en dépit d’un discours institutionnel soulignant les enjeux éthiques, scientifiques7 ou économiques8, les initiatives se réduisent souvent à des démarches individuelles, ou se cantonnent aux domaines dans lesquels la gestion et la réutilisation de données conditionnent l’exercice même de la recherche. On pense notamment au secteur de l’astrophysique ou de la génomique9 tandis que les sciences humaines et sociales comme d’autres restent encore en retrait10.

4Plusieurs freins sont à l’origine de cet écart entre les aspirations et la pratique. D’une part une certaine ambiguïté de la législation française quant au statut des données produites dans le cadre de la recherche publique11 : venant en appui d’une œuvre originale de l’esprit, les données peuvent bénéficier de la protection du droit d’auteur ou de droits voisins comme ceux relatifs à la protection des bases de données12 ou au même titre que d’autres données publiques jugées « sensibles », tomber sous la protection d’autres dispositifs juridiques (CNIL13, défense, exception culturelle etc.). À ce cadre peuvent s’ajouter d’autres enjeux de valorisation et de transfert de technologie14 freinant le partage et la réutilisation des données par ailleurs contraints par le durcissement des politiques d’éditeurs en matière d’ouverture et de fouille des données. Le coût des infrastructures de stockage et d’archivage sont également des obstacles. Ces structures nécessitent une planification à long terme que les modèles économiques actuels peinent à inclure. En réponse, les communautés scientifiques s’organisent autour d’infrastructures de grande ampleur recevant un soutien financier national ou européen. Le manque d’« interopérabilité15 » des données et la multiplicité des structures de recherche françaises sont également en cause. Une enquête conduite à l’Université de Californie Los Angeles16 met ainsi en évidence le manque de confiance des chercheurs envers les données de leurs confrères. Les scientifiques privilégient souvent les informations recueillies dans un cercle restreint, freinant ainsi l’interdisciplinarité. Les données produites par d’autres ne constituent que rarement la source principale de leur projet de recherche. Enfin, deux études successives17 menées à l’Université du Tennessee sur plus de 1 300 chercheurs, font principalement ressortir le manque de temps (54 %), le manque de moyens financiers (40 %), l’absence ou la méconnaissance d’infrastructures correspondant (24 %), le manque de standards (20 %) ou encore l’absence d’obligation (17 %), ce qui souligne l’influence des politiques institutionnelles par rapport aux initiatives individuelles.

5Un effort important d’accompagnement et de médiation reste donc à accomplir au sein des établissements de recherche pour permettre de lever progressivement ces obstacles. Nous tâcherons d’identifier les leviers susceptibles d’œuvrer en ce sens en insistant notamment, sur la base d’un retour d’expérience mené au sein de la ComUE Université Sorbonne Paris Cité, sur l’intérêt, la démarche de rédaction et la promotion des plans de gestion de données des communautés de recherche.

6L’étude récente18 de l’Institut pour Internet et la société19 relève parmi les causes de cette évolution, l’expression de stratégies claires de la part des gouvernements, institutions ou financeurs ; la production de guides d’accompagnement et de démarches de sensibilisation adaptée aux différents groupes ; le développement et la promotion d’outils conviviaux, sont aujourd’hui les principaux leviers pointés par les chercheurs pour un partage des données. L’engagement d’organismes financeurs comme la National Science Foundation aux États-Unis ou la Commission européenne imposant pour les projets qu’elle finance, la rédaction de plan de gestion de données, marque un tournant. Les professionnels de l’information scientifique et technique (IST) constituent aujourd’hui des acteurs majeurs pour accompagner ce changement.

7Le plan de gestion de données ou Data management plan (DMP) est un document unique décrivant les données produites par un projet de recherche. Il vise à formaliser les processus de gestion, d’ouverture et de préservation des données tout au long d’un projet de recherche. Il s’agit autant d’un élément d’évaluation pour le financeur que d’un outil de bonne gestion pour le chercheur. Ce nouveau livrable requis par la Commission européenne20 est ancré dans le calendrier des projets et suit le cycle de vie des données.

8Au sein de la ComUE Sorbonne Paris Cité (USPC), les professionnels de l’IST, spécialistes du partage des données (base de données, archives ouvertes), de leur description par des métadonnées normées et de leur conservation (archivage pérenne) ont été parmi les premiers à s’emparer du sujet pour accompagner les chercheurs investis de financements Horizon 2020, en partenariat avec les ingénieurs-projet du réseau recherche Europe de l’USPC. Leur implication à différents niveaux s’est traduite par des programmes de sensibilisation21, par la rédaction de guides d’accompagnement22 ou par la prise en main de techniques. Cependant, l’élaboration de plans de gestion de données a mis au jour la nécessité de faire émerger de nouvelles collaborations entre chercheurs et services d’appui à la recherche. Le rapprochement inédit des professionnels de l’IST et des ingénieurs-projet chargés d’accompagner les chercheurs dans le montage des projets de recherche a été une première étape dans le décloisonnement entre différents corps de métier que nécessite, au sein des établissements, la réalisation de plans de gestion de données.

9Si des outils informatisés, comme DMPOnline du Digital Curation Centre23 ou DMPTool de l’Université de Californie24, facilitent sa rédaction, le plan de gestion des données peut également prendre la forme d’un simple tableur ou encore d’un document texte. Son calendrier répond à trois grandes phases du projet et décrit les choix réalisés par l’équipe de recherche en termes de format de données, normes de métadonnées, sécurité d’accès, durée d’archivage, ainsi que de coûts associés à la gestion des données, du début à la fin du projet, voire après son achèvement.

Informations sur le projet

10L’ingénieur-projet dispose des renseignements administratifs permettant de faire le lien entre le DMP et le projet : nom du projet, référence de la convention de financement, nom du coordinateur du projet. Ces éléments figuraient déjà dans la réponse à l’appel à projets.

2. Responsabilité des données

11Le chercheur responsable des données est désigné par l’équipe dès le début et pour toute la durée du projet. Il est choisi pour sa vision transversale du projet sur tous les types de données à la fois. C’est lui qui assure la coordination de la rédaction du DMP : il est responsable de la création et de la mise à jour du DMP, ainsi que de sa mise en œuvre. Il peut être différent du coordinateur scientifique. L’ingénieur-projet, ou le juriste, indique le régime de la propriété intellectuelle des données liées au projet, élément primordial pour l’exploitation ultérieure des données. La propriété des données est fixée par l’accord de consortium définissant le rôle des partenaires du projet. Il fait en particulier la distinction entre les résultats propres à une équipe et les résultats communs à tous les partenaires du projet.

3. Ressources nécessaires à la mise en œuvre du DMP

12Le chercheur, accompagné de l’ingénieur-projet, évalue les ressources nécessaires et les montants financiers correspondants :

• Matériel. Le chercheur, s’il en a l’expérience, ou un informaticien, estiment les espaces de stockage de données informatiques nécessaires au cours du projet, ainsi que le coût de l’hébergement sur une plate-forme d’archivage à l’issue du projet. Les espaces à prévoir pour d’autres supports (papier, objets) sont également évalués.

• Personnel. Le chercheur et l’ingénieur-projet estiment le temps et les compétences requis à la mise en œuvre du DMP et le coût correspondant à la gestion, la curation et la conservation à long terme des données. La notion de curation recouvre les diverses opérations de traitement des données : sélection, nettoyage, normalisation et enrichissement. Pour cela, des formations, dont le coût est également à prévoir, peuvent être nécessaires.

4. Description des jeux de données

13Selon le projet, un jeu de données peut recouvrir des réalités différentes. Un ou plusieurs jeux de données peuvent être liés au projet de recherche, et désigner soit un lot techniquement homogène, soit un ensemble intellectuellement cohérent mais composé de lots techniquement hétérogènes. Par exemple, un jeu peut regrouper des séries chronologiques portant sur une même période mais sur des objets de natures différentes. Le chercheur est le plus à même de décrire le jeu de données jeuN utilisé dans le cadre du projet. Après avoir identifié le ou les jeux de données, il précise la nature des données : données d’enquête, échantillons, code logiciel, corpus de texte, photographies, etc. Il indique la méthode de production ou d’élaboration des données utilisées (instrument de mesure, enquête, observation, simulation) et précise s’il s’agit de données produites au cours du projet, d’une réutilisation de données préexistantes, ou des deux. Le chercheur renseigne les formats de données, numériques (tel que CSV), ou non-numériques (papier imprimé, VHS). Il est conseillé de privilégier des formats ouverts ou largement utilisés, tels que XML ou PNG, afin de faciliter le partage.

5. Stockage, accès et sécurité du jeuN au cours du projet

14Le chercheur décrit le support des données : support papier ou autre support physique. Dans le cas de données numériques, un informaticien peut conseiller le chercheur. Il prévoit la volumétrie approximative des données en mètres linéaires ou en mégaoctets. Celle-ci sera réévaluée au cours du projet. Il décrit le type d’hébergement des données : matériel et lieu physique de stockage. Le chercheur, avec l’aide d’un informaticien, indique les risques par rapport à la sécurité des données, tels que l’atteinte aux exigences de confidentialité, à la disponibilité et à l’intégrité des données tout au long de la phase active du projet. Un référentiel de menaces est disponible dans la méthode EBIOS25.

6. Métadonnées : documentation et organisation du jeuN

15Le chercheur, accompagné de son référent en IST (archiviste, bibliothécaire, ou documentaliste), précise comment seront décrites, avec des métadonnées, les données numériques utilisées au cours du projet. Les métadonnées sont classiquement divisées en métadonnées descriptives, administratives et métadonnées de structure. Le chercheur renseigne les normes de métadonnées utilisées : certaines disciplines s’appuient sur des standards qui leur sont propres, qui doivent être utilisés en priorité pour assurer l’interopérabilité entre les différents systèmes et utilisateurs. En SHS, il pourra s’agir de DDI (Data Documentation Initiative26) ou du Dublin Core27. Le répertoire du Digital Curation Centre28 liste les formats disciplinaires existants en SHS. En France, Catherine Morel-Pair propose un panorama des standards et usages de métadonnées pour les plate-formes de données en SHS29. Le chercheur indique qui renseignera les métadonnées et le cas échéant, à l’aide de quels outils (Dublin Core Generator30 ou DataCite Metadata Generator tool31). Le chercheur prévoit une arborescence de classement des données et des règles de nommage des jeux de données afin d’en faciliter l’accès et le stockage au cours du projet, et à terme l’archivage. Par exemple, les fichiers sont nommés selon la syntaxe. Il précise s’il existe une documentation associée pour assurer l’intelligibilité à long terme des données (codes, abréviations, version des logiciels de lecture).

7. Dissémination à l’issue du projet

16Dans le cas d’une recherche sur appel à projets, un contrat lie le financeur et le bénéficiaire et précise le principe général de diffusion qui s’applique aux données produites. Par exemple, dans le cadre de Horizon 2020, l’article 29.3 de la convention de financement prévoit que les données et métadonnées nécessaires à la validation des résultats doivent être déposées dans des entrepôts dédiés et placées sous une licence libre autorisant leur exploitation et leur libre réutilisation par une tierce partie32. Cette information est disponible auprès de l’ingénieur-projet. Le chercheur détermine les conditions de partage et de réutilisation des données ainsi que la licence, qui peut être libre comme Etalab33 ou GNU34, ou faire l’objet de contreparties économiques précisées par contrat. Si un accès aux données via un site n’est pas prévu dans le cadre du projet, il convient de rechercher une base de données disciplinaire dans laquelle les données pourront être déposées, comme par exemple Speech and Language Data Repository pour les données orales et/ou linguistiques35. Le répertoire d’entrepôts re3data36 permet de s’orienter parmi les différentes possibilités. Pour des raisons éthiques, juridiques ou financières, les données sensibles peuvent nécessiter une protection spécifique et à ce titre échapper au principe général de diffusion. Le chercheur, accompagné de son service juridique, identifie et définit les critères de protection des données potentiellement sensibles (nominatives, stratégiques, rares). Il indique aussi la durée de l’embargo qu’il appliquera avant la diffusion des données. L’embargo est une protection temporaire qui instaure un délai de plusieurs mois ou années avant la diffusion des données avec l’autorisation du propriétaire. À la fin du projet, le chercheur précise s’il existe des publications associées aux données.

8. Sélection et archivage des données

17Le chercheur prévoit également, avec l’appui de son archiviste, le sort des données à l’issue du projet, qu’elles aient été diffusées ou non. Ils sélectionnent les données en raison de leur valeur scientifique, juridique ou patrimoniale, car toutes n’ont pas vocation à être archivées sur le long terme. L’administration des archives délivre un visa avant toute destruction de données. Par exemple, les données non reproductibles seront conservées, tout comme celles dont le coût de production est extrêmement élevé. Les durées de conservation doivent prendre en compte les exigences légales et réglementaires existantes et peuvent aller de quelques mois à l’éternité. Ainsi, le décret 2006-6 du 4 janvier 2006 fixe la conservation des données de patients à 20 ans minimum37. Le chercheur évalue le volume final des données, par exemple : N Giga-octets. Conseillé par son archiviste, il choisit la plate-forme d’archivage pérenne sur laquelle les données seront archivées à long terme. Certaines universités disposent de conventions avec des plate-formes, qui doivent être agréées par le Ministère de la Culture.

Exemple d’un plan de gestion de données

18L’exemple ci-dessous est issu d’un projet réel. Certains ajustements ont néanmoins été réalisés à des fins de diffusion.

Présentation du projet

19Depuis mars 2011, le Centre de données socio-politiques (CDSP38) est fortement impliqué dans la mise en place de l’équipement d’excellence DIME‐SHS39, lauréat de l’appel à projets 2010 des « investissements d’avenir ». Cet équipement vise à doter la France d’une nouvelle structure en matière de collecte, d’enrichissement et de diffusion des données quantitatives, qualitatives et web. En particulier, il s’agit de mettre en place le panel Internet ELIPSS (Étude longitudinale par Internet pour les sciences sociales) constitué à partir d’un échantillon aléatoire de la population résidant en France40. Les propositions d’enquête se font lors d’appels à projets. Ce sont les membres du Comité scientifique et technique (CST) qui sont chargés de sélectionner les enquêtes administrées aux panélistes.

20À l’issue de la rédaction du DMP, le chercheur responsable des données dispose d’un document descriptif complet, lui permettant de mettre ses données à disposition de façon intelligible et avec un maximum d’interopérabilité.

21La difficulté de ces interactions « idéales » est que les compétences d’appui à la recherche peuvent ne pas exister dans tous les établissements, ou ne pas être connues des chercheurs. Par ailleurs, il manque encore des outils informatisés conformes à la pratique française, le DMP n’étant exigé pour l’instant que pour les projets européens. Ensuite, les Sciences Humaines et Sociales recouvrent des disciplines hétérogènes qui demandent des outils adaptés à leurs besoins spécifiques. Le manque récurrent de connexions entre un outil générateur de DMP et les autres outils de signalement de la recherche, telles que les archives ouvertes pour les publications, alourdit encore la tâche.

22Lors de notre expérimentation au sein de l’USPC, la difficulté a été de tester le DMP proposé sur des projets réels, en effet, le programme H2020 n’en est encore qu’à ses débuts. Par ailleurs, la Commission européenne est actuellement le seul financeur — en France — qui préconise l’utilisation d’un tel outil même si la loi sur le numérique laisse espérer une utilisation nationale de ce type de dispositif, avec l’ouverture des données.