Je te donne, tu me donnes, nous nous donnons… nos données

J’ai eu l’occasion, le 1er juin 2017, de présenter en une minute mes réflexions au cours de la table ronde « Publier à l’ère numérique » co-organisée par le Centre Marc Bloch, DARIAH-EU, le bureau de la coopération universitaire de l’Institut français d’Allemagne à Berlin et l’Université franco-allemande (UFA) – merci à Anne Baillot et à Laurent Romary pour l’invitation ! Bien que nos interventions aient été filmées [1], je voudrais ici approfondir les trois grands points que j’ai développés à cette occasion afin de souligner, une fois encore, à quel point le mouvement de l’accès ouvert (open access) représente une avancée certaine pour l’état de nos connaissances.

Les réflexions que je présente pêle-mêle ici sont sans doute très ancrées dans une discipline, la linguistique, qui travaille sur corpus (à savoir, une collection de textes), souvent annotés en fonction de différents types de paramètres, qui peuvent relever de métadonnées générales (qui parle, quand, combien de temps) ou d’unités linguistiques précises (est-ce un tour de parole, une citation, un morphème, un phonème). Je n’ignore pas que certaines données issues de la recherche – par exemple, certains entretiens – puissent avoir une portée confidentielle ou représenter une plus-value importante pour la personne les ayant recueillies (terrain ou archive inaccessible). A mon échelle, les débats parlementaires étant soumis à la règle de publicité, vidéos et transcriptions sont intégralement disponibles en ligne pour les trois pays que j’étudie. La « seule » chose que je mets à disposition, c’est donc mon travail : l’annotation linguistique de mes corpus en TEI-XML.

Les corpus issus de ma thèse annotés en TEI-XML [2] sont publiés en ligne sur la plateforme gratuite ORTOLANG (Outils et Ressources pour un Traitement Optimisé de la LANGue). J’ai fait ce choix en cours de thèse (on peut même dire : en début de thèse), avant même d’avoir publié (des articles scientifiques, j’entends) sur les dits corpus, et bien que nombreuses aient été les interrogations et inquiétudes : « Mais… tu n’as pas peur qu’on te vole tes données ? ».

Alors, déjà, non, on ne peut pas me « voler » mes données, puisqu’elles sont publiées sous licence CC BY 4.0, qui exige mention de l’attribution – dire qui a effectué le travail en faisant référence à l’auteur·e, en somme. C’est à mon sens le b.a.-ba du travail scientifique, et je vois mal à quels risques l’on s’expose dès lors, au contraire, que la publication, précoce, permet de retracer facilement la paternité de la publication. J’ai par ailleurs rarement entendu ce genre d’argument dès lors qu’il s’agissait de résultats de recherche, que l’on s’empresse en général de publier et de diffuser (publish or perish, quand tu nous tiens). Les données, elles, sont préservées, protégées, comme si elles n’appartenaient qu’à la personne qui les a collectées.

Ce n’est pas parce que je pense que la collecte des données est une étape futile qu’on peut les partager, comme ça, avec désinvolture. Au contraire, c’est justement parce que cela représente une étape non seulement extrêmement chronophage du processus de recherche, mais aussi une étape extrêmement significative (deux fois « extrêmement », oui) qui mérite d’être rendue visible.

Puisque collecter des données, les annoter, les archiver, est chronophage (et parfois franchement rébarbatif, soyons honnêtes), pourquoi être deux, trois, quatre à effectuer les mêmes tâches ? Pourquoi ne pas mettre en commun nos ressources ? Je serais [3] très heureuse de pouvoir faire gagner du temps à quiconque aurait besoin ou envie de travailler sur des débats parlementaires et à qui les annotations très précises que j’ai dû mettre en place puissent être utiles. En choisissant à dessein un format d’annotation qui puisse être étendu, complété, amendé, je forme le vœu de croiser les approches, qu’un·e sociologue ou un·e politiste puisse trouver de l’intérêt aux variables linguistiques qui nourrissent mon étude des débats parlementaires.

Mais c’est aussi parce qu’à mon sens, la préparation des données en vue de leur analyse fait, en soi, partie intégrante du processus de recherche, qu’il faut absolument les diffuser. Rendre ses données accessibles et sa démarche d’annotation scientifique transparente, c’est considérer que son cadre de travail ne va pas de soi. « Because transcription is an act of interpretation and representation, it is also an act of power », dit très justement Mary Bucholtz (2000 : 1463) [4], soulignant la responsabilité du chercheur ou de la chercheuse dans ce qui n’est souvent considéré que comme un préalable à l’analyse. Or s’exposer à la critique des sources mêmes, avoir à justifier que l’on a codé tel tour de parole comme une interruption ou un chevauchement (vaste question linguistique), que l’on a supprimé tel ou tel passage jugé peu important pour la suite de l’analyse, c’est déjà faire de la recherche. Transcrire, c’est déjà interpréter.

Mettre ses données en ligne, c’est aussi rendre sa recherche duplicable, c’est-à-dire donner les moyens à la communauté scientifique d’aller vérifier les données (et éventuellement de les tester à nouveau, avec un autre logiciel, une autre méthode statistique, une autre hypothèse de travail…). Dans une thèse ou un article, contraint·e par le manque de place, on ne présente souvent que des extraits tronqués pour les besoins de la démonstration. Mais aussi les extraits qui – consciemment ou non – vont justement dans le sens de notre argumentation. Et si un·e collègue estimait justement que les quelques lignes précédant la citation éclairaient nos conclusions d’un jour nouveau ?

Publier ses données en ligne permet ainsi de présenter exhaustivement son corpus, par exemple en pointant vers l’URL pérenne créée par des plateformes nationales d’archivage comme HAL-SHS ou ORTOLANG au lieu d’avoir à décrire le corpus dans chaque article. Cela offre également la possibilité, lorsqu’on travaille sur plusieurs langues, de ne proposer que la traduction dans le corps du texte et l’original en ligne, par exemple. En somme, cela fonctionne un peu comme un appendix, à la différence près que si les données évoluent, l’URL pourra être modifiée en fonction. Cela permet donc de visualiser en temps réel l’avancée d’un projet de recherche tout en laissant visible le processus de compilation.

Ma thèse peut-elle pâtir de ce “partage inconsidéré” ? Non, pas vraiment. Déjà parce que penser l’annotation en vue de sa publication m’a incitée à systématiser mon travail d’annotation et à consigner précisément mes choix – ce qui a grandement facilité non seulement la rédaction (en cours) de la thèse en elle-même, mais aussi la comparaison entre les langues et cultures parlementaires britannique, française et allemande. Dès le début, j’ai dû mettre en place un protocole de recherche, dater mes réflexions, penser à présenter mes transcriptions et annotations pour autrui.

Ensuite, je vous rassure : le téléchargement de mes corpus annotés demeure très confidentiel, preuve à la fois que la pratique du partage des données en est encore à ses balbutiements, mais aussi, sans qu’il soit possible de faire la part des choses, que mon corpus (et son annotation actuelle) n’intéressent pour le moment que moi ! Même si je sais ne pas être la seule à travailler sur des débats parlementaires, quelle est la probabilité que quelqu’un·e d’autre pose les mêmes questions au même corpus au même moment ? Il me semble naturel (et peut-être indispensable) que les corpus annotés ne constituent qu’un tremplin vers d’autres terrains, d’autres travaux, plutôt qu’une fin en soi. La recherche ne s’arrête pas au corpus !

Et vous ? Quelles est votre pratique des données de la recherche ? Envisagez-vous de les rendre publiques ?

———————————————————————————————————

En termes d’attribution, je dois beaucoup à Laurent Romary, qui m’a inspirée, guidée, conseillée vers la voie de l’annotation de corpus et du libre accès. Je profite de ce billet pour lui dire un grand merci !

[1] Le streaming et l’archivage de l’enregistrement vidéo ont été assurés par la fondation Gerda Henkel et sont disponibles ici, consulté le 3 juillet 2017. Mon intervention figure à 11:09, rubrique « One-Minute-Madness ».

[2] TEI pour Text Encoding Initiative (voir l’excellente présentation de Lou Burnard ici et sa traduction en français ici) et XML pour Extensible Markup Language ou « langage de balisage extensible » en français.

[3] « Je serais », au conditionnel, car jusqu’à présent, je n’ai pas encore eu vent de quelqu’un ayant pu s’approprier les débats parlementaires annotés et mis en ligne. Mais qui sait…

[4] Bucholtz, Mary. 2000. The politics of transcription. Journal of Pragmatics 32(10). 1439–1465. doi:10.1016/S0378-2166(99)00094-6.

Cite this article as: Naomi, "Je te donne, tu me donnes, nous nous donnons… nos données," in Ici et là, 03/07/2017, https://icietla.hypotheses.org/53.

2 réflexions sur « Je te donne, tu me donnes, nous nous donnons… nos données »

  1. Hello Charlotte, je te réponds bien tard, simplement pour te remercier de ton long commentaire qui m’avait à l’époque beaucoup intéressée – et m’intéresse toujours d’ailleurs ! Nous avons rarement l’occasion d’entendre des retours d’expériences des personnes liées à la recherche et engagées dans des projets de recherche sans se définir directement comme chercheur·e·s. Merci !

    En ce qui concerne http://www.rechercheisidore.fr, merci pour ta remarque. J’ai été y faire un tour et les articles du blog sont correctement référencés. Je pense que l’indexation est automatique ; pour un autre blog que nous avons crée, nous avons reçu un ISSN attribué par la BNF environ 1 an et demi après l’ouverture du carnet de recherche.

  2. Hello !

    C’est intéressant cet article et notamment ça l’est pour moi parce que c’est visiblement une réflexion à laquelle tu es arrivée par toi-même au fur et à mesure du développement de tes travaux.
    De mon côté, j’ai eu des cours sur l’interopérabilité, j’ai travaillé dans une structure dont le but même est de propager les bon réflexes (on avait des membres travaillant dans DARIAH, avec Laurent d’ailleurs, on bossait avec Ortolang, avec un ancien de HAL-SHS, etc.) mais du coup j’ai acquis une partie de mes connaissances et convictions sur le sujet parce que j’étais plongée dedans.
    Néanmoins, quelque chose qui m’a toujours été naturel (je crois) c’est cette incompréhension que j’ai face aux chercheurs qui vont dire “tu n’as pas peur qu’on te vole tes données ?”, “on a découvert que ma thèse était erronée, je veux la retirer”, “ouhlala tel labo fait la même chose que nous, mais on va les battre à plate couture !”. Pour moi la recherche française (et de même au sein de chaque pays) a pour but de faire avancer collectivement la science (qu’elle soit dite “sociale” ou “dure”) et tout un chacun et surtout les chercheurs suivants doivent pouvoir en profiter. Ainsi, pour moi, à l’instar du travail que tu fais dans une boîte privée (ou peut-être pas tout à fait de la même façon, mais au moins en partie), ton travail ne t’appartient pas. Il appartient à la recherche française dans son ensemble et tes travaux (qui incluent les “préalables”, donc annotations, transcriptions, tout ce qui prend le plus de temps) devraient par défaut être accessibles à tous et surtout aux autres chercheurs. Une thèse qui s’avère erronée doit être complétée avec un explicatif pour prévenir d’autres chercheurs qui pourraient vouloir partir sur la même voie que c’est un cul-de-sac (n’est-ce pas ainsi que la science avance aussi ? Avec les erreurs et démonstrations fausses des scientifiques passés avant nous ?). Et enfin, et peut-être pire que tout, cette idée que des labos puissent être en compétition, par exemple au sein même du CNRS ! Mais quelle idée stupide ! Pourquoi dépenser 2 fois plus d’argent pour être chacun dans son coin à faire le même produit dont un, en effet, sera probablement meilleur que l’autre, alors qu’on pourrait joindre les forces, utiliser les connaissances de chacun et surtout la quantité de main d’œuvre pour faire un produit vraiment chiadé ? Pour notre part, nous étions quelques petites mains à faire l’informatique comme nous pouvions car moi, linguiste-informaticienne ne suis de facto ni linguiste tout à fait, ni informaticienne complètement. En doublant l’équipe, nous aurions peut-être trouvé du monde plus à même de faire notre travail pendant que l’autre TAListe et moi aurions pu nous occuper de la partie analyse lexico (et ainsi arrêter de payer très cher un presta externe au passage (super bonux) 😉 )
    Bref, c’est intéressant de voir un point de vue qui plébiscite les bonnes pratiques venant d’une chercheuse directement alors que ce sont eux qui, malheureusement, sont souvent les plus réticents à la préservation et au partage de leurs données.
    (Au passage, il faudrait vérifier que d’ici quelque temps ton blog hypothèse est bien répertorié sur http://www.recherchisidore.fr. Normalement ça crawle tous les blog Hypotheses. Je vois que tu y es déjà en tant qu’autrice d’articles et autres, mais je n’y trouve pas ce blog-ci . Cela peut juste venir du fait que ton blog est récent et n’a pas encore été ajouté ceci dit)

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.