2.5.1. Introduction
Les données sont devenues, au niveau international, un facteur clé pour nombre de disciplines SHS ainsi qu’un domaine en soi. Les données sont une matière convoitée pour la recherche en SHS comme pour d’autres secteurs d’activité. Produire, diffuser, tirer de la connaissance des données est donc une question stratégique pour l’InSHS.
L’InSHS regroupe des disciplines dans lesquelles les analyses quantitatives basées sur des jeux importants de données sont depuis longtemps fondamentales ( l’économie, la sociologie, la démographie ) et d’autres qui, sans ignorer l’usage des données, ont vu, de manière plus récente l’émergence de problématiques propres au data driven ( littérature, histoire ).
Une des caractéristiques majeures de la donnée en SHS réside dans la très grande hétérogénéité des types de données utilisés par les chercheurs, qui vont des données agrégées de la statistique publique jusqu’à des corpus textuels ou d’images, en passant par les données individuelles et nominatives ou, pour l’archéologie, par des données 3D.
Cette hétérogénéité est renforcée par le fait que les chercheurs en SHS disposent de données de deux origines principales : les données qu’ils ont produites par eux-mêmes mais aussi de données produites par la société, comme les données fournies par la statistique publique ainsi que par le mouvement d’open data, ou les corpus fournis par les bibliothèques, qui peuvent être interrogés ou combinés de manière novatrice.
L’apparition de ces vastes corpus de sources, par exemple archéologiques, artistiques ou textuelles, ou la constitution de grandes bases de données donnant accès aux comportements personnels et sociaux des personnes dans une vaste gamme de domaines, modifient en effet la manière dont les chercheurs SHS abordent les objets scientifiques sur lesquels ils travaillent : elles leur donnent accès à un ensemble d’informations qui peuvent être fouillées automatiquement et appareillées les unes aux autres ; elles permettent de construire de nouvelles modalités de validation scientifique à côté des techniques fondées sur l’échantillonnage, l’étude de cas, ou encore
la vérification d’hypothèses ou de théories construites indépendamment des données. Ces nouvelles pratiques réinterrogent les catégorisations et grilles d’analyse SHS en même temps qu’elles posent une série de questions de nature éthique dès qu’il s’agit de données individuelles.
Cette datafication des sciences sociales et des humanités est un fait dont les implications ne sont pas toujours bien appréhendées par les communautés. Elle impose des contraintes nouvelles : réflexion sur les standards, plan de gestion des données, promulgation de bonnes pratiques, prise de recul méthodologique et épistémologique. L’InSHS, à travers différents dispositifs, s’emploie à diffuser ces bonnes pratiques.
Cela passe par un travail de diffusion des problématiques, des méthodologies liées à l’usage des données au sein des diverses communautés scientifiques. Cela passe aussi par une articulation forte entre les dispositifs de production, d’archivage et de traitement des données et les communautés scientifiques susceptibles de les utiliser, en particulier par le biais de relais locaux sur les sites notamment par les MSH.
2.5.2. Le dispositif des TGIR SHS
Pour répondre à ces défis, éviter la dispersion et l’obsolescence des données produites, accompagner les équipes et les chercheurs, l’InSHS s’appuie sur les deux TGIR SHS dont le CNRS a été désigné opérateur par le MESRI : la TGIR Huma-Num en charge des humanités numériques et la TGIR Progedo en charge de l’accès aux données de sciences sociales ( statistique publique, données d’enquêtes ).
Les deux TGIR se situent à l’articulation des dispositifs européens de données en SHS et des dispositifs sur les sites destinés à favoriser et à promouvoir l’accès aux données de sciences sociales et aux humanités numériques.
INSHS
Huma-Num
L’action de la TGIR Huma-Num ( UMS du CNRS ) est de faciliter le « tournant numérique » de la recherche en sciences humaines et sociales dans la production et la réutilisation de données numériques. Il s’agit de :
• Développer l’appropriation par les communautés scientifiques du cycle de vie des données numériques.
• Proposer des services pour les données au juste niveau et au bon moment.
Huma-Num s’organise autour d’un certain nombre d’outils et de services, de projets de recherche, de consortiums et de réseaux européens comme indiqué dans la figure ci-dessous.
L’UMS Huma-Num est localisée à Paris et à Lyon au CC- IN2P3 depuis 10 ans.
Elle propose un ensemble de services pour les données numériques produites en SHS avec des partenariats avec le CC IN2P3, le CINES ( Centre Informatique National de l’Enseignement Supérieur ) et le CCSD ( Centre pour la Communication Scientifique Directe ).
A chaque étape du cycle de vie des données correspond un service dédié ; par exemple iRods pour le stockage en coopération avec le CC-IN2P3, des logiciels d’analyse de données et de gestions de bases de données, un ensemble d’outils de diffusion sur le Web ( p. ex. pack Nakalona et service de machines virtuelles ), un service d’archivage à long terme avec le CINES, un service de signalement des données avec ISIDORE et un service d’exposition de données NAKALA.
A côté de cet ensemble de services, Huma-Num sélectionne, finance et accompagne des consortiums au nombre de 8 à 12 destinés à favoriser l’émergence ou l’implémentation d’outils au plus près des besoins des communautés disciplinaires. Actuellement, les 10 consortiums de Huma-Num représentent :
• 120 équipes de recherche ( UMR, EA ).
• Un réseau de + de 300 chercheurs, ingénieurs, etc.
• Plus de 50 actions publiques ( formations, ateliers, séminaires… ).
Entre 2011 et 2015, plus de 230 actions de coordination nationales dans 16 disciplines majeures des SHS ont été menées, plus de 350 fonds d’archives/corpus mis aux normes, mis à disposition et/ou signalés, 500000 documents issus d’archives scientifiques ont été mis en open access.
Enfin, Huma-Num constitue la brique française de deux dispositifs d’infrastructures européennes de recherche ( ERIC, European Research Infrastructure Consortium ) liées aux données :
• DARIAH-EU ( Digital Research Infrastructure for the Arts and Humanities ).
• CLARIN ( European Research Infrastructure for Language Resources and Technology ).
Un certain nombre d’outils développés par Huma-Num sont aujourd’hui implémentés au niveau européen via différents programmes H2020 en relation avec ces deux ERIC. La TGIR dispose donc d’une reconnaissance internationale attestée par de nombreuses demandes d’expertise ou de coopération venues des ERIC et de différents pays ( Québec, Argentine... ).
Progedo
La TGIR Progedo, opérée par l’UMS Progedo ( CNRS- Ehess ) est l’acteur central en matière de production et de gestion de données en sciences sociales. L’infrastructure a pour mission de hausser le niveau de structuration nationale des communautés de recherche en déployant une stratégie de développement entre les organismes de recherche, les grands établissements et les universités, et de renforcer la position de la France dans l’espace européen de la recherche.
Pour ce faire, Progedo organise l’appui à la collecte, à la documentation, à la préservation et à la promotion d’un vaste ensemble de données nécessaires aux disciplines des sciences humaines et sociales dans un cadre conforme à la législation et la règlementation en vigueur concernant la protection des données individuelles. Elle favorise la diffusion de ces données pour la recherche, soutient la réalisation de grandes enquêtes et bases de données représentatives nécessaires à la recherche et participe à la mise en place des dispositifs sécurisés d’accès aux données individuelles.
Progedo constitue la tête de réseau de diffusion nationale des données produites. Elle s’appuie actuellement sur quatre entités :
• Deux équipes liées au CNRS :
o l’ADISP qui met à disposition les données de la statistique publique agrégées,
o le CDSP avec Sciences Po Paris, qui déploie la mise à disposition des données produites par les chercheurs en sciences politiques principalement.
• Le service des enquêtes de l’INED.
• L’Equipex CASD porté par le GENES ( INSEE ) pour l’accès sécurisé aux données en particulier aux données individuelles en les anonymisant.
Progedo est la seule structure nationale de mise à disposition des données en sciences sociales. Elle est construite comme une ombrelle destinée à couvrir tout le champ nécessaire autour des données d’enquêtes pour la recherche. Elle s’organise en quatre départements qui correspondent à quatre grands types de données en sciences sociales.
Ces quatre départements regroupent les activités correspondant à trois ERIC :
• CESSDA ( données de la recherche et de la statistique publique ),
• ESS ( données de sciences politiques et enquêtes d’opinion ),
• SHARE ( données de santé ),
et un ERIC en projet GGP ( relations familiales, approches longitudinales des dynamiques familiales ).
En tant que structure de coordination, son périmètre peut donc être appelé à s’étendre à d’autres types de données de sciences sociales. Cette position surplombante assure, à terme, la cohérence de l’ensemble des dispositifs français de mise à disposition des données et leur parfaite articulation avec un échelon européen dont les contours sont encore à définir. Progedo est donc destinée à être le relais français vis-à-vis de toutes les infrastructures européennes de données de sciences sociales existantes et à venir. Cette organisation, qui donne une visibilité sur tous les dispositifs ERIC, centres de compétences et services nationaux, ne se retrouve pas ailleurs en Europe et est un atout face à des modes d’organisation nationaux généralement plus cloisonnés, générateurs de coûts supplémentaires et de doublons, et un paysage européen des données non stabilisé.