Les chercheurs et leurs données : que nous dit l’usage du mot 🅳🅰🆃🅰 dans les articles scientifiques ?

Dans un article publié dans la revue QSS, nous proposons avec Marion Maisonobe de contribuer aux travaux dédiés à ce que Christine Borgman appelle “data scholarship” et que la traductrice de son ouvrage, Charlotte Matoussowsky, a traduit par “le travail scientifique des données”, autrement dit “la transformation opérée sur les données par les acteurs de la recherche”.

Dans cette exploration de l’agencement complexe de la relation entre données et recherche, nous examinons l’usage du mot data, un des termes les plus utilisés dans les articles scientifiques (rédigés en anglais) en partant du principe qu’il peut nous informer sur la manière dont les chercheurs utilisent et valorisent les données.

Nous inscrivons notre étude dans un cadre théorique qui prend les écrits scientifiques comme objets de recherche et considère que leur analyse linguistique peut éclairer le processus de recherche lui-même. Notre approche se veut complémentaire d’études sociologiques ou ethnographiques qui soulignent la difficulté de définir ce que sont les données et qui les inscrivent dans un processus de transformation.

Dans ce post, nous présentons comment nous avons construit un corpus à partir d’ISTEX, comment l’outil TXM nous a permis de l’analyser et donnons un aperçu des principaux résultats.

 

Corpus exporté d’ISTEX

Pour examiner le contexte linguistique du mot data, nous avons besoin d’un corpus d’articles scientifiques pour lesquels nous disposons du texte intégral. Nous puisons dans ISTEX 72 471 articles, qui nous fournissent alors 896 159 occurrences de data.

La constitution d’un corpus depuis ISTEX (via cette interface) est une opération délicate dans la mesure où il faut se prémunir contre d’éventuels biais inhérents à la base qui est alimentée en fonction d’accords avec des éditeurs. Pour garantir à la fois la diversité des données (pas de sur-représentation d’une revue, par exemple) et leur homogénéité sur la période examinée (pas de pic dans les volumes extraits), nous avons extrait les résultats par lot de 2500 articles, en utilisant la fonction aléatoire d’ISTEX et en procédant par période de 2 ans (exemple de requête). Nous avons requêté ISTEX de cette manière pour 2 champs disciplinaires bien distincts (Sciences Physiques vs Sciences Sociales) et sur une période de plus de 30 ans. Nous sommes remontées jusqu’à 1980 et n’avons pas été au-delà de 2012, car à partir de 2013, la base de données ISTEX est déséquilibrée avec de moins en moins d’articles disponibles en sciences sociales.

Pour l’analyse lexicale, nous avons importé tous les lots de fichiers TXT d’ISTEX dans TXM.

 

TXM pour l’analyse lexicale

TXM est un outil d’analyse textuelle qui nous permet notamment d’indexer notre corpus en procédant au repérage et à l’annotation des catégories syntaxiques (verbes, noms, adjectifs, etc…) et traits grammaticaux (temps des verbes, singulier/pluriel, etc…). Par chance, le mot data en anglais est toujours un nom faisant référence aux données. L’opération aurait été plus complexe en français, mais TXM nous aurait permis de distinguer le nom commun données du participe passé (comme dans Les cerises que le voisin m’a données).

La littérature scientifique fait écho de la variété des objets auxquels data peut faire référence, ce qui explique d’ailleurs l’absence d’une définition précise et consensuelle du mot. En partant de l’idée que les adjectifs qualifient les noms, nous proposons alors d’explorer le sens du mot data en tirant parti du contenu sémantique véhiculé par les adjectifs auxquels il se combine.

Par ailleurs, comme de nombreuses études (ici ou là) montrent que les données subissent des transformations, nous supposons qu’en identifiant les verbes dont les sujets sont les auteurs des articles (en utilisant we ou I), nous pourrons avoir une meilleure idée de la manière dont les données sont utilisées ainsi que les transformations qu’elles subissent.

TXM nous permet d’interroger notre corpus avec précision, à l’aide du langage CQL (Corpus Query Language) qui s’appuie sur le principe des expressions régulières et qui exploite l’étiquetage morpho-syntaxique réalisé à l’importation du corpus dans TXM. Adjectifs et verbes combinés à data sont alors extraits.

Exemple :

(...) in Fig. 8, we compare the uncorrected experimental data with the LA 150 data (...)

 la requête suivante dans TXM

[word="I|we" & enpos="PP"] []{0,3} [!word="not|.*n't|cannot"] [word="data"%c] | [word="data"%c][word ="that"]* [word="I|we" & enpos="PP"] []{0,3} [!word="not|.*n't|cannot"] [enpos="V.*"]

 permet de repérer l’extrait suivant

we_PP compare_VVP the_DT uncorrected_JJ experimental_JJ data_NNS

où, grâce à l’étiquetage, le verbe to compare précédé du pronom we peut être identifié dans une phrase contenant data.

 

Aperçu des résultats

Donner du sens au mot data

Nos résultats confirment à la fois la nature polysémique du mot data et la difficulté à le définir. Nous avons en effet identifié 7 catégories d’adjectifs différents se combinant à data pour exprimer des types de données (simulated, relational, statistical, experimental, thermodynamical…), leur dimension (small, comprehensive, large…), leurs propriétés spatio-temporelles (new, local, recent, Brazilian…), leur valeur (accurate, falsified, relevant, useful…), leur disponibilité (available, observed, internal, published…), leur relation avec d’autres données (same, conflicting, mixed, homogeneous…), et enfin des adjectifs correspondant à une forme alpha-numérique dont le sens est difficile à déduire faute de contexte et/ou d’expertise (1o-2 data, 1s data, 4dvar data, 18-winter data…)

Les adjectifs apportent la précision sémantique qui fait défaut au mot data seul. On constate que les adjectifs exprimant un type de données sont les plus fréquents avec plus de la moitié du nombre total d’utilisations. Cette proportion est encore plus importante en sciences physiques (où l’adjectif experimental apparaît dans 20% des combinaisons avec data), mais cette différence est compensée en sciences sociales par une proportion plus importante d’adjectifs exprimant une propriété spatio-temporelle. Ensuite, ce sont les adjectifs relatifs à la disponibilité des données qui sont utilisés : l’accès aux données et leurs caractéristiques intrinsèques semblent donc être plus discutés que leur taille (à noter que l’expression big data est quasiment absente de notre corpus avec environ 0,001% des occurrences).

L’examen des verbes nous conduit à proposer 3 classes principales qui reflètent 3 phases du processus lié au travail scientifique des données : assemblage, analyse et inscription. Les verbes d’assemblage sont ceux qui permettent aux auteurs d’expliquer comment ils ont procédé à la délinéation et à la curation de leurs données (gather, accumulate, filter, remove, merge, aggregate…). Les verbes obtain et collect sont de loin les plus fréquents dans les deux disciplines. Mais ils manquent de spécificité. Pour préciser leurs actions, les auteurs ont alors recours à d’autres verbes plus précis. Or, la classe des verbes d’assemblage est la plus petite, avec à peine plus de 100 verbes différents. Cela signifie que la phase d’assemblage des données, pourtant complexe et laborieuse, est sous-décrite et que le processus de transformation reste peu valorisé. Ce serait d’ailleurs intéressant de voir ce que la même étude donnerait sur des data papers.

C’est dans la classe des inscriptions que l’on trouve le plus de variantes, plus de 200. Dans cette troisième classe, les verbes et les participes passés dénotent des inscriptions (en termes latouriens) et font donc référence aux transformations par lesquelles les données se matérialisent en inscriptions (list, normalize, plot, code, compute…). Ils peuvent également faire référence à la présentation de ces inscriptions (present, show, report, publish…).

 

S’approprier les données

Notre revue de littérature révèle aussi que, de la collecte à l’interprétation, l’important travail autour des données est créateur de valeur. En gardant à l’esprit que les chercheurs gagnent en reconnaissance avec les données qu’ils possèdent, nous avons cherché les occurrences de our/my data dans les articles, tournure typique des auteurs pour exprimer qu’ils sont propriétaires des données dont ils parlent.

Distribution au fil du texte de my/our data dans les 2 disciplines. Le référencement de la position de chaque occurrence dans le texte permet de faire une analyse de la présence du mot data au fil de l’article. Chaque position d’occurrence dans le texte est comprise entre 1 et 100%, la valeur 1% représentant le début du texte et la valeur 100% correspondant à la toute fin de l’article (jusqu’à la bibliographie).

Dans les deux disciplines, on observe la même tendance à s’approprier un peu plus les données au fil du récit, ce qui est illustré par l’utilisation plus fréquente des possessifs my ou our à la fin des articles, en atteignant progressivement la fin du parcours des données (“data journey” comme l’exprime Sabina Leonelli). C’est dans le processus de transformation que les données prennent de la valeur et que le fait d’en être propriétaire se dessine.

 

On voit très clairement que les auteurs s’approprient les données au fur et à mesure de l’article, comme si après les avoir utilisées, ils se permettaient enfin d’affirmer qu’ils en sont les propriétaires et que c’est avec ce nouveau statut qu’ils les mentionnent en conclusion de leur article. C’est probablement aussi une manière de les “partager” (au moins les résultats associés) au sein de la communauté en insistant sur leur propriété et la valeur ajoutée de l’analyse.

Les auteurs anticipent le crédit futur que les lecteurs devront leur accorder en citant les conclusions de leurs recherches, et parfois les données elles-mêmes.

 

Conclusion

La lecture de l’article complet donnera au lecteur plus de détails quant aux différences que nous avons décelées entre les disciplines et à la très grande stabilité relevée sur les 3 décennies étudiées.

En guise de conclusion, on peut dire que le mot data puise tout son sens dans le contexte, en s’appuyant sur les propriétés véhiculées par les adjectifs et les verbes qui lui sont associés. Ils s’avèrent être encore plus importants que le mot data lui-même pour spécifier quelles données sont en jeu. Et pour faire écho à Lisa Gitelman (“données brutes est un oxymore”), nous pouvons dire que si les données ne peuvent jamais être brutes, le mot data l’est ; il ne sert que de base rhétorique, tant que le contexte et principalement les adjectifs n’ont pas contribué à réaliser son potentiel avec les propriétés qu’ils véhiculent.

 

Citer ce billet : Bordignon F., "Les chercheurs et leurs données : que nous dit l’usage du mot 🅳🅰🆃🅰 dans les articles scientifiques ?," in Carnet'IST, 05/11/2022, https://carnetist.hypotheses.org/1959. Consulté en ligne le 25/03/2023.

 

Image en une : École nationale des ponts et chaussées — État des divers mémoires, rapports et dessins relatifs à l’art de l’ingénieur et recueillis par Louis Bruyère. Machines et mélanges. 12e volume [manuscript, p160]. 


Vous aimerez aussi...

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.

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

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search