Quelques enjeux épistémologiques de l’analyse du web et des big data

Je romps enfin le silence de ce carnet dont je n’ai guère eu le temps de m’occuper ces derniers temps.  J’ai beaucoup écrit pour la thèse mais rien de tout cela n’est visible pour le moment. Voici donc une « petite » synthèse de l’un des sujets qui m’a occupée…

La cinquième édition de la conférence « Document numérique et société » avait cette année pour thème « Open data, Big data : quelles valeurs, quels enjeux ? » Comme les enjeux épistémologiques des big data faisaient explicitement partie des axes de la conférence, j’ai décidé d’y présenter où j’en était de ma réflexion sur ce point.

L’enjeu n’était donc pas de proposer un éclairage sur les enjeux politiques, éthiques et sociaux des big data, qui sont déjà largement discutés par ailleurs, mais de s’interroger sur ce qu’on entend par « donnée » et en quoi les big data ont des caractéristiques inédites par rapport au statut pour ainsi dire classique de la donnée dans les sciences. Il fallait pour cela cerner plus précisément l’expression « big data » dont la définition la plus courante (données marquées par leur volume, leur variété et leur vélocité) ne me satisfait pas. En effet, la question du volume des données est récurrente en histoire des sciences ; par exemple, en 1995, Hummon et Fararo s’émerveillent du volume de données d’enquêtes analysables, et même du fait que toutes les données disponibles puissent être analysées. Ils écrivent ainsi :

« Third, sociologists have adopted computer based data management technology.This has impacted empirical sociology in two ways. We can usefully employ far greater quantities of data, and thereby tackle data analyses beyond the scope of practicality even a few years ago. For example, desktop machines can analyze all annual surveys in the General Social Survey, from 1972 to the present; the GSS database is about 60 megabytes of data. »

Plus tôt dans le siècle, l’objet de l’histoire naturelle et de la taxonomie est de collecter et d’organiser des données sur les espèces. Ainsi, Bruno Strasser (2012) n’hésite pas à décrire ces domaines comme des sciences orientées données (data-driven sciences) à l’instar de celles qui émergeraient aujourd’hui. Il est donc difficile de considérer l’accroissement du volume de données disponibles comme un phénomène inédit dans l’histoire des sciences.

Concernant les deux autres aspects de la définition du Gartner [1] (variété et vélocité), l’étude empirique des jeux de données ou projet qualifiés de « big data » révèle que ces deux critères sont loin d’être systématiquement présents : il arrive fréquemment que les données soient seulement volumineuses, et tout à fait homogènes et pas collectées en temps réel, ni même au fil de l’eau.

J’ai donc proposé de ne pas utiliser cette définition pour mon analyse et d’investiguer en réalité sur les données nativement numériques directement ou indirectement produites par les actions d’utilisateurs sur des systèmes d’information. En ce sens, il m’est apparu que l’objet le plus caractéristique de ces aspects était le web, qui a donc été le cas précis sur lequel j’ai orienté ma contribution.

Si je ne parlais donc pas directement de big data, il est bien question en revanche de données, et j’ai voulu expliciter ce qu’on entend par là également. Plusieurs définitions sont en usage, et il est important de noter qu’elles appartiennent à des contextes disciplinaires différents :

  • en sciences, la donnée peut être :
    1. le résultat de la mesure d’un phénomène observé ou provoqué (donnée observationnelle ou donnée expérimentale). Elle est généralement enregistrée par un instrument conçu et calibré pour cela, mais d’un sophistication variable. Il y a donc en théorie un rapport causal, mécanique, entre le fait que le phénomène s’est produit et l’inscription de la donnée. L’oeil humain couplé au papier-crayon peut être considéré comme un instrument de mesure, et un accélérateur de particules l’est aussi ;
    2. le résultat d’une simulation, généralement computationnelle, c’est-à-dire effectuée par un ordinateur, bien qu’il soit parfois possible d’obtenir les résultats avec un papier et un crayon, et que certaines simulations soient analogiques ;
  • en informatique, une donnée est une information manipulable munie d’un type (selon qu’elle est un nombre ou une chaîne de caractères par exemple) et d’un format qui permet de la stocker, la reproduire et la transmettre. Comme tout objet informatique, elle n’a dans cette perspective pas de signification (elle ne « veut rien dire ») mais se caractérise par ses opérations possibles (ce qu’on « peut en fait »).

Pour qu’une donnée informatique soit aussi une donnée au sens scientifique, il faut donc qu’une valeur épistémique soit conférée à cette donnée, qu’elle soit considérée comme dotée d’un contenu sémantique préexistant ou trouvable par la manipulation ou le calcul ; elle doit d’une façon ou d’une autre être la mesure de quelque chose.

A l’inverse, lorsqu’il est question de web ou de big data, on songe bien évidemment à des données numériques, mais il est toujours bon de rappeler que toutes les données produites en sciences, et particulièrement en sciences humaines et sociales, ne sont pas forcément des données numériques, et n’auront donc pas toujours le sens qui leur est conféré en informatique.

Si la donnée numérique est bien un objet informatique, il n’est donc pas évident en revanche qu’elle puisse servir un usage scientifique. La croyance populaire qui annonce « la fin de la science » et des théories scientifiques promeut un nouvel empirisme dans lequel les big data seraient des mesures effectives du réel ; ainsi le MIT a mis à disposition un jeu de données qu’il a appelé « Reality Mining Dataset » et qui permettrait de « fouiller le réel » comme on fouillait les données en data mining.  La démarche empirique s’oppose effectivement à une démarche expérimentale, dans laquelle s’appuie nécessairement sur un dispositif d’observation qui détermine la façon dont les données sont modélisées et enregistrées ; ce dispositif repose sur le même cadre épistémologique que les hypothèses formulées, les théories mobilisées et les analyses réalisées. Dans le cas du web et des big data, l’enregistrement préexiste à la démarche épistémique, qui s’approprie les données une fois que celles-ci sont constituées.

En sciences sociales, l’enregistrement d’observations préalable à l’investigation scientifique a un nom : c’est le travail de l’archiviste. La démarche d’analyse de données issues du web pourrait ainsi s’inscrire dans le paradigme indiciaire de Ginzburg (1980) plutôt que dans l’épistémologie galiléenne des sciences de la nature. Dans ce cadre, le chercheur observe les traces, les indices, laissés par les internautes pour les étudier et les interpréter. Cependant Louise Merzeau (2013) émet plusieurs réserves par rapport à l’idée de traces numériques :

  • en principe, la trace n’est pas intentionnelle, elle est laissée à l’insu de l’individu, alors que sur le web, les messages publiés sur les réseaux sociaux par exemple sont tout à fait intentionnels ;
  • la trace est également accidentelle, alors que sur le web la donnée est toujours déjà enregistrée (même si ce n’est pas pour un usage universitaire) et l’archivage (ou du moins, une forme d’archivage) est la situation par défaut.

L’exploitation du web ne s’inscrit donc ni dans une épistémologie de la trace ni de la mesure au sens des sciences expérimentales. L’analyse de travaux scientifiques  fondés sur des données web et effectivement publiés (par opposition aux effets d’annonce diffusés par les médias sur ce que les big data feraient aux sciences) me porte à penser qu’il y a en réalité plusieurs épistémologies à l’oeuvre dans ce genre d’analyses. Certaines sont héritées de disciplines plus anciennes, et d’autres me semblent propres à un certain genre d’analyse du web.

Nommément, il me semble que le web peut occuper essentiellement trois statuts épistémiques :

  • dans les sciences pour l’ingénieur (informatique, fouille de données, intelligence artificielle…), la donnée web peut être utilisé comme matériau indifférent pour la mise au point d’outils et de techniques. Dans ce contexte, elle n’a pas de signification particulière, est utilisée par commodité parce qu’elle est facile à trouver en grande quantité, et le chercheur ne formule pas de conclusion sur ce qu’elle est supposée représenter ;
  • dans certaines sciences humaines et sociales et particulièrement celles qui s’intéressent à la médiation et au support (sciences de l’information et de la communication, mais aussi sociologie, psychologie), la donnée web sert de donnée d’observation au web lui-même ; on étudie ainsi les spécificités des comportements des internautes à travers les traces qu’ils laissent sur le web, sans les considérer comme représentatives des individus en général ;
  • enfin, dans un certain type d’investigation qui ne me semble pas rattaché à une discipline universitaire figée,  ni même propre au monde académique, la donnée web est une représentation du réel en général et sert donc de proxy à l’analyse de phénomènes qui lui sont extérieurs. C’est le cas par exemple des usages de Twitter comme moyen de prédire les cours de la bourse, les succès d’un film ou les résultats des élections. C’est cette approche spécifiquement qui me semble relativement inédite et caractéristique des big data.

Le monde serait simple si ces trois statuts possibles étaient explicités et distincts ; néanmoins ces sujets sont neufs et le regard réflexif du chercheur encore inégalement développé. Si certains travaux explicitent finement leur objet et le rapport entre celui-ci et les outils qu’ils utilisent, d’autres n’interrogent pas leur ancrage épistémologique. L’exemple typique de cette deuxième famille de travaux est celui du chercheur en informatique qui pose dogmatiquement une certaine catégorie de donnée web comme un proxy d’un phénomène hors web et n’interroge pas ce postulat dans ces résultats. Cet exemple me paraît de plus en plus fréquent, et par conséquent préoccupant, mais il mérite sans doute d’être affiné et d’autres configurations devront assurément être documentées.

Les sciences pour l’ingénieur se sont déjà, par le passé, réapproprié les objets privilégiés d’autres disciplines, donnant naissance aux sciences de la parole à partir de la phonétique (Grossetti et Boë 2008), ou au traitement automatique du langage à partir de la linguistique. Les disciplines historiques n’ont pas disparu, mais celles qui en ont émergé me semblent bien plus vivaces et mettent les premières en difficulté (en termes de prestige, de financement, de succès). Un sort semblable attend peut-être les sciences du social, à moins qu’elles ne prennent part de façon conséquente à la construction théorique et instrumentale des approches big data dans l’analyse du web.

Références

  • Ginzburg C. (1980), « Signes, traces, pistes » Racines d’un paradigme de l’indice, Le Débat, 1980/6 n° 6, p. 3-44.
  • Grossetti, M., & Boë, L.-J. (2008). Sciences humaines et recherche instrumentale : qui instrumente qui ? Revue d’anthropologie des connaissances, 2, 1(1), 97.
  • Hummon, N. P., & Fararo, T. J. (1995). The emergence of computational sociology. The Journal of Mathematical Sociology, 20(2-3), 79–87.
  • Merzeau L. (2013), “L’intelligence des traces,” Intellectica, 2013, vol. 59, no. 1, p. 1–22.
  • Strasser, B. J. (2012). Data-driven sciences: From wonder cabinets to electronic databases. Studies in History and Philosophy of Biological and Biomedical Sciences, 43(1), 85–7.

[1] Techniquement, la définition est de Doug Laney, qui travaillait chez META Group lorsqu’il l’énoncé en 2001. META Group est l’ancien nom du cabinet Gartner.

Clarification un peu irritée sur ce qu’est et n’est pas un algorithme

Le rôle pris par les techniques informatiques dans la sphère politique et sociale les ont placées sur le devant de la scène médiatique. On lit ainsi beaucoup de choses sur « les algorithmes »,  auxquels on prête constamment de nouvelles facultés qui paraissent illimitées.  Si la notion d’algorithme est vaste, elle n’en a pas moins un sens, et renvoie à certaines réalités bien définies, au-delà desquelles le terme n’est plus approprié.

Il se trouve que j’ai achevé récemment la (quasi-)lecture de l’ouvrage collectif de 1995 Histoire d’algorithmes : du caillou à la puce signalé par Arthur Charpentier et téléchargeable sur le web. (Quand je dis « achevé », je confesse que je n’ai pas parcouru minutieusement la totalité des près de 600 pages de l’ouvrage qui retracent les démonstrations mathématiques et reproduisent de nombreux extraits des auteurs étudiés. Je m’attendais à lire quelque chose sur l’histoire de l’algorithmique au XXe siècle, qui n’est abordée que rapidement au dernier chapitre).

Il ressort de l’ouvrage une définition antérieure  à l’essor de l’informatique : celle de l’algorithme comme méthode de calcul, façon de faire formalisée et partageable en mathématiques. Le livre détaille ainsi, les façons de calculer ayant existé historiquement, de :

  • multiplications et divisions
  • carrés magiques
  • équations à une ou plusieurs inconnues
  • règles de trois
  • pi, circonférence du cercle et quadrature
  • racines carrées
  • nombres premiers
  • équations linéaires
  • interpolations
  • équations différentielles
  • etc.

Il montre également qu’il existe plusieurs façons de calculer : exactement ou par approximation.

Ces façons de calculer sont décrites en langage naturel (grec, arabe, italien…) par des auteurs bien connus comme Euclide, Archimède, Fibonacci, Leibniz, Descartes, Newton… et d’autres moins connus. Par exemple, voici le début du texte d’Euclide sur la méthode de calcul du plus petit diviseur commun :

« Deux nombres inégaux étant proposés, le plus petit étant retiré du plus grand, si le reste ne mesure celui qui est avant lui que lorsqu’on a pris l’unité, les nombres proposés sont premiers entr’eux.

Soient les deux nombres inégaux ΑΒ, ΓΔ ; que le plus petit étant toujours retranché du plus grand, le nombre restant ne mesure celui qui est avant lui que lorsque l’on a pris l’unité ; je dis que les nombres ΑΒ, ΓΔ sont premiers entr’eux, c’est-à-dire que l’unité seule les mesure. »

On est donc bien loin d’un formalisme mathématique ou informatique, même si le texte n’est pas très fluide en première lecture car très précis.

En ce sens on a pu comparer un algorithme à une « recette de cuisine », c’est-à-dire la description d’une série d’opérations permettant d’arriver à un certain résultat défini au départ. C’est là une acception peu exigeante d’algorithme, qui n’est pas inexacte mais peut conduire à une mauvaise compréhension de ce que le terme désigne en général.

La notion d’algorithme a en effet évolué avec l’avènement de l’informatique d’abord théorique puis de l’informatique tout court.

L’ouvrage cité plus haut propose ainsi la définition suivante :

1. L’algorithme doit pouvoir être écrit dans un langage, c’est-à-dire un ensemble de mots écrits à partir d’un alphabet.
2. La question posée est déterminée par une donnée, appelée entrée, pour laquelle l’algorithme sera exécuté.
3. L’algorithme est un processus qui s’exécute étape par étape.
4. L’action à chaque étape est strictement déterminée par l’algorithme, l’entrée et les résultats obtenus dans les étapes précédentes.
5. La réponse (sortie) est clairement spécifiée.
6. L’exécution se termine en un nombre finie d’étapes.

Pour le dire un peu plus succinctement, un algorithme informatique est la description non ambiguë dans un langage formel (un langage de programmation) d’une suite finie et ordonnée d’étapes qui, à partir de données en entrée, livre des données en sortie en un temps fini, en vue d’un objectif prédéterminé.

Un point important pour bien comprendre les implications de cette définition est qu’un algorithme ne fait qu’exécuter les tâches que vous avez décrites, a priori beaucoup plus rapidement que si vous deviez les exécuter vous-mêmes. C’est son seul intérêt par rapport à un humain : il va très vite, ce qui a pour conséquence de rendre possible des calculs tout à fait inenvisageables avant l’informatique, voire envisageables seulement récemment (car la puissance des machines fait qu’on peut utiliser des algorithmes de plus en plus complexes, qui n’étaient pas possibles avec des ordinateurs d’il y a x ou y années).

J’insiste encore une fois : un algorithme ne fait que ce qu’on lui a dit de faire. Il se réduit même pas cela : il est la description de ce qu’on a dit de faire. Il ne prend pas de décision, il n’agit pas, c’est un outil pour celui qui l’écrit (ou celui qui l’utilisera). Ainsi :

  • un algorithme ne manipule pas des gens : ce sont les personnes qui ont écrit l’algorithme qui essaient de vous causer du tort ;
  • un algorithme ne fait pas de politique : ce sont les gens qui ont écrit l’algorithme qui essaient d’utiliser un outil dans un sens et un but politique ;
  • un algorithme ne gouverne pas : ce sont les gens qui ont écrit l’algorithme qui utilisent un outil pour faire plus rapidement des manipulations d’information qui vont les pousser à prendre telle ou telle décision pour des individus ;
  • un algorithme ne fait pas de profilage : ce sont les gens qui ont écrit l’algorithme qui font du profilage en utilisant un outil pour faire rapidement les calculs nécessaires au profilage ;
  • etc.

Il ne s’agit pas seulement de jouer sur les mots ou les structures grammaticales : à force d’écrire des phrases donc le sujet grammatical est « un algorithme » au lieu de « une personne », l’idée selon laquelle nous ne contrôlons pas nos outils fait son chemin. Or c’est factuellement faux et idéologiquement dangereux. A force de décrire un algorithme comme un agent autonome, on finit par le croire et par par se désengager de questions très importantes comme la politique, l’éthique, autour desquelles on voudrait déléguer la décision à des algorithmes, c’est-à-dire des suites d’instructions qui ne prennent pas de décisions. C’est une idée persistante dans nos cultures, du golem à la révolte des machines, que nos outils puissent agir par eux-mêmes. Malgré les fantasmes éveillés par la recherche en intelligence artificielle, nous sommes encore tout à fait incapables de construire des programmes qui se comporteraient comme des agents autonomes, c’est-à-dire qui agiraient différemment de ce que décrit une suite d’instructions du fait qu’ils posséderaient une forme de libre arbitre.

Jusqu’à preuve du contraire, seuls les humains (et peut-être des animaux, mais on ne va pas rentrer dans ce débat) disposent d’un libre arbitre et sont capable de décider, agir, vouloir, penser… toutes ces choses que les algorithmes ne font pas mais grâce auxquelles nous en sommes venus à être capable d’écrire des algorithmes et de les faire fonctionner.

Le débat éthique pour déterminer ce que les algorithmes devraient faire ou ne pas faire occulte les enjeux autours d’un autre point de leur définition : la question du formalisme, c’est-à-dire de la forme que prennent nos instructions pour être exécutables par la machine. Pour le dire simplement il faut rendre les choses « binaire », dire « c’est ça ou pas », ou alors décrire précisément sous quelles modalités cela peut être un peu des deux (avec des pourcentages par exemple, auquel cas il faut décrire comme ce pourcentage est calculé). C’est sur ce moment que s’opèrent des décisions qui vont avoir un effet chaque fois que l’algorithme est exécuté. C’est là par exemple que sont définis les mécanismes de catégorisation, dans le cas d’un algorithme dont la fonction est de déterminer la catégorie d’une donnée. On décide ainsi combien il y a de catégories, comment elles peuvent être calculées, si une donnée peut appartenir à une ou plusieurs catégories, s’il y a des degrés d’appartenance à une catégorie… Si l’on songe que ces catégories, qui seront calculées par l’algorithme, peuvent être déterminantes pour des individus, comme « éligible »/ »pas éligible », « autorisé »/ »interdit », « possible »/ »impossible », alors on peut prendre toute la mesure des décisions qui sont prises en amont de l’exécution de l’algorithme, dans sa conception.

Un algorithme n’est jamais parfait, il est le fruit d’arbitrages et de négociations avec ce que l’on croit préférable (et éventuellement de facteurs plus triviaux comme le temps ou le budget dont l’on dispose, la bonne foi dont on fait montre…). Le code qui décrit l’algorithme est le résultat du travail par lequel, à un moment donné, on propose une solution à un problème. D’autres solutions sont possibles, peut-être meilleures sous certains aspects, moins bonnes sous d’autres, occasionnellement idéales ou catastrophiques. C’est là que se font les arbitrages et les décisions dont les conséquences se manifesteront chaque fois que l’algorithme est exécuté ou utilisé.

Il est donc essentiel de garder la trace de ces arbitrages et décisions pris au moment de la conception. Un algorithme n’est pas neutre, il a une odeur : il est conçu avec un objectif déterminé, dans un contexte particulier, et représente la somme des adaptations plus ou moins importantes à ce contexte. Aussi réutiliser un algorithme existant suppose non seulement de comprendre sa finalité, de se replonger dans sa conception, mais de prendre en compte la façon dont le code répond à cette finalité.

Comme les livres, ce ne sont pas les algorithmes qui peuvent être dangereux : il faut veiller sur ceux qui les écrivent, ceux qui les commandent et ceux qui s’en emparent.

 

Update : suite de la discussion chez Oranadoz, dans l’article et les commentaire

« Mégadonnées », une traduction méga problématique de « big data »

L’annonce tombe à point nommé, puisque je suis en train de rédiger un texte sur la définition des big data. Le Journal Officiel a proposé ce jour le terme « mégadonnées » comme traduction de la formule anglaise. Voici ce qui me dérange :

  • C’est une aberration néologique : méga- est d’origine grecque et donnée d’origine latine ;
  • C’est dans le langage familier que méga peut être compris comme synonyme de « beaucoup », comme dans l’exemple « mégadonnées n’est pas une proposition méga pertinente » ; dans un registre plus soutenu, ce sens n’est pas justifié ;
  • Dans le contexte des unités de mesure et de l’informatique, méga- a un sens très précis. Le préfixe désigne l’échelle du million,  comme dans « mégaoctets », au hasard ; or rien ne justifie l’affirmation selon laquelle les big data relèveraient plutôt de l’échelle du million que de celle du millier ou du milliard ;
  • Si l’on suit d’ailleurs la logique terminologique de « mégaoctet », une mégadonnée devrait désigner un million de données comme un mégaoctet désigne un million d’octet (et qui est d’ailleurs, si l’on veut pinailler, un emploi impropre du mébioctet). On aurait ainsi un terme technique pour désigner une quantité précise de données (et « les mégadonnées », au féminin pluriel, n’en reste pas moins numériquement précis), mais comme dit plus haut, la notion de big data ne fait pas référence à un volume précis de données ;
  • Compris dans son sens technique, seul sens qui me semble légitime vue la connotation métrologique savante du préfixe méga-, le terme passe à côté de la dimension épistémologique, éthique et politique des big data qui ne sont pas tant de grands volumes de données que des données d’une certaine nature (typiquement les informations personnelles relatives aux internautes et aux consommateurs), le volume n’étant que la conséquence de cette nature ;
  • Tout ceci est d’autant plus problématique qu’il existait déjà une traduction en usage de big data : la formule données massives qui ne tombe pas dans l’écueil de la terminologie savante et reste donc suffisamment vague pour inclure largement toutes les nuances de la notion ;
  • Enfin, comme tout phénomène de société, on peut s’interroger sur l’intérêt de la traduction de leur désignation. Les expressions comme « web » ou « open data », me semblent dé-lexicalisées dans la langue d’origine (le mot « Web » en anglais ne désigne pas une toile d’araignée, son sens d’origine, mais le grand réseau technique qui s’est développé au cours des 30 dernières années et via lequel je vais diffuser cet article) et devenues des quasi noms propres ; j’ai le sentiment en tout cas, pour prendre l’exemple du terme open data, que la traduction officielle « données ouvertes » a un autre référent, et ne désigne plus tant le mouvement mondial de libération des données mais leur déclinaison sur le territoire français.

Il y a néanmoins un point positif à cette définition : le terme est féminin pluriel, ce qui finira peut-être par décourager l’aberration grammaticale « le big data » dont les médias nous accablent.

Je retiens qu’il faut que j’aille plus souvent mettre mon nez sur le site de la commission de néologie et de terminologie, qui permet aux particuliers de proposer des traductions.

Statistique et fouille de données : le rôle de l’expert face à l’automatisation

Comment articuler data mining et statistique ? Outre le fait que la statistique est plus ancienne, et précède la naissance de l’informatique, on peut caractériser le data mining sous plusieurs aspects :

  • ses origines ne sont pas universitaires (ce qui la distingue également de l’apprentissage automatique ou machine learning) ni mêmes d’intérêt public, comme l’est historiquement la statistique d’Etat ;
  • c’est une pratique qui apparaît dans les années 1990 avec l’informatisation des entreprises qui a pour conséquence la création d’entrepôts de données (datawarehouse) nécessaires à leur gestion désormais informatisée ; la fouille de données apparaît alors pour valoriser ces données et « trouver les pépites dans la mine de charbon » ;
  • ses motivations sont donc commerciales, avec des applications dans le domaine de la gestion de la relation client, de l’intelligence d’affaire, du diagnostic des défaillances dans l’industrie, etc. ;
  • l’objectif est la prise de décision en entreprise ;
  • plus qu’une discipline, c’est l’application de techniques qui constituent une étape dans le déroulement d’un processus plus large, l’extraction de connaissances à partir de données (knowledge discovery in databases) qui inclut également la mobilisation des connaissances du domaine, la préparation des données, leur interprétation ;
  • la fouille de données elle-même emprunte à plusieurs disciplines : les régressions ou les arbres de décision en statistiques, les réseaux de neurones ou les méthodes bayésiennes en intelligence artificielle, etc.

On peut considérer l’informatisation, et donc l’automatisation, comme la différence fondamentale entre la fouille de données et la statistique. Là où la statistique gagne grandement à s’appuyer sur la puissance de calcul des machines, la fouille de données n’existe tout simplement pas sans, puisque sans informatisation du fonctionnement des entreprises, il n’y a pas de données à analyser. Elle vise par ailleurs à être industrialisée, c’est-à-dire à prendre la forme d’un logiciel dont l’emploi pourra être rendu générique et automatique, au moins dans une large part. Néanmoins la fouille de données, comme toute technique de traitement d’information manipulée par l’homme, reste un instrument qui a besoin d’un opérateur et surtout d’un herméneute capable de tirer du sens des résultats du calcul. Toutefois, certains éditeurs de logiciel ne l’entendent pas de cette oreille :

« Les promoteurs de certains logiciels de fouille de données insistent fortement sur les possibilités d’automatisation des traitements : l’intervention d’un expert deviendrait inutile car le traitement peut être opéré par le commanditaire pilotant les analyses à l’aide d’une interface conviviale. Cette présentation irrite bien sûr tout statisticien qui a pu expérimenter, dans des situations concrètes, combien il est important de s’assurer de l’intégrité et de la cohérence des données avant de se lancer dans une méthodologie sophistiquée. Il s’inquiète également devant la complexité des méthodes mises en jeu dont toutes les options, choisies souvent par défaut, ainsi que leurs conditions d’application et limites, restent opaques à l’utilisateur non formé. Paradoxalement, l’utilisation d’une interface ergonomique rend trop facile ou trop rapide le lancement des analyses. Le temps nécessaire à la réflexion sur le choix des options ou le bien fondé des résultats obtenus peut s’en trouver singulièrement réduit au profit d’une apparente efficacité. »

Cette citation et les réflexions qui précèdent sont tirées ou inspirées de l’article suivant :

Besse Philippe, Gall Caroline Le, Raimbault Nathalie and Sarpy Sophie, 2001, “Data mining et statistique,” Journal de la société française de statistique, 2001, vol. 142, no. 1, p. 5–36.

Panique sur Facebook : nos émotions sont-elles manipulables sur les réseaux sociaux ?

Depuis 2-3 jours, un article réalisé à partir de Facebook fait pas mal de bruit sur Twitter : on s’y indigne notamment du fait que l’équipe d’analyste s’est servi de ses utilisateurs à leur insu, un peu comme on le ferait de rats de laboratoire, en modifiant les résultats qui s’affichent dans le flux d’actualité. Intitulé ‘Experimental evidence of massive-scale emotional contagion through social networks‘, l’article suggère que l’expérimentation sur le flux d’actualité permet de montrer qu’une émotion peut être contagieuse sur les réseaux sociaux (en l’occurrence le titre est trompeur car il n’étudie qu’un seul réseau social en ligne, donc le pluriel n’a pas lieu d’être).

Les réactions que j’ai vues étaient d’ordre éthique : les personnes étaient mécontentes qu’on ait pu les utiliser sans leur consentement. Pour ma part, je préfère qu’on utilise mon activité Facebook à des fins de recherche plutôt que pour me fourguer de la publicité, mais surtout, je me demandais ce que valait cet article. Alors je l’ai lu. Ce n’est pas glorieux.

Pour le décrire brièvement, l’article a utilisé un échantillon de près de 700 000 utilisateurs de Facebook. Les auteurs ont analysé leurs publications et « l’émotion » qui s’en dégage (la proportion de mots positifs et négatifs utilisés). Ensuite, ils ont modifié l’algorithme qui détermine ce qui apparaît dans le flux d’actualité de ces personnes pour leur montrer plus de publications positives ou négatives et tester si cela avait un impact sur les publications de ces personnes. Par cette démarche, ils considèrent avoir démontré expérimentalement que l’émotion est contagieuse sur les réseaux sociaux.

Avons-nous une dream team ?

Pour être bien traitée, il me semble qu’une problématique telle que l’analyse d’un phénomène psychologique (une émotion) sur un réseau social en ligne mobilise plusieurs disciplines :

  • Il faut une connaissance de la psychologie, afin d’être en mesure de définir ce qu’est une émotion avant de pouvoir mesurer sa contagion. Le premier auteur, Adam Kramer, est présenté comme data scientist chez Facebook mais il est titulaire d’un doctorat en psychologie ; cependant sa thèse ne portait pas du tout sur la notion d’émotion mais sur des enjeux de prise de décision ;
  • Il faut être capable de comprendre la façon dont un médium comme Facebook peut s’articuler avec le phénomène psychologique étudié ; ici les compétences semblent rassemblées car les deux autres auteurs ont une formation en sciences de l’information et de la communication ;
  • Du fait que l’article analyse le contenu textuel des publications Facebook pour en déduire l’expression d’une émotion positive ou négative, il faudrait un spécialiste de la fouille de texte (text mining), ce qu’aucun des trois auteurs ne semble être.

Il n’est donc pas certain que les différents aspects du sujet soient traités, mais il ne faut pas partir perdants : la formation n’est pas tout et on peut être compétent sur un sujet en faisant des recherches spécifiques pour la publication de l’article.

Une définition de l’émotion qui laisse sur sa faim

Il n’y a pas vraiment de définition de ce qu’est une émotion. Les auteurs emploient le terme « emotion » mais aussi « mood. » En réalité l’article n’analyse pas l’émotion elle-même mais son expression :

‘Emotional expression was modeled, on a per-person basis, as the percentage of words produced by that person during the experimental period that were either positive or negative.’

L’usage de termes positifs ou négatifs me semble pouvoir décrire plein d’autres choses que l’émotion : en traitement automatique du langage, c’est plutôt l’opinion que l’on décrit avec le spectre positif/négatif (on parle de « polarité » d’un discours) avec par ailleurs des catégories comme « neutre » et « mitigé » qui permettent de catégoriser les choses de façon un peu plus subtile. Par ailleurs on n’exprime pas systématiquement nos émotions sur Facebook, et si on les exprime, cela peut-être avec une image, un lien… Bref, il n’est pas du tout évident qu’on puisse associer une émotion et une publication sur Facebook.

Qu’est-ce qui est mesuré exactement ?

Dans l’article, la polarité d’un contenu est déterminée à partir d’une liste de mots positifs et négatifs, en l’occurrence un dictionnaire vendu en ligne, le LIWC 2007. De tels dictionnaires ont été assez couramment utilisés, notamment le SentiWordNet qui est à ma connaissance la référence dans le domaine. Il s’agit de dictionnaires, donc de listes de mots ; pour chacun de ces mots il est indiqué s’il est positif ou négatif. Ainsi ‘happy’ ou ‘good’ sont indiqués comme positifs, ‘sad’ ou ‘bad’ comme négatifs. L’analyse de sentiment à partir de dictionnaires polarisés donne des résultats peu satisfaisants : elle ne prend pas en compte les négations (‘I am not happy’ sera indiqué comme positif avec une telle technique), les modalisations (‘they think I am happy’),  la nature du locuteur (‘you are happy’) ou encore l’ironie (‘I’m so happy I lost my wallet’). Pour le dire brièvement, c’est un choix très contestable et franchement pas très fiable.

Un indice du fait que la technique n’est pas satisfaisante est la remarque (dans l’article) selon laquelle les mots positifs et négatifs n’étaient pas corrélés (‘scarcely correlated’) : en réalité il me semble que les deux groupes devraient être négativement corrélés, c’est-à-dire que plus il y aurait de mots positifs, moins il y aurait de mots négatifs et inversement. Si les deux groupes augmentaient ou diminuaient ensemble, ce serait tout bonnement inquiétant, mais là les deux groupes ont l’air indépendants, ce qui ne confirme ni n’infirme quoi que ce soit.

Corréler l’émotion et sa trace

Quand bien même on serait en mesure d’identifier les publications positives et négatives, et que cette polarité serait le signe d’une émotion réellement éprouvée par l’auteur, cette histoire de contagion est-elle crédible ?

Pour qu’il y ait contagion, il faut que quelqu’un éprouve une émotion (à un instant T) puis qu’elle soit communiquée à quelqu’un d’autre (à un instant T+1) et que l’émotion de cette deuxième personne soit due à la communication de la première. Or il me semble qu’aucune de ces conditions n’est remplie :

  • la dimension temporelle n’est pas évoquée, on parle de corrélation entre des émotions et non de dynamiques de diffusion ;
  • rien ne prouve que l’émotion de la deuxième personne est due à ce qu’a exprimé la première. Ainsi un groupe d’amis homogène peut avoir globalement la même humeur sans s’être parlé : par exemple si vous soutenez la même équipe de foot, il est probable que vous exprimiez la même émotion que vos amis lorsque l’équipe gagne ou perd ;
  • rien ne prouve que les émotions de la première et de la deuxième personne sont les mêmes. Avec la technique utilisée, une personne triste et une personne en colère verront toutes deux leurs publications classées en négatif, sans que leur réaction n’ait de rapport (par exemple, l’une peut avoir raté un examen et l’autre perdu son portefeuille). Il arrive sans cesse à nos amis des choses agréable ou désagréables en même temps que nous ; si vous n’avez que deux émotions possibles (positive ou négative), vous partagerez probablement celle où vous vous trouvez avec 50% de vos amis Facebook.

On part donc d’indices possibles d’une émotion, qu’on peine à détecter, pour supposer que leur corrélation a un sens et n’est pas fortuite.

Est-ce au moins crédible statistiquement ?

Sur le papier, les résultats ont l’air de confirmer l’hypothèse : quand on diminue la quantités de publications « négatives » que voit une personne, les siennes semblent être moins négatives également, et réciproquement. L’effet a l’air particulièrement vrai du ratio de termes positifs quand on réduit  l’exposition à des termes positifs.

Toutefois on sait que les résultats négatifs sont rarement publiés, donc ce qu’on voit dans une publication confirme presque toujours l’hypothèse (c’est pratique) – du moins en apparence.

J’ai donc essayé de comprendre à quoi les chiffres correspondent, et il faut avouer que ce n’est pas clair : les variables dont l’article indique la valeur (r, z, d…) ne sont pas définies, donc on ne comprend pas bien à quoi elles correspondent. N’étant pas statisticienne, je ne suis pas capable d’évaluer les tests effectués (et on me souffle qu’ils ne sont pas clairs), mais il y a un test qui me semble assez parlant : retracer le graphique (en l’occurrence, uniquement les deux premiers qui ont l’air d’être les plus significatifs) en remettant une échelle correcte, c’est-à-dire qui commence à 0 et s’arrête à 100, puisque ce sont des pourcentages.  Comme les valeurs ne sont pas indiquées, j’ai mis des valeurs approximatives en utilisant la graduation de l’axe, mais ça ne change pas grand chose car…

Plot

Là tout d’un coup, je sais pas vous mais je ne suis plus tellement ébahie par l’ampleur des résultats.

En résumé

Les méthodes employées par Facebook sont cavalières, mais surtout, elles ne sont pas concluantes :

  • L’article généralise de « Facebook » à « les réseaux sociaux » (en ligne ?) ;
  • on ne sait pas ce qu’est une émotion ;
  • elle est modélisée de façon minimaliste ;
  • sa détection est plus qu’approximative, sans doute pleine d’erreurs ;
  • la contagion n’est pas analysée dans sa dimension temporelle ;
  • l’analyse statistique n’est pas claire ;
  • la corrélation est surinterprétée en causalité ;
  • les résultats ne sont pas significatifs.

Je doute donc que Facebook ait manipulé les émotions de qui que ce soit.

Défiance envers la fouille de données (data mining) dans les années 60

« the term data mining has had negative connotations in statistics since the 1960s when computer-based data analysis techniques were first introduced. The concern arose because if one searches long enough in any data set (even randomly generated data), one can find patterns that appear to be statistically significant but, in fact, are not. Clearly, this issue is of fundamental importance to KDD [knowledge discovery in databases]. Substantial progress has been made in recent years in understanding such issues in statistics. Much of this work is of direct relevance to KDD. Thus, data mining is a legitimate activity as long as one understands how to do it correctly; data mining carried out poorly (without regard to the statistical aspects of the problem) is to be avoided. »

Extrait de : Fayyad Usama, Piatetsky-Shapiro Gregory & Smyth Padhraic, 1996, “From data mining to knowledge discovery in databases,” AI magazine, 1996, pp. 37–54.

On retrouve aujourd’hui la même défiance envers les big data, cette même idée que l’on trouvera toujours des corrélations sans signification à force de torturer la donnée ; on peut se départir de cette défiance en traçant une ligne de démarcation entre les usages légitimes et les usages illégitimes des techniques d’analyse de données.

L’usage légitime inscrit la fouille de données dans un processus qui inclut notamment la préparation des données, la mobilisation de connaissance préalables et une interprétation appropriée des résultats. C’est tout ce processus que l’on appelle extraction de connaissances (knowledge discovery) et qui intègre la phase de fouille de données. La fonction de cette phase est de faire apparaître, à travers un choix spécifique d’algorithmes, des formes statistiques (patterns) auxquelles il faut pouvoir donner du sens. L’extraction de connaissance est donc une démarche qui permet de produire des connaissances à travers les régularités statistiques que l’on aura pu identifier.

Introduction : une épistémologie de la donnée web en sciences sociales

Au cours des dernières décennies, la démocratisation de l’informatique a généré une manne considérable de données pour le chercheur : profils personnels, traces numériques, conversations en ligne, etc. Des activités humaines auparavant inobservables laissent désormais une trace inscrite par les outils informatiques, et dont le volume est à l’image du succès de ces technologiques. Cette abondance de données constitue une situation inédite par rapport aux pratiques de recherches traditionnelles dans lesquelles les données, coûteuses à produire, ne tombent pas du ciel comme une manne divine et ne sont souvent que le prélude à un travail considérable d’élaboration de connaissances scientifiques à partir de ces données. Le phénomène des big data semble remettre en cause ces pratiques de recherche, en particulier dans le domaine des humanités numériques où ces données représente un volume incontournable car trop important et trop significatif pour être ignoré.

Je formule ainsi l’hypothèse que l’on assiste ainsi à la naissance d’une nouvelle objectivité pour les sciences humaines et sociales, comparable à la naissance, décrite par Lorraine Daston et Peter Galison (Objectivité, 2007), de l’objectivité comme nouvelle norme scientifique dans les sciences de la nature au XIXe siècle. Dans le cadre de cette nouvelle objectivité en devenir, des connaissances sont produites en faisant, pour la première fois, l’économie de l’épistémologie des données considérées, des manipulations qu’elles subissent et de la manière dont des connaissances peuvent être inférées de ces manipulations.

Mon ambition est de procéder à cette épistémologie des big data dont l’économie a été faite jusqu’à présent, et de formuler les conditions de possibilité des connaissances nouvelles qu’elles permettent de construire. Tout en interrogeant à chaque étape les limites des pratiques interrogées, je chercherai à bâtir une théorie de la connaissance partant non plus d’un divers sensible kantien mais d’un divers de données manipulables dans des formes statistiques a priori, imposées par le sujet, et permettant la construction de connaissances objectives.

Ma problématique peut-être exprimée en trois formulations :

  • Quelle est le statut épistémique de la donnée, quelles connaissances permet-elle de produire et quelles sont les différents types de données disponibles ?
  • Quelles sont les méthodes et les dispositifs techniques mis en place pour traiter et interpréter la donnée ?
  • Comment caractériser la connaissance ainsi produite et sa valeur de vérité ?

Ma thèse portera plus spécifiquement sur le cas du web comme exemple emblématique de l’exploitation d’une manne importante de données hétérogènes et préalablement constituées. J’étudierai ainsi notamment la façon dont les réseaux sociaux, les blogs, les profils personnels, peuvent être utilisés dans les sciences sociales pour explorer un phénomène spécifique.