Kristi Thompson

Introduction

En 2021, les trois agences fédérales de financement de la recherche au Canada – les Instituts de recherche en santé du Canada (IRSC), le Conseil de recherches en sciences naturelles et en génie du Canada (CRSNG) et le Conseil de recherches en sciences humaines (CRSH) – ont publié la Politique des trois organismes sur la gestion des données de recherche. L’objectif de la politique est d’assurer que « les données recueillies par la recherche au moyen de fonds publics [soient] gérées de manière responsable et sûre. Elles doivent aussi, lorsque les obligations éthiques, juridiques et commerciales le permettent, être disponibles pour être réutilisées par d’autres » (Gouvernement du Canada, 2021a). Les agences de financement de plusieurs autres pays ont émis des politiques semblables.

Dans ce chapitre, nous discuterons de quelques-unes des questions fondamentales en lien avec la gestion des données de recherche (GDR) au Canada: d’où viennent ces efforts de formalisation de la GDR? En quoi consistent les données de recherche dans le contexte de cette politique et de façon générale? Quelles sont les exigences d’une bonne gestion des données?

En quoi consistent les données de recherche?

Pour bien comprendre les exigences en GDR, vous devez comprendre la définition des données de recherche. Le terme « données de recherche » combine deux concepts : la recherche et les données. La recherche peut être décrite comme étant un processus d’enquête systématique, un moyen d’en apprendre plus sur des phénomènes variés. La recherche transforme l’information en connaissances et constitue un moyen par lequel nous découvrons le monde. Les données peuvent représenter une part importante de cette découverte de connaissances. Les données constituent des types d’informations ou de preuves qui servent de base à une recherche. Mais ce ne sont pas toutes les informations incluses dans un projet de recherche qui sont des données.

La foire aux questions (2021) des trois organismes du Canada établit que « la définition des données de recherche pertinentes est très souvent contextuelle et la détermination de ce qui compte comme tel devrait être guidée par les normes disciplinaires » (Gouvernement du Canada, 2021b). Autrement dit, le contexte est important; les données de recherche ne peuvent être définies sans savoir de quelle façon elles seront générées et utilisées. La section de la FAQ qui traite des liens entre les documents de recherche et les données de recherche se penche sur cette question : « les matériaux de recherche font l’objet d’une enquête – de nature scientifique, universitaire, littéraire ou artistique – et sont utilisés pour créer des données de recherche. Ils sont transformés en données par la méthode ou la pratique. »

Cette transformation est fondamentale pour séparer les informations générales des données de recherche. Les données sont le résultat de la collecte d’informations brutes issues d’une source quelconque (p. ex., des réponses à un sondage, des données d’archives ou bibliographiques, des médias sociaux, des instruments scientifiques, des documents textuels) et de l’assemblage de cette information en une forme structurée qui peut servir de base à des recherches éventuelles. En raison du travail nécessaire pour structurer, annoter et organiser les données de recherche, elles peuvent aussi être considérées comme des résultats de recherche, au même titre que les livres, les articles et autres éléments créés par des chercheuses et chercheurs. Les données de recherche constituent une source vitale d’informations, mais elles demeurent souvent inaccessibles. Si elles sont publiées ou partagées, d’autres chercheuses et chercheurs peuvent les consulter et elles peuvent être citées comme tout autre résultat de recherche.

Par exemple, un chercheur peut utiliser une série d’articles de recherche comme point de départ pour sa recherche. S’il en fait simplement la lecture et se rapporte à leurs contenus par le biais de citations pour appuyer d’autres idées, les articles servent de matériaux de recherche et non de données de recherche. Si toutefois ce chercheur utilise la même série d’articles, les importe dans un logiciel, les étudie et les annote sous une forme structurée pour ensuite formuler une conclusion globale sur l’ensemble des articles, ces articles deviennent alors un jeu de données et représentent des données de recherche.

Les données de recherches peuvent être des données secondaires, ce qui implique que la chercheuse ou le chercheur n’a pas recueilli ou assemblé les matériaux lui-même. Dans ce cas, le travail fait pour structurer ou peaufiner les données pour qu’elles servent d’intrant peut avoir été fait par quelqu’un d’autre. Ou encore, les données peuvent déjà arriver avec une structure s’il s’agit de données administratives (extraites, par exemple, d’une base de données d’un bureau d’admission). Mais un ensemble structuré d’informations qui est affiné lors de la recherche par le biais d’une analyse représente tout de même des données de recherche.

La structure des données

Utilisé pour les tableurs et fichiers statistiques, le rectangle est une structure courante pour les données. À l’intérieur de ce format, les données sont organisées en rangées et en colonnes. Chacune des rangées contient un cas – soit une unité simple de l’objet étudié (p. ex., une personne dans une enquête ou une mouche à fruits dans une expérience). Chacune des colonnes sera utilisée pour stocker une variable ou caractéristique pour chacun des cas, tels que l’âge de chaque personne (ou des mouches à fruits) dans l’étude.

Puisque nous discutons de structure des données, voici quelques règles de base pour bien organiser les données en rectangle, de type tableur, afin d’en faciliter la gestion  :

• Organisez les données dans un seul rectangle, avec les sujets/cas dans chacune des rangées et les variables/caractéristiques dans chacune des colonnes; ajoutez une rangée en haut pour l’en-tête avec des noms brefs qui décrivent ce que représente chacune des colonnes;
• Inscrivez un seul élément par cellule et ne jumelez pas les cellules. Chacune des cellules devrait comporter une seule information qui correspond à une rangée et une colonne (un cas et une variable);
• Créez un dictionnaire des données – un document distinct qui explique le contenu de vos rangées et colonnes;
• N’ajoutez pas de calculs ou de fonctions dans les fichiers de données originales;
• N’utilisez pas de polices colorées ou de surlignage en tant que données.

La figure ci-dessus illustre à quoi ressembleront des données ainsi structurées. Les données organisées dans ce type de format peuvent être lues et utilisées par tout logiciel de tableur ou progiciel statistique.

Qu’est-ce que la gestion des données de recherche?

La gestion des données de recherche est un terme général qui décrit ce que font les chercheuses et chercheurs pour structurer, organiser et entretenir les données avant, pendant et après leur travail de recherche. En ce sens, toute personne qui recueille ou utilise des données avec l’intention de mener une recherche fait de la gestion des données de recherche. Créer un fichier de données, décider où il sera sauvegardé, lui attribuer un nouveau nom ou le déplacer dans un nouvel emplacement représentent toutes des activités de gestion des données de recherche. La gestion des données de recherche (GDR) est également un domaine d’étude émergent. Cette nouvelle discipline se préoccupe d’étudier et de développer des moyens plus efficaces de gérer des données de recherche. L’idée qui sous-tend la gestion des données est l’utilisation d’un ensemble de techniques pour structurer, organiser et documenter les informations qui serviront de base à la recherche et de le faire de façon à ce que d’autres puissent comprendre et reproduire votre recherche, ainsi qu’utiliser les données qui ont servi à votre recherche.

Le cycle de vie des données de recherche est souvent utilisé pour illustrer la nature cyclique d’une recherche. Les chercheuses et chercheurs commencent par planifier leur recherche. Ensuite, les données sont recueillies, traitées et nettoyées avant d’être analysées pour permettre aux chercheuses et chercheurs de formuler des conclusions. Finalement, des mesures sont prises pour préserver les données à long terme et pour les rendre disponibles à d’autres qui les utiliseront pour leur étude. En pratique, le cycle est plus complexe avec plusieurs étapes qui se chevauchent. Par exemple, la préservation des données originales doit commencer dès la collecte des données pour éviter tout risque de perte, et les chercheuses et chercheurs peuvent souvent traiter, analyser et traiter à nouveau leurs données tout au long du processus. Il s’agit d’une perspective très axée autour des données, puisque le cycle de recherche comprend également plusieurs autres étapes, comme la soumission de demandes de financement, ainsi que la rédaction et la publication des résultats.

Reproductibilité, réplicabilité et traçabilité

La reproductibilité, la réplicabilité et la traçabilité sont trois concepts à la fois reliés mais distincts, qui sont essentiels pour bien comprendre l’importance d’une bonne GDR. Pour qu’une recherche soit reproductible, il faut que des chercheuses ou chercheurs qui ne faisaient pas partie de l’équipe de recherche originale puissent reprendre la recherche en utilisant les mêmes données, méthodes et codes et aboutir aux mêmes résultats. Concrètement, cela implique que les chercheuses ou chercheurs externes doivent avoir accès aux données, au code et à une documentation détaillée.

Pour qu’une recherche soit réplicable, les chercheuses ou chercheurs qui ne faisaient pas partie de l’équipe de recherche originale doivent être en mesure de reproduire la recherche originale avec des données différentes ou nouvellement recueillies et arriver aux mêmes résultats ou à des résultats semblables. Pour ce faire, les méthodes de l’équipe de recherche originale doivent avoir été documentées et publiées, mais les données originales ne doivent pas nécessairement être disponibles.

Pour qu’une recherche soit traçable, les chercheuses ou chercheurs qui ne faisaient pas partie de l’équipe de recherche originale doivent être en mesure de reproduire le jeu de données analysé à partir du jeu de données original, tel qu’il a été collecté ou acquis. Si les données sont traçables, il est possible de conclure avec confiance qu’aucune modification non documentée n’a été faite au jeu de données. Les chercheuses ou chercheurs externes devraient aussi pouvoir comprendre le raisonnement derrière chaque modification apportée aux données, qui a apporté ces modifications et le processus décisionnel derrière chacune d’elles. Les données de recherche constituent des preuves – pour les adeptes de séries d’enquêtes policières, c’est comme la chaîne de possession qui assure que les preuves d’une enquête criminelle n’ont pas été contaminées.

Vous vous rappelez des règles de structures des données mentionnées plus tôt dans le chapitre? Des formats et des structures simples, uniformisés et couramment utilisés sont importants pour la reproductibilité, la réplicabilité et la traçabilité.

Le fait de rendre obligatoires certaines normes particulières pour la gestion des données ne vise pas à créer des contraintes arbitraires pour compliquer la façon de mener une recherche. Les normes aident à préserver l’intégrité de la recherche en incitant les chercheuses et chercheurs à manipuler leurs données de façon à ce que leur démarche et leur travail soient compréhensibles. Ainsi, les données peuvent être reproduites et répliquées. Les conclusions de recherche qui ne peuvent être reprises ou reproduites perdent en crédibilité. Une application réglementée de la GDR augmente aussi la possibilité du partage des données, pas seulement pour que la recherche puisse être reproduite directement, mais aussi pour que les données puissent être réutilisées dans d’autres projets, créant ainsi plus d’occasions de recherche en limitant les coûts. La Politique des trois organismes de 2021 sur la gestion des données de recherches inclut trois exigences qui visent à réaliser cet objectif.

Les trois exigences de la Politique des trois organismes

Les trois exigences comme établies par la Politique des trois organismes sur la gestion des données de recherche (Gouvernement du Canada, 2021a) sont :

1. Les stratégies institutionnelles. Les établissements (généralement les établissements d’enseignement postsecondaire et les hôpitaux) admissibles à administrer des fonds des trois organismes doivent élaborer des stratégies formelles de GDR et les communiquer aux organismes subventionnaires selon une échéance établie. Ces stratégies doivent décrire la façon dont ils prévoient d’appuyer leurs chercheuses et chercheurs dans l’amélioration de leurs pratiques de GDR et dans l’application des deux autres exigences. Les liens vers les stratégies soumises aux organismes subventionnaires sont disponibles sur la page des stratégies institutionnelles.
2. Les plans de gestion des données. Les organismes subventionnaires commenceront à exiger que les chercheuses et chercheurs soumettent des plans qui décrivent la façon dont leurs données seront gérées, du moins pour certaines opportunités de financement. Ces plans seront pris en compte lorsque les organismes subventionnaires auront déterminé la façon dont les fonds seront accordés .
3. Le dépôt des données. Lorsque les bénéficiaires de financement publient un article ou tout autre résultat découlant de la recherche financée par les organismes subventionnaires, les données et le code qui appuient les résultats de la recherche doivent être déposés dans un dépôt numérique. Il s’agit d’une exigence assez limitée. Une chercheuse peut recueillir une douzaine de variables, mais rédiger un article qui n’utilise directement qu’une partie d’entre elles. C’est ce sous-ensemble qui doit être déposé. Il est également important de noter que le dépôt n’est pas synonyme de partage. Les données confidentielles ou qui ne devraient pas être partagées doivent être déposées dans un endroit privé et sécurisé.

Les plans de gestion des données (PGD)

Un plan de gestion des données (PGD) est une description formelle de tout le processus de la chercheuse ou du chercheur, de la collecte des données jusqu’à leur élimination ou suppression. Les PGD ont existé sous différentes formes depuis les années 1960 (Smale et al., 2020), mais leur adoption a été lente et reste toujours peu répandue dans certaines disciplines. À l’international, les PGD sont souvent exigés par les organismes subventionnaires, notamment au Royaume-Uni et aux États-Unis. Des outils ou gabarits ont été développés pour aider les chercheuses et chercheurs à élaborer des plans qui pourront répondre aux exigences des organismes subventionnaires. L’outil principal utilisé au Canada est l’Assistant PGD. Il s’agit d’un outil en ligne qui pose aux personnes qui l’utilisent une série de questions sur leurs données et plans de recherche en offrant des conseils et une aide contextuelle qui aident à répondre aux questions.

L’objectif des PGD est d’aider les chercheuses et chercheurs dans la gestion de leurs données au cours de toutes les étapes du cycle des données de recherche, de la collecte jusqu’au partage. Ils sont souvent décrits comme des documents vivants ou évolutifs qui doivent être mis à jour au fil des besoins identifiés par les chercheuses ou chercheurs pendant leur travail avec les données. Ils peuvent comporter une variété d’éléments – Williams et al. (2017) ont identifié 43 sujets pouvant constituer des éléments nécessaires à un PGD – et les éléments exigés ou utiles peuvent varier d’une discipline ou d’un type de données à l’autre. Les éléments d’un PGD visent à inciter les chercheuses et chercheurs à tenir compte de la façon dont leurs données seront manipulées et des ressources nécessaires avant le début de leur recherche. La Politique des trois organismes demande aux chercheuses et chercheurs de soumettre un plan qui aborde les éléments suivants :

• comment les données seront recueillies, documentées, formatées, protégées et préservées;
• comment seront utilisés les jeux de données existants et quelles nouvelles données seront créées au cours du projet de recherche;
• est-ce que les données seront partagées et si oui, comment;
• l’endroit où les données seront déposées.

Les agences qui financent la recherche au Canada et à l’international veulent que les chercheuses et chercheurs utilisent des PGD pour démontrer que leurs données seront recueillies, stockées et conservées de façon à faciliter la transparence, le partage et la réutilisation des données ainsi que la reproductibilité des résultats. Les chercheuses et chercheurs qui en font usage jouissent d’un avantage lors du dépôt d’une demande de financement pour la collecte ou l’utilisation des données. Les PGD représentent aussi des avantages pour les chercheuses et chercheurs, leur permettant de mieux planifier et de travailler plus efficacement avec leurs données. Les exigences pour les PGD constituent, en fait, une forme d’ingénierie sociale qui vise à inciter les chercheuses et chercheurs à améliorer leur recherche.

Ces bienfaits ne sont généralement pas prouvés. En théorie, la prise en compte minutieuse de tous les éléments d’un PGD devrait entraîner une amélioration de la recherche. Toutefois, la théorie ne répond pas toujours à la pratique. En effet, un examen de toute la littérature montre qu’il existe très peu de preuves publiées et systématiques des bienfaits réels des PGD pour les chercheuses et chercheurs, établissements et organismes de financement (Smale et al., 2020). Puisque les PGD ont été conçus pour améliorer les activités de recherche, il est regrettable que si peu d’attention ait été accordée à étudier s’ils réussissent à répondre à cet objectif ou s’ils peuvent être modifiés et améliorés.

Nous ferons un survol rapide des sujets qui font régulièrement partie des PGD.

La collecte des données

Les chercheuses et chercheurs doivent faire la liste des types de données qui seront probablement recueillies ou acquises, et identifier les formats de fichiers dans lesquels ces données seront sauvegardées. Dès le début, les chercheuses et chercheurs devraient envisager l’utilisation de formats qui permettent la préservation, le partage et la réutilisation des données; de bons formats sont ceux qui peuvent être utilisés par des progiciels facilement accessibles. Les formats ouverts sont encore mieux; ils ont des normes publiées de sorte que toute personne ayant la formation nécessaire peut écrire un logiciel pour les lire. Les formats ouverts sont à l’épreuve du temps.

Le fait de tenir compte des conventions pour le nommage des fichiers avant même de commencer la collecte des données peut être étonnamment important. Les chercheuses et chercheurs qui n’établissent pas d’avance leur système peuvent se retrouver avec une variété de fichiers avec des noms de type « donnees.csv, » « donnees2.csv, » « donneesfinales.csv, » « donneesnettoyees.csv, » etc. Un exemple d’un bon système pour nommer et pour faire le suivi des différentes versions d’une collection de données peut être « nomdescriptif-changementfait-date.ext. » L’inclusion du changement et de la date dans le nom du fichier constitue une forme rudimentaire de contrôle des versions; cette question sera abordée de façon plus détaillée dans le chapitre 10, « Soutenir la recherche reproductible avec la curation active de données. » Le contrôle des versions devrait également comprendre la mise en place d’autres systèmes pour améliorer la traçabilité des données, tels que de noter toute information liée aux changements apportés aux données dans un fichier principal de documentation ou d’effectuer tous les changements aux données en utilisant des codes qui sont mis à jour et sauvegardés après chaque changement.

Documentation et métadonnées

La documentation est essentielle, tant pour la préservation que pour la traçabilité. Si un fichier est sauvegardé sur disque en tant que séquence de 0 et de 1, mais que personne ne sait ce que représentent ces chiffres, le fichier n’a donc pas vraiment été préservé. La documentation doit comprendre des éléments tels qu’un document maître indiquant l’origine des données et de quelle façon elles ont été recueillies, des tableurs dont les noms de colonnes sont faciles à comprendre et l’enregistrement d’informations détaillées sur tous les changements apportés aux fichiers de données.

La documentation peut aussi inclure l’attribution de noms aux fichiers et aux dossiers qui sont directement lisibles par une personne ainsi que la création d’une structure raisonnée pour les dossiers et sous-dossiers. Une forme courante de documentation supplémentaire est le fichier LISEZ-MOI. Il s’agit tout simplement d’un fichier qui accompagne un dossier et qui fait la liste de tous les fichiers dans ce dossier, qui décrit le contenu de chacun des fichiers et qui explique le rapport entre les différents fichiers (p. ex., s’il y a un fichier qui contient le code utilisé pour générer des fichiers de données).

Pour plusieurs types de données, dont les fichiers de santé et de sondages, les guides de codification sont également importants. Les guides de codification décrivent la structure et le contenu des fichiers de données en fonction d’un schéma quelconque. Par exemple, un guide de codification pour un sondage fera la liste de toutes les questions posées (qui seront codées comme variables), décrira les différentes options de réponses potentielles, expliquera la façon dont les échantillons du sondage ont été sélectionnés et toutes les variables supplémentaires créées par les chercheuses ou chercheurs. Idéalement, vous devriez avoir suffisamment de documentation sur vos données déposées pour qu’une personne qui possède les connaissances dans votre domaine soit en mesure de :

• comprendre et suivre les étapes que vous avez effectuées pour recueillir vos données et  les décisions que vous avez ensuite prises en cours de route;
• prendre votre fichier de données originales et reproduire les changements que vous avez apportés qui ont menés à la forme finale des données;
• exécuter les analyses qui ont produit vos résultats finaux publiés.

La section pour la documentation dans un PGD devrait également inclure les informations qui expliquent la façon dont les chercheuses et chercheurs s’assureront de suivre et d’enregistrer chaque modification apportée au fichier de données. Si plusieurs personnes travaillent avec les données, il est particulièrement important d’établir un système.

Le stockage et les sauvegardes

Dans la section sur le stockage et les copies de sauvegarde, les chercheuses et chercheurs peuvent expliquer où les données seront stockées et de quelles façons elles seront sécurisées. Le stockage d’une seule copie des données – sur un disque dur personnel qui peut ne pas fonctionner ou sur une clé USB qui peut être endommagée – est étonnamment courant (Cheung et al., 2022). Comme plusieurs l’ont découvert, c’est aussi une très mauvaise idée. Une bonne idée est la mise en place d’un système qui assure la sauvegarde régulière des données. La règle du 3-2-1 pour la sauvegarde est largement utilisée : il devrait y avoir 3 copies de chaque fichier, les copies devraient se retrouver sur deux médias différents et une des copies devrait se retrouver dans un emplacement externe. Si les données sont stockées là où il y a un système de sauvegarde automatisé (tel qu’un serveur départemental ou un service infonuagique), le besoin de créer des copies de sauvegardes supplémentaires est réduit puisqu’une copie se trouve déjà dans le système de sauvegarde.

La préservation et le partage

La transparence d’une recherche ainsi que la préservation et le partage des données de recherche constituent les objectifs principaux de la GDR; il est donc essentiel d’en parler dans un PGD. Le modèle d’excellence pour le partage des données est de rendre accessible un jeu de données complet et bien documenté dans une archive en ligne afin qu’il puisse être  téléchargé. Le jeu de données devrait être accompagné d’une licence ouverte ou Creative Commons, ce qui permet sa réutilisation de façon explicite. Certaines licences incluent une stipulation comme quoi les données utilisées pour des recherches éventuelles doivent être citées de façon appropriée (même si, sans stipulation, les bonnes pratiques et la courtoisie professionnelle encouragent à le faire).

Si les données sont partagées, l’étape la plus importante est d’identifier le dépôt approprié. Il existe plusieurs dépôts appropriés. Plusieurs établissements (universités, collèges, hôpitaux, etc.) ont des dépôts de données institutionnels dotés de fonctions permettant d’ingérer les données dans des formats conçus pour la préservation. Ces établissements s’engagent à préserver et à sauvegarder les données. Certaines publications savantes individuelles peuvent aussi héberger des archives qui donnent accès aux données liées aux articles qu’elles publient. Il existe également des dépôts disciplinaires qui hébergent des types particuliers de données, telles que des données génomiques ou géospatiales.

Toutefois, le partage ouvert dans un dépôt n’est pas toujours recommandé, et pour certains types de données (dont les données médicales), le partage peut être contraire à l’éthique. Des questions de confidentialité, d’engagements pris auprès de sujets de recherche, de souveraineté des données autochtones, de propriété des données et de propriété intellectuelle peuvent toutes représenter des situations où le partage ouvert de données n’est pas une option. Dans ces cas-là, les chercheuses et chercheurs doivent trouver des moyens alternatifs de partage. Une solution de rechange est de partager une documentation sur les données dans un dépôt et d’inviter les personnes intéressées à communiquer avec l’équipe de recherche pour obtenir un accès aux données. Parfois, certaines parties d’une collection de données peuvent être partagées tandis que d’autres sont considérées comme trop sensibles. Les personnes intéressées peuvent avoir à s’engager à respecter certaines normes éthiques ou d’autres conditions qui s’appliquent. Dans ces situations, les données devront être préservées autrement, dans une archive sécurisée ou sur un réseau privé. Consultez le chapitre 13 sur les données sensibles pour plus d’informations.

Dans le PGD, la section qui traite de préservation et de partage doit expliquer la façon précise dont les données seront préservées à long terme. Elle doit aussi énoncer les dispositions pour le partage des données, y compris le dépôt où elles seront stockées, les parties de données qui seront partagées et, le cas échéant, les conditions d’accès. Si les données ne peuvent être partagées, le PGD doit en expliquer les raisons.

Conclusion

La gestion des données de recherche est un terme général qui s’applique au travail des chercheuses et chercheurs en lien avec la façon dont leurs données sont organisées et maintenues pendant et après la tenue de leur recherche. Il s’agit d’un domaine en plein essor qui incite les bibliothécaires, les spécialistes des données et les chercheuses et chercheurs à se poser des questions sur les meilleurs moyens de gérer les données tout en intégrant la transparence de la recherche, la préservation ainsi que le partage des données pour qu’elles puissent être critiquées, étudiées et utilisées par d’autres chercheuses et chercheurs ainsi que par le public intéressé par la recherche. Ultimement, la GDR vise à améliorer la recherche.

Bibliographie

Cheung, M., Cooper, A., Dearborn, D., Hill, E., Johnson, E., Mitchell, M. et Thompson, K. (2022). Les pratiques avant les politiques : comportements en matière de gestion des données de recherche au Canada. Partnership: Revue canadienne de la pratique et de la recherche en bibliothéconomie et sciences de l’information, 17(1), juillet 2022, 1-80. https://doi.org/10.21083/partnership.v17i1.6779.

Gouvernement du Canada. (2021a). Politique des trois organismes sur la gestion des données de recherche. https://science.gc.ca/site/science/fr/financement-interorganismes-recherche/politiques-lignes-directrices/gestion-donnees-recherche/politique-trois-organismes-gestion-donnees-recherche

Gouvernement du Canada. (2021b). Politique des trois organismes sur la gestion des données de recherche – Foire aux questions. https://science.gc.ca/site/science/fr/financement-interorganismes-recherche/politiques-lignes-directrices/gestion-donnees-recherche/politique-trois-organismes-gestion-donnees-recherche-foire-aux-questions#1b 

Klein, R. A., Vianello, M., Hasselman, F., Adams, B. G., Adams Jr., R. B., Alper, S., Aveyard, M., Axt J. R., Babalola, M. T., Bahník, Š., Batra, R., Berkics, M., Bernstein, M. J., Berry D. R., Bialobrzeska, O., Binan E. D., Bocian, K., Brandt, M. J., Busching, R., … Nosek, B. A. (2018). Many Labs 2: Investigating variation in replicability across samples and settings. Advances in Methods and Practices in Psychological Science, 1(4), 443-490. https://doi.org/10.1177/2515245918810225

Smale, N. A., Unsworth, K., Denyer, G., Magatova, E. et Barr, D. (2020). A review of the history, advocacy and efficacy of data management plans. International Journal of Digital Curation, 15(1), 1-29. https://doi.org/10.2218/ijdc.v15i1.525

Williams, M., Bagwell, J. et Zozus, M. N. (2017). Data management plans: The missing perspective. Journal of Biomedical Informatics, 71, 130-142. https://doi.org/10.1016/j.jbi.2017.05.004

Minglu Wang et Dany Savard

Introduction

L’écosystème de données actuel est complexe et en pleine croissance. Les principes FAIR (Facile à trouver, Accessible, Interopérable, Réutilisable) sont des principes directeurs qui encouragent les personnes qui s’occupent de l’intendance des données à améliorer la repérabilité et la réutilisation des données de recherche par les systèmes informatiques. Dans ce chapitre, nous explorerons l’étendue des principes et des outils utilisés pour évaluer et améliorer la conformité aux principes FAIR d’un jeu de données. Nous discuterons également de l’impact de ces principes et nous examinerons de quelle façon ils ont été adoptés.

Un petit historique des principes FAIR

Pourquoi avons-nous besoin de principes directeurs pour les données de recherche?

La nécessité d’établir des exigences pour la gestion des données de recherche (GDR) a d’abord été proposée par quelques organismes nationaux de financement de la recherche en Europe, en raison de l’essor de la science fondée sur l’utilisation intensive de données. Depuis, les exigences en matière de plans de gestion des données, de citations de données et de disponibilité des données sont toutes devenues essentielles à la conduite responsable de la recherche et elles ont introduit de nouvelles conditions auxquelles doivent adhérer les chercheuses et chercheurs qui souhaitent publier ou recevoir du financement public (Hrynaszkiewicz et al., 2020). Les personnes qui s’occupent de l’intendance des données ont aidé les chercheuses et chercheurs à répondre aux exigences associées à la GDR en encourageant la préservation des données, en fournissant des formations sur la préparation des données et en développant des infrastructures pour le stockage sécuritaire des données. Alors que les progrès dans les infrastructures technologiques ont rendu possible l’analyse computationnelle d’importantes quantités de données, l’augmentation correspondante du nombre de dépôts de données et de normes créées pour diffuser les données dans différentes disciplines et différents secteurs a contribué à la création de silos. Cette situation empêche le regroupement des données en vue de produire des recherches utiles. Conséquemment, l’élaboration de principes plus larges pour encadrer le partage responsable de données est devenue de plus en plus nécessaire pour les différents membres de la communauté élargie de données de recherche.

Les origines des principes directeurs FAIR

C’est en 2014, lors d’une « non-conférence » tenue aux Pays-Bas intitulée Jointly Designing a Data FAIRport que les principes fondamentaux pour les données de recherche interopérables ont été abordés pour la première fois (Data FAIRport, 2014). L’année suivante, une ébauche de guide a été rédigée et publiée par le FAIR Data Publishing Group de la coalition FORCE11 afin de recevoir des commentaires et l’approbation de la communauté. (FORCE11, 2014a). En 2016, Barend Mons avec un groupe de contributrices et contributeurs a rédigé un article dans Scientific Data pour discuter de la nécessité d’établir des principes directeurs FAIR pour les actifs numériques (Wilkinson et al., 2016). Ces principes sont conçus pour aider les humains et les machines à surmonter les obstacles liés à la découvrabilité, l’accessibilité, la réutilisation et la citation des données de recherche.

Depuis cette première publication, une version des principes FAIR a été mise à jour par GO FAIR (en anglais uniquement). Avec le temps, ces principes ont influencé non seulement les chercheuses et chercheurs qui souhaitent préparer leurs données au partage, mais aussi les dépôts de données qui souhaitent évaluer et améliorer leur infrastructure, en plus d’autres parties prenantes qui souhaitent évaluer et améliorer leurs politiques pour soutenir un écosystème de données FAIR.

Que sont les principes directeurs FAIR?

Les principes directeurs FAIR

L’objectif premier de ces principes est d’assurer que les machines et les humains peuvent facilement trouver, accéder, interopérer avec et réutiliser de façon appropriée la grande quantité d’informations disponibles à des fins scientifiques. Ils se veulent des principes de haut niveau et indépendants du domaine, ce qui veut dire qu’ils ont une large portée et peuvent être appliqués à différents types de données à travers une multitude de disciplines. En évitant l’attribution de spécifications techniques, les principes directeurs FAIR permettent différentes mises en œuvre pour les normes et caractéristiques de gestion des données qu’ils proposent.

Les principes FAIR énumérés ci-dessous ne sont qu’un aperçu de la liste plus complète des principes et sous-catégories, disponible ici (en anglais uniquement) : https://www.go-fair.org/fair-principles/:

Faciles à trouver

Les humains et les systèmes informatiques doivent pouvoir trouver les données et les métadonnées. Les métadonnées lisibles par machine sont essentielles à la découverte automatique de jeux de données et de services.

F1. Les (méta)données sont assorties d’un identifiant unique pérenne à l’échelle internationale (IUP).

F2. Les données sont décrites au moyen de métadonnées riches (tel que défini par R1 ci-dessous).

F3. Les métadonnées incluent clairement et de façon explicite l’identifiant des données qu’elles décrivent.

F4. Les (méta)données sont enregistrées et indexées dans une ressource recherchable.

Accessibles

Une fois que la personne utilisatrice a trouvé les données, elle doit savoir comment y accéder, ce qui peut nécessiter des détails relatifs à l’authentification ou l’autorisation.

A1. Les (méta)données sont récupérables par leur identifiant au moyen d’un protocole de communication normalisé.

        A1.1 Le protocole est ouvert, gratuit et il est possible de l’implémenter de manière universelle.

        A1.2 Le protocole permet une procédure d’authentification et d’autorisation lorsque requis.

A2. Les métadonnées sont accessibles, même quand les données ne le sont plus.

Interopérables

Les données ont généralement besoin d’être intégrées à d’autres données et doivent interopérer avec des applications ou des processus de travail pour permettre l’analyse, le stockage et le traitement.

I1. Les (méta)données utilisent un langage formel, accessible, partagé et applicable globalement à des fins de représentation de la connaissance.

I2. Les (méta)données utilisent des vocabulaires qui adhèrent aux principes FAIR.

I3. Les (méta)données comprennent des références qualifiées aux autres (méta)données.

Réutilisables

L’objectif principal de FAIR est de maximiser la réutilisation des données, donc les données et métadonnées doivent être bien décrites pour qu’elles puissent être reproduites et/ou combinées dans différents contextes.

R1. Les (méta)données ont une pluralité d’attributs précis et pertinents.

        R1.1. Les (méta)données sont diffusées selon une licence d’utilisation claire et accessible.

        R1.2. Les (méta)données sont associées à une provenance détaillée.

        R1.3. Les (méta)données se conforment aux normes de leurs communautés respectives.

Dans le chapitre 10, « Soutenir la recherche reproductible avec la curation active de données, » vous en saurez plus sur les mesures à appliquer pour rendre les données interopérables et réutilisables dans le cadre de la curation active des données.

Les mécanismes clés des principes directeurs FAIR: les métadonnées, les identifiants pérennes et les licences

L’utilisation appropriée des métadonnées (des informations sur les données) est fondamentale aux principes FAIR. Au même titre que le matériel de recherche traditionnel (comme les livres et articles avec des informations bibliographiques), les données de recherche doivent être décrites de façon structurée en utilisant des vocabulaires contrôlés qui peuvent être lisibles pour les humains et les machines, permettant ainsi aux données d’être repérées et réutilisées. Ainsi, les métadonnées représentent une partie intégrante des données de recherche parce qu’elles fournissent aux utilisatrices et utilisateurs d’importantes informations au sujet d’un jeu de données telles que sa documentation, ses identifiants, ses licences et autres éléments applicables. Les métadonnées qui décrivent les données de recherche originales devraient être riches et assez précises pour permettre aux humains et aux machines de comprendre le contexte et les limites d’un jeu de données, mais elles devraient aussi être offertes par le biais de descriptions normalisées pour que l’interprétation des données de recherche puisse se faire à travers différents domaines. Pour réussir cet équilibre, des chercheuses et chercheurs d’une variété de disciplines ont adopté des normes bien élaborées pour les métadonnées, telles que celles énumérées par le Research Data Alliance (RDA) (en anglais uniquement).

Les autres mécanismes qui garantissent la repérabilité et la réutilisation des données sont les identifiants uniques pérennes (IUP ou Persistent IDentifier, PID) et les licences qui encadrent la façon dont les données peuvent être utilisées. Un IUP enregistré fournit à chaque jeu de données et ses métadonnées un moyen d’identification stable et unique qui permet de suivre tout changement ou mouvement en ligne. Les chercheuses et chercheurs qui partagent des données sur leur propre site Web ne peuvent généralement pas attribuer de tels identifiants et sont plutôt encouragés à déposer leurs données dans des dépôts de données pour avoir accès à du soutien en matière d’utilisation d’identifiants uniques pérennes, dont les identifiants numériques d’objets (DOI) (p. ex., https://doi.org/10.1000/182).

Plusieurs chercheuses et chercheurs s’inquiètent que leurs données soient mal utilisées et hésitent à les partager (Wiley et al., 2019, p.5). Les personnes qui utilisent des données, quant à elles, n’arrivent souvent pas à réutiliser et repartager en toute confiance les données secondaires issues d’un jeu de données de recherche original en raison d’un manque de clarté lié aux permissions de réutilisation des données. Pour remédier à ce problème, des licences de données standard, telles que les licences Creative Commons, les licences Open Data Commons, ou des ententes personnalisées d’utilisation des données peuvent encourager la réutilisation des données tout en protégeant les droits des gens qui les ont créées en matière de crédit et d’attribution. La licence fournit des informations sur l’utilisation légale et éthique des données permettant ainsi de définir les modalités de la relation entre les personnes qui créent, éditent et utilisent un même jeu de données. Vous en saurez davantage sur les licences dans le chapitre 12, « Planification de la gestion des données pour les processus de travail en science ouverte. »

Les principes FAIR et l’ouverture des données

Les efforts mis en place pour rendre les données FAIR n’impliquent pas forcément le partage ouvert et sans restriction des données. Par exemple, les jeux de données peuvent comporter des identifiants pérennes et des métadonnées FAIR sans qu’ils puissent être réutilisés en raison des conditions de leur licence. Le Fair Principles Working Detailed Document propose quatre niveaux de conformité aux principes FAIR pour des jeux de données à l’intérieur d’un dépôt de données. Ces niveaux décrivent les différents degrés potentiels d’accès aux données :

1. Chaque jeu de données comporte un identifiant unique pérenne et offre des métadonnées FAIR.
2. Chaque jeu de données comporte des métadonnées définies pour les gens qui utilisent les données afin de fournir des informations riches sur la provenance.
3. Les éléments de données à l’intérieur des jeux de données sont FAIR mais ne sont pas en libre accès et comportent des restrictions précises en matière de réutilisation.
4. Les jeux de données et éléments de données sont FAIR, ouverts au public et comportent des licences bien définies (FORCE11, 2014b).

Les principes directeurs FAIR permettent aux responsables de l’intendance des données de participer aux importantes décisions en matière de publication et offrent la possibilité de recourir à d’autres principes. Par exemple, les principes CARE (avantages Collectifs, Autorité pour contrôler, Responsabilité et Éthique) pour la gouvernance des données autochtones, publiés en 2019 par la Global Indigenous Data Alliance, reconnaissent l’importance de la souveraineté des données autochtones et de centraliser les droits et intérêts des peuples autochtones dans le traitement des données autochtones. À plusieurs égards, les principes CARE et FAIR se complètent et incitent les chercheuses et chercheurs à tenir compte de la variété des personnes participantes et des objectifs associés aux données de recherche. La souveraineté des données autochtones est abordée plus en détail dans le chapitre 3.

Comment rendre vos données FAIR: outils et conseils

Les principes directeurs FAIR et les plans de gestion des données

Certaines opportunités de financement exigent la rédaction de plans de gestion des données (PGD), conformément à la Politique des trois organismes sur la gestion des données de recherche (Gouvernement du Canada, 2021). Dans ces PGD, les chercheuses et chercheurs doivent décrire leurs méthodologies et stratégies en tenant compte des principes directeurs FAIR. Par exemple, les chercheuses et chercheurs devraient documenter les données de façon efficace dès les premières étapes d’un projet pour que des métadonnées complètes et de grande qualité puissent être générées pour la diffusion. En outre, pour déposer et préserver leurs données dans des dépôts qui adhèrent aux principes directeurs FAIR, les chercheuses et chercheurs devraient négocier des licences pour le partage de données avec les différentes parties prenantes et obtenir tôt dans le processus de collecte la permission des personnes qui participent à la recherche de partager les données.

Des outils destinés à la communauté de recherche pour évaluer et améliorer la conformité aux principes FAIR

Une variété d’outils a été développée pour aider les chercheuses et chercheurs à comprendre les principes FAIR et à mettre en œuvre des pratiques qui s’alignent sur ces principes. Ces outils vont  de simples listes de contrôle à des ressources personnalisées conçues en fonction des pratiques des chercheuses et chercheurs. Vous trouverez ci-dessous une liste d’outils d’évaluation disponibles ou en développement dotés de différentes caractéristiques selon qui les utilise. Nous recommandons d’utiliser ces outils lorsque vous préparez vos données pour les rendre FAIR.

1. La liste de contrôle How FAIR Are Your Data? (Jones et Grootveld, 2017)

Développée par un réseau de service de données européen, il s’agit simplement d’une liste d’une page basée sur les principes directeurs FAIR avec de légères modifications qui rendent les concepts et la terminologie plus faciles d’accès pour les chercheuses et chercheurs. Cette liste de contrôle constitue un bon outil d’initiation pour les chercheuses et chercheurs qui travaillent depuis peu dans le domaine de la GDR.

2. Le FAIR Data Self Assessment Tool (Australian Research Data Commons, 2022)

Cet outil a été développé par le Australian Research Data Commons. En répondant à des questions associées aux principes directeurs FAIR, les chercheuses et chercheurs peuvent évaluer la conformité de leurs pratiques par rapport à chacun des sous-principes FAIR ainsi que de déterminer leur conformité dans le contexte plus large des quatre principes FAIR. L’outil permet de  comparer leurs méthodes de traitement des données avec les meilleures pratiques leur permettant ainsi d’identifier ce qui peut être amélioré.

3. L’outil FAIR Aware (Data Archiving and Networked Services, 2021) traduit et rendu disponible en français par DoRANum

Élaboré par le Data Archiving and Networked Services des Pays-Bas, l’outil FAIR Aware permet une évaluation plus détaillée pour aider les chercheuses et chercheurs à comprendre et à mieux mettre en œuvre les principes FAIR. La chercheuse ou le chercheur doit identifier son domaine de recherche, son rôle et l’organisme associé, mais le contenu de l’outil d’évaluation est le même, peu importe qui l’utilise. Les chercheuses et chercheurs doivent répondre à 10 questions en lien avec chacun des principes directeurs FAIR puis évaluer leur volonté de se conformer aux pratiques recommandées. Une fois les réponses soumises, un rapport est fourni et celui-ci donne non seulement un aperçu du niveau de connaissance des principes FAIR de la chercheuse ou du chercheur, mais aussi des conseils et des ressources pour les aspects à améliorer.

4. Le F-UJI Automated FAIR Data Assessment Tool (Devaraju et Huber, 2020)

L’outil F-UJI (FAIRsFAIR Research Data Object Assessment Service) est conçu pour évaluer la conformité aux principes FAIR des jeux de données de recherche à partir de paramètres mesurables complets et détaillés établis par le projet FAIRsFAIR (Devaraju et al., 2020).

Des conseils supplémentaires pour rendre vos données FAIR

Outre les outils d’évaluation, des services de données de recherche au niveau international et national ont élaboré des lignes directrices pour rendre les données FAIR, tant de façon générale que pour des disciplines particulières. En voici quelques  exemples :

• OpenAIRE (un organisme qui soutient le développement de la science ouverte en Europe) a créé des guides pour les chercheuses et chercheurs, dont How to make your data FAIR (OpenAIRE, s.d.);
• How to FAIR (Danish National Forum for Research Data Management, s.d.) élaboré par le biais d’entrevues avec un groupe composé d’une variété de chercheuses, chercheurs et de bibliothécaires;
• Top 10 FAIR Data & Software Things  (Library Carpentry, s.d.) offre de petits guides autonomes sur une variété de sujets et de disciplines qui peuvent être utilisés par les membres de la communauté de recherche (p. ex., l’astronomie, l’imagerie médicale, la musique, etc.);
• Sustainable and FAIR Data Sharing in the Humanities  (ALLEA, 2020) fournit des conseils pratiques pour les chercheuses et chercheurs qui souhaitent rendre plus FAIR leurs données numériques en sciences humaines.

Au Canada, les chercheuses et chercheurs de l’Institut de cardiologie de l’Université d’Ottawa et de l’Institut de recherche de l’Hôpital d’Ottawa ont développé une série de cours sur le traitement des données, dont FAIR Principles (Centre for Journalology, s.d.). Le contexte canadien n’offre pas beaucoup plus en matière de conseils sur les principes FAIR. Pour les chercheuses, chercheurs et bibliothécaires intéressés par ce domaine, il est possible de consulter le guide How to Be FAIR with Your Data : A Teaching and Training Handbook for Higher Education Institutions (Engelhardt et al., 2022) pour des exemples de formations en lien avec les principes FAIR offertes par différents établissements européens d’enseignement supérieur.

Les impacts politiques des principes FAIR

Les principes FAIR ont été utilisés par des agences gouvernementales, des établissements universitaires, des organismes de financement de la recherche, des sociétés savantes, des maisons d’édition et de nombreuses autres parties prenantes pour mettre en valeur l’importance de l’intendance des données de recherche tant au niveau culturel, économique et social. Conséquemment, les principes sont devenus fondamentaux pour les structures organisationnelles qui cherchent à influencer les chercheuses et chercheurs dans leurs méthodes de gestion et de partage des données. Certains exemples d’impacts politiques comprennent la Commission européenne qui cite les principes FAIR comme ayant directement influencé le développement du nuage européen pour la science ouverte (Hill, 2019, p. 284), en plus du National Institutes of Health des États-Unis qui cite l’application des principes FAIR pour les données dans leur Data Management and Sharing Policy (National Institutes of Health, 2020).

Au Canada, une des principales recommandations du gouvernement dans sa Feuille de route pour la science ouverte (Bureau du conseiller scientifique en chef du Canada, 2020) est à la mise en œuvre des principes FAIR pour les agences et départements fédéraux. Ce plan vise à assurer la mise en œuvre complète, à partir de janvier 2025, de l’interopérabilité des données scientifiques et de recherches ainsi que des normes de métadonnées de toutes les données liées aux agences et départements gouvernementaux. En matière de subventions de recherche, la Politique des trois organismes pour la gestion des données de recherche stipule que les trois agences fédérales de financement de la recherche du Canada – les Instituts de recherche en santé du Canada (IRSC), le Conseil de recherches en sciences naturelles et en génie du Canada (CRSNG) et le Conseil de recherches en sciences humaines du Canada (CRSH) – appuient les principes FAIR et s’attendent à ce que les chercheuses et chercheurs partagent leurs données conformément à ces principes et aux normes propres à leur discipline, sans enfreindre d’exigences éthique, culturelle, juridique ou commerciale (2021).  De plus, les maisons d’édition canadiennes de publications savantes, comme les Éditions Sciences Canada (s.d.), s’inspirent des efforts d’autres maisons d’édition spécialisées qui utilisent les principes FAIR pour circonscrire le contenu de leur politique d’accès aux données. La conformité à ces politiques peut impliquer l’utilisation d’outils pour les chercheuses et chercheurs – comme ceux énumérés plus tôt – afin d’assurer que les données soient aussi alignées que possible sur les principes FAIR avant d’être diffusées. Outre la préparation des données, ces exigences cherchent également à influencer l’opinion de la communauté de recherche quant au choix d’un dépôt de données de recherche et la façon dont ce choix pourra maintenir la conformité aux principes FAIR au-delà de la publication initiale des données.

Les principes FAIR et les dépôts

Les principes FAIR permettent de reconnaître la valeur actuelle et potentielle des dépôts de données. Wilkinson et al. (2016) font la promotion de cette idée en discutant des avantages et des limites des dépôts de données de recherche. Ils soutiennent aussi que les dépôts devraient évoluer en fonction des besoins des chercheuses et chercheurs au niveau de la découvrabilité et de la réutilisation (p. 2-4). La chercheuse ou le chercheur doit déterminer si un dépôt de données répond aux besoins spécifiques en GDR de sa discipline, si celui-ci lui permet de se conformer aux exigences éthiques et juridiques pertinentes et si les fonctionnalités offertes reflètent les principes FAIR.

Les dépôts de données de recherche sont des contenants de données spécialement conçus pour stocker des données de recherche, des fichiers associés et des métadonnées afin de permettre un accès stable et à long terme aux données (Boyd, 2021, p. 25-26). Les dépôts constituent des éléments cruciaux de l’infrastructure numérique; ils sont établis pour encourager la découvrabilité des données de recherche et pour aider les chercheuses et chercheurs à publier et à diffuser leurs données. Choisir un dépôt plutôt qu’un autre dépendra souvent de facteurs tels que les normes  disciplinaires, les exigences des maisons d’édition ou des organismes subventionnaires ou les lignes directrices en matière de partage des données. Le choix peut aussi se faire selon d’autres éléments comme la simplicité ou l’aspect pratique du processus de dépôt des données, le type de fichiers acceptés, le soutien offert pour la curation des données ou les schémas de métadonnées et les vocabulaires contrôlés que le dépôt utilise pour décrire les jeux de données de recherche qui sont stockés. La prise en compte de tous ces éléments incitera la chercheuse ou le chercheur à choisir soit un dépôt propre à sa discipline, soit à sa communauté ou un dépôt plus généraliste. La chercheuse ou le chercheur pourra ensuite déterminer si le dépôt de son choix met en pratique les principes FAIR en évaluant la présence ou l’absence de certaines fonctionnalités particulières.

Dans leur article sur l’amélioration de l’interopérabilité entre différents types de dépôts, Hahnel et Valen (2020) soutiennent que pour fonctionner conformément aux principes FAIR, un dépôt doit appliquer les directives suivantes  :

• attribuer des identifiants uniques pérennes (DOI, ORCID et GRID) à ses données et au matériel connexe;
• fournir avec ses données des interfaces de programmation d’applications (API) documentés;
• soutenir des options robustes pour la curation des données et souscrire à des lignes directrices en matière d’accessibilité Web;
• offrir des licences bien définies qui appuient la réutilisation des données;
• décrire sa démarche vers la durabilité en documentant les processus de travail en matière de préservation et de reprise après sinistre (p. 195-197).

Ces conseils à propos des caractéristiques optimales pour les dépôts s’inspirent de recommandations semblables émises par OpenAIRE et par l’initiative FAIR Sharing (Cannon et al., 2021). Certains de ces éléments se retrouvent également dans les principes TRUST pour les dépôts numériques, publiés par Lin et al. (2020).

Pour évaluer la façon dont certains dépôts de données importants au Canada et à l’international ont documenté leur engagement envers les principes FAIR, consultez les exemples suivants :

• Dépôt fédéré de données de recherche: https://www.frdr-dfdr.ca/docs/fr/principes_fair/;
• Zenodo (en anglais uniquement): https://about.zenodo.org/principles/;
• Figshare (en anglais uniquement): https://knowledge.figshare.com/publisher/fair-figshare.

Il est aussi possible de trouver des dépôts appropriés en consultant le répertoire re3data, un outil multidisciplinaire qui liste plus de 2800 entrées de dépôts de données. Il est possible d’effectuer des recherches dans le répertoire re3data selon des critères particuliers tels que le type d’API et les normes de métadonnées. Un autre répertoire intéressant est celui de FAIRsharing, appuyé par le Research Data Alliance. Ce dernier fournit une plateforme multidisciplinaire où les chercheuses et chercheurs peuvent consulter les entrées pour trouver des dépôts, des normes de données et des politiques de données. Ces deux outils sont d’excellentes options pour trouver des dépôts en fonction des disciplines particulières.

Certains dépôts plus importants à vocation commerciale, communautaire ou éditoriale peuvent offrir des options plus flexibles et spécialisées qui s’alignent sur l’orientation FAIR. Toutefois, en choisissant un dépôt, il faut évaluer s’il permet d’adhérer à certaines normes disciplinaires, s’il donne accès au soutien nécessaire pour la conformité aux exigences éthiques ou juridiques et s’il aide à assumer certaines responsabilités envers des communautés qui ont des attentes en matière d’accès à leurs données. Le choix d’un dépôt plutôt qu’un autre devrait se faire en équilibrant la conformité aux principes FAIR contre ces autres exigences toutes aussi importantes.

Pour s’impliquer

Pour les personnes qui souhaitent appuyer la mise en œuvre plus large des principes FAIR, l’initiative GO FAIR rassemble des individus, des établissements et des organismes pour collaborer à l’élaboration de politiques, au développement de compétences et à l’élaboration de normes techniques et de technologies. Cette collaboration est réalisée par le biais des réseaux de mise en œuvre GO FAIR qui rassemblent des partenaires qui travaillent à soutenir la création de produits uniques. Pour en savoir plus sur les réseaux de mise en œuvre ou sur comment en faire partie, consultez https://www.go-fair.org/implementation-networks/ (en anglais uniquement).

Conclusion

Les principes FAIR ont clarifié les mesures à prendre pour réaliser certains objectifs du mouvement de GDR. Ces principes, combinés à d’autres principes directeurs, ont été adoptés par les organismes subventionnaires, les maisons d’édition et par une variété de communautés de recherche. Ils ont contribué à rassembler et à harmoniser les efforts pour soutenir l’accès et la réutilisation des données. Les chercheuses et chercheurs devraient continuer à suivre l’évolution des principes FAIR en ce qui a trait à leur influence non seulement sur l’écosystème des données de recherche au niveau national et international, mais aussi sur la réutilisation des données dans leur propre discipline.

Lectures et ressources supplémentaires

Les principes FAIR et CARE

The Global Indigenous Data Alliance. (2019). CARE principles for Indigenous data governance. https://www.gida-global.org/care

GO FAIR. (s.d.). FAIR principles. https://www.go-fair.org/fair-principles/

Research Data Alliance. (s.d.). Metadata standards catalogue. https://rdamsc.bath.ac.uk/

Les principes et les dépôts FAIR

Le répertoire re3data. https://www.re3data.org

Le répertoire FAIRsharing. https://fairsharing.org/databases/

Pour s’impliquer

La mise en œuvre GO FAIR. https://www.go-fair.org/implementation-networks/

Bibliographie

ALLEA. (2020). Sustainable and FAIR data sharing in the humanities: Recommendations of the ALLEA working group e-humanities. Digial Repository of Ireland. https://doi.org/10.7486/DRI.TQ582C863

Australian Research Data Commons. (2022). FAIR data self assessment tool. https://ardc.edu.au/resources/aboutdata/fair-data/fair-self-assessment-tool/

Boyd, C. (2021). Understanding research data repositories as infrastructures. Proceedings of the Association for Information Science and Technology, 58(1), 25–35. https://doi.org/10.1002/pra2.433

Bureau du conseiller scientifique en chef du Canada. (2020). Feuille de route pour la science ouverte. Gouvernement du Canada. https://science.gc.ca/site/science/fr/bureau-conseillere-scientifique-chef/science-ouverte/feuille-route-pour-science-ouverte

Cannon, M., Graf, C., McNeice, K., Chan, W. M., Callaghan, S., Carnevale, I., Cranston, I., Edmunds, S. C., Everitt, N., Ganley, E., Hrynaszkiewicz, I., Khodiyar, V. K., Leary, A., Lemberger, T., MacCallum, C. J., Murray, H., Sharples, K., Soares E Silva, M., Wright, G., … (Moderator) Sansone, S-A. (2021). Repository features to help researchers: An invitation to a dialogue. Zenodo. https://doi.org/10.5281/zenodo.4683794

Centre for Journalology. (s.d.). FAIR principles. https://journalologytraining.ca/courses/fair-principles/

Danish National Forum for Research Data Management. (s.d.). How to FAIR. https://www.howtofair.dk/

Data Archiving and Networked Services. (2021). FAIR Aware. https://fairaware.dans.knaw.nl/

Data FAIRport. (2014). Data FAIRport conference: Jointly designing a data FAIRport. https://www.datafairport.org/component/content/article/8_news/9_item1/index.html

Devaraju, A. et Huber, R. (2020). F-UJI – An Automated FAIR Data Assessment Tool (v1.0.0). Zenodo. https://doi.org/10.5281/zenodo.4063720

Devaraju, A., Huber, R., Mokrane, M., Herterich, P., Cepinskas, L., de Vries, J., L’Hours, H., Davidson, J. et Angus W. (2020). FAIRsFAIR data object assessment metrics (0.5). Zenodo. https://doi.org/10.5281/zenodo.6461229

Éditions Science Canada (s.d.). Principes et politique relatifs à la disponibilité des données. https://cdnsciencepub.com/pb-assets/resources/csp/About_Data_Principles_and_Policy_F-1601768276523.pdf

Engelhardt, C., Biernacka, K., Coffey, A., Cornet, R., Danciu, A., Demchenko, Y., Downes, S., Erdmann, C., Garbuglia, F., Germer, K., Helbig, K., Hellström, M., Hettne, K., Hibbert, D., Jetten, M., Karimova, Y., Kryger Hansen, K., Kuusniemi, M. E., Letizia, V., McCutcheon, V., … Zhou, B. (2022). D7.4 How to be FAIR with your data. A teaching and training handbook for higher education institutions. Zenodo. https://doi.org/10.5281/ZENODO.5665492

FORCE11. (2014a, 1 septembre). FAIR data publishing group. Archived groups. https://force11.org/group/fair-data-publishing-group/

FORCE11. (2014b, 10 septembre). Guiding principles for findable, accessible, interoperable and re-usable data publishing version b1. 0. https://force11.org/info/guiding-principles-for-findable-accessible-interoperable-and-re-usable-data-publishing-version-b1-0/

Gouvernement du Canada. (2021). Politique des trois organismes sur la gestion des données de recherche. https://science.gc.ca/site/science/fr/financement-interorganismes-recherche/politiques-lignes-directrices/gestion-donnees-recherche/politique-trois-organismes-gestion-donnees-recherche

Hahnel, M. et Valen, D. (2020). How to (easily) extend the FAIRness of existing repositories. Data Intelligence, 2(1–2), 192–198. https://doi.org/10.1162/dint_a_00041

Hill, T. (2019). Turning FAIR into reality: Review. Learned Publishing, 32(3), 283–286. https://doi.org/10.1002/leap.1234

Hrynaszkiewicz, I., Simons, N., Hussain, A., Grant, R. et Goudie, S., 2020. Developing a research data policy framework for all journals and publishers. Data Science Journal, 19(1), 1-15. http://doi.org/10.5334/dsj-2020-005

Jones, S. et Grootveld, M. (2017). How FAIR are your data? Zenodo. https://doi.org/10.5281/ZENODO.1065990

Library Carpentry. (s.d.). Top 10 FAIR data & software things. Zenodo. https://doi.org/10.5281/zenodo.2555498

Lin, D., Crabtree, J., Dillo, I. Downs R. R., Edmunds R., Giaretta, D., De Giusti, M., L’Hours, H., Hugo, W., Jenkyns, R., Khodiyar, V., Martone, M. E., Mokrane, M., Navele, V., Petters, J., Sierman, B., Sokolova, D. V., Stockhause, M. et Westbrook, J.  (2020). The TRUST principles for digital repositories. Scientific Data, 7, 144. https://doi.org/10.1038/s41597-020-0486-7

National Institutes of Health. (2020). Final NIH policy for data management and sharing. https://grants.nih.gov/grants/guide/notice-files/NOT-OD-21-013.html

OpenAIRE. (s.d.). How to make your data FAIR. https://www.openaire.eu/how-to-make-your-data-fair

Wiley, C. A. et Burnette, M. H., (2019). Assessing data management support needs of bioengineering and biomedical research faculty. Journal of eScience Librarianship, 8(1), 1-19. https://doi.org/10.7191/jeslib.2019.1132

Wilkinson, M. D., Dumontier, M., Aalbersberg, Ij. J., Appleton, G., Axton, M., Baak, A., Blomberg, N., Boiten, J-W., da Silva Santos, L. B., Bourne, P. E., Bouwman, J., Brookes, A. J., Clark, T., Crosas, M., Dillo, I., Dumon, O., Edmunds, S., Evelo, C. T., Finkers, R., … Mons, B. (2016). The FAIR guiding principles for scientific data management and stewardship. Scientific Data, 3(1), 160018. https://doi.org/10.1038/sdata.2016.18

Mikayla Redden et Dani Kwan-Lafond

Introduction

« Peuples autochtones » est probablement l’expression la plus galvaudée au sein de la population mondiale contemporaine pour décrire les peuples colonisés ou anciennement colonisés qui, de nos jours, sont unis sur le plan politique en raison d’un passé commun de dépossession et d’exploitation territoriale et culturelle à la suite de la colonisation. Ce chapitre se concentre sur l’histoire et les itérations contemporaines de vol et d’exploitation du savoir des communautés autochtones (dans ce contexte particulier, il s’agit de collecte de connaissances autochtones sans demander la permission des partenaires au sein de la communauté ou sans les consulter). Il y est également question de la souveraineté de ces communautés en ce qui a trait à leurs propres données. L’exploration en profondeur du savoir et la souveraineté des données se croisent, car les données numériques constituent la manière la plus courante de stocker et d’archiver les connaissances qu’utilisent les membres des communautés et les chercheuses et chercheurs.

Pour commencer, nous présenterons un bref historique de la communauté politique mondiale des peuples autochtones. Nous mettrons l’accent sur l’impact de la Déclaration des Nations Unies sur les droits des peuples autochtones (DNUDPA) au Canada. Dans le contexte canadien, « Autochtone » fait référence à trois groupes distincts sur le plan ethnique et culturel : Premières Nations, Métis et Inuit.

Les Nations Unies et l’autodétermination des peuples autochtones

La DNUDPA a été adoptée en 2007 par tous les États membres des Nations Unies, à l’exception de quatre États-nations coloniaux : le Canada, la Nouvelle-Zélande, l’Australie et les États-Unis (Nations Unies, 2007). Ils ont signé la Déclaration en 2012, après que les peuples autochtones de ces États membres et leurs alliés aient déployé des efforts considérables. La DNUDPA est un prolongement du système des Droits de la personne, lequel est défini le plus clairement dans la Déclaration universelle des droits de la personne de 1960. La DNUDPA ne contient pas de droits de la personne, mais elle définit et affirme les droits dont sont souvent privés les peuples autochtones (Erueti, 2022).

L’accès aux droits des peuples autochtones, ou le fait de les en priver, varient beaucoup à l’échelle internationale. Si les États colonisateurs se définissent en partie par leur domination majoritaire sur les communautés autochtones à l’intérieur de leurs frontières, il y a encore des aspects locaux, historiques et culturels particuliers à ces contextes à prendre en considération.  Les contextes locaux auront une incidence sur la manière de négocier et de prendre des décisions sur l’accès et le contrôle des données, de l’information et du savoir; toutefois, ils sont trop nombreux pour que nous nous y attardions maintenant. Nous soulignons plutôt la nécessité de comprendre la politique et le rôle des cadres stratégiques lorsqu’il est question de favoriser la souveraineté des données, de l’assurer, tout en prévenant le vol et l’exploitation du savoir.

La DNUDPA constitue le cadre de référence des droits de la personne le plus connu et le plus récent qui tente de restituer et de maintenir les droits des peuples autochtones. Il est important de mentionner la Convention 169 de l’Organisation internationale du Travail (OIT) (1989), que la plupart des États-nations d’Amérique centrale et d’Amérique du Sud ont signée et adoptée avant que la DNUDPA soit élaborée. L’OIT est une agence de l’ONU. Elle met l’accent sur les travailleuses et travailleurs et les conditions de travail des États-nations membres. La Convention 169 est une révision de la Convention 107 relative aux populations aborigènes et tribales (1957), en plus d’un changement de titre. Elle a vu le jour dans le sillage de la Deuxième Guerre mondiale en raison de l’oppression et de la discrimination dont étaient victimes les peuples autochtones.

La Convention 107 et la Convention 169 révisée sont des lois dans les États-nations qui les ont adoptées (Hanson, s.d.-a; s.d.-b). La Convention 169 est composée de 44 articles qui définissent des normes minimales en matière de soins de santé, d’éducation et d’emploi. Elle reconnaît également le droit à l’autodétermination et en appelle aux États-nations de protéger les peuples autochtones afin qu’ils ne soient pas déplacés (Hanson, s.d.-a; s.d.-b). Alors que les cadres stratégiques précédents en matière de droits de la personne reposaient sur les droits individuels, la DNUDPA élargit ces droits aux groupes collectifs des peuples autochtones, y compris ceux qui vivent en tant que groupes minoritaires au sein d’États-nations plus grands (comme c’est le cas au Canada). Ce cadre stratégique mondial met l’accent non seulement sur les droits et les identités collectives, mais également sur l’autodétermination et le droit au consentement préalable, donné librement et en connaissance de cause (CLPCC). De plus, il fait référence aux préjudices historiques et actuels et présente également des mesures de réparation (Erueti, 2022). L’adoption de la DNUDPA était ambitieuse en ceci qu’elle dépend de l’adoption, par chaque État membre, d’une législation en vertu de la DNUDPA (contrairement à la Convention 169).

Une histoire de peuples autochtones et de mauvaises données

Les relations entre les peuples autochtones et le gouvernement dans leurs pays anglo-saxons tourne autour des politiques administratives et des programmes qui en découlent. C’est notamment le cas au Canada où le mandat de Services aux Autochtones Canada (SAC) se lit, en partie, comme suit : « Notre vision est d’appuyer et d’habiliter les Autochtones afin qu’ils puissent offrir de façon indépendante des services et aborder les différentes conditions socio-économiques au sein de leurs communautés. » (Services aux Autochtones Canada, 2022). SAC se concentre sur les désavantages et les disparités sociales des peuples autochtones et sur la manière dont l’État-nation colonial peut les aider. Le discours est semblable dans les mandats du United States Department of the Interior Bureau of Indian Affairs (2023) et du cadre de travail Closing the Gap de la National Indigenous Australian Agency (2022) (pour accéder à une analyse détaillée de ces politiques, consultez Walter et al., 2021). Chacune de ces organisations coloniales fonde les décisions relatives à leurs politiques sur des données.

Dans tous ces pays, les données dépeignent les peuples autochtones comme ayant une mauvaise santé, des niveaux d’éducation plus faibles et un statut socioéconomique inférieur, ce qui se traduit souvent par des taux d’incarcération, de victimisation et de suicide incroyablement élevés – des taux justifiés par les chiffres colligés. Toutes ces nations disposent de politiques actives pour assimiler les peuples autochtones au sein de la société anglo-saxonne en retirant de force les enfants de leurs familles et de leurs communautés. Les Autochtones ne contestent pas ces données, mais ils remettent en question les prémisses de nature sociale, raciale et culturelle faites par les personnes qui recueillent les données (Walter et Andersen, 2013). De telles prémisses ne nous donnent qu’un aperçu étroit, colonisé des réalités autochtones (Walter et Suina, 2019). Par conséquent, les politiques et programmes élaborés sur la base de ces données ne reflètent pas les besoins des peuples autochtones. Toutes les données recueillies auprès de ces derniers devraient être contrôlées, interprétées et gérées par eux, en leur y donnant accès.

Ce chapitre présente l’idée de la souveraineté des données autochtones, soit le droit des peuples autochtones de collecter, d’analyser, d’interpréter, de gérer, de distribuer et de réutiliser les données auxquelles ils ont accès et qui sont dérivées de leurs communautés ou en lien avec elles. Il y sera également question des cadres de travail et des stratégies qui affirment la souveraineté des données autochtones dans la culture de recherche dominante.

Données autochtones : de quoi s’agit-il? En quoi la situation serait-elle différente dans le cadre de l’autodétermination autochtone?

« Données autochtones » est une expression générique qui fait référence à l’information et au savoir au sujet des personnes, des groupes, des organisations, des manières de savoir et de vivre, des langues, des cultures, de la terre et des ressources naturelles. Elles existent sous divers formats, notamment le savoir traditionnel, soit l’information transmise de génération en génération. Il comprend les langues, les récits, les cérémonies, les danses, les chants, les arts, la chasse, le piégeage, la cueillette, la préparation ainsi que le stockage des aliments et des médicaments, la spiritualité, les croyances et les visions du monde. Les données autochtones comprennent également les données numériques et numérisées recueillies par des chercheuses et chercheurs, des gouvernements et des établissements non gouvernementaux (Walter, 2018; First Nations Information Governance Centre, 2016; Walter et al., 2021; Walter et Suina, 2019).

À l’échelle des nations colonisées, les données autochtones recueillies par les chercheuses ou chercheurs gouvernementaux et non gouvernementaux mettent l’accent sur les différences, les écarts, les désavantages, le dysfonctionnement et la privation des peuples autochtones, ou ce que Walter (2016, 2018) appelle les 5 D (differences, disparities, disadvantages, dysfunction, deprivation). Ces données manquent de contexte social et culturel, car la collecte est effectuée par des chercheuses ou chercheurs et des responsables issus de points de vue non autochtones qui comparent les données à leurs réalités coloniales. Peu importe les analyses réalisées, les statistiques qui orientent les politiques ne sont pas valides, car elles proviennent de données 5 D; par conséquent, l’accent est entièrement mis sur les déficits (Walter et Suina, 2019).

Les données doivent varier largement parmi les communautés autochtones; toutefois, tous s’entendent pour dire que les données autochtones doivent rendre compte des réalités sociale, politique, culturelle et historique des vies autochtones afin de soutenir les besoins autodéterminés des peuples autochtones (Walter, 2018; Walter et Suina, 2019). Ces données se trouvent au cœur du mouvement de souveraineté des données autochtones et sont affirmées en vertu de la DNUDPA.

Le mouvement de souveraineté des données autochtones préconise l’autonomie gouvernementale, c’est-à-dire que les peuples autochtones contrôleraient tous les aspects du processus de recherche, de la conception de l’idée à l’utilisation des données obtenues. Sans la souveraineté des données autochtones, il est impossible de vérifier qu’elles rendent compte de la riche diversité des visions du monde, des manières de savoir, des priorités, des cultures et des valeurs autochtones (Walter et Suina, 2019).

Interagir avec le savoir autochtone

Avant d’aborder les pratiques exemplaires relatives à l’utilisation des données autochtones, vous devriez connaître les prémisses suivantes qui distinguent les pratiques de recherche autochtones des pratiques eurocentriques.

En plus de ces prémisses, les peuples autochtones prennent en considération les quatre « R » suivants dans tout le cycle de recherche, y compris la publication : relationnalité, respect, réciprocité et responsabilité.

• La relationnalité se trouve au cœur de toutes les visions du monde et des systèmes de connaissances autochtones (Wilson, 2008). Les relations alimentent toutes nos expériences, pour citer Littletree et al. (2020); elles sont « centrales à la définition d’Autochtone"at the heart of what it means to be Indigenous" » [traduction]. Dans nos interactions avec le monde, nos relations font en sorte que nous sommes redevables dans chaque situation. Nos relations comprennent celles avec la terre, nos ancêtres et les générations à venir. Nous sommes nos relations et nous sommes composés de relations avec quatre mondes : les parties intellectuelle, spirituelle, émotionnelle et physique de nous-mêmes (Archibald, 2008). Il est essentiel que les chercheuses et chercheurs qui s’intéressent aux modes de savoir autochtones comprennent que toutes les données, les livres, les articles, les récits, l’art et les autres produits sont nés de relations (Meyer, 2008). Fruit du peuple, c’est ce qu’on appelle le savoir commun. Celui-ci peut prendre diverses formes : récits et langues partagés, cérémonies, célébrations et cycles de la vie (Holm et al., 2003). Dans les modes de savoir autochtones, ces relations se transforment en actions : poser des questions, observer des danses, écouter des proches, rêver, raconter des histoires, vivre des événements de la vie, fabriquer de l’art et participer à des activités intergénérationnelles comme planter des graines et en prendre soin pour qu’elles germent et poussent afin d’en faire la récolte à l’automne. L’expression de ces moyens de savoir prend une forme tangible : des documents, des chansons, des outils, des robes traditionnelles, des contes écrits ou oraux, des livres, de la nourriture, des peintures, des gravures et de la poterie. Souvent, des organisations du savoir les détiennent, comme des bibliothèques, des musées, des écoles, des organisations sacrées et des nations autochtones (Kidwell, 1993). Le caractère relationnel au centre de ces éléments échappe souvent aux chercheuses et chercheurs ainsi qu’aux organisations du savoir non autochtones. Pour comprendre davantage la relationnalité, consultez le modèle conceptuel de Littletree (2018) ainsi que les travaux de Holm et al. (2003); Archibald (2008); Wilson (2008); Meyer (2008); Kidwell (1993), qui l’ont orienté.

Le respect, la réciprocité et la responsabilité soutiennent la relationnalité.

• Respect de la terre, des protocoles culturels, de l’histoire, de la langue et de la santé intellectuelle, spirituelle, émotionnelle et physique. Évitez les suppositions à propos du  savoir avec lequel vous travaillez. Adoptez une approche éclairée; gardez l’esprit ouvert. Le savoir que vous interrogez peut être associé à des événements historiques douloureux et susciter un traumatisme important.
• Réciprocité à l’égard de l’information que vous recevez. Faites preuve d’ouverture à donner et à recevoir de l’information. Il y a une longue histoire d’exploitation du savoir par les colonisateurs à l’égard des communautés autochtones. La réciprocité ne fait pas seulement référence à la compensation pécuniaire, bien qu’il soit important de rémunérer les personnes et les communautés pour leur temps et les renseignements communiqués. Elle se rapporte également à l’appui des communautés qui récupèrent les traditions et les expressions culturelles importantes.
• Responsabilité d’obtenir un consentement éclairé et de nourrir toute relation créée pour la vie, bien au-delà de la durée du projet de recherche. Les visions du monde autochtones nous disent que le temps n’est pas linéaire : il est circulaire. La communauté avec laquelle vous collaborez doit guider le processus et prendre des décisions au sujet de son savoir et de ses renseignements, et ce, à toutes les étapes du projet.

Pour accéder à un examen approfondi de ces prémisses et considérations, consultez Research Is Ceremony: Indigenous Research Methods (2008) de Shawn Wilson et Centering Relationality: A Conceptual Model to Advance Indigenous Knowledge Organization Practices (2020) de Sandra Littletree, Miranda Belarde-Lewis et Marisa Elena Duarte.

Autogouvernance des données des Premières Nations au Canada

En 1994, le gouvernement fédéral a exclu les peuples des Premières Nations qui vivent au sein des communautés autochtones des enquêtes nationales sur la population (Centre de gouvernance de l’information des Premières Nations, 2022a; 2022b). Préoccupés par le manque de données qui en a résulté, les personnes qui défendent les Premières Nations et les universitaires se sont réunis et c’est ainsi que le Centre de gouvernance de l’information des Premières Nations a vu le jour. Deux ans plus tard, l’Assemblée des Premières Nations a mis sur pied le comité directeur national (CDN) dans le but d’élaborer la première enquête longitudinale régionale sur la santé des Premières Nations et des Inuits, une première itération de l’enquête régionale sur la santé des Premières Nations (ERS). Le premier rapport a été publié en 1997 et constitue la seule enquête nationale sur la santé gérée par les Premières Nations et fondée sur les conceptions occidentales et traditionnelles de la santé et du bien-être (First Nations Centre, 1997). Plus tard, un groupe de l’Université de Harvard a passé en revue le rapport en soulignant que

[le sondage] était unique puisque les Premières Nations s’en approprient le processus de recherche, qu’il intègre explicitement les valeurs des Premières Nations dans la conception de la recherche et qu’il comprend un engagement collaboratif intensif des peuples des Premières Nations et de leurs représentants à chaque étape du processus de recherche“[the Survey] was unique in First Nations ownership of the research process, its explicit incorporation of First Nations values into the research design and in the intensive collaborative engagement of First Nations people and their representatives at each stage of the research process” [traduction] (Harvard Project on American Indian Economic Development, 2006).

En 1998, le CDN a défini un ensemble de principes intitulé Principes de PCAP^® pour faire en sorte que les peuples des Premières Nations possèdent leurs propres données, tout comme ils possèdent leurs propres terres. Plus tard, le CDN est devenu le Comité de gouvernance de l’information des Premières Nations, puis le Centre de gouvernance de l’information des Premières Nations (CGIPN), un organisme autonome à but non lucratif.

PCAP^® est un acronyme qui signifie propriété, contrôle, accès et possession. Ces quatre principes gouvernent la manière dont les données et l’information relatives aux Premières Nations devraient être collectées, protégées, utilisées et partagées. Les PCAP^® ont été créés pour combler une lacune dans les lois occidentales qui ne reconnaissent pas les droits des communautés et des peuples autochtones à contrôler leur information. Les principes traduisent les visions du monde autochtone en matière de gouvernance et de droits collectifs. D’un point de vue historique, les peuples autochtones n’ont pas été consultés quant aux renseignements recueillis à leur sujet, aux personnes qui les ont recueillis, à la manière de les stocker ou qui y aura accès. Ce manque de gouvernance a mené à une cueillette de données qui manque de pertinence à l’égard des priorités et des préoccupations des peuples autochtones.

Ces principes affirment les droits et l’autodétermination des communautés autochtones à détenir, à contrôler, à accéder et à posséder l’information relative à leurs peuples, et exigent que les chercheuses et chercheurs qui souhaitent mener des recherches avec une communauté autochtone prennent connaissance de ces principes avant d’entamer leurs travaux. Les principes peuvent aider toute personne qui travaille (ou qui veut travailler) avec une recherche, des données, de l’information ou des connaissances culturelles autochtones et ils soutiennent le chemin vers la souveraineté des données des peuples autochtones (Centre de gouvernance de l’information des Premières Nations, 2022b). Le CGIPN et le Collège Algonquin ont élaboré un cours en ligne afin de former les chercheuses et chercheurs au sujet des principes de PCAP^® et de leur histoire.

Les principes de PCAP^® des Premières Nations

1. Propriété : les communautés ou groupes détiennent leurs propres connaissances, données et renseignements au même titre que tout individu à l’égard de ses renseignements personnels.
2. Contrôle : les collectivités ont le contrôle de toutes les étapes du projet de recherche – de la collecte de données au stockage, et tout ce qui se situe entre les deux. Les collectivités détiennent le contrôle et le pouvoir décisionnel de tous les aspects de la recherche et de l’information qui les touchent.
3. Accès : les collectivités devraient pouvoir accéder à leur information et à leurs données collectives, peu importe où elles se trouvent. Les collectivités devraient pouvoir gérer l’accès et le contrôle de leur information et prendre des décisions à cet égard.
4. Possession : principe plus concret que celui de la propriété. Il s’agit du contrôle physique des données, du mécanisme qui permet de faire valoir et de protéger la propriété.

Une liste non exhaustive de stratégies pour mener des recherches en respectant les principes de PCAP^®

(Adaptée de l’œuvre de Schnarch (2005), National Aboriginal Health Organization (2005), et du First Nations Information Governance Centre (2016))

• Prévoyez qu’il vous faudra plus de temps. Vous devrez obtenir des permissions auprès des entités décisionnelles communautaires comme la ou le Chef ainsi que le Conseil, les comités consultatifs et les Gardiennes et Gardiens du savoir, en plus de votre propre conseil d’éthique, des personnes participantes, des organismes de financement, entre autres. Le consentement communautaire est tout aussi important que le consentement éclairé des personnes participantes. Il faut cesser la recherche si la communauté n’y consent pas.
• Négociez la relation de recherche et rédigez un accord qui affirme vos droits et responsabilités ainsi que ceux de la communauté et de tous les autres partenaires du processus de recherche. Faites en sorte que toutes les parties comprennent le document, l’acceptent et en reçoivent une copie.
• Cherchez des sources de financement dont les politiques affirment l’autodétermination et la souveraineté autochtones.
• Offrez des explications et donnez de la rétroaction sur tous les aspects du projet, notamment votre but, les avantages prévus et les risques du projet; les méthodes que vous prévoyez d’utiliser; la manière dont vous souhaitez recruter des personnes participantes; la manière de rapporter vos résultats et ce que vous comptez faire des données obtenues.
• Respectez les protocoles de confidentialité en ce qui a trait à la culture et à la communauté, le bien-être, les droits individuels et collectifs des peuples autochtones. Suivez des lignes directrices rigoureuses en matière d’éthique. Veillez à prendre en compte le fait que chaque communauté peut avoir des interprétations et des niveaux de confort différents en ce qui concerne les principes de PCAP^® et d’autres cadres d’autodétermination.
• Soutenez les intérêts de la communauté et maximisez les avantages des travaux. Il s’agit notamment de vous appuyer sur les initiatives autochtones qui ont connu du succès et d’offrir des possibilités de renforcement des capacités.
• Présentez toutes vos communications, tous vos résumés et rapports de recherche à la communauté dans la langue appropriée avant de les publier.
• Veillez à ce que les collectivités autochtones aient accès à leurs données, et non seulement aux rapports ou aux publications qui en résultent.

Analyse critique des principes de PCAP^®

Des critiques pourraient affirmer que le développement des capacités est un préalable nécessaire aux données et aux recherches contrôlées par les peuples autochtones. Ils pourraient argumenter que la communauté ne dispose pas de l’expertise requise, ce qui pourrait entraîner des risques et des conséquences. Certains pourraient encourager les membres des Premières Nations, les Inuits et les Métis qui détiennent des diplômes d’enseignement supérieur à participer aux recherches et celles et ceux qui n’en ont pas à en obtenir en lien avec la recherche.

Ces deux solutions favorisent les individus, mais qu’en est-il du renforcement d’une nation et d’une communauté en plus du développement professionnel? Pour obtenir des diplômes d’études supérieures, il faut souvent quitter sa communauté, ce qui peut entraîner une aliénation. Encore récemment, les peuples des Premières Nations, les Inuits et les Métis devaient renoncer à leur statut d’Autochtone et s’assimiler à la société coloniale blanche. Les vrais bénéficiaires de cette situation sont les établissements où ces personnes étudient ou pour lesquels elles travaillent.

Les occasions de travailler en tant que chercheuse ou chercheur à temps plein au sein des communautés sont très rares. La capacité de fonctionner dans deux mondes (c’est-à-dire, trouver un équilibre entre les valeurs autochtones et gérer les responsabilités communautaires tout en faisant progresser sa carrière universitaire) constitue un défi – un défi qui force parfois les gens à prendre des décisions déchirantes. En outre, suggérer que les communautés ne peuvent pas mener elles-mêmes des recherches éthiques et bénéfiques est, au mieux, préjudiciable. Pour être utiles, il n’est pas nécessaire que les recherches soient spécialisées, qu’elles emploient des méthodologies complexes ou qu’elles regorgent de jargon scientifique.

Se tourner vers l’avenir grâce aux principes de PCAP^®

À ce jour, les principes de PCAP^® constituent l’outil le plus puissant des peuples des Premières Nations au Canada et de leurs alliés en ce qui a trait à l’affirmation de la souveraineté sur leurs données. Les principes peuvent remettre en question les mauvaises données ainsi que les pratiques de recherche erronées et en favoriser de meilleures. Néanmoins, il faut encore relever des défis pour aller de l’avant de manière significative.

• Pour les comités d’éthique en recherche : évaluez toutes les demandes de recherche futures à la lumière des principes de PCAP^®, ou d’un autre cadre adéquat, afin que la recherche s’y conforme. Qu’en est-il de l’évaluation des recherches en cours ou historiques? N’oublions pas que les communautés autochtones ont subi un préjudice important du fait de pratiques de recherche abusives. La vérité et la réconciliation ne demeurent-elles pas un engagement déclaré de plusieurs établissements d’enseignement et organismes gouvernementaux?
• Pour les groupes qui rédigent des politiques : abordez les principes de propriété, de contrôle, d’accès et de possession des données et de la recherche pour toutes les politiques et révisez les politiques antérieures. Les politiques institutionnelles en matière d’incendie et de tabagisme, celles relatives au stockage et à la diffusion des données et celles portant sur la propriété intellectuelle constituent autant d’exemples de politiques existantes ayant une incidence sur la recherche communautaire.
• Pour les chercheuses et chercheurs : faites preuve de souplesse, acceptez le compromis, remettez en question vos propres idées préconçues en ce qui a trait à la propriété, au contrôle, à l’accès et à la possession des travaux que vous pourriez envisager comme « vôtres ». Souvenez-vous qu’une véritable recherche communautaire a pour but de créer une action sociale positive et déterminée par la communauté autochtone.
• Pour les professionnelles et professionnels en gestion des données : pensez à la communauté qui fait l’objet du projet de recherche avant d’élaborer un plan de gestion des données. Remettez-vous-en à la communauté pour évaluer sa compréhension et ses niveaux de confort avec l’autodétermination des données, et ce, peu importe l’ensemble de principes à partir duquel vous travaillez. Abordez toujours les projets en ayant à l’esprit la relationnalité, le respect, la réciprocité et la responsabilité.

Conclusion

Ce chapitre met l’accent sur l’histoire et les itérations contemporaines de la dépossession et de l’appropriation des connaissances et de savoir-faire des autochtones, y compris un historique de la communauté politique mondiale des peuples autochtones, particulièrement l’impact de la Déclaration des Nations Unies sur les droits des peuples autochtones (DNUDPA) au Canada. Nous avons mis en contexte l’importance de la souveraineté des données autochtones d’un point de vue historique. Nous avons partagé des pratiques exemplaires sur la manière de travailler avec des données autochtones afin de remettre en question des pratiques historiquement préjudiciables. Parmi ces pratiques exemplaires, il a été question des principes de PCAP^®, l’outil le plus puissant dont disposent les peuples des Premières Nations au Canada et leurs alliés dans l’affirmation de la souveraineté sur leurs données.

Lectures et ressources supplémentaires

Centre de gouvernance de l’information des Premières Nations. (2014, 12 septembre). Comprendre les principes de PACP® des Premières Nations [Vidéo]. Youtube. https://youtu.be/qwwJCo5_eKI

Lovett, R. Lee, V., Kukutai, T., Cormack, D., Rainie, S. C. et Walker, J. (2019).  Good data practices for Indigenous data sovereignty and governance. Dans A. Daly, S. K. Devitt, et M. Mann (dir.), Good data (pp. 26-36). Institute of Network Cultures.

Toombs, E., Drawson, A. S., Chambers, L., Bobinski, T. L. R., Dixon, J. et Mushquash, C. J. (2019). Moving towards an Indigenous research process: A reflexive approach to empirical work with First Nations communities in Canada. The International Indigenous Policy Journal, 10(1). https://doi.org/10.18584/iipj.2019.10.1.6

Tuhiwai Smith, L. (2012). Decolonizing methodologies: Research and Indigenous peoples. University of Otago Press.

Bibliographie

Archibald, J.-A. (2008). Indigenous storywork: Educating the heart, mind, body, and spirit. UBC Press.

Centre de gouvernance de l’information des Premières Nations. (2022a). Notre histoire. https://fnigc.ca/fr/a-propos-de-nous/notre-histoire/#slide-1

Centre de gouvernance de l’information des Premières Nations. (2022b). Les principes de PCAP^® des Premières Nations. https://fnigc.ca/fr/les-principes-de-pcap-des-premieres-nations/

Erueti, A. (2022). The UN declaration on the rights of Indigenous Peoples: A new interpretative approach. Oxford University Press.

First Nations Centre. (1997). First Nations and Inuit Regional Health Surveys, 1997. https://fnigc.ca/wp-content/uploads/2020/09/71d4e0eb1219747e7762df4f6a133a3d_rhs_1997_synthesis_report.pdf

First Nations Information Governance Centre. (2016). Pathways to First Nations’ data and information sovereignty. Dans T. Kukutai, et J. Taylor (dir.), Indigenous data sovereignty: Toward an agenda, (pp. 139-156). ANU Press.

Hanson, E. (s.d.-a.). ILO convention 107. UBC Indigenous Foundations. https://indigenousfoundations.arts.ubc.ca/ilo_convention_107/

Hanson, E. (s.d.-b.). ILO convention 169. UBC Indigenous Foundations. https://indigenousfoundations.arts.ubc.ca/ilo_convention_169/

Harvard Project on American Indian Economic Development. (2006). Review of the First Nations regional longitudinal health survey (RHS) 2002/2003. https://fnigc.ca/wp-content/uploads/2020/09/67736a68b4f311bfbf07b0a4906c069a_rhs_harvard_independent_review.pdf 

Holm, T., Pearson, J. D. et Chavis, B. (2003). Peoplehood: A model for the extension of sovereignty in American Indian studies. Wicazo Sa Review, 18(1), 7–24. https://doi.org/10.1353/wic.2003.0004

Kidwell, C. S. (1993). Systems of Knowledge. Dans A. M. Josephy et F. E. Hoxie (dir.), America in 1492: The world of the Indian peoples before the arrival of Columbus, (pp. 369–403). Vintage Books.

Littletree, S., Belarde-Lewis, M. et Duarte, M. (2020). Centering relationality: A conceptual model to advance Indigenous knowledge organization practices. Knowledge Organization, 47(5), 410-426. https://doi.org/10.5771/0943-7444-2020-5-410

Meyer, M. A. (2008). Indigenous and authentic: Hawaiian epistemology and the triangulation of meaning. Dans N. K. Denzin, Y. S. Lincoln, et L. T. Smith (dir.), Handbook of critical and indigenous methodologies, (pp. 217–232). Sage.

Nations Unies. (2007). Déclaration des Nations Unies sur les droits des peuples autochtones. https://social.desa.un.org/sites/default/files/migrated/19/2018/11/UNDRIP_F_web.pdf

National Aboriginal Health Organization. (2005). Ownership, control, access, and possession (OCAP) or self-determination applied to research: A critical analysis of contemporary First Nations research and some options for First Nations communities. https://ruor.uottawa.ca/bitstream/10393/30539/1/OCAP_Critical_Analysis_2005.pdf

National Indigenous Australians Agency (2022). Closing the gap. Australian Government. https://www.niaa.gov.au/Indigenous-affairs/closing-gap

Schnarch, B. (2005). Ownership, Control, Access, and Possession (OCAP) or Self-Determination Applied to Research: A critical analysis of contemporary First Nations research and some options for First Nations communities. Journal of Aboriginal Health, 1(1), 80-95. https://jps.library.utoronto.ca/index.php/ijih/article/view/28934

Services aux Autochtones Canada. (2022). Mandat. Gouvernement du Canada. https://www.sac-isc.gc.ca/fra/1539284416739/1539284508506

United States Department of the Interior Bureau of Indian Affairs. (2023). Mission statement. https://www.bia.gov/bia

Walter, M. (2016). Data politics and Indigenous representation in Australian statistics. Dans T. Kukutai et J. Taylor (dir.), Indigenous data sovereignty: Toward an agenda, (pp. 79-87). ANU Press.

Walter, M. (2018). The voice of indigenous data: Beyond the markers of disadvantage. Griffith Review, (60), 256–263.

Walter, M. et Andersen, C. (2013). Indigenous statistics: A quantitative research methodology. Routledge.

Walter, M., Kukutai, T., Russo Carroll, S. et Rodriguez-Lonebear, D. (2021). Indigenous data sovereignty and policy. Taylor & Francis.

Walter, M. et Suina, M. (2019). Indigenous data, Indigenous methodologies, and Indigenous data sovereignty. International Journal of Social Research Methodology, 22(3), 233-243. https://doi.org/10.1080/13645579.2018.1531228

Wilson, S. (2008). Research is ceremony: Indigenous research methods. Fernwood Publishing.

Eugene Barsky; Elizabeth Hill; Tatiana Zaraiskaya; Minglu Wang; et Lucia Costanzo

Introduction

Le Canada et plusieurs autres pays développés mettent en place des exigences en matière de gestion des données de recherche (GDR) pour un éventail de disciplines universitaires. Les obstacles à la gestion, à la préservation et au partage de données, dont il sera question dans d’autres chapitres, sont surmontés à l’aide de recommandations et de recours aux normes établies par les différentes communautés, comme les métadonnées reconnues, la documentation des données et les dépôts disciplinaires.

Comme vous l’avez appris, les Instituts de recherche en santé du Canada (IRSC), le Conseil de recherche en sciences naturelles et en génie du Canada (CRSNG) et le Conseil de recherche en sciences humaines (CRSH) sont les trois organismes de financement de recherche fédéraux. En mars 2021, ils ont publié la Politique des trois organismes sur la gestion des données de recherche afin de commencer à introduire graduellement des exigences relatives aux plans de gestion des données (PGD) pour certains programmes de subventions. Par le biais de ces programmes, les organismes subventionnaires encouragent fortement les établissements de recherche à fournir à leurs chercheuses et chercheurs un environnement qui permet des pratiques robustes de gestion et de curation des données et à soutenir la gestion et le versement des données de recherche dans des dépôts sécuritaires, accessibles, et qui assurent la curation de leur contenu. Même avant la publication de cette politique, des têtes dirigeantes et des organismes visionnaires, particulièrement des bibliothèques canadiennes, ont promu des initiatives et déployé des efforts pour sensibiliser localement les gens à la gestion de données.

Au cours de la dernière décennie, les bibliothèques universitaires canadiennes ont travaillé à la prestation de soutien en GDR auprès de leurs communautés (Steeleworthy, 2014; Liss, 2018). Les collaborations entre les bibliothèques universitaires et la communauté de recherche abordent les principaux défis en ce qui a trait à l’infrastructure, aux services et à la formation par le biais d’initiatives comme le réseau Portage (Portage) et Données de recherche Canada (DRC). Ces deux entités font désormais partie de l’Alliance de recherche numérique du Canada (Alliance).

Dans ce chapitre, nous donnons un aperçu de la GDR canadienne, laquelle a commencé par des initiatives sur le terrain avant de passer à des efforts nationaux à plus grande échelle. Ce chapitre actualise et développe des travaux réalisés il y a quelques années de cela (Barsky et al., 2017).

Bref historique de la gestion des données de recherche au Canada

Depuis la fin du 20^e siècle, les bibliothèques universitaires discutent et plaident en faveur de la centralisation des services d’archivage et de découverte de données ainsi que pour un meilleur accès aux données de recherche au Canada. Toutefois, dans un pays avec une population relativement peu nombreuse et dispersée géographiquement, la centralisation constitue un défi de taille. Lorsque les initiatives en GDR ont commencé, les bibliothèques universitaires canadiennes ont réussi à consolider les collections de données en sciences sociales, surtout les collections gouvernementales mises à la disposition des chercheuses et chercheurs aux fins d’analyse secondaire. Les bibliothèques universitaires ont également participé à la création d’une communauté de pratique nationale en matière de GDR. En tirant profit des liens étroits entre les chercheuses, les chercheurs, les bibliothécaires et les spécialistes des données, le réseau des responsables de l’intendance de données a pu non seulement collaborer à l’élaboration d’outils et d’infrastructures de GDR, mais il a également pu offrir de nouvelles ressources à leurs communautés de recherche grâce à de la formation sur les données, une consultation et des services de dépôt de données.

Donner accès aux données de Statistiques Canada

L’Initiative de démocratisation des données (IDD), un service par abonnement qui donne accès aux données de Statistiques Canada, illustre parfaitement comment la collaboration en gestion des données peut aider à bâtir et à entretenir une infrastructure de diffusion des données et former des expertes et experts des données. Le programme de l’IDD a vu le jour en 1996 à la suite de consultations entre Statistiques Canada, l’Association des bibliothèques de recherche du Canada (ABRC) et la Fédération des sciences humaines (Boyko et Watkins, 2011). L’IDD est une réaction à la fois aux coûts élevés pour les fichiers de microdonnées à usage public de Statistiques Canada et à l’absence d’infrastructure dans les universités canadiennes pour donner accès à ces données (Humphrey, 2005). En raison des coupes budgétaires dans les années 1980, les prix établis pour l’accès aux fichiers de microdonnées à usage public visaient un recouvrement total des coûts; par conséquent, même les recherches les mieux financées ne pouvaient pas se les procurer.

La collection de l’IDD comprend des milliers de fichiers de données pour des centaines d’ensembles d’enquêtes. Sa taille et la demande des chercheuses et chercheurs ont influencé dans les bibliothèques la croissance de l’infrastructure de données nécessaire pour gérer et préserver l’accès à ces données. Au départ, peu de bibliothèques disposaient d’une expertise pour prendre en charge les services de données. Toutefois, Statistiques Canada exigeait un point de contact au sein des bibliothèques qui diffusaient les données. Les bibliothèques ont donc dû développer l’expertise de leur personnel par le biais d’activités de formation de l’IDD (Humphrey, 2005). Ces programmes de formation, en plus de permettre de développer la compétence du personnel dans les bibliothèques, ont créé une communauté universitaire nationale de données. La nécessité de prendre en charge le programme de l’IDD a également mené à la mise sur pied d’initiatives visant à offrir ou améliorer la transmission des données aux spécialistes en données et aux personnes utilisatrices. Ces systèmes de diffusion des données comprennent Odesi et Abacus en Ontario et en Colombie-Britannique ainsi que d’autres systèmes au Québec et dans les provinces de l’ouest (Hill et Gray, 2016). Vous pouvez approfondir vos connaissances en consultant les sources citées pour ce chapitre.

Stratégie de données de recherche nationale au début des années 2000

Dans les années 2000, Hackett (2001) a défini une vaste gamme d’enjeux en lien avec l’acquisition, la préservation des données de recherche canadiennes et leur accès. Localiser les données canadiennes préalablement recueillies et y accéder étaient les principaux problèmes soulevés. Cette difficulté était due aux coûts élevés, à l’absence d’un répertoire de ressources ou d’un service de dépôt central et à l’absence d’un organisme national pour définir les normes et offrir une direction, du financement ainsi qu’une infrastructure (Hackett, 2001). Il y avait quelques exceptions. Les disciplines des sciences physiques et de la génétique disposaient déjà d’une culture internationale de partage des données dans des dépôts disciplinaires. L’importance du partage des données de recherche pour la pratique scientifique dans ces disciplines a mené à la création de dépôts canadiens pour lesquels aucune politique n’était nécessaire. C’est notamment le cas du Polar Data Catalogue (un projet du Canadian Cryospheric Information Network), du Centre canadien de données astronomiques (une initiative du Canadian Advanced Network for Astronomical Research), et de CBRAIN (une initiative du McGill Centre for Integrative Neuroscience, MCIN). Toutefois, le manque de normes interdisciplinaires coordonnées en matière de curation des données et de métadonnées demeure problématique.

Au cours des 20 dernières années, le gouvernement fédéral a consulté diverses communautés de recherche ainsi que la Bibliothèque nationale du Canada et les Archives nationales du Canada (désormais Bibliothèque et Archives Canada) au sujet des avantages et des défis liés à la GDR. En 2005, le gouvernement canadien a publié le rapport National Consultation on Access to Scientific Research Data (NCASR). Il s’agit du résultat d’un groupe de travail d’expertes et experts comptant plus de 70 têtes dirigeantes du Canada, entre autres dans les domaines de la recherche, de l’administration et des bibliothèques (Strong et Leach, 2005). Le rapport comprenait une recommandation pour la mise sur pied d’un comité directeur national qui verrait à la création d’une archive de données nationale et à la coordination de la gestion des données. Il incluait également une recommandation pour le financement de projets dans tous les domaines au Canada. Toutefois, cette approche a échoué à obtenir du soutien politique (Humphrey, 2012a).

Sans comité directeur national et sans ressources issues du gouvernement fédéral, les bibliothèques universitaires ont dû trouver une autre voie. Elles ont créé des dépôts institutionnels et interinstitutionnels pour diffuser et archiver les données, particulièrement celles des données dites à longue traîne (long-tail), soit un grand nombre de jeux de données relativement petits produits par plusieurs disciplines (Heidorn, 2008). Ces derniers sont diversifiés et souvent difficiles à gérer (Cooper et al., 2021). Les bibliothèques possédaient une expertise en archivage et en préservation des résultats de recherche et, par leur implication dans le projet de l’IDD, elles se sont investies dans des solutions d’accès et de diffusion des données sous licence. Elles ont été reconnues comme étant bien placées pour relever le défi de la gestion des jeux de données à longue traîne.

Une approche locale à l’infrastructure canadienne de GDR voit le jour au début des années 2010

En 2008, le Conseil national de recherches du Canada (CNRC) a créé un groupe de travail sur la stratégie de données de recherche pour mettre en œuvre les recommandations du NCASR. Le groupe comptait plus de 70 leaders en recherche scientifique au Canada. En même temps, l’ABRC, un groupe qui représente les plus grandes bibliothèques universitaires au Canada et deux institutions fédérales, a commencé à participer à diverses conversations au sujet de l’avenir de l’infrastructure canadienne de recherche numérique. Graduellement, l’ABRC a argumenté que la GDR, le calcul de haute performance (représentée par Calcul Canada) et le réseau de recherche à haute vitesse (représenté par le Réseau canadien pour l’avancement de la recherche, de l’industrie et de l’enseignement (CANARIE)) devraient être perçus comme des piliers d’une importance équivalente dans une infrastructure de recherche (Humphrey, 2012b).

En 2011, l’ABRC et le groupe de travail sur la stratégie des données de recherche ont organisé un sommet sur les données de recherche qui a mené à la création de Données de recherche Canada (DRC) en 2012. Depuis 2014, le projet est appuyé par CANARIE, un organisme sans but lucratif ayant pour mission de faire fonctionner la structure nationale du réseau de recherche et d’éducation au Canada. DRC a aidé à la mise sur pied de comités et au lancement de projets techniques; il a collaboré avec des organisations internationales pour favoriser l’infrastructure et l’expertise en matière de données de recherche. DRC a coordonné le Sommet sur l’encadrement des services de données nationaux (ESDN), tenu pour la première fois en 2017, puis annuellement de 2019 à 2022. Cet événement réunissait des groupes et des spécialistes en GDR, notamment des organismes de financement, des responsables de la curation de dépôts de données disciplinaires et des bibliothécaires de données de partout au pays. Les discussions ont  souligné l’importance d’accorder la priorité à une infrastructure et à des services de GDR coordonnés à l’échelle nationale pour l’avenir de l’infrastructure de recherche numérique canadienne (Attendees of the NDSF Summit, 2019).

Dans le cadre des efforts de l’ABRC pour améliorer le niveau de préparation des bibliothèques aux services de soutien aux données de recherche, un cours en GDR a été offert au début de 2013. Dans le sillage de ce cours est née la Communauté de pratique canadienne en gestion des données de recherche, un forum qui permet de discuter continuellement des activités en GDR au Canada.

Les directrices et directeurs de l’ABRC ont établi des relations concrètes avec les organisations qui offrent l’infrastructure informatique de recherche aux bibliothèques canadiennes, notamment CANARIE, Calcul Canada (calcul à haute performance), Canadian University Council of Chief Information Officers (CUCCIO) et la Bibliothèque scientifique nationale. Le projet pilote ARC, qui devait durer un an, a été mis sur pied en 2014. Il avait pour objectif de favoriser la création d’une communauté de pratique en données de recherche au Canada. Résultat : création d’un réseau d’expertes et experts comprenant des bibliothécaires universitaires, des gens qui développent des systèmes et du code ainsi que des prestataires de services de données. Le projet ARC s’est avéré un succès et est devenu le réseau Portage en 2015. Sa mission : offrir une direction aux chercheuses et chercheurs du Canada par le biais d’un réseau d’expertes et experts partout au pays. Le 1^er avril 2021, Portage a intégré l’Alliance; RDC a fait de même au printemps 2022. À l’heure actuelle, l’Alliance offre une infrastructure ainsi qu’un service de recherche numérique intégrée à l’ensemble des chercheuses et  chercheurs universitaires au Canada.

Politique de GDR nationale de la fin des années 2010 jusqu’au début des années 2020

En 2016, dans le sillon d’étapes entreprises par d’autres pays, les organismes fédéraux de financement de la recherche ont commencé à mettre sur pied une politique en GDR avec la publication d’une Déclaration de principes sur la gestion des données de recherche. Ce document propose aux chercheuses et chercheurs, aux communautés de recherche, aux établissements ainsi qu’aux organismes de financement de collaborer à la création d’un environnement ouvert et solide pour les données de recherche canadiennes.

En 2018, les organismes subventionnaires ont annoncé avoir rédigé une ébauche de politique de GDR et ont entamé une consultation publique. Elles ont reçu plus d’une centaine de commentaires provenant de diverses parties prenantes à propos de la recherche autochtone, la surveillance, la conformité ainsi qu’au sujet des trois piliers de mise en œuvre abordés par la politique : la stratégie de GDR, les PGD et le dépôt de données. En mars 2021, les organismes subventionnaires ont annoncé la création officielle de la Politique des trois organismes sur la gestion des données de recherche qui vise l’excellence dans la GDR au Canada. La politique reconnaît toutefois le contexte diversifié des demandes scientifiques disciplinaires, les limites légales et éthiques, les capacités des établissements ainsi que l’autodétermination et la mobilisation des communautés autochtones. À la suite de cette annonce tant attendue, la politique a créé un mandat de soutien à la GDR au sein des établissements de recherche.

Ainsi, chaque établissement canadien doit présenter une stratégie de GDR afin que les organismes de financement puissent évaluer le degré de préparation à l’échelle de tous les établissements. Le fait d’élaborer une stratégie de GDR permet aux responsables des établissements de réfléchir aux lacunes locales et de mettre en place des solutions en plus de favoriser la collaboration avec d’autres établissements. La publication de la Politique des trois organismes sur la gestion des données de recherche coïncide avec la création de l’Alliance, un organisme national sans but lucratif ayant pour objectif d’harmoniser et d’améliorer l’accès aux outils et aux services numériques à l’intention de la communauté de recherche canadienne. L’Alliance se concentre principalement sur la création d’un réseau de services de GDR national dans trois domaines : calcul informatique de pointe, gestion des données de recherche et logiciels de recherche.

Collaboration nationale : du réseau Portage à l’Alliance

Origine et organisation actuelle

Portage a été mis sur pied par l’ABRC en 2015 en réaction au Plan d’action du Canada pour un gouvernement ouvert; il était le précurseur de l’Alliance. À l’origine, il s’agissait d’un réseau national de services et de soutien en GDR supporté par la communauté  qui tirait profit des réseaux existants, nationaux et régionaux, des bibliothèques universitaires canadiennes. Portage est le fruit de la vision de personnes à l’avant-garde qui se portaient à la défense de la cause de la GDR (Humphrey, 2012b). Le concept initial du réseau a été abordé lors d’une rencontre informelle au congrès de l’ABRC en 2013.

En 2014, l’ABRC a lancé un projet pilote d’un an d’une communauté de pratique appelée ARC. Forte de cette réussite, elle a créé un réseau d’expertes et experts (REE) en GDR basé sur les bibliothèques. Des modèles fonctionnels et une gouvernance ont été définis au cours des deux années suivantes (de septembre 2015 à août 2017) (Humphrey et al., 2016). Depuis, le REE a développé et rendu disponible du matériel de formation, des lignes directrices et des modèles en lien avec la GDR, conformément aux exigences des organismes subventionnaires du Canada afin d’appuyer la communauté de recherche et les personnes responsables de l’intendance des données. Le REE a consolidé les liens existants entre les infrastructures de dépôt de données régionales qui se servent du logiciel Dataverse  ce qui a conduit à des partenariats formels et au lancement de Borealis, le dépôt Dataverse canadien. Le REE a également coordonné l’élaboration de l’application Web d’assistance au plan de gestion des données (l’Assistant PGD), la création d’un dépôt connu en tant que Dépôt fédéré de données de recherche (DFDR) et la mise en ligne de Lunaris, une plateforme de découverte de données.

Après avoir rejoint les rangs de l’Alliance en avril 2021, la communauté d’expertes et experts de Portage est devenue membre de l’équipe de GDR de l’Alliance. La gouvernance et les activités futures du REE font encore l’objet de discussions. Le réseau compte désormais plus de 140 expertes et experts provenant de 60 établissements partout au Canada. Il collabore avec une vaste gamme de parties prenantes et de partenaires à l’échelle locale, nationale et internationale afin de développer des services et une infrastructure pour que les chercheuses et chercheurs universitaires puissent accéder au soutien dont ils ont besoin en GDR (Humphrey, 2020). Au moment de rédiger ce document, le REE comprend neuf groupes actifs :

1. Groupe d’experts sur la curation (GEC)
2. Groupe d’experts sur la planification de la gestion des données (GEPGD)
3. Groupe d’experts sur les dépôts de données (GEDD)
4. Groupe d’experts sur Dataverse Nord (Dataverse Nord)
5. Groupe d’experts sur la découverte et les métadonnées (GEDM)
6. Groupe d’experts sur la préservation (GEP)
7. Groupe d’experts sur la recherche et l’intelligence (GERI)
8. Groupe d’experts sur les données sensibles (GEDS)
9. Groupe d’experts national sur la formation (GENF)

Les efforts de la communauté d’expertes et experts en GDR ne cessent de progresser grâce aux travaux de l’équipe de GDR de l’Alliance pour élaborer des ressources communes, une expertise et des documents de formation. Les résultats et publications de chaque groupe peuvent être consultés sur le site Web de l’Alliance. Voici quelques faits saillants des réalisations de la communauté.

Infrastructures, services et outils

Le réseau canadien actuel de collaborations locales et régionales permet d’augmenter l’efficience et de favoriser une infrastructure, des services et des outils de gestion des données. Les spécialistes des données et les bibliothécaires des établissements universitaires canadiens, ainsi que le personnel en GDR de l’Alliance, ont participé au développement et au soutien des infrastructures et des outils de GDR dont il est question dans ce chapitre. Par exemple, le groupe de travail de Dataverse Nord a été mis sur pied pour rassembler les prestataires de dépôts Dataverse et les bibliothécaires du Canada afin de coordonner au niveau local et national et de discuter au sujet de la formation, des services de soutien, des stratégies de sensibilisation, de la promotion, du développement de l’infrastructure et des besoins.

Une infrastructure de gestion des données multifonctionnelle encore plus importante, le DFDR, a été créée avec l’équipe de GDR de l’Alliance comme prestataire de services et Calcul Canada pour l’hébergement du matériel et de l’infrastructure. Le DFDR a également bénéficié du soutien de plusieurs groupes d’expertes et experts, notamment le GEDM, le GEP et le GEC. Aujourd’hui, le DFDR offre une vaste gamme de services en GDR aux établissements, aux organisations et aux chercheuses et chercheurs du Canada, y compris le stockage, la préservation et la curation des données. Tous les membres de la communauté de recherche canadienne peuvent déposer des données ouvertes dans le DFDR et obtenir un identifiant numérique d’objet (DOI) afin d’identifier de manière unique leur jeu de données et générer une adresse Web permanente. Le DFDR est également en mesure de gérer les dépôts de données massives et offre un soutien dédié à la curation des données.

Au départ, le DFDR comprenait une fonction d’indexation de données provenant d’autres dépôts de données canadiens, permettant ainsi leur découverte. Toutefois, en 2022, il a été entendu d’approfondir cette capacité en tant que service distinct appelé Lunaris. Il s’agit d’une plateforme bilingue de type guichet unique pour chercher des données provenant du DFDR et d’autres sources. Lunaris n’héberge pas les données, il offre plutôt des liens vers des dépôts externes où les données peuvent être téléchargées.

La préservation des données de recherche est essentielle pour s’assurer qu’elles demeurent accessibles et utilisables à long terme. Le Canada ne dispose toujours pas d’un plan ou d’une stratégie solide pour la préservation des données de recherche. Le GEP a vu le jour afin d’améliorer la capacité de Portage à développer une infrastructure et des pratiques exemplaires pour préserver les données de recherche et les métadonnées. Ceci comprend une collaboration avec les parties prenantes pertinentes à des projets de développement de logiciels qui ajoutent des plateformes et des services de préservation à l’infrastructure de GDR au Canada. Le GEP a travaillé avec d’autres groupes d’expertes et experts afin de mettre davantage de l’avant les enjeux relatifs à la préservation, a collaboré avec le DFDR et les dépôts Borealis en ce qui a trait à la fonction de préservation des dépôts et a participé avec le DFDR, SciNet, Scholars Portal et les bibliothèques de l’Université de Toronto sur un projet de pipeline de préservation afin de simplifier l’accès pour les chercheuses et chercheurs à des environnements robustes de préservation numérique à long terme.

Au départ, l’outil en ligne Assistant PGD était hébergé et administré par l’Université de l’Alberta; plus tard, la section GDR de l’Alliance en est devenue responsable. La Politique des trois organismes sur la gestion des données de recherche met en évidence l’importance des PGD dans le processus de recherche et les définit comme un des trois piliers principaux. Les trois organismes fédéraux de financement de la recherche ont également annoncé que le PGD deviendrait bientôt une exigence – et non plus une recommandation – pour l’ensemble des chercheuses et chercheurs du Canada qui demandent un financement public. Avant cette annonce, le recours aux PGD constituait déjà une exigence standard des demandes de financement américaines et européennes. L’assistant PGD, créé en partenariat avec les trois organismes subventionnaires, offre des conseils détaillés sur la création d’un plan de gestion des données. De plus, les REE ont élaboré plusieurs documents bilingues, notamment des guides pour :

• créer un plan de gestion des données efficace;
• personnaliser le contenu et l’apparence du PGD (ressource en anglais uniquement).

Il existe plusieurs modèles et exemples de PGD par discipline, qui mettent en évidence les meilleures pratiques en matière de PGD, dans la section des ressources de formation du site Web de l’Alliance.

Pratiques exemplaires, normes et orientations

En tant que réseau collaboratif national d’expertes et experts, l’Alliance a favorisé la mise en place et la coordination d’une offre d’infrastructure et d’outils en ligne existants et dispersés : l’Assistant PGD, le Dataverse de Scholars Portal (renommé Borealis, le dépôt Dataverse canadien, en 2022), le DFDR et Lunaris. Il a également préparé des lignes directrices et des recommandations quant aux pratiques exemplaires en GDR dans le cadre d’une collaboration étroite avec les trois organismes fédéraux de financement de la recherche. Les lignes directrices et la documentation élaborées par les groupes de travail en GDR de l’Alliance sont disponibles sur Zenodo et incluent :

• Guide pour la curation dans Dataverse, fruit du groupe de travail sur le guide de curation dans Dataverse. Les pratiques exemplaires pour préparer des jeux de données à leur publication dans le dépôt Dataverse sont décrites;
• Guide des pratiques exemplaires sur les métadonnées de Dataverse Nord, fruit du groupe de travail sur Dataverse Nord, il est constamment mis à jour. Ce guide donne un aperçu des pratiques exemplaires en matière de métadonnées et donne des exemples issus de plusieurs disciplines, notamment les données géospatiales;
• Guide d’évaluation pour la préservation des données de recherche, fruit du groupe de travail sur l’évaluation à des fins de préservation. Ce guide aborde les besoins des personnes qui créent et préservent les données afin d’évaluer et sélectionner les données de recherche qui bénéficieront d’un accès à long terme;
• Boîte à outils pour les données sensibles à l’intention des chercheuses et chercheurs, publiée en 2020 et continuellement mise à jour par le Groupe d’experts sur les données sensibles. Ce guide en trois parties comprend un glossaire, une matrice de risques pour les données et un échantillon de vocabulaire de consentement. Nous avons listé et fourni un lien vers chaque partie du guide dans l’encadré qui suit. Il a été adopté à grande échelle par les établissements canadiens.

Création de réseaux et de communautés

En plus d’offrir une infrastructure et des pratiques exemplaires en GDR, l’Alliance souhaitait lever les obstacles sociaux, culturels et technologiques associés à l’écosystème de GDR (Humphrey, 2012b). Dans les faits, elle a encouragé la création de communautés et de réseaux variés au cours des dernières années.

Les membres du Groupe d’experts sur les dépôts de données (GEDD) de la GDR de l’Alliance ont participé à la mise sur pied du Consortium DataCite Canada, lancé en janvier 2020. Financé par l’Alliance, le consortium est dirigé par l’équipe de GDR de l’Alliance alors que le Réseau canadien de documentation pour la recherche s’occupe de l’administration. Plus de 50 établissements du consortium ont collaboré à l’élaboration d’une structure de gouvernance et de financement et pour offrir à leurs membres des services de production de DOI et d’enregistrement des métadonnées par le biais de DataCite. Ce consortium constitue une réalisation importante pour les établissements canadiens. Il permet de gérer en collaboration le bassin national de DOI pour une gamme de dépôts de recherche et d’autres actifs numériques tout en disposant d’un scénario de tarification stable, commun et collaboratif pour divers paliers d’établissements de recherche au Canada. Grâce à lui, une communauté de pratique peut également résoudre des problèmes techniques et lancer des projets de DOI novateurs au Canada.

Pour aider les dépôts de données de recherche canadiens à harmoniser leurs pratiques aux normes mondiales, le GEDD a offert un financement en GDR de l’Alliance pour une cohorte de candidatures à la certification CoreTrustSeal (CTS). La première cohorte comptait 12 dépôts, dont plusieurs dépôts institutionnels Borealis qui cherchaient à améliorer leurs pratiques. L’obtention de la certification CTS est précédée d’un long processus. Le GEDD a organisé et supervisé des groupes de rédaction et de lecture au bénéfice du personnel associé aux dépôts qui ont postulé et il a procuré du support au cours du processus d’examen par les pairs.

Le Groupe d’experts sur la curation (GEC) se concentre sur la définition, l’évaluation et la promotion de pratiques exemplaires en curation des données. Ceci comprend des techniques, des méthodes et des outils qui peuvent mieux préparer les données et métadonnées, améliorer la qualité des données et, en fin de compte, faciliter la diffusion et la réutilisation des données. Il comble également un besoin en matière de formation et de soutien pour une nouvelle génération de responsables de la curation des données. La création d’une communauté et d’un réseau est un aspect essentiel des approches adoptées par le groupe d’expertes et experts. En 2019, le GEC a tenu le premier forum canadien sur la curation des données en partenariat avec l’Université McMaster et grâce à un financement du CRSH. Ce forum avait pour but principal de mettre sur pied une communauté de pratique nationale qui rassemble des responsables de l’intendance des données, des bibliothécaires, des prestataires de services de données et des gens qui développent des systèmes. Le programme du forum comprenait toute une gamme de conférences, des discussions et des ateliers qui visaient à faciliter la communication et la collaboration en matière de pratiques et de normes de curation des données. Le forum visait aussi à développer des compétences ainsi que des ressources de formation. Il a connu un immense succès et a atteint son objectif : des responsables de la curation des données ont participé régulièrement à des réunions avec le GEC, depuis, pour discuter et mettre leurs connaissances à jour en matière de curation des données, d’enjeux actuels et de perfectionnement.

Recherche et formation

Pour garder le rythme avec un environnement en constante évolution, l’équipe GDR de l’Alliance a créé un groupe d’expertes et experts sur la recherche et l’intelligence (GERI) ainsi qu’une équipe de formation pour surveiller les lacunes en matière de GDR et offrir une formation en temps opportun à la communauté et à ses groupes élargis.

Le GERI met l’accent sur la surveillance permanente des sujets et des mandats en lien avec la GDR. Il guide l’élaboration de pratiques exemplaires en GDR au Canada et informe les communautés concernées  des enjeux actuels ou à venir en lien avec les politiques et pratiques. Il garde à jour une Feuille de route des priorités de recherche en GDR pour cerner les lacunes en ce qui a trait aux connaissances, aux compétences, aux services et aux politiques en GDR. Le GERI mène également des études indépendantes et effectue des sondages puis en analyse les résultats pour émettre des recommandations à l’équipe GDR de l’Alliance fondées sur des données probantes. En 2016, il a mis sur pied le consortium canadien de sondage en GDR et a élaboré un outil de sondage commun. En tout, 15 universités l’ont utilisé pour sonder les chercheuses et chercheurs de leurs établissements afin de comprendre leurs pratiques et attitudes en matière de GDR. En 2019, le GERI a mené deux sondages auprès d’établissements canadiens pour mesurer leur capacité en GDR et l’état de l’élaboration de leur stratégie; ceci s’est déroulé avant l’annonce de la Politique des trois organismes en GDR. Les résultats ont démontré qu’il existait des initiatives et des services de GDR et le GERI s’est fait la voix des établissements au sujet de leurs priorités ainsi que leurs besoins de soutien supplémentaires en GDR.

Alors que le paysage de la GDR poursuit son évolution, il est essentiel que les chercheuses et chercheurs, spécialistes des données et autres personnes impliquées en GDR possèdent l’information et reçoivent la formation nécessaire pour être au courant des derniers développements ainsi que des pratiques exemplaires. La création de ressources de formation en GDR a constitué une des principales activités de l’équipe GDR de l’Alliance. Depuis 2017, le Groupe d’experts national sur la formation (GENF) a préparé des documents de formation sur le sujet. Les membres supervisent plusieurs projets collaboratifs précis qui permettent d’élaborer et d’offrir des ressources dans le but de soutenir le perfectionnement de compétences en GDR à l’échelle du Canada. Tout de suite après l’annonce de la Politique des trois organismes en GDR, le GENF a coordonné une série d’ateliers populaires sur les aspects les plus importants de la politique. Ces ateliers ont permis aux chercheuses, chercheurs et aux parties prenantes de comprendre les exigences de la politique et de se sensibiliser aux ressources ainsi qu’aux outils existants qui peuvent les aider à développer un PGD et des stratégies institutionnelles de GDR.

Services de dépôt de données dans les bibliothèques canadiennes

Tout comme les réseaux d’expertes et experts, la formation et le soutien mis en place à l’échelle nationale, diverses bibliothèques universitaires ont développé ensemble un service de dépôt de données canadien en utilisant Dataverse, un logiciel ouvert développé par l’Institute for Quantitative Social Science de Harvard. Il a pour objectifs de stocker, partager, citer, préserver, découvrir et d’analyser les données de recherche. Sa nature ouverte permet aux établissements d’héberger leurs propres installations du logiciel Dataverse et d’offrir une solution adaptée aux besoins de leur propre communauté.

Les installations locales et régionales du logiciel Dataverse au Canada, notamment le Dataverse de Scholars Portal et ceux d’autres établissements et régions, sont passées à un service national appelé Borealis. Scholars Portal a commencé à offrir le service Dataverse en dehors du Ontario Council of University Libraries (OCUL) en 2019 et un service national officiel a été offert en 2020 (document en anglais uniquement) par le biais d’accords avec les quatre consortiums régionaux de bibliothèques universitaires. La nouvelle marque Borealis a été lancée en 2022. L’installation nationale partagée offre la possibilité de créer une marque locale et de fournir des ressources communes de formation aux gens qui utilisent le service. Durant la transition, le Groupe d’experts sur Dataverse Nord a commencé à créer des ressources de formation, à offrir du soutien, faire de la sensibilisation et mettre sur pied des stratégies de promotion. La sensibilisation et la promotion sont importantes, car les universités canadiennes préfèrent souvent stocker les données sur des serveurs hébergés localement.

Les données peuvent être téléversées dans des collections Dataverse en tant qu’éléments d’un réseau plus vaste. Une collection Dataverse contient des jeux de données (données de recherche, code, documentation, métadonnées) et peut être définie pour une chercheuse ou un chercheur, une faculté, une revue savante ou une organisation. Par exemple, un chercheur peut téléverser des données dans la collection de son établissement qui, avec l’ensemble des autres collections institutionnelles, forme Borealis, le dépôt national. Chercheuses et chercheurs, équipes et établissements peuvent créer leur propre compte et téléverser leurs données dans une collection institutionnelle (définie par leur affiliation) ou une collection liée à un projet de recherche, si disponible. Les bibliothécaires et personnes responsables de l’intendance des données peuvent également effectuer la curation des jeux de données et gérer la soumission des données au nom des chercheuses et chercheurs. Le logiciel Dataverse est très souple à ce chapitre. Il est possible d’appliquer une marque locale aux collections et aux sous-collections Dataverse.

Le logiciel Dataverse offre aussi une fonction d’analyse de données dans le navigateur; par conséquent, les personnes qui l’utilisent n’ont pas nécessairement besoin de télécharger les fichiers de données pour les consulter. Les fichiers de données tabulaires téléversés dans le système peuvent être analysés grâce à l’outil Web d’analyse et de visualisation des données. Il est possible d’intégrer Dataverse à d’autres ressources documentaires afin d’améliorer la découverte des données. Par exemple, depuis que tous les partenaires de UBC Abacus Dataverse (bibliothèques de l’Université de Victoria, de l’Université du nord de la Colombie-Britannique et de l’Université Simon-Fraser) se servent de ProQuest Summon comme outil de recherche, les collections Dataverse de leurs bibliothèques respectives deviennent accessibles par le biais de flux du protocole Open Archives Initiative (OAI). Chacun des flux OAI comprend toutes les données provenant des établissements partenaires ainsi que l’information appropriée à propos des licences. Grâce à un processus de découverte amélioré (particulièrement par l’attribution de DOI pour des jeux de données de recherche), il est plus facile pour les chercheuses et chercheurs d’accéder aux données et de les réutiliser (p. ex., dans ORCID, Google, DataCite, Google Data Search, Crossref, entre autres services). Ceci facilite les citations et améliore les profils d’impacts, et ce, tant pour les individus que pour les établissements.

Le logiciel de dépôt Dataverse s’est avéré une plateforme souple qui peut prendre en charge plusieurs modèles de services en GDR proposés par les bibliothèques au Canada. Il offre une vaste gamme de caractéristiques qui peuvent améliorer la découvrabilité des données et leur accès ainsi qu’une excellente gestion des données pour la préservation. Toutefois, le logiciel Dataverse ne constitue pas un système de préservation numérique complet (bien que Borealis prenne en charge la préservation numérique au niveau du bit — vous trouverez une explication à ce sujet dans le chapitre « Préservation numérique des données de recherche » et dans le plan de préservation de Borealis). Le dépôt ne tient pas compte du format et accepte tous les types de fichiers, non seulement les données tabulaires.

Le Ontario Council of University Librairies a parrainé le travail d’Artefactual pour développer une intégration technique (document en anglais uniquement) entre le logiciel Dataverse et Archivematica, un outil ouvert et robuste pour le traitement des objets numériques à des fins de préservation et d’accès. Il est possible d’utiliser ce système de préservation conjointement avec le service Borealis en place ou toutes autres installations Dataverse (à partir des versions 1.8 Archivematica et 4.8.6 de Dataverse).

Le soutien à la GDR au Canada fait l’objet d’une attention nationale. Historiquement, et à l’heure actuelle, les régions et les communautés sont confrontées à des enjeux relatifs au soutien et à l’infrastructure en fonction de leurs propres réseaux, du financement régional ou provincial et de la participation aux décisions des consortiums par région.

Souveraineté des données autochtones

Plusieurs initiatives et développements mentionnés dans ce chapitre, tout comme d’autres dont il sera question dans ce manuel, ont eu lieu sans tenir compte des peuples autochtones et de leurs données ou sans aborder les injustices historiques à leur égard. En fait, les communautés autochtones sont depuis longtemps maltraitées et négligées en ce qui a trait à la recherche canadienne. Si la Politique des trois organismes sur la gestion des données de recherche aborde désormais clairement les éléments à prendre en considération quant aux données autochtones et que des expertes et experts en données autochtones font partie du Groupe d’experts sur les données sensibles, nous encourageons l’équipe de GDR de l’Alliance à aborder ces enjeux de manière plus exhaustive à court terme.

Les universitaires et les personnes qui militent pour les droits des Premières Nations ont réagi à ces lacunes. Par exemple, le Centre de gouvernance de l’information des Premières Nations (CGIPN), un organisme à but non lucratif, a vu le jour en 2010. Ses premiers travaux remontent à 1996, lorsque l’Assemblée des Premières Nations a mis sur pied un comité directeur national ayant pour mandat de créer un sondage sur la santé des Premières Nations (l’Enquête régionale sur la santé des Premières Nations) à la suite de la décision du Canada d’exclure les populations vivant sur une réserve de projets de cueillette de données longitudinales d’envergure. En 1998, le comité a défini les Principes de PCAP® (pour propriété, contrôle, accès et possession) en tant qu’outil et norme pour recueillir et gérer les données des Premières Nations. Pour obtenir plus d’information sur les Principes, consultez le chapitre « Souveraineté des données autochtones ».

Efforts régionaux

Partout au Canada, des établissements ont adopté des approches particulières pour développer et élargir les services de GDR en fonction de leur taille, des ressources disponibles (ressources humaines et infrastructure) et de leurs axes de recherche. Les bibliothécaires et spécialistes des collèges et des universités sont des membres importants des groupes de travail et des comités sur la GDR institutionnelle et participent à l’élaboration de politiques et de stratégies en GDR.

Plusieurs établissements au pays ont participé à des sondages sur les pratiques et les besoins en GDR, des sondages qui reposaient sur un outil commun créé par des bibliothécaires de l’Université de Toronto en 2015. Par la suite, il a été modifié par plusieurs établissements. Résultat : une compréhension plus riche des pratiques disciplinaires en GDR ainsi que des besoins locaux et nationaux. En outre, il a aidé les chercheuses et chercheurs à mieux connaître les pratiques exemplaires en GDR (Cheung et al., 2022).

Des cours en GDR ont été offerts dans les écoles de bibliothéconomie à l’échelle du pays. Comme nous le mentionnions plus tôt, des régions ont adapté le logiciel de dépôt Dataverse au niveau local et, dans de nombreux cas, au niveau national. Toutes les régions sont représentées au sein des comités de GDR de l’Alliance. Certains établissements ont réagi à la nécessité d’offrir un soutien en GDR par la création de postes de bibliothécaires ou de rôles en appui à la GDR dans les bibliothèques. Vous trouverez ci-après des initiatives régionales qui mettent en évidence des services et des domaines d’intérêts particuliers.

La GDR dans la région atlantique

Le CAAL/CBPA (Council of Atlantic Academic Libraries/Conseil des bibliothèques postsecondaires de l’Atlantique, anciennement CAUL-CBUA) est le réseau des bibliothèques d’universités et de collèges publics dans la région de l’Atlantique. Il met l’accent sur la mise sur pied et la coordination d’activités de préservation numérique dans la région. Le Digital Preservation and Stewardship Committee (DPSC) a été créé en 2013. Plus tard, ses travaux ont englobé le développement de services de GDR à grande échelle afin d’harmoniser ses travaux à la vision nationale. La plus récente initiative comprend la Subvention pour l’innovation du CAAL/CBPA 2020. Elle a permis d’offrir des ateliers à l’ensemble des établissements de la région atlantique qui ont pu les visionner. Les membres du DPSC ont dirigé l’organisation et la réalisation des ateliers. Ces événements étaient intitulés Atlantic RDM days (Journée de la GDR au Canada atlantique) et se déroulaient en français et en anglais. Ils étaient importants pour les collèges et universités qui ne disposaient pas des ressources pour prendre en charge la GDR au niveau de l’établissement, mais qui devaient tout de même se conformer à la Politique des trois organismes sur la gestion des données de recherche et favoriser les pratiques exemplaires en GDR au sein de leur communauté de recherche.

En 2015, l’Université Dalhousie a été l’un des premiers établissements de la région atlantique à mettre sur pied une équipe de GDR, laquelle comprenait des partenaires de différents services (Bureau de la recherche, services de technologie universitaire et bibliothèques de l’Université Dalhousie). Elle a été le premier établissement canadien à élaborer puis à publier une stratégie de GDR, comme l’exige la Politique des trois organismes sur la gestion des données de recherche. Désormais, l’université offre un cours en GDR (Managing Research Data).

Plusieurs établissements de la région atlantique se sont joints au dépôt national Borealis afin d’offrir des services d’archivage de données à leur communauté de recherche locale. D’autres ont accepté de conserver leurs propres instances de dépôts Dataverse sur leurs serveurs institutionnels locaux. Ceci s’explique par la disponibilité des ressources institutionnelles locales à entretenir le dépôt et à le garder à jour. Par exemple, depuis 2018, les bibliothèques de l’Université du Nouveau-Brunswick ont hébergé un dépôt Dataverse local. L’hébergement et l’entretien sont réalisés de manière indépendante grâce à la collaboration de l’équipe système des bibliothèques et le comité des services de GDR des bibliothèques. Comme d’autres établissements canadiens, toutes les universités de recherche dans la région atlantique ont accès à l’infrastructure nationale d’archivage de données DFDR.

La GDR au Québec

Depuis les années 1960, les bibliothèques universitaires du Québec collaborent au sein du Bureau de la Coopération Interuniversitaire (BCI), anciennement appelé la Conférence des Recteurs et des Principaux des Universités du Québec (CREPUQ). En 1967, le Comité de coordination des bibliothèques a été créé et, quelques années plus tard, il est devenu le Sous-comité des bibliothèques (Roy et Bégin, 1969). En 2023, le Sous-comité est devenu une entité à part entière, le Partenariat des bibliothèques universitaires (PBUQ).

Au sein même du sous-comité des bibliothèques, un comité centré sur la GDR a été lancé en 2015 et ses membres sont à l’origine de différentes initiatives de promotion et de soutien : Semaine des données à cœur (version francophone de la Love Data Week), LibGuide de ressources en GDR pour le réseau des universités du Québec grâce à une subvention du CRSH et une grande implication dans la traduction de ressources canadiennes en français. L’accent sera probablement mis sur le fait de garder le rythme des besoins croissants au cours des prochaines années.

La communauté québécoise de GDR Québec a également participé à d’importants projets d’infrastructure, soit l’internationalisation de Dataverse et GeoIndex.

L’internationalisation de Dataverse s’est déroulée en deux étapes : la première a commencé en 2015 et la deuxième, quelques années plus tard (Bilodeau, 2018). Marie-Hélène Vézina, une bibliothécaire à l’Université de Montréal avec de l’expérience en développement de projets numériques, s’est jointe au personnel de Scholars Portal. Avec le soutien de la communauté de Dataverse plus large, notamment l’Institute for Quantitative Social Science de Harvard, l’équipe a internationalisé le logiciel Dataverse. Si une partie de la traduction avait déjà été effectuée, rien n’était en place pour prendre en charge le multilinguisme. Le code développé a été intégré au code de base de Dataverse, ce qui a permis le déploiement d’une installation bilingue (anglais et français) par Scholars Portal. L’Université de Montréal a fourni la traduction en français. Scholars Portal et les établissements du BCI ont finalisé une entente formelle qu’ils ont signée au printemps 2019. Les premières collections de Dataverse institutionnelles ont été rendues accessibles aux chercheuses et chercheurs à l’été 2022 (Vézina, 2022).

Le projet GeoIndex a été lancé en 2006 pour les besoins de diffusion des données géospatiales à l’Université Laval. La même année, le projet a gagné un prix ESRI Canada et en 2012, le prix Innovation des services documentaires du Québec. Un important accord entre le Bureau de coopération interuniversitaire (BCI) et le ministère de l’Énergie et des Ressources naturelles (MERN) a mené à l’ouverture de la plateforme aux autres universités québécoises en 2019 afin qu’elles déposent et partagent leurs données. GeoIndex est unique par rapport à d’autres plateformes de données géospatiales en raison de son utilisation du répertoire des vedettes-matière et de son mode de recherche basé sur le contour géospatial des données. En 2021, un module s’est ajouté pour les photos aériennes, permettant de rassembler l’ensemble de l’inventaire des universités québécoises à un seul endroit.

La GDR en Ontario

L’Ontario compte 23 universités publiques et 24 collèges. Depuis les années 1960, les bibliothèques de ces établissements ont collaboré avec succès par l’intermédiaire du Ontario Council of University Libraries (OCUL). À ses débuts, l’OCUL était impliqué dans des services traditionnels de bibliothèque, comme l’octroi de licences en consortium à des publications savantes et la facilitation d’un partage efficace des ressources. Au cours de ces premières années, plusieurs établissements ont développé leur propre système de dépôt de données, y compris l’archive de données en sciences sociales de l’Université Carleton fondée en 1965 dans la faculté de sociologie et d’anthropologie; la bibliothèque des ressources en données de l’Université Western, lancée à la fin des années 1970 et qui collabore avec le laboratoire informatique des sciences sociales pour diffuser et archiver divers projets de recherche de la faculté; la bibliothèque de données et de cartes de l’Université de Toronto, établie en 1988, dont les services comprennent l’acquisition et la préservation de jeux de données produits par les chercheuses et chercheurs de l’établissement.

En 2002, l’OCUL a formé Scholars Portal, une infrastructure technologique partagée qui héberge les collections numériques en nombre croissant de l’OCUL et y donne accès. Alors que les services de données gagnent en importance, les bibliothèques de l’Ontario ont perçu l’occasion de collaborer sous l’égide de l’OCUL pour améliorer les services, réduire le dédoublement des efforts et mieux gérer les ressources limitées. Au cours de la dernière décennie, l’OCUL a entrepris plusieurs projets d’infrastructure de données ayant connu du succès, y compris l’élaboration d’Odesi, un portail collaboratif de données en sciences sociales, et Scholars GeoPortal, un portail de données géospatiales. Bien que ces deux portails de données contiennent certaines données de recherche, ils sont conçus comme des collections de données publiées provenant de sources officielles faisant autorité telles que les agences statistiques gouvernementales. Ainsi, ils ne sont pas propices à l’inclusion à grande échelle des productions de données de recherche institutionnelle des établissements membres. Ces systèmes se concentrent sur la découverte et l’accès plutôt que sur la préservation à long terme (Moon, 2014).

Pour cette raison, l’Ontario et le Canada avaient besoin d’autres solutions pour répondre à la demande croissante de dépôts de données de recherche en bibliothèque. En 2011, Scholars Portal s’est joint au projet pilote de la bibliothèque de l’Université de Colombie-Britannique, a installé un dépôt Dataverse puis l’a mis à la disposition des membres de l’OCUL. Ce projet avait pour but d’aborder le besoin exprimé par la communauté d’avoir un service de dépôt situé en Ontario qui permettrait aux chercheuses et chercheurs d’effectuer de façon autonome un dépôt grâce à un service en ligne. Le logiciel Dataverse a été choisi en raison de sa prise en charge des données de recherche ainsi que de l’intégration à la plateforme du schéma de métadonnées du Data Documentation Initiative (DDI). Le personnel de Scholars Portal a préparé des documents et du matériel de formation et a formé les membres du personnel des bibliothèques de l’OCUL quant aux avantages d’intégrer le logiciel Dataverse dans leurs services offerts pour la gestion et le dépôt des données de recherche. Résultat : le dépôt Dataverse de Scholars Portal, désormais nommé Borealis, permet à certaines bibliothèques de l’OCUL de lancer des services de GDR sans devoir disposer d’une infrastructure technique ni du personnel pour soutenir les dépôts par elles-mêmes. Les modèles de service varient d’une bibliothèque à l’autre, du dépôt libre-service à la curation prise en charge par la bibliothèque. De nos jours, le service a évolué grandement. Plusieurs autres établissements de partout au pays s’y sont joints ou ont migré leurs données de recherche vers Borealis, ce qui en fait le centre national pour l’archivage des données de recherche. Le soutien à l’utilisation de Borealis est en grande partie assuré localement par le personnel de bibliothèque et est indépendant de l’infrastructure hébergée et supportée par Scholars Portal.

La communauté de données de l’OCUL, dont l’objectif initial était d’aborder l’accès aux données de l’IDD de Statistiques Canada, a évolué pour devenir un forum de soutien à la GDR. Les expertes et experts issus des établissements universitaires de l’Ontario sont devenus des membres clés de la communauté de GDR de l’Alliance et de ses groupes de travail.

La GDR dans les Prairies

Les établissements des provinces des Prairies ont exercé une grande influence sur les collaborations nationales en GDR au cours de la dernière décennie. Au début de 2015, les bibliothèques de l’Université de l’Alberta ont mis en œuvre la première instance canadienne d’un outil en ligne ouvert pour aider les chercheuses et chercheurs à rédiger des PGD. À l’époque, un code DMPOnline d’origine britannique était utilisé; l’Université de la Colombie-Britannique et l’Université de l’Alberta ont été les premiers établissements à en adapter la version canadienne.

Presque immédiatement, le projet a été adapté par d’autres établissements canadiens au sein du cadre Portage de l’ABRC et il a été appelé DMP Builder. Plus tard, au cours du cycle de vie de l’outil, il est devenu l’Assistant PGD qui comprend des options en anglais et en français afin de mieux servir la communauté universitaire francophone. Plus de 50 établissements canadiens se servent désormais de l’Assistant PGD avec des lignes directrices adaptées à chaque établissement par le REE en GDR de l’Alliance. Voilà plus d’une décennie que les bibliothèques de l’Université de l’Alberta commanditent l’Assistant PGD pour la communauté de GDR canadienne, qui lui en est très reconnaissante.

Depuis la fin de 2015, le service des technologies dédié à la recherche de l’Université de la Saskatchewan (USask) a mis en œuvre une initiative semblable en partenariat avec le bureau du vice-président à la recherche. Grâce au financement de Calcul Canada, l’équipe de l’USask a été choisie pour créer une interface nationale de découverte de données de recherche au Canada. Elle est la principale responsable du développement et du fonctionnement de la plateforme Lunaris, désormais sous l’égide de l’Alliance. En 2016, elle a adapté le code source de base, celui-ci étant ouvert, des Open Collections de la bibliothèque de l’Université de la Colombie-Britannique comme interface de découverte principale ainsi que le code de base ouvert de Geodisy, également le fruit des bibliothèques de l’Université de la Colombie-Britannique, comme interface de découverte de données fondées sur les cartes. À l’aide du logiciel ouvert Archivematica, l’équipe de l’USask a également développé une excellente collaboration avec la plateforme Globus Connect pour travailler avec des données massives et préserver les données de recherche numériques.

La GDR en Colombie-Britannique

Depuis longtemps, les établissements de Colombie-Britannique participent à la GDR avec à leur tête l’Université de la Colombie-Britannique (UBC), l’Université Simon-Fraser (SFU) et l’Université de Victoria (UVic). La bibliothèque de l’UBC est l’une des plus grandes bibliothèques universitaires au Canada. Elle réalise des activités de GDR ad hoc depuis le début des années 1970. En 2008, afin d’aider les établissements régionaux de plus petite envergure, l’UBC a conclu une entente pour rendre le dépôt de données Abacus accessibles à d’autres universités de la province. Au moment de la rédaction du présent document, quatre grandes bibliothèques de recherche universitaire en Colombie-Britannique (Université Simon-Fraser, Université de Victoria, Université du nord de la Colombie-Britannique, Université de la Colombie-Britannique) se servent de l’instance du dépôt Dataverse de l’UBC en tant que dépôt de données sous licence.

Les données sont mises à la disposition des personnes utilisatrices de chaque établissement conformément à leurs licences en utilisant la Fédération canadienne d’accès, un organisme qui gère les identités numériques en éducation supérieure et en recherche par le biais d’un cadre de confiance pour le contrôle des accès. L’équipe des données de la bibliothèque de l’UBC offre une formation élémentaire et avancée sur le dépôt Dataverse aux groupes, aux facultés et aux laboratoires sur le campus de l’université et à ses partenaires dans d’autres bibliothèques universitaires et établissements de recherche. Après la formation, ces groupes devraient gérer leurs propres données dans les collections Dataverse qui leur ont été affectées. La UBC Library School (aussi appelée iSchool) a été parmi les premiers établissements canadiens à offrir un cours de premier cycle en gestion des données de recherche.

Les bibliothèques de SFU et d’UVic ont également apporté beaucoup au paysage de la GDR au Canada. Au début des années 2010, la bibliothèque de SFU a développé Radara, son propre dépôt de données de recherche fondé sur Islandora (désormais déprécié et remplacé par le DFDR) et est devenue le chef de file canadien en cryptage à divulgation nulle de connaissance (document en anglais uniquement) pour les données sensibles. Les bibliothèques de l’UVic ont également fait des expériences en matière de services de GDR et ont pu répondre aux besoins des équipes de recherche en matière de licences uniques, notamment pour les jeux de données d’Inforoute Santé Canada.

La GDR dans le nord du Canada

Le nord du Canada est composé de trois territoires : les Territoires du Nord-Ouest, le Nunavut et le Yukon. Les deux établissements de recherche situés dans cette région sont l’Université du Yukon et le Collège Aurora. Dans le cadre de la stratégie de GDR institutionnelle (mandatée par la Politique des trois organismes sur la gestion des données de recherche), les bibliothécaires de l’Université du Yukon et les membres du bureau des services à la recherche ont collaboré à la création d’un dépôt institutionnel, Arca, hébergé par la British Columbia Electronic Library Network (BC ELN).  Ce réseau est une initiative pour les dépôts numériques en Colombie-Britannique fondés sur le logiciel Islandora qui vise principalement les établissements et des collèges de plus petite envergure. Les résultats de recherche téléversés par les chercheuses et chercheurs de l’Université du Yukon dans BC ELN Arca sont collectés par Lunaris.

En octobre 2022, les bibliothécaires du Collège Aurora à Inuvik ont participé à un panel sur les stratégies institutionnelles organisé par l’Alliance. Ce fut l’occasion pour les bibliothécaires de communiquer leur expérience unique pour traiter les enjeux en matière de GDR dans un petit établissement du nord. Certains établissements du nord du Canada, comme l’Université du Yukon, collaborent avec d’autres universités et collèges en Colombie-Britannique pour élaborer leurs stratégies institutionnelles en GDR, conformément à la Politique des trois organismes sur la gestion des données de recherche. Ils participent à un groupe ad hoc pour créer des plans d’action et partager leurs visions des services en GDR dans les établissements de plus petite envergure.

Conclusion

Il s’agit d’une période passionnante pour la GDR au Canada et il a fallu des années de travail dévoué et une collaboration provinciale de haut niveau pour y arriver. Les bibliothèques entrevoient les possibilités d’interagir avec leurs communautés et entre elles. Évidemment, ces occasions s’accompagnent de défis, comme une infrastructure numérique dispendieuse qu’il faut constamment gérer. Nous croyons que Portage et la formation de l’Alliance offrent le meilleur potentiel pour répondre à des besoins jusque-là insatisfaits. Toutefois, pour y arriver, il faudra disposer d’un financement durable.

Le développement d’outils ouverts, d’une infrastructure et de services de soutien en matière de GDR est essentiel pour que les universitaires du Canada puissent réussir à intégrer ces activités à leurs processus de travail. Les bibliothèques universitaires disposent d’une histoire de prise en charge de l’accès aux données, de leur diffusion et de leur préservation; elles ont pour mandat de participer à la préservation des résultats de recherche de leur communauté (p. ex., dépôts institutionnels). Les bibliothèques peuvent diriger l’adoption de pratiques exemplaires et de normes ouvertes. Elles peuvent également établir des partenariats avec toute une gamme de parties prenantes pour l’élaboration d’une infrastructure et d’outils. La communauté des bibliothèques canadienne favorise activement le partage des données de recherche depuis les années 1960 et est en bonne posture pour jouer un rôle de leadership à ce chapitre à l’avenir.

Remerciements

La première version de la section sur la GDR au Québec a été rédigée par Ève Paquette-Bigras, bibliothécaire universitaire à l’Université de Montréal. Les autrices et auteurs remercient Ève d’avoir fourni l’historique et le contexte des réalisations en matière de GDR dans cette province.

Lectures et ressources supplémentaires

Doiron, J., Neilson, M. et Nicholson, R. (2020). Data management planning in Canada [Livre blanc]. NDRIO. https://alliancecan.ca/en/document/261

Gouvernement du Canada. (2021). Politique des trois organismes sur la gestion des données de recherche. https://science.gc.ca/site/science/fr/financement-interorganismes-recherche/politiques-lignes-directrices/gestion-donnees-recherche/politique-trois-organismes-gestion-donnees-recherche

Lavoie, B. et Dempsey, L. (2004). Thirteen ways of looking at…digital preservation. D-Lib Magazine, 10(7–8). https://doi.org/10.1045/july2004-lavoie

Moon, J. (2021, 8 novembre). Mise à jour de Portage et l’Alliance de recherche numérique du Canada. Alliance de recherche numérique du Canada. https://alliancecan.ca/fr/nouveautes/nouvelles/mise-jour-de-portage-et-lalliance-de-recherche-numerique-du-canada

Read, K., McDonald, G., Mackay, B. et Barsky, E. (2014). A commitment to First Nations data governance: A primer for health librarians. Journal of the Canadian Health Libraries Association / Journal de l’Association des bibliothèques de la santé du Canada, 35(1), 11–15. https://doi.org/10.5596/c14-003

Wilkinson, M. D., Dumontier, M., Aalbersberg, Ij. J., Appleton, G., Axton, M., Baak, A., Blomberg, N., Boiten, J-. W., da Silva Santos, L. B., Bourne, P. E., Bouwman, J., Brookes, A. J., Clark, T., Crosas, M., Dillo, I., Dumon, O., Edmunds, S., Evelo, C. T., Finkers, R., … Mons, B. (2016). The FAIR guiding principles for scientific data management and stewardship. Scientific Data, 3, 1–9. https://doi.org/10.1038/sdata.2016.18

Bibliographie

Attendees of the NDSF Summit. (2019). Kanata declaration (Version 2.0). National Data Services Framework Summit 2019 (NDSF 2019), Ottawa, Canada. Zenodo. https://doi.org/10.5281/zenodo.3234815

Barsky, E., Laliberté L., Leahey, A. et Trimble, L. (2017). Collaborative research data curation services: A view from Canada. Dans L. R. Johnston (dir.), Curating research data: Volume one: Practical strategies for your digital repository (p. 79-101). Association of College and Research Libraries. https://dx.doi.org/10.14288/1.0340778

Bilodeau, G. (2018, 3 mai). Gestion des données de recherche (GDR): Écosystème Canadien – un bref survol [Présentation]. Semaine de la conduite responsable en recherche, Université Laval, Québec, Canada. https://www.ulaval.ca/sites/default/files/recherche-creation/documents/conduite%20responsable/gestion-donnees-recherche-bilodeau.pdf

Boyko, E. et Watkins, W. (2011). The Canadian data liberation initiative: An idea worth considering. International Household Survey Network, IHSN Working Paper (006). http://www.ihsn.org/sites/default/files/resources/IHSN-WP006.pdf

Cheung, M., Cooper, A., Dearborn, D., Hill, E., Johnson, E., Mitchell, M. et Thompson, K. (2022). Practices before policy: Research data management behaviours in Canada. Partnership: The Canadian Journal of Library and Information Practice and Research, 17(1), 1-80. https://doi.org/10.21083/partnership.v17i1.6779

Cooper, A., Steeleworthy, M., Paquette-Bigras, È., Clary, E., MacPherson, E., Gillis, L., Wilson, L. et Brodeur, J. (2021). Guide pour la curation dans Dataverse. Zenodo. https://doi.org/10.5281/zenodo.5579820

Hill, E. et Gray, S. V. (2016). The academic data librarian profession in Canada: History and future directions. Dans L. M. Kellam et K. Thompson (dir.), Databrarianship: The Academic Data Librarian in Theory and Practice (p. 321-334). ACRL. http://ir.lib.uwo.ca/wlpub/49

Hackett, Y. (2001). A national research data management strategy for Canada: The work of the National Data Archive Consultation Working Group. IASSIST Quarterly,​ 25(3), 13-16. https://doi.org/10.29173/iq91

Heidorn, P. B. (2008). Shedding light on the dark data in the long tail of science. Library Trends, 57(2), 280–299. https://doi.org/10.1353/lib.0.0036

Humphrey, C. (2005). Collaborative training in statistical and data library services: Lessons from the Canadian data liberation initiative. Resource Sharing and Information Networks, 18(1–2), 167–181. https://doi.org/10.1300/J121v18n01_13

Humphrey, C. (2012a, 5 décembre). Canada’s long tale of data. Preserving Research Data in Canada. http://preservingresearchdataincanada.net/2012/12/05/hello-world

Humphrey, C. (2012b, 13 décembre). Research data management infrastructure II. Preserving research data in Canada. https://preservingresearchdataincanada.net/2012/12/13/research-data-management-infrastructure-ii/

Humphrey, C. (2020). The CARL portage partnership story. Partnership: The Canadian Journal of Library and Information Practice and Research, 15(1), 1–7. https://doi.org/10.21083/partnership.v15i1.5825

Humphrey, C., Shearer, K. et Whitehead, M. (2016). Towards a collaborative national research data management network. International Journal of Digital Curation, 11(1), 195–207. https://doi.org/10.2218/ijdc.v11i1.411

Liss, S. N. (2018, 5 septembre). Addressing gaps in Canadian research data management: A comprehensive guide of the Portage Network. University Affairs. https://www.universityaffairs.ca/magazine/sponsored-content/addressing-gaps-in-canadian-research-data-management/ 

Moon, J. (2014). Developing a research data management service – a case study. Partnership: The Canadian Journal of Library and Information Practice and Research, 9(1), 1–14. https://doi.org/10.21083/partnership.v9i1.2988

Roy, J. et Bégin, J.-O. (1969). Enquête relative à un plan de coordination: rapport. Comité de coordination des bibliothèques de la CREPUQ.

Steeleworthy, M. (2014). Research data Management and the Canadian Academic library: An organizational consideration of data management and data stewardship. Partnership: The Canadian Journal of Library and Information Practice and Research, 9(1), 1–11. https://doi.org/10.21083/partnership.v9i1.2990

Strong, D. F. et Leach, P. B. (2005). National consultation on access to scientific research data (Rapport final). Gouvernement du Canada. https://publications.gc.ca/site/eng/272526/publication.html

Vézina, M.-H. (2022). Métadonnées bibliographiques des thèses et mémoires du dépôt institutionnel de l’Université de Montréal [Canada] [Jeu de données]. Borealis. https://doi.org/10.5683/SP3/SJJACL

Meghan Goodchild; Shahira Khair; Amber Leahey; Kaitlin Newson; et Lee Wilson

Introduction

Les chercheuses et chercheurs au Canada, toutes disciplines et tous domaines confondus, produisent des quantités de données encore jamais vues (Baker et al., 2019). Grâce aux progrès de la science ouverte et des politiques de données ouvertes des maisons d’édition, des organismes de financement de la recherche, des groupes disciplinaires et des établissements, les chercheuses et chercheurs réalisent de plus en plus la nécessité de gérer leurs données conformément aux politiques connexes en matière de dépôt et de partage de données. Ces politiques soutiennent des buts plus larges en ce qui a trait à la transparence, à la reproductibilité et à la réutilisation (Groupe de travail de l’Alliance en gestion des données de recherche [GT GDR de l’Alliance], 2020). (Consultez le chapitre 12, « Planification de la gestion des données pour les processus de travail en science ouverte, » pour obtenir un aperçu de la science ouverte et des données ouvertes).

Accélérer le progrès scientifique et éviter les collectes de données dispendieuses constituent des éléments importants en faveur du partage et de la réutilisation des données. Le partage des données permet également de reproduire les résultats de recherche, ce qui améliore l’intégrité des résultats publiés et le degré de confiance à leur égard. Lorsqu’il est facile de découvrir des données de recherche et d’y accéder, cela accroît la visibilité et l’impact de la recherche. Qui plus est, le partage des données, des environnements de recherche et des outils favorise et améliore la collaboration, ce qui se traduit par une plus grande interopérabilité et des économies en recherche.

Dans le but d’optimiser les avantages du partage et de la réutilisation des données, les résultats des données de recherche doivent être guidés par les principes FAIR – Facile à trouver, Accessible, Interopérable, Réutilisable – abordés au chapitre 2 (Wilkinson et al., 2016). De plus, ils doivent être appuyés par une infrastructure et des services de soutien en recherche numérique selon les principes TRUST – Transparence, Responsabilité, Orientation vers l’utilisateur, Durabilité et Technologie (Transparency, Responsibility, User focus, Sustainability and Technology) (Lin et al., 2020). Par conséquent, le partage de données devient une partie intégrante de la recherche de haute qualité, ce qui exige la mise en pratique continue de la gestion des données de recherche (GDR). Des services de GDR émergent au Canada dans toutes les disciplines, dans les établissements ainsi qu’aux paliers régional et national afin d’appuyer les chercheuses et chercheurs en matière de partage et de réutilisation des données.

Dans le cadre de ce chapitre, vous apprendrez au sujet des politiques et des pratiques, de l’infrastructure de recherche numérique ainsi que des outils et des services permettant le partage et la réutilisation des données de recherche au Canada. Nous examinerons les éléments qui soutiennent le cycle de vie des données ainsi que les services relatifs à la curation et à la préservation des données. Enfin, nous aborderons des études de cas afin de mettre en évidence des pratiques de partage et de réutilisation des données et des défis disciplinaires.

Politiques et pratiques au Canada

Organismes de financement de la recherche

Les organismes de financement et les gouvernements de partout dans le monde ont reconnu la nécessité d’établir des politiques de GDR afin de soutenir l’accès aux données financées par des fonds publics. Les mandats des organismes de financement qui exigent le partage des données influencent le comportement des chercheuses et chercheurs ainsi que la demande pour une infrastructure et des services en GDR (GT GDR de l’Alliance, 2020). La Politique des trois organismes sur la GDR au Canada (2021) alimente une culture de changement pour le dépôt et le partage de données, car elle définit les exigences en vertu desquelles les chercheuses et chercheurs « sont tenus de déposer dans un dépôt numérique les données de recherche, les métadonnées et les codes qui appuient directement les conclusions de la recherche publiées dans des revues de même que les préimpressions découlant de la recherche financée par les organismes subventionnaires » (Gouvernement du Canada, 2021); la mise en oeuvre de cette mesure est à venir. Les titulaires de subventions doivent offrir un accès convenable aux données pour autant que les exigences éthiques, culturelles, juridiques et commerciales le permettent, conformément aux principes FAIR et aux normes propres à leurs disciplines. La souveraineté des données autochtones (abordée en détail au chapitre 3) reconnaît les droits inhérents des communautés autochtones de gouverner la collecte, la propriété et l’utilisation de leurs données, ce qui peut se traduire par des pratiques distinctes en ce qui a trait au partage de leurs données de recherche.

Politiques des organismes de financement

Locales et régionales

Les établissements de recherche canadiens peuvent définir leurs propres exigences pour la gestion et le partage des données en fonction de politiques internes qui régissent les pratiques de la recherche et la propriété intellectuelle. De plus, ils doivent publier une stratégie indiquant comment les pratiques de GDR seront prises en charge (Gouvernement du Canada, s.d.).

Nationales

• Politique des trois organismes sur la GDR (2021)
  • Certaines demandes de subvention doivent comprendre un plan de gestion des données (mise en œuvre progressive depuis le printemps 2022).
  • Les titulaires de subventions doivent verser dans un dépôt numérique les données de recherche, les métadonnées et les codes qui appuient directement les conclusions de la recherche publiées dans des revues, de même que les prépublications préimpressions découlant de la recherche financée par les organismes subventionnaires. Le dépôt doit être effectué au moment de la publication (mise en œuvre à venir).
  • Bien que le partage de données ne soit pas exigé, les organismes subventionnaires s’attendent à ce que les chercheuses et chercheurs donnent un accès approprié aux données lorsque les exigences éthiques, culturelles, juridiques et commerciales le permettent et conformément aux principes FAIR ainsi qu’aux normes de leurs disciplines.​ Dans la mesure du possible, ces données, ces métadonnées et ces codes doivent être reliés à la publication à l’aide d’un identifiant unique pérenne (IUP).
• Déclaration de principes des trois organismes en GDR au Canada (2016)
  • Les données doivent être collectées et stockées en utilisant des logiciels et des formats qui permettent leur stockage sûr ainsi que leur préservation et leur accès bien au-delà de la durée du projet.
• Politique des trois organismes sur le libre accès aux publications (2015)
  • Les chercheuses et chercheurs dont les travaux sont financés par les Instituts de recherche en santé du Canada (IRSC) devraient déposer certains types de données (p. ex., bio-informatique) dans des bases de données publiques appropriées.
• Politique sur l’archivage des données de recherche (1990)
  • Les données de recherche doivent être conservées et rendues disponibles dans les deux années qui suivent l’achèvement du projet (Conseil de recherche en sciences humaines, s.d.).

Internationales

Plusieurs organismes publics de financement de la recherche dans d’autres pays qui soutiennent les chercheuses et chercheurs du Canada exigent que les jeux de données qui sous-tendent leurs publications de recherche soient publiés. C’est le cas notamment des organisations suivantes :

• Organismes de financement aux É.-U., comme les National Institutes of Health (NIH) et la National Science Foundation (NSF)
• UK Research and Innovation funders
• European Commission Horizon 2020

Plusieurs sources privées de financement de la recherche ont leurs propres attentes en matière de partage de données (p. ex., Wellcome Trust, Bill & Melinda Gates Foundation).

Autres politiques et pratiques

Des maisons d’édition ont également encouragé l’adoption de pratiques en GDR. Lorsqu’une déclaration sur la disponibilité des données est exigée, il est beaucoup plus probable que les données de recherche soient partagées en ligne. Lorsque les politiques sont moins rigoureuses, comme le fait de recommander l’archivage de données, les taux d’archivage n’augmentent que légèrement comparativement au fait de ne pas disposer d’une telle politique (Vines et al., 2013). Le partage et la disponibilité des données varient selon la discipline. Par exemple, les domaines de la biologie, des sciences de la Terre, des sciences médicales et des sciences physiques présentent un taux supérieur de partage de données (Stuart et al., 2018); toutefois, les données sont moins faciles d’accès dans des documents en lien avec l’énergie et la catalyse, la psychologie, l’optique et l’optoélectronique et la foresterie (Tedersoo et al., 2021).

Au cours des 20 dernières années, le partage des données s’est amélioré (Tedersoo et al., 2021), mais les études démontrent que les résultats ne sont pas toujours entièrement reproductibles à partir des données partagées en raison d’une documentation et de métadonnées inadéquates (Rieseberg et al., 2021). Des efforts importants ont été déployés pour atténuer ce phénomène. Par exemple, le Journal of Molecular Ecology encourage les autrices et auteurs à utiliser la base de données en libre accès GEOME pour créer des liens permanents entre les données génétiques et les métadonnées géographiques et écologiques afin que les données versées respectent les principes FAIR (Rieseberg et al., 2021). La Public Library of Science (2022) a annoncé le lancement d’un projet pilote de « données accessibles » où certains articles mettront en évidence les liens vers des jeux de données dans des dépôts spécifiques dans le but d’accroître le partage et la découverte de données de recherche et de souligner l’avantage des modèles de science ouverte. L’American Journal of Political Science, en partenariat avec le Odum Institute for Research in Social Science, fournit des services de curation et de vérification de données pour faire en sorte que les jeux de données reproduisent les résultats des articles correspondants (Jacoby et al., 2017). Par conséquent, les politiques, à elles seules, ne suffisent pas; le recours à des solutions propres aux disciplines est requis pour que les données partagées soient accessibles et réutilisables.

Infrastructure, outils et services

Une gamme d’infrastructures est nécessaire pour soutenir la production, le partage et la réutilisation des données tout au long de leur cycle de vie. Ainsi, elles travaillent de concert afin que les données adhèrent aux principes FAIR au-delà de la durée du projet de recherche.

Il existe trois types de stockage de données de recherche : actif, dépôt et archive. La figure 1 définit le stockage actif au cours de la phase de recherche, le stockage dans un dépôt pour la phase d’accès et de publication et le stockage de type archive pour la phase de préservation, laquelle nécessite un traitement supplémentaire afin de soutenir l’accessibilité à long terme.

Le tableau 1 donne des détails sur le stockage actif, de type dépôt ou sous forme d’archive et donne des exemples de ce qui est utilisé au Canada. Le tableau 2 aborde les diverses infrastructures de recherche qui aident au partage, à la réutilisation et à l’accès.

Dépôts de données canadiens

Les dépôts de données sont essentiels à l’infrastructure de recherche au Canada. De tels outils nationaux et institutionnels sont mis sur pied pour aider les communautés de recherche à déposer, partager et préserver à long terme leurs données afin d’offrir des services de GDR ouverts, équitables et connectés. Ce faisant, nous évitons les intérêts commerciaux croissants et réduisons la dépendance aux solutions personnalisées comme des sites Web de projet de recherche qui exigent souvent une maintenance et des ressources à long terme. Grâce au financement fédéral, provincial et institutionnel, les dépôts canadiens sont mis à la disposition des chercheuses et chercheurs sans frais supplémentaires et peuvent offrir une plus longue durée de vie que le projet de recherche. Le tableau 3 donne un aperçu des types de dépôts de données au Canada dont plusieurs peuvent être découverts via les registres internationaux comme le Registry of Research Data Repositories (re3data), FAIRSharing et OpenDOAR.

Services de soutien

Pour produire des jeux de données au potentiel de réutilisation élevé, les chercheuses et chercheurs doivent adopter de bonnes pratiques de curation alors que les données sont nettoyées, documentées, interreliées, stockées puis partagées. Plusieurs services sont à leur disposition pour élaborer ces pratiques de GDR (voir le tableau 4).

L’évaluation des besoins de l’infrastructure de recherche numérique réalisée en 2021 par l’Alliance de recherche numérique du Canada (l’Alliance) a découvert que les chercheuses et chercheurs ont des niveaux variables d’accès et de sensibilisation au support offert par rapport aux processus de travail de recherche au palier local, provincial et national; l’accès le plus grand se trouve au palier local (Pérez-Jvostov et al., 2021).

• Soutiens internes : le premier point de soutien pour plusieurs chercheuses et chercheurs se trouve dans leurs propres groupes de recherche. Par exemple, plusieurs ont recours à des gestionnaires de données pour soutenir les membres de l’équipe avec la gestion et la publication des données. Habituellement, les chercheuses et chercheurs découvrent et sélectionnent les outils et services sur recommandation de leurs pairs (Pérez-Jvostov et al., 2021).
• Établissements d’enseignement supérieur : ils offrent des services et un soutien formels par le biais des bureaux de la recherche, des bibliothèques universitaires et des services de calcul informatique  (Pérez-Jvostov et al., 2021). L’exigence des trois organismes subventionnaires de disposer de stratégies de GDR aidera à unir le soutien à l’échelle du campus.
• Modèles de soutien partagé : ils peuvent améliorer l’efficacité, l’accès et l’équité tout en répondant aux demandes des chercheuses et chercheurs.  Ils sont souvent coordonnés par un consortium régional ou national. L’étude de cas 1 illustre une communauté de pratique formant un réseau de soutien pour les gestionnaires d’un dépôt institutionnel.
• Services et soutiens par discipline : ils répondent aux besoins de communautés de recherche précises et sont souvent promus à l’échelle nationale et internationale par le biais d’organismes de recherche et de maisons d’édition. Ils sont essentiels pour l’adoption de pratiques et d’outils normalisés dans les disciplines connexes, car ils sont adaptés à des processus de travail de recherche particuliers.

Éléments à prendre en considération pour le partage de données

Le partage de données exige de la planification. Dès le début du projet, dans le cadre du plan de gestion des données, les chercheuses et chercheurs doivent réfléchir aux logiciels et aux outils nécessaires pour créer ou collecter, analyser et documenter les données; au stockage approprié et aux procédures de sauvegarde; à la manière dont les données seront déposées et, si possible, partagées; la manière dont les données seront gérées pour assurer la conformité aux exigences éthiques et légales.

Les différences disciplinaires, notamment l’attitude et la culture, peuvent exercer une influence sur le partage et la réutilisation des données. Certains domaines de recherche disposent de traditions à cet égard et peuvent avoir adopté des normes ainsi que des outils pour soutenir ce travail. C’est particulièrement le cas des sciences humaines où les résultats ne correspondent pas toujours aux définitions traditionnelles des données de recherche; les chercheuses et chercheurs peuvent alors penser à utiliser des approches différentes pour favoriser le partage. Des services et des outils sont souvent mis sur pied afin de répondre à des besoins particuliers à une discipline et il peut s’avérer difficile de les adopter ou de les réorienter dans d’autres disciplines ou contextes. Bien que les outils et services généraux peuvent être utiles, ils n’ont souvent pas le contexte disciplinaire nécessaire pour permettre leur réutilisation et leur adoption. Parmi les éléments disciplinaires à prendre en considération, mentionnons :

• Les formats de fichier (libre vs propriétaire, outils et logiciels standards au sein de la discipline);
• Les normes de métadonnées utilisées pour la  documentation et la découverte de jeux de données;
• Le stockage de données actives, les outils de transfert de données et les dépôts de données pour soutenir les besoins disciplinaires (p. ex., données massives, données sensibles);
• Le choix de dépôt en fonction des caractéristiques et de la communauté qui va l’utiliser;
• La disponibilité de la curation des données :
  • Examen de la qualité des données;
  • Documentation des données aux fins de réutilisation;
  • Transformation des données (p. ex., nettoyage, anonymisation, dépersonnalisation);
• Les modalités d’accès et les licences de réutilisation;
• Les outils d’exploration et de visualisation des données;
• Les avantages de partager divers types de données.

Les études de cas suivantes examinent des projets de recherche ou des considérations d’ordre disciplinaire dans les domaines des humanités numériques (étude de cas 2), des sciences de la santé (étude de cas 3) et des sciences naturelles (étude de cas 4). Elles mettent en évidence les enjeux auxquels sont confrontés les chercheuses et chercheurs et mettent de l’avant des solutions ainsi que les leçons apprises.

L’avenir du partage de données au Canada

Plusieurs développements pourraient mieux soutenir les chercheuses et chercheurs du Canada pour tirer pleinement profit des avantages du partage de données. Quelques possibilités sont suggérées ci-après, notamment l’amélioration de l’accès et de l’inclusion, le renforcement des plateformes de recherche qui prennent en charge le cycle de vie des données, l’élaboration d’outils et de technologies pour automatiser les processus de travail de curation et l’amélioration de l’intégration et de l’interopérabilité entre les systèmes et les plateformes.

Accès et inclusion

Les obstacles systémiques à l’inclusion de l’ensemble des chercheuses et chercheurs de toutes les disciplines pour l’accès et l’utilisation des outils et des services de partage des données doivent être supprimés. Ceci permettrait de favoriser une adoption plus équitable des politiques et pratiques de partage de données. De nouvelles façons de concevoir le partage des données sont nécessaires pour transformer les infrastructures qui prennent en charge tous les types de données de recherche, à la fois en matière de formats et de normes, mais aussi en ce qui a trait aux modèles et processus de travail encore théoriques.

Au fur et à mesure que les processus de travail de partage de données évoluent, il faut veiller à créer des modèles d’édition équitables. Étant donné le coût élevé du stockage, particulièrement pour les gros jeux de données, nous devons équilibrer durabilité et équité.

Exemples

• Davantage d’options de personnalisation des dépôts de données; des outils et des normes flexibles;
• Des normes d’accessibilité Web dans les logiciels et plateformes;
• Des ententes d’accès libre entre établissements de recherche, maisons d’édition et dépôts.

Plateformes de cycle de vie de la recherche

Les processus de travail habituels pour téléverser ou télécharger des données d’un dépôt exigent le transfert de données entre les plateformes et entre les emplacements de stockage. Cette façon de procéder est inefficace et dispendieuse, voire impossible pour les gros ensembles de données en raison du coût, du temps nécessaire pour le transfert ou des limites de l’infrastructure. De plus, certains jeux de données dépendent de logiciels ou d’environnements informatiques spécialisés pour réaliser des analyses. Les plateformes de recherche et les grappes de stockage qui prennent en charge le cycle de vie complet des données, où il serait possible d’analyser les données, d’en faire la curation et où une version sûre serait partagée, sont nécessaires.

Exemples

• Des outils faciles à utiliser pour redistribuer les jeux de données entre plusieurs couches de stockage diverses (p. ex., déplacer des données depuis et vers un dépôt et un stockage actif);
• Des plateformes infonuagiques complètes permettant l’analyse, la curation et le partage de données.

Automatisation de la curation

Pour faire progresser la science ouverte, il ne suffit pas de rendre les données accessibles. Il faut temps et argent pour que les jeux de données soient conformes aux principes FAIR. Les nouveaux outils et les nouvelles technologies pourraient réduire cet investissement et soutenir les chercheuses, les chercheurs ainsi que les personnes responsables de la curation à produire des résultats de recherche de qualité supérieure.

Exemples

• Des algorithmes d’intelligence artificielle qui génèrent des métadonnées de qualité supérieure à partir des données;
• Des logiciels pour le couplage automatisé de données, à l’intérieur des jeux de données et entre eux;
• Des logiciels qui guident les chercheuses et chercheurs dans la documentation de leurs jeux de données, avec des normes et des taxonomies intégrées;
• Des logiciels qui vérifient la reproductibilité et la qualité des jeux de données.

Intégration et interopérabilité

Comme l’illustre la gamme de politiques, d’outils et de services qui soutiennent le partage des données de recherche, l’impulsion est grande pour faire progresser ces infrastructures. Toutefois, plusieurs sont offerts et développés en silos, reliés par trop peu d’éléments de logiciel médiateur ou de politiques-cadres. Alors que ces infrastructures sont mises sur pied, l’interopérabilité (p. ex., relier la politique à la plateforme, la plateforme au service, le service à la politique) et l’intégration aux processus de travail de recherche et d’édition se trouveront au cœur des activités visant à améliorer la facilité d’utilisation et l’adoption accrue de pratique de partage de données.

Exemples

• Des cadres politiques pour le partage de données au-delà des limites des juridictions;
• L’intégration des plans de gestion des données à l’infrastructure de recherche et de partage;
• La connexion des jeux de données dans un réseau plus vaste de résultats de recherche.

Conclusion

L’infrastructure, les outils et services canadiens qui soutiennent le partage de données de recherche sont importants, surtout à la lumière des politiques qui exigent un accès aux données financées par des fonds publics. Le domaine d’étude d’une chercheuse ou d’un chercheur et les préoccupations éthiques ont un impact sur la manière dont les données sont partagées et influencent l’élaboration de politiques et d’infrastructures qui pourraient faire progresser le partage de données au Canada.

Lectures et ressources supplémentaires

Barsky, E., Laliberté L. W., Leahey, A. et Trimble, L. (2017). Chapter 3. Collaborative Research Data Curation Services: A View from Canada. Dans L. R. Johnston (dir.), Curating research data, volume one: Practical strategies for your digital repository (p. 79-101). Association of College and Research Libraries. https://dx.doi.org/10.14288/1.0340778

Cheung, M., Cooper, A., Dearborn, D., Hill, E., Johnson, E., Mitchell, M. et Thompson, K. (2022). Practices before policy: Research data management behaviours in Canada. Partnership: The Canadian Journal of Library and Information Practice and Research, 17(1), 1–80. https://doi.org/10.21083/partnership.v17i1.6779

First Nations Information Governance Centre. (2014, 23 mai). Ownership, control, access and possession (OCAP™): The path to First Nations information governance. https://achh.ca/wp-content/uploads/2018/07/OCAP_FNIGC.pdf

Garnett, A., Leahey, A., Savard, D., Towell. B. et Wilson, L. (2017). Open metadata for research data discovery in Canada. Journal of Library Metadata, 17(3-4), 201-217. https://doi.org/10.1080/19386389.2018.1443698

Thompson, K. et Kellam, L. M.  (2016). Introduction to databrarianship: The academic data librarian in theory and practice. Dans L. M. Kellam et K. Thompson (dir.), Databrarianship: The academic data librarian in theory and practice. Association of College and Research Libraries. https://scholar.uwindsor.ca/cgi/viewcontent.cgi?article=1047&context=leddylibrarypub

Rice, R. et Southall, J. (2016). The data librarian’s handbook. Facet Publishing.

Bibliographie

Baker, D., Bourne-Tyson, D., Gerlitz, L., Haigh, S., Khair, S., Leggott, M., Moon, J., Ridsdale, C., Tourangeau, R. et Whitehead, M. (2019). Research data management in Canada: A backgrounder. Zenodo. https://doi.org/10.5281/zenodo.3574685

Conseil de recherche en sciences humaines. (s.d.). Politique sur l’archivage des données de recherche. Gouvernement du Canada. https://www.sshrc-crsh.gc.ca/about-au_sujet/policies-politiques/statements-enonces/edata-donnees_electroniques-fra.aspx

Corcho, O., Eriksson, M., Kurowski, K, Ojsteršek, M., Choirat, C. van de Sanden, M. et Coppens, F. (2021). EOSC interoperability framework: Report from the EOSC executive board working groups FAIR and architecture. Publications Office of the European Union. https://data.europa.eu/doi/10.2777/620649

Goddard, L., Barsky, E., Cooper, A., Darnell, A., Davis, C., Doiron, J. et Taylor, S. (2018). Dataverse north working group: Year 1 recommendations. UBC Faculty Research and Publications.  https://doi.org/10.14288/1.0386773

Goodchild, M. et Huck, J. (2022, 29 mars). Building a shared open research data repository community in Canada. Open Science Framework. https://osf.io/b9vyt

Gouvernement du Canada. (2021). Politique des trois organismes sur la gestion des données de recherche. https://science.gc.ca/site/science/fr/financement-interorganismes-recherche/politiques-lignes-directrices/gestion-donnees-recherche/politique-trois-organismes-gestion-donnees-recherche

Gouvernement du Canada. (s.d.). Stratégies institutionnelles de gestion des données de recherche publiées. https://science.gc.ca/site/science/fr/financement-interorganismes-recherche/politiques-lignes-directrices/gestion-donnees-recherche/strategies-institutionnelles-gestion-donnees-recherche-publiees

Groupe de travail sur la gestion des données de recherche de l’Alliance. (2020). État actuel de la gestion des données de recherche au Canada. Zenodo. https://zenodo.org/record/6647045

Groupe en éthique de la recherche.  (s.d.). Lignes Directrices pour verser des données existantes dans des dépôts publics. Gouvernement du Canada. https://ethics.gc.ca/fra/depositing_depots.html

Groupe en éthique de la recherche. (2022). Énoncé de politique des trois conseils : Éthique de la recherche avec des êtres humains – EPTC 2 (2022).  Gouvernement du Canada. https://ethics.gc.ca/fra/policy-politique_tcps2-eptc2_2022.html

Jacoby, W. G., Lafferty-Hess, S. et Christian, T-M. (2017). Should journals be responsible for reproducibility? Inside Higher Ed Blog. https://www.insidehighered.com/blogs/rethinking-research/should-journals-be-responsible-reproducibility

Jones, K., Bevan, G. et Monette, M. (2017). The Diniacopoulos ceramics display, Department of Classics – 2016 [Jeu de données].Borealis. https://doi.org/10.5683/SP/T7ZJAF

Lin, D., Crabtree, J., Dillo, I., Downs, R. R., Edmunds, R., Giaretta, D., De Giusti, M., L’Hours, H., Hugo, W., Jenkyns, R., Khodiyar, V., Martone, M. E., Mokrane, M., Navale, V., Petters, J., Sierman, B., Sokolova, D. V., Stockhause, M. et Westbrook, J. (2020) The TRUST Principles for digital repositories. Sci Data, 7, 144. https://doi.org/10.1038/s41597-020-0486-7

Patridge, E. F. et Bardyn, T. P. (2018). Research electronic data capture (REDCap). JMLA, 106(1), 142–144. https://doi.org/10.5195/jmla.2018.319

Pérez-Jvostov, F., Iron, K., Khair, S., Sahrakorpi, S. et Zhang, Q. (2021). Évaluation des besoins de la communauté de recherche: résumé des commentaires reçus. Alliance de recherche numérique du Canada. https://alliancecan.ca/sites/default/files/2022-04/EvaluationBesoins_Alliance_20220126.pdf

Public Library of Science. (2022, 29 mars). PLOS launches new feature to promote data sharing and access. The Official PLOS Blog. https://theplosblog.plos.org/2022/03/plos-launches-new-feature-to-promote-data-sharing-and-access/

Rieseberg, L., Warschefsky, E., O’Boyle, B., Taberlet, P., Ortiz-Barrientos, D., Kane, N. C. et Sibbett, B. (2021). Editorial 2021. Molecular Ecology, 30(1), 1-25. https://doi.org/10.1111/mec.15759

Stuart, D., Baynes, G., Hrynaszkiewicz, I., Allin, K., Penny, D., Lucraft, M. et Astell, M. (2018). Whitepaper: Practical challenges for researchers in data sharing. Figshare. https://doi.org/10.6084/m9.figshare.5975011

Tedersoo, L., Küngas, R., Oras, E., Köster, K., Eenmaa, H., Leijen, Ä., Pedaste, M., Raju, M., Astapova, A., Lukner, H., Kogermann, K. et Sepp, T. (2021). Data sharing practices and data availability upon request differ across scientific disciplines. Scientific data, 8, 192. https://doi.org/10.1038/s41597-021-00981-0

Vines, T. H., Andrew, R. L., Bock, D. G., Franklin, M. T., Gilbert, K. J., Kane, N. C., Moore, J-S., Moyers, B. T., Renaut, S., Rennison, D. J., Veen, T. et Yeaman, S. (2013), Mandated data archiving greatly improves access to research data. The FASEB Journal, 27(4), 1304-1308. https://doi.org/10.1096/fj.12-218164

Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., Appleton, G., Axton, M., Baak, A., Blomberg, N., Boiten, J-W., da Silva Santos, L. B., Bourne, P. E., Bouwman, J., Brookes, A. J., Clark, T., Crosas, M., Dillo, I., Dumon, O., Edmunds, S., Evelo, C. T., Finkers, R., Gonzalez-Beltran, A., … Mons, B. (2016). The FAIR guiding principles for scientific data management and stewardship. Scientific data, 3, 160018. https://doi.org/10.1038/sdata.2016.18

Jane Fry; Jennifer Abel; Dylanne Dearborn; Alison Farrell; et Chantal Ripp

Introduction

Vous savez maintenant que la gestion des données de recherche (GDR) comprend tout un ensemble de pratiques et de services, tels que la planification de la gestion des données, la curation, la découverte et la préservation. Les établissements de recherches qui réfléchissent à la GDR – tant les universités, les collèges que les centres hospitaliers – devraient examiner tous les services, ressources et effectifs qui soutiennent la GDR pour chacun des projets de recherche, particulièrement lors de l’officialisation de leurs services. Cette démarche a été entreprise par plusieurs établissements canadiens au moment de la rédaction de ce chapitre (printemps 2022) en réponse à la Politique des trois organismes sur la gestion des données de recherche.

Mais comment les établissements de recherche peuvent-ils déterminer si toutes les étapes du cycle de vie des données de recherche sont prises en charge et ensuite, qui est responsable de ces étapes? Afin de soutenir les établissements canadiens de recherche dans leurs réflexions, les autrices de ce chapitre se sont réunies au cours de l’été 2021 pour développer le Modèle d’évaluation de la maturité de la GDR au Canada, ou MEMAC (Fry et al., 2021). Il s’agit d’une initiative pour aider les partenaires de GDR à mieux comprendre les services et ressources qui soutiennent la gestion des données dans leur établissement.

Dans ce chapitre, nous examinerons pourquoi certains établissements canadiens pourraient vouloir mener chez eux une évaluation de la maturité de la GDR en tenant compte, particulièrement, des exigences en matière de stratégie institutionnelle de GDR mises en place par les trois organismes fédéraux de financement de la recherche au Canada (les trois organismes subventionnaires). Nous étudierons également le développement du MEMAC, comment le compléter et comment utiliser ses résultats. Pour terminer, nous soulignerons l’importance des efforts de la communauté dans la création de cet outil.

Le besoin: comment évaluer les services de GDR d’un établissement

Au printemps 2021, les Instituts de recherche en santé du Canada (IRSC), le Conseil de recherches en sciences naturelles et en génie du Canada (CRSNG) et le Conseil de recherches en sciences humaines du Canada (CRSH) ont publié leur Politique des trois organismes sur la GDR. Cette politique tant attendue cherche à appuyer l’excellence en recherche au Canada en veillant à ce que les chercheuses et chercheurs appliquent de bonnes pratiques de GDR et d’intendance des données et que leurs établissements d’attache les soutiennent. Les trois organismes subventionnaires visent les normes d’excellence les plus rigoureuses – ils s’attendent à ce que la recherche soit effectuée d’une manière éthique, que les fonds accordés soient bien employés, que les expériences et les études soient généralisables et que les recherches soient aussi accessibles que possible (Gouvernement du Canada, 2021). Pour en faire la preuve, les établissements doivent créer et publier une stratégie de GDR qui fait état de leur engagement envers les principes de GDR et qui explique la façon dont ils appuieront les chercheuses et chercheurs dans la mise en œuvre de ces principes (voir la partie 3.1 de la politique).

Puisqu’une seule stratégie ne pourra convenir à toutes les situations, chaque établissement doit tenir compte des circonstances qui lui sont propres, telles que sa taille, l’intensité de sa recherche et sa capacité existante de GDR. Mais comment un établissement détermine-t-il sa capacité de GDR ou à quoi sa stratégie doit-elle ressembler? Pour aider dans ce processus, l’Alliance de recherche numérique du Canada (anciennement le réseau Portage) a publié en 2018 son Modèle pour l’élaboration de stratégie institutionnelle de GDR. Mis à jour en novembre 2021, ce modèle présente un processus en cinq étapes pour renseigner et façonner l’élaboration d’une stratégie de GDR qui répond aux besoins locaux et aux capacités des ressources. Nous nous attarderons sur la deuxième étape du processus, celle qui encourage les établissements à évaluer l’état de leur GDR en utilisant des modèles et outils d’évaluation.

Qu’est-ce qu’un modèle d’évaluation de la maturité? Et pourquoi le Canada en a-t-il besoin?

Les outils et modèles d’évaluation de la maturité évaluent la maturité et le niveau de préparation d’un établissement à fournir des services en GDR et aident à déterminer le degré de sophistication d’un service ou d’un produit. Une des caractéristiques couramment utilisée par ces modèles est l’échelle. Celle-ci sert à représenter la maturité d’un organisme relativement à certaines capacités particulières – autrement dit, dans quelle mesure la mise en œuvre du processus de l’organisme est fiable (Rans et White, 2017). La grille d’évaluation de la maturité permet à l’utilisateur de quantifier les capacités et favorise l’amélioration continue du processus.

Sur le plan international, la GDR est déjà bien implantée pour favoriser l’excellence en recherche et plusieurs modèles de maturité ont été développés. Toutefois, quand les établissements canadiens ont commencé à utiliser ces modèles pour évaluer l’état de la GDR sur leur campus, ils se sont aperçus que ces outils ne cadraient pas bien au contexte canadien en GDR. Par exemple, les établissements canadiens ne sont pas tenus d’avoir des politiques en GDR, contrairement aux établissements dans d’autres pays.

Après la publication de la politique des trois organismes sur la GDR en 2021, les membres de la communauté nationale de GDR ont entamé des discussions informelles sur la façon dont les établissements devraient s’y prendre pour l’élaboration de leur stratégie en GDR. Le Groupe d’experts national sur la formation (GENF)Le GENF fait partie du réseau d'expertes et experts et est affilié à l’Alliance de recherche numérique du Canada. réunissant des membres de la communauté de recherche et des gens qui les soutiennent a décidé de créer une série de webinaires et d’ateliers qui serait présentée en octobre 2021 afin de rassembler des personnes représentant différents établissements pour discuter du développement de leur stratégie. En préparant cette série pour l’automne, plusieurs membres ont constaté l’absence d’un modèle canadien d’évaluation de la maturité qui pourrait servir aux établissements dans la deuxième étape du développement de leur stratégie. Le GENF a convenu qu’un outil proprement canadien de modèle d’évaluation de la maturité serait un bon point de départ pour discuter des capacités institutionnelles de GDR qui doivent être incluses dans les stratégies afin de s’aligner avec la politique des trois organismes sur la GDR. En avril 2021, un plus petit groupe a entamé l’élaboration de ce qui allait devenir la première version du MEMAC, à temps pour la tenue de l’atelier en octobre. Nous – les autrices de ce chapitre – en plus de Shahira Khair de l’Université de Victoria, faisions partie de ce groupe.

Comment le MEMAC a-t-il été créé?

L’analyse du contexte des modèles d’évaluation de la maturité

Comme première étape, nous avons analysé plusieurs outils internationaux d’évaluation. Bien que les modèles disponibles soient excellents, ils comprenaient des sections qui n’étaient pas applicables au Canada, en plus de comporter certaines lacunes – des éléments que nous devions alors inclure dans le modèle canadien, dont l’exigence des organismes subventionnaires pour une stratégie institutionnelle de GDR. À la suite de cette analyse, nous nous sommes concentrées sur les éléments des trois modèles les plus populaires pour nous aider à développer le MEMAC – l’outil du Research Infrastructure Self-Evaluation Framework (RISE) publié en 2017 par le Digital Curation Centre (DCC); l’outil d’évaluation de l’offre en GDR (Evaluate your RDM Offering) de SPARC Europe (s.d.); et le Data Management Framework du Australian National Data Service (ANDS, 2018)Depuis le développement du MEMAC, le ANDS a été intégré au Australian Research Data Commons (ARDC) https://ardc.edu.au/. Notre modèle canadien s’est surtout construit à partir du RISE, avec l’ajout de certains éléments inspirés du modèle SPARC et des cadres du ANDS.

Un aperçu du MEMAC

Dans notre outil canadien, nous détaillons la raison d’être, les objectifs et la définition du MEMAC, et nous fournissons une section sur la marche à suivre pour le compléter. Il y a quatre tableaux à remplir par les partenaires de recherche :

• Politiques et procédures de l’établissement;
• Infrastructure informatique;
• Services de soutien;
• Soutien financier.

Chaque tableau comporte cinq colonnes:

• l’élément à évaluer;
• la définition de l’élément;
• son niveau de maturité (l’état d’avancement de la GDR de l’établissement);
• son échelle (qui peut accéder au service ou au soutien);
• tout commentaire nécessaire pour expliquer la note attribuée à l’élément.

Sous chaque tableau, il y a un espace pour indiquer la date d’achèvement ainsi que le nom et le rôle de chaque personne qui a participé à le remplir; de cette façon, les gens qui consultent le tableau peuvent savoir avec qui communiquer s’ils veulent poser des questions ou émettre des commentaires. Le MEMAC a aussi été conçu pour une utilisation future, il est donc important de savoir qui a participé aux versions antérieures.

Nous voulions aussi nous assurer que les termes utilisés soient bien définis alors nous avons inclus une page de définitions des niveaux de maturité et des échelles spécifiques à chacun des tableaux, en y ajoutant quelques pistes de réflexion pour aider à les remplir.

La première version du MEMAC

Après avoir reçu une série de commentaires des membres de la communauté de GDR, nous avons terminé une ébauche de la version originale anglophone (MAMIC ou Maturity Assessment Model in Canada) qui a ensuite été traduite en français et présentée en octobre 2021 aux participantes et participants des ateliers sur les stratégies institutionnelles.

À noter que certains éléments n’ont pas été traités dans cette version originale, des modifications devront donc être faites pour les versions futures. Par exemple, une nouvelle version devrait tenir compte de la souveraineté des données autochtones. De nouveaux moyens de présentation de l’outil pourraient également être explorés, tels que le développement d’un outil en ligne qui permettrait aux personnes qui l’utilisent de produire différents types de graphiques, au même titre que l’outil du SPARC.

Ces révisions seront particulièrement utiles pour les établissements qui prévoient mener ce type d’évaluation régulièrement, dans le cadre du processus de révision de leur stratégie institutionnelle de GDR ou en guise d’amélioration continue de leurs services. Ce serait également utile de pouvoir appliquer le MEMAC à l’échelle nationale afin de relever et de traiter des lacunes et de présenter les contextes où certains établissements pourraient faire appel à des ressources nationales.

L’utilisation du MEMAC

Le MEMAC peut être utilisé pour déterminer ce qui existe en matière de ressources et de services en GDR, mais aussi qui est responsable de ces différentes formes de soutien. Cette connaissance permet aux établissements d’aider leurs chercheuses et chercheurs à améliorer leur gestion des données et de cibler les modifications à apporter pour bonifier leur offre de services. L’utilisation du modèle implique une coordination entre différents services sur le campus, dont la bibliothèque, le bureau de la recherche, le bureau de l’éthique et les responsables des TI.

Les catégories et mesures

Avant de commencer, les partenaires de recherche qui complètent le MEMAC devraient discuter du processus pour que tous comprennent bien la façon d’appliquer les échelles ainsi que les mesures et pour s’assurer que les décisions principales liées au processus soient documentées. L’évaluation de chacune des catégories (Politiques et procédures de l’établissement, Infrastructure informatique, Services de soutien, Soutien financier) peut se faire dans son propre tableau – voir l’Annexe 2 pour un exemple complet du tableau de la catégorie Politiques et procédures de l’établissement – avec les trois différentes mesures :

Mesure 1 : Le niveau de maturité de l’élément de l’établissement est noté sur une échelle de 0 à 5, allant de « n’existe pas » OU « inconnu » à « robuste et se concentre sur l’évaluation continue ». À noter que la première note de cette échelle est bien 0 et non 1, parce que certains établissements ne sont peut-être pas en mesure de fournir un service ou du soutien ou ils estiment ne pas en avoir besoin. La catégorie « n’existe pas » ne sert pas à indiquer le niveau de maturité, mais plutôt à reconnaître que l’élément n’est pas disponible aux chercheuses et chercheurs de l’établissement.

Mesure 2 : L’échelle est utilisée pour identifier celles et ceux qui peuvent accéder au service ou au soutien. L’élément pourrait ne pas s’appliquer à certaines personnes ou ne pas être disponible à toute la population. On peut alors déterminer si les services de l’établissement sont offerts de façon équitable et appropriée ou s’il existe des problèmes d’accessibilité.

Mesure 3 : Les commentaires sont probablement la plus importante des mesures parce  qu’ils peuvent identifier certaines forces ou faiblesses, en plus de fournir certaines pistes de discussion. C’est aussi l’endroit où lister des outils régionaux, nationaux, consortiaux ou autres qui servent de complément à la maturité de la GDR de l’établissement. Déterminer le niveau de maturité ou l’échelle d’un élément peut être difficile s’il existe plusieurs initiatives à l’intérieur de cet élément (p. ex., plusieurs unités qui offrent des services semblables de gestion des données). La section des commentaires est donc l’endroit idéal pour expliquer ce type de cas.

Compléter le MEMAC

Les données recueillies dans le MEMAC sont à l’usage exclusif des établissements qui le remplissent ; aucun autre organisme ne recueillera ces données. De plus, celles et ceux qui complètent le MEMAC décident des moyens employés pour recueillir et utiliser leurs données.

Le MEMAC peut être complété par un seul individu, mais nous recommandons l’implication d’un groupe de partenaires de recherche concernés qui représentent les domaines évalués. Par exemple, l’infrastructure informatique devrait être évaluée par des gens du service des TI et le soutien financier devrait être évalué par des personnes qui fournissent les services et le soutien en GDR (p. ex., les bibliothèques, les TI, les services de recherche).

Après que le MEMAC ait été rendu public, la communauté de GDR a partagé avec nous quatre exemples d’un processus achevé du MEMAC; tous se ressemblaient. Trois des quatre établissements avaient constitué un groupe de travail qui regroupait des bibliothécaires, des responsables en TI, des membres du bureau de la recherche et soit des chercheuses ou chercheurs ou des partenaires d’industrie. Pour l’autre établissement, seule la bibliothécaire de données a complété le document, en faisant appel à ses collègues du bureau de la recherche pour combler les informations manquantes. Cette méthode s’est avérée moins efficace et beaucoup plus laborieuse que les autres. Les résultats du MEMAC de chaque cas ont été présentés à un comité de GDR plus large à des fins de discussion.

Les avantages du MEMAC

En élaborant des stratégies et du soutien en GDR, les partenaires doivent réfléchir à l’état et à la portée des services et du soutien en GDR de leur établissement, ainsi qu’aux besoins et aux souhaits futurs. Un modèle d’évaluation de la maturité, comme le MEMAC, peut aider à identifier les lacunes, les forces, les faiblesses, les difficultés et les opportunités qui existent dans le paysage des données de recherche. Les établissements peuvent ainsi déterminer où les ressources et les efforts devraient être dirigés pour pouvoir mettre en place le soutien nécessaire au succès de leurs chercheuses et chercheurs.

Une utilisation efficace de cet outil permet une évaluation complète et représentative. Le processus nécessite toutefois la collaboration et la contribution d’une variété de partenaires de recherche; un des avantages de l’utilisation du MEMAC se rapporte donc à cette opportunité de discussion qui ouvre la voie à la création ou au renforcement de relations dans l’équipe. L’environnement de GDR institutionnel en sort consolidé et de nouvelles opportunités de dialogues, de collégialité et de partenariats à l’extérieur du cadre de la GDR apparaissent. Par exemple, une communication peut s’établir entre les services des TI et l’unité interne des TI de la bibliothèque, permettant ainsi une plus grande intégration des services de la bibliothèque et des ressources en TI.

Rassembler différents partenaires de recherche autour d’un outil partagé peut renseigner sur la complexité de la GDR et l’étendue des efforts déployés à travers l’établissement. Le processus peut contribuer à défaire les silos et à identifier les domaines d’expertise dans l’établissement, à établir des contacts ainsi qu’à faire ressortir les domaines qui pourraient profiter de la collaboration et des discussions autour de la stratégie et des services institutionnels, de l’allocation de ressources et de considérations budgétaires. L’utilisation d’un même outil sur une longue période peut aussi aider à suivre l’évolution des développements et des progrès dans l’établissement.

Plus largement, le MEMAC peut aussi favoriser les échanges entre établissements canadiens. En relevant les endroits où des ressources externes sont disponibles ou en développement, les établissements peuvent mieux décider où ils veulent investir au niveau local. De plus, l’identification de lacunes à travers les établissements peut mener à la création de nouvelles initiatives nationales. Ainsi, nous réduisons le dédoublement des efforts pour corriger chaque problème au niveau institutionnel, ce qui est long, coûteux et nécessite du personnel dédié à la tâche.

Conclusion

Ce chapitre a présenté le MEMAC sous deux angles : comme un outil que le personnel et les établissements de GDR peuvent utiliser dans leurs travaux actuels ou futurs, et comme un exemple d’initiative où les membres de la communauté canadienne de GDR ont pu se doter d’outils qui permettent à toutes et tous d’être plus efficaces et performants. Nous avons identifié un besoin et avons entrepris des démarches pour y répondre en utilisant les mêmes compétences et techniques utilisées ailleurs dans notre travail :  mener des analyses de contexte et des revues de littérature, travailler en équipe et développer du matériel testé et commenté par des utilisatrices et utilisateurs. Nous avons également fait appel aux ressources et aux individus qui étaient disponibles pour nous appuyer dans le développement et la diffusion de l’outil, notamment, la communauté nationale du réseau d’expertes et experts de GDR et l’équipe de GDR de l’Alliance canadienne de recherche numérique du Canada.

Lectures et ressources supplémentaires

Alliance de recherche numérique du Canada. (s.d.). Gestion des données de recherche. https://alliancecan.ca/fr/services/gestion-des-donnees-de-recherche

Alliance de recherche numérique du Canada. (s.d.). Réseau d’experts nationaux pour la gestion des données de recherche. https://alliancecan.ca/fr/services/gestion-des-donnees-de-recherche/reseau-dexperts

Alliance de recherche numérique du Canada. (2021). Webinaires sur l’application de la politique des trois organismes :

• Session 1: Introduction à la politique des trois organismes en GDR et plans de gestion des données
  • anglais: https://www.youtube.com/watch?v=FftT68eXlNQ
  • français: https://www.youtube.com/watch?v=lD6TrMukSBQ
• Session 2: Dépôt de données
  • anglais:: https://www.youtube.com/watch?v=oBYdbpZkXNg
  • français: https://www.youtube.com/watch?v=h7rUIrEceoI
• Session 3: Stratégies institutionnelles
  • anglais: https://www.youtube.com/watch?v=TR8yv1dzHyI
  • français: https://www.youtube.com/watch?v=K2jh1HhjXb8
• Session 4: Panel sur les stratégies institutionnelles
  • anglais: https://www.youtube.com/watch?v=mPnE2KDHl0M
  • français: https://www.youtube.com/watch?v=XUmGotnnslY

Australian Research Data Commons (ARDC). https://ardc.edu.au/

Borghi, J. (2016, 12 septembre). Building a user-friendly RDM maturity model. University of California Curation Center (UC3). https://uc3.cdlib.org/2016/09/12/building-a-user-friendly-rdm-maturity-model/

Fry, J., Doiron, J., Létourneau, D., Perrier, L., Perry, C. et Watkins, W. (2017, 31 janvier). Portrait de la formation sur la gestion des données de recherche au Canada : Livre blanc. https://dx.doi.org/10.14288/1.0372050

Groupe de travail chargé de la révision du modèle de stratégie institutionnelle en matière de GDR. (2021). Modèle pour l’élaboration de stratégie institutionnelle de gestion des données de la recherche (3.0). Zenodo. https://zenodo.org/record/5745923

Jacob, B., Whyte, A., Meyer, A., D’haenens, S., Hartmann, N. K. et Weiß, N. (2019, 2 octobre). Using RISE, an international perspective [Résumé]. 15th International Digital Curation Conference (IDCC), Dublin, Irlande. https://doi.org/10.5281/zenodo.3565440

Jones, S., Pryor, G. et Whyte, A. (2012). Developing research data management capability: The view from a national support service. Dans R. Moore, K. Ashley, et S. Ross (dir.), Proceedings of the 9th International Conference on Preservation of Digital Objects (iPRES), (pp. 142-149).  University of Toronto Faculty of Information. https://phaidra.univie.ac.at/detail/o:293775

Jones, S., Rans, J., Sisu, D. et Whyte, A. (2014). Reshaping the DCC institutional engagement programme. International Journal of Digital Curation, 9(2), 47-64.https://doi.org/10.2218/ijdc.v9i2.334

Kouper, I., Fear, K., Ishida, M., Kollen, C. et Williams, S. C. (2017). Research data services maturity in academic libraries. http://dx.doi.org/10.14288/1.0343479

Perry, C. l., Fry, J. et Doiron, J. (2017, 1 juin). Portaging the landscape: Developing and delivering a national RDM training infrastructure in Canada [Présentation]. IASSIST 2017 https://doi.org/10.5281/zenodo.4551708

SPARC Europe. (s.d.). How Open Are You? https://sparceurope.org/what-we-do/open-access/sparc-europe-open-access-resources/open-research-checklist-institutions/ 

Bibliographie

ANDS. (2018, 23 mars). Creating a data management framework. https://web.archive.org/web/20220309174711/https://www.ands.org.au/__data/assets/pdf_file/0005/737276/Creatinga-data-management-framework.pdf

Fry, J., Dearborn, D., Farrell, A., Khair, S. et Ripp, C. (2021, 30 novembre). Modèle d’évaluation de la maturité de la GDR au Canada (MEMAC) (1.0). Zenodo. https://zenodo.org/record/5745894

Gouvernement du Canada. (2021). Politique des trois organismes sur la gestion des données de recherche. https://science.gc.ca/site/science/fr/financement-interorganismes-recherche/politiques-lignes-directrices/gestion-donnees-recherche/politique-trois-organismes-gestion-donnees-recherche

Rans, J. et Whyte, A. (2017). Using RISE, the research infrastructure self-evaluation framework v.1.1. Digital Curation Centre. www.dcc.ac.uk/guidance/how-guides/RISE

SPARC Europe. (s.d.) Evaluate your RDM offering. https://sparceurope.org/evaluate-your-rdm-offering/.

Lucia Costanzo

Qu’est-ce que le nettoyage des données?

Vous avez peut-être entendu parler de la règle du 80/20? La plupart des chercheuses et chercheurs consacrent 80% de leur temps à la recherche, au nettoyage et à la réorganisation de grandes quantités de données et seulement 20% de leur temps à analyser ces données.

En entamant un projet de recherche, vous utiliserez soit des données primaires générées à partir de vos propres expériences, soit des données secondaires issues des expériences d’une autre équipe de recherche. Une fois les données obtenues pour répondre à votre ou vos question(s) de recherche, vous aurez besoin de temps pour les examiner et les comprendre. Les données peuvent se retrouver dans des formats difficiles à analyser.  Au cours de l’étape du nettoyage des données, vous utiliserez des pratiques de gestion des données de recherche (GDR). Le processus de nettoyage des données peut être long et fastidieux, mais il est essentiel pour assurer la précision et la qualité de votre recherche.

Le nettoyage des données peut sembler évident, mais c’est une étape où plusieurs chercheuses et chercheurs éprouvent des difficultés. George Fuechsel, un programmeur et instructeur de la compagnie IBM a été le premier à utiliser l’expression « garbage in, garbage out » (déchet qui entre, déchet qui sort) (Lidwell et al., 2010) pour rappeler à ses étudiantes et étudiants que l’ordinateur ne traite que ce qu’on lui donne – peu importe que l’information soit bonne ou mauvaise. Le même principe s’applique aux chercheuses et chercheurs; peu importe la qualité de vos méthodes, l’analyse ne dépend que de la qualité des données. Autrement dit, les résultats et conclusions d’une étude seront aussi fiables que les données utilisées.

L’utilisation de données nettoyées vous permet de ne pas perdre de temps en analyses inutiles.

Six actions principales de nettoyage et de préparation

Le nettoyage et la préparation des données peuvent se résumer à six actions principales : découvrir, structurer, nettoyer, enrichir, valider et publier. Elles sont menées tout au long du projet de recherche afin de maintenir l’organisation des données. Examinons chacune des actions de plus près.

1. Découvrir les données

Cette étape importante consiste à découvrir ce que les données peuvent révéler. Elle est désignée comme l’analyse exploratoire des données (AED). Le concept de l’AED a été développé dans les années 70 par le mathématicien américain John Tukey. D’après un mémoire, « Tukey a souvent comparé l’AED à un travail de détective. Le rôle de l’analyste de données est d’écouter les données de toutes les manières possibles jusqu’à ce qu’une histoire plausible se dégage des données"Tukey often likened EDA to detective work. The role of the data analyst is to listen to the data in as many ways as possible until a plausible ‘story’ of the data is apparent" » [traduction] (Behrens, 1997). L’AED est une approche employée pour mieux comprendre les données par le biais de méthodes quantitatives et graphiques.

Les méthodes quantitatives synthétisent les caractéristiques des variables en utilisant des mesures de tendance centrale, dont le mode, la médiane et la moyenne arithmétique qui est la plus courante d’entre elles. Les mesures de dispersion indiquent à quelle distance du centre il est vraisemblable de retrouver des points de données. La variance, l’écart-type, l’étendue et l’écart interquartile constituent tous des mesures de dispersion. D’un point de vue quantitatif, la distribution peut être évaluée en utilisant une mesure d’asymétrie. Des histogrammes, des boîtes à moustaches et parfois aussi des diagrammes à tiges et à feuilles sont utilisés pour visualiser rapidement chacune des variables en fonction de la tendance centrale, de la dispersion, de la modalité, de l’étendue et des observations aberrantes.

L’examen des données par le biais de techniques d’AED permet d’identifier des tendances sous-jacentes et des anomalies, aide à établir des hypothèses et vérifie des suppositions liées à l’analyse. Examinons maintenant l’action de structurer les données.

2. Structurer les données

En fonction de la ou des question(s) de recherche, vous pourrez avoir à organiser les données de différentes façons pour différents types d’analyses. Prenons comme exemple les données par mesures répétées – quand chaque unité expérimentale ou sujet est mesuré à plusieurs moments ou dans différentes conditions.

Imaginons, pour la figure 1, que des chercheuses étudient les effets d’un programme de petits-déjeuners auprès d’élèves de 6e année et qu’elles veulent recueillir des résultats de tests à trois moments différents, dont avant (T1), pendant (T2) et après (T3) la tenue du programme matinal. À noter que chaque groupe est constitué des mêmes élèves et que chaque élève est mesuré aux différents moments. Chaque mesure au cours de l’étude est un aperçu dans le temps. Il y a deux façons de structurer des données de mesures répétées : les formats longs et larges.

Le tableau 1 illustre des données structurées en format long avec chaque élève de l’étude représenté par trois rangées de données, une pour chacun des moments dans le temps où des  résultats ont été recueillis. Dans la première rangée, Élève 1 au Temps 1 (avant le programme de petits-déjeuners) a eu un résultat de 50 pour le test. Dans la deuxième rangée, Élève 1 au Temps 2 (à mi-chemin du programme de petits-déjeuners) a eu un résultat plus élevé, de 65. Et dans la troisième rangée, Élève 1 au Temps 3 (après le programme) a obtenu un résultat de 80.

Le format large, tel qu’illustré par le tableau 2, utilise une seule rangée pour chacune des observations ou des personnes participantes, et chaque mesure ou résultat se trouve dans sa colonne distincte.

Dans le format large, l’ensemble des résultats des tests d’un seul élève se trouve dans la même rangée, et chaque résultat de test individuel de l’élève est dans sa propre colonne. En consultant la première rangée, Élève 1 a obtenu un résultat de 50 sur le test avant le programme de petits-déjeuners, il a ensuite obtenu 65 à mi-chemin du programme et 80 après le programme.

Bref, un format long de données utilise plusieurs rangées pour chaque observation ou personne participante, tandis que le format large de données utilise une rangée par observation. La façon de structurer vos données (format long ou large) sera déterminée par le modèle ou l’analyse statistique choisie. Il est possible que vous ayez à structurer vos données dans les deux formats pour réaliser vos objectifs d’analyse.

Structurer les données est une activité fondamentale de nettoyage et de préparation des données; l’étape vise à réorganiser les données en vue d’une analyse statistique particulière. Les données peuvent contenir des irrégularités ou des anomalies, ce qui peut avoir un impact sur la fiabilité des modèles de la chercheuse ou du chercheur. Examinons de plus près le nettoyage des données pour que votre analyse puisse fournir des résultats plus précis.

3. Le nettoyage des données

Le nettoyage des données est essentiel pour assurer la qualité de votre analyse. Les neuf conseils suivants abordent, à l’aide d’exemples pratiques, une série de problèmes couramment rencontrés lors du nettoyage des données.

Conseil n^o 1: la vérification de l’orthographe

Le repérage de fautes de frappe ou de variations orthographiques est l’une des tâches les plus importantes dans le nettoyage des données. Vous pouvez utiliser un logiciel de vérification orthographique pour identifier et corriger les erreurs d’orthographe ou de saisie des données.

Ces logiciels de vérification peuvent aussi être utilisés pour uniformiser les noms propres. Si, par exemple, un jeu de données contient des entrées pour « Université de Guelph » et « UOG » et « U of G » et « Guelph University » (tableau 3), chaque variation orthographique sera considérée comme un établissement différent. L’orthographe choisie importe peu; l’important, c’est qu’elle soit uniforme à travers le jeu de données.

Exercice du conseil n^o 1 : la vérification orthographique

Parcourez le tableau 3 et uniformisez le nom dans la colonne ETABLISSEMENT à « Université de Guelph ».

 

Voir le solutionnaire pour les réponses. Les fichiers de données pour les exercices de ce chapitre sont disponibles (en anglais uniquement) dans le dépôt Borealis.

Conseil n^o 2: les doublons

Parfois, les données sont entrées ou générées manuellement en utilisant des méthodes qui peuvent entraîner des dédoublements de rangées. Vérifiez les rangées pour déterminer si certaines données sont en double et doivent être supprimées. Si chaque rangée comporte un numéro d’identification, celui-ci devrait être unique à chacune des observations. Dans cet exemple, deux observations ont le 3 comme numéro d’identification (tableau 4). Puisqu’elles ont toutes les deux des valeurs identiques, une des rangées devrait être supprimée.

Exercice du conseil n^o 2: les doublons

Parcourez le tableau 4 et supprimez les entrées en double.

Indice : Si vous utilisez Excel, cherchez et utilisez la fonction « Valeurs en double ».

 

Voir le solutionnaire pour les réponses.

Conseil n^o 3: trouver et remplacer

Avec certains remplacements bien choisis, il est possible d’obtenir des données relativement propres et de les organiser dans une forme intéressante en cherchant des tendances ou des répétitions dans un fichier. Cet exemple illustre le nombre d’observations d’oiseaux dans la ville de Guelph. En consultant la colonne LIEU, les abréviations « ch » et « Ch » sont remplacées par le mot complet « chemin » (tableau 5). Cette opération s’effectue à l’aide de la fonction trouver et remplacer.

Exercice du conseil n^o 3: trouver et remplacer

Parcourez le tableau 5. Trouvez et remplacez tous les « ch » et « Ch » avec « chemin » dans la colonne LIEU.

INDICE: Faites attention en utilisant la fonction trouver et remplacer. Dans l’exemple ci-dessous, il y a  des instances où les lettres « ch » ou « Ch » NE ne se rapportent PAS au mot chemin (p. ex., « Church » ou « March »); ces données seront donc remplacées par erreur. Ce type de modification peut être évité en insérant un espace avant la chaîne que vous cherchez (donc, « (espace)ch »). Expérimentez aussi  la fonction de respect de la casse (majuscules ou minuscules) si elle est disponible. Conservez toujours une copie de vos données originales en cas de problèmes.

Voir le solutionnaire pour les réponses.

Conseil n^o 4: majuscules et minuscules

Le texte peut être tout en lettres minuscules, tout en majuscules ou seulement avoir une majuscule au début de chaque mot. Le texte peut être converti tout en minuscules, comme pour les adresses courriel; tout en majuscules, comme pour les abréviations de provinces, et dans les deux casses, comme pour les noms propres. Dans l’exemple de ce tableau, l’utilisation des majuscules et minuscules n’est pas uniforme. Parfois, les noms et courriels sont inscrits en majuscules, parfois en minuscules et parfois dans un format pour les noms propres (tableau 6).

Exercice du conseil n^o 4: majuscules et minuscules

Dans la colonne NOM du tableau 6, modifiez le texte en remplaçant la première lettre du prénom et du nom avec une majuscule. Convertissez ensuite le texte dans la colonne COURRIEL à des lettres minuscules.

INDICE: Si vous utilisez Excel, cherchez les fonctions MAJUSCULE, MINUSCULE et NOMPROPRE.

Voir le solutionnaire pour les réponses.

Conseil n^o 5: espaces et caractères qui ne s’impriment pas

Les espaces et les caractères qui ne s’impriment pas peuvent avoir des résultats imprévus quand vous effectuez des fonctions de tri, de filtrage ou de recherche. Les espaces en début ou en fin de mot, de multiples espaces intercalés ou les caractères qui ne s’impriment pas sont tous invisibles. Ils peuvent se faufiler lorsque vous importez des données à partir de pages Web, de documents Word ou PDF.

Conseil n^o 6: chiffres et signes

Il y a deux éléments à surveiller :

1. les données peuvent comprendre du texte
2. le signe négatif peut ne pas être standardisé

Vous pourriez obtenir un jeu de données qui comporte des variables définies comme des chaînes de caractères (elles peuvent inclure des chiffres, des lettres ou des symboles). Les fonctions numériques, comme les additions et les soustractions, ne peuvent pas être utilisées avec les variables en chaîne. Pour pouvoir effectuer une analyse quantitative des données, vous devez donc convertir les valeurs d’un format en chaîne à des valeurs numériques. Le tableau des observations d’oiseaux (tableau 7) comporte une colonne indiquant s’il s’agit d’un oiseau juvénile. Pour une analyse quantitative des données, vous devrez convertir toutes les valeurs en chaîne « non » à la valeur numérique 0 ainsi que les valeurs en chaîne « oui » à la valeur numérique 1. Laissez telle quelle la colonne originale JUVENILE en guise de référence et créez une nouvelle colonne avec les valeurs numériques. La colonne originale ne sert qu’à vérifier la transformation de la nouvelle colonne et pourra ensuite être supprimée lorsque la transformation sera jugée complète et exacte. Dans cet exemple, la nouvelle colonne JUVENILE_NUM contient les valeurs numériques qui correspondent aux valeurs en chaîne de la colonne JUVENILE (l’exercice du conseil n^o 6 illustre cet exemple).

Les chiffres peuvent être formatés de différentes façons, surtout pour les données financières. Par exemple, les valeurs négatives peuvent être représentées avec un trait d’union, placées à l’intérieur de parenthèses ou même surlignées en rouge. Ces valeurs négatives ne pourront pas toutes être lues par un ordinateur, notamment quand il s’agit de couleur. En nettoyant les données, choisissez et appliquez une approche claire et uniforme pour le formatage de toutes les valeurs négatives. Le signe négatif est le choix le plus courant.

Exercice du conseil n^o 6: chiffres et signes

Créez une nouvelle colonne intitulée JUVENILE_NUM dans le tableau 7. Inscrivez une valeur de 0 dans cette nouvelle colonne quand « non » apparaît dans la colonne JUVENILE. Inscrivez une valeur de 1 dans cette même colonne quand « oui » apparaît dans la colonne JUVENILE.

Voir le solutionnaire pour les réponses.

Conseil n^o 7: date et heure

Il y a de nombreuses façons de formater les dates d’un jeu de données. Elles sont parfois formatées en chaîne. Mais si les données de dates sont nécessaires à des fins d’analyse, le type de champ devrait être changé de « chaîne » à « date » pour que les dates puissent être reconnues dans l’outil d’analyse choisi. Pour les valeurs liées à l’heure, vous devrez choisir une convention et l’appliquer uniformément à travers le jeu de données. Par exemple, vous pouvez choisir d’utiliser l’horloge de 12 ou de 24 heures pour préciser l’heure dans votre jeu de données. Peu importe ce que vous choisissez, vous devez veiller à ce que l’application se fasse uniformément. Vous pouvez aussi avoir à modifier un format pour vous assurer que tous les formats de date et d’heure sont uniformes.

Conseil n^o 8: fusionner et fractionner les colonnes

Après un examen approfondi d’un nouveau jeu de données, il est possible de soit (1) fusionner deux colonnes ou plus en une seule ou (2) de fractionner une colonne en deux ou plus. Conservez les colonnes originales qui ont été utilisées pour fusionner ou fractionner les colonnes. Utilisez ensuite les colonnes originales pour vérifier la transformation de la nouvelle colonne et supprimez l’originale lorsque la transformation est confirmée comme étant exacte. Par exemple, vous pouvez vouloir fractionner une colonne qui contient le nom complet en deux colonnes; une pour le prénom et l’autre, le nom de famille (tableau 8). Ou vous pouvez vouloir fractionner la colonne qui comporte l’adresse en colonnes distinctes pour la rue, la ville, la région et le code postal. L’inverse peut aussi s’appliquer; vous pouvez vouloir fusionner les colonnes du prénom et du nom de famille en une seule ou combiner les colonnes pour l’adresse.

Exercice du conseil n^o 8: fusionner et fractionner les colonnes

Dans le tableau 8, fractionnez la colonne du NOM en deux; une pour le prénom et l’autre, pour le nom de famille.

CONSEIL : Avec Excel, cherchez les fonctions pour combiner le texte de plusieurs cellules en une seule et pour fractionner le texte en différentes colonnes.

Voir le solutionnaire pour les réponses.

Conseil n^o 9: données d’un sous-ensemble

Certains fichiers de données peuvent parfois contenir des informations qui ne sont pas nécessaires à l’analyse; vous pourriez donc vouloir créer un nouveau fichier qui comporte uniquement les variables ou les observations qui vous intéressent. Vous aurez donc à faire une élimination sélective des colonnes ou des rangées superflues. Dans cet exemple, le chercheur a retiré la colonne JUVENILE (tableau 9). Vous pouvez également avoir besoin d’analyser uniquement certaines observations dans le fichier, ce qui  vous permet de supprimer certaines rangées du jeu de données. Dans ce tableau, toutes les observations en lien avec les hirondelles seront éliminées. L’avantage de ce type de nettoyage, c’est qu’il limite la grosseur du fichier de données, permettant ainsi aux logiciels de fonctionner plus efficacement.

Exercice du conseil n^o 9: données d’un sous-ensemble

Créez un sous-ensemble de données dans le tableau 9 pour inclure uniquement les observations de juvéniles (JUVENILE =1).

CONSEIL: Comme toujours, il est important de conserver une copie de vos données originales.

Voir le solutionnaire pour les réponses.

Le nettoyage des données est une action importante qui mise sur l’élimination d’incohérences et d’erreurs qui peuvent avoir un impact sur la précision des modèles. Le processus de nettoyage des données donne aussi l’occasion d’examiner les données de plus près afin de  déterminer si des modifications sont nécessaires, si les données doivent être codées différemment ou s’il y a lieu d’ajouter des données supplémentaires.

4. Enrichir les données

Un jeu de données peut parfois contenir des informations manquantes, ce qui nuit à la capacité de bien répondre à la question de recherche. Vous pourrez donc avoir à chercher d’autres jeux de données pour les fusionner à vos données. Il peut s’agir d’ajouter des données géographiques, telles qu’un code postal ou des coordonnées de longitude et de latitude, ou de données démographiques, telles que le revenu, l’état civil, l’éducation, l’âge ou le nombre d’enfants. L’enrichissement des données permet d’obtenir des réponses plus complètes à vos questions de recherche.

Il est également important de vérifier la qualité et l’uniformité des données dans le jeu de données. Examinons maintenant la validation des données pour que vos modèles puissent fournir des résultats plus précis.

5. Valider les données

La validation des données est essentielle pour assurer la propreté, l’exactitude et l’utilité des données. Rappelez-vous l’adage de Fuechsel: « garbage in, garbage out ». Si des données inexactes sont intégrées à une analyse statistique, les réponses qui en découlent seront elles aussi inexactes. Un logiciel n’est pas doté de raison et ne peut traiter que les données qu’il reçoit, qu’elles soient bonnes ou mauvaises. Bien que la validation des données soit fastidieuse, elle permet d’optimiser la capacité des données à répondre aux questions de recherche posées. Voici quelques vérifications couramment utilisées pour valider des données :

1. Vérifier les types de données des colonnes et les données sous-jacentes pour s’assurer qu’ils sont bien ce qu’ils sont censés être. Par exemple, une variable de date peut avoir besoin d’être convertie d’un format en chaîne à un format de date. En cas de doute, mieux vaut convertir la valeur à un format en chaîne; elle pourra être modifiée plus tard, au besoin.
2. Examiner l’étendue et l’exactitude des données en en passant en revue les principales fonctions d’agrégation telles que la somme, le décompte, le minimum, le maximum, la moyenne ou d’autres opérations connexes. Cette étape est particulièrement importante dans le contexte de l’analyse des données. Par exemple, Statistiques Canada peut attribuer des codes aux valeurs manquantes pour l’âge en utilisant des chiffres bien au-delà de l’échelle d’âge de la vie humaine (p. ex., en utilisant un chiffre comme 999). Si ces valeurs sont incluses par inadvertance dans l’analyse (en raison des « valeurs manquantes » qui n’ont pas été clairement identifiées), tout résultat lié à l’âge sera erroné. Faire le calcul et la révision de la moyenne, du minimum, du maximum, etc. aidera à identifier et à éviter de telles erreurs.
3. S’assurer que les variables sont normalisées. Par exemple, en enregistrant les coordonnées de longitude et de latitude pour les emplacements en Amérique du Nord, vérifiez que les coordonnées de latitude soient positives et que celles de longitude soient négatives pour éviter de désigner par erreur des endroits de l’autre côté du globe.

La validation des données est importante pour assurer la qualité et l’uniformité. Une fois toutes les questions de recherche répondues, les bonnes pratiques prônent le partage des données nettoyées avec d’autres équipes de recherche, conformément aux ententes de confidentialité ou tout autre type de restrictions. Examinons maintenant l’étape de la publication des données, ce qui leur permet d’être partagées avec d’autres chercheuses et chercheurs.

6. Publier les données

Après tout l’effort déployé au nettoyage et à la validation des données, ainsi qu’à l’examen approfondi de votre question de recherche, une des meilleures pratiques en GDR est de rendre vos données disponibles à d’autres qui souhaitent les utiliser à leur tour. Cet objectif est incarné dans les principes FAIR, abordés ailleurs dans ce manuel; ces principes visent à rendre les données faciles à trouver, accessibles, interopérables et réutilisables. La publication des données permet de réaliser cet objectif.

Les logiciels propriétaires peuvent être utiles pour la collecte, la gestion et l’analyse des données, mais les données devraient être enregistrées dans des formats ouverts à l’étape de la publication. Généralement, des fichiers texte sont utilisés. Pour les tableurs et feuilles de calculs simples, le meilleur format pour la conversion des données est le CSV (comma separated values) tandis que le langage XML est mieux adapté aux structures de données plus complexes. Ainsi, les fichiers sont protégés contre l’obsolescence rapide des formats et un accès plus universel aux données est assuré pour d’autres équipes de recherche. Pour en savoir plus, consultez le chapitre 9, « Un aperçu du fascinant monde des formats de fichiers et des métadonnées. »

Si vos données impliquent des êtres humains ou des renseignements confidentiels, vous pourrez avoir à anonymiser ou à dépersonnaliser vos données (le sujet est abordé plus en détail dans le chapitre 13, « Les données sensibles » ). Gardez à l’esprit que la suppression des références explicites à des personnes ne garantit pas qu’elles ne pourront pas être identifiées. Si la divulgation non voulue de renseignements personnels est impossible, vous devrez peut-être publier un sous-ensemble des données qui, lui, sera sans danger pour les personnes participantes.

Pour que d’autres équipes de recherche puissent utiliser les données, ajoutez de la documentation et des métadonnées, incluant de la documentation au niveau du projet, des fichiers de données et des éléments de données. Un dictionnaire des données établit le nommage, la définition et les attributs des éléments d’un jeu de données; le sujet est discuté au chapitre 10. Vous devriez aussi documenter les scripts et les méthodes qui ont été développés pour l’analyse des données.

Logiciel de nettoyage des données

OpenRefine (https://openrefine.org/ ) est un puissant outil de manipulation des données qui nettoie, réorganise et fait l’édition en lot des données qui manquent d’ordre ou de structure. Il fonctionne mieux avec des données en format tabulaire simple, notamment les feuilles de calcul dont les valeurs sont séparées par des virgules (CSV) ou des tabulations (TSV). OpenRefine est aussi simple à utiliser que Excel et dispose de puissantes fonctions de bases de données comme Microsoft Access. Il s’agit d’une application de bureau qui utilise un navigateur Web comme interface graphique. Tout traitement des données se fait localement à même votre ordinateur. En utilisant OpenRefine pour nettoyer et transformer les données, il est possible de filtrer par facette, regrouper, modifier des cellules, faire des concordances et utiliser des services Web plus approfondis pour convertir un jeu de données en format plus structuré. Ce logiciel ouvert est gratuit et le code source est librement accessible, de même que les modifications apportées par d’autres. Il y a d’autres outils de nettoyage des données disponibles, mais ils sont souvent coûteux. En plus, OpenRefine est largement utilisé dans le domaine de la GDR. Si vous choisissez d’autres logiciels de nettoyage des données, vérifiez toujours si vos données restent sur votre ordinateur ou si elles sont envoyées ailleurs pour être traitées.

Conclusion

Nous avons examiné les six actions principales de nettoyage et de préparation des données, soit: découvrir, structurer, nettoyer, enrichir, valider et publier. En appliquant ces pratiques importantes en GDR, vos données seront plus complètes, documentées et accessibles, aussi bien à vous qu’à d’autres chercheuses et chercheurs. Vous répondrez aux exigences des publications savantes et/ou des organismes subventionnaires, vous rehausserez votre profil de chercheuse ou chercheur et vous répondrez aux attentes toujours croissantes de la communauté de recherche en matière de partage des données. Les pratiques de GDR, telles que le nettoyage des données, sont essentielles pour assurer des recherches précises et de grande qualité.

Bibliographie

Behrens, J. T. (1997). Principles and procedures of exploratory data analysis. Psychological Methods, 2(2), 131.

Lidwell, W., Holden, K. et Butler, J. (2010). Universal principles of design, revised and updated: 125 ways to enhance usability, influence perception, increase appeal, make better design decisions, and teach through design. Rockport Publishers.

Dr. Rong Luo et Berenica Vejvoda

Introduction

Le nettoyage des données est une partie essentielle du processus de recherche. Au cours du chapitre précédent, quelques tâches de bases courantes de nettoyage des données vous ont été présentées. Dans ce chapitre-ci, nous examinerons plus en profondeur l’exploration, la manipulation et le nettoyage des données en utilisant quelques outils de recherche flexibles et polyvalents. Dans certains cas, ces outils sont les mêmes qu’utilisent les chercheuses et chercheurs pour l’analyse de leurs données; il est donc utile que les personnes responsables de la curation et de la gestion des données les connaissent.

Les procédures générales pour se préparer au nettoyage des données

Si vous ne faites aucune préparation avant le processus de nettoyage des données, vous prenez le risque de rencontrer de graves problèmes, notamment la perte de vos données. Au cours de cette section, nous discuterons des étapes générales qui devraient être appliquées avant le processus de nettoyage des données.

Faire une copie de sauvegarde

Les pratiques de gestion des données de recherche (GDR) recommandent la création d’une sauvegarde sécurisée de vos données pour assurer que les données originales puissent toujours être restaurées en cas de modifications erronées survenues au cours du processus de nettoyage. Cette copie de sauvegarde des données originales ne devrait en aucun cas être modifiée. Vous devriez aussi tenir un registre / journal de tous les changements effectués. Vous seriez surpris d’apprendre combien de chercheuses et chercheurs créent des erreurs dans leurs données originales en tentant de les « améliorer ». Si une personne a besoin d’un accès aux données originales, vous devriez envoyer ou partager seulement une copie des données, sinon permettre l’accès aux données originales en lecture seule.

Comprendre les données

La première étape du nettoyage des données est de comprendre les données à nettoyer. Pour les comprendre, il faut commencer par faire une exploration de base des données (ou une analyse exploratoire des données) pour se faire une idée des problèmes qui pourraient exister à l’intérieur des données. Vérifiez les valeurs des données par rapport à leur définition dans le fichier de métadonnées ou la documentation pour déceler des valeurs impossibles ou qui sortent des limites (p. ex., un âge négatif ou de plus de 200 ans). Assurez-vous d’avoir des noms pratiques pour les colonnes de données et de bien les comprendre. Vérifiez les délimiteurs qui séparent les valeurs dans vos fichiers texte et assurez-vous que les valeurs de vos données n’intègrent pas le délimiteur lui-même. Si vos observations ne sont pas numérotées, vous devriez ajouter un numéro d’enregistrement unique aux observations individuelles dans votre jeu de données pour que vous puissiez plus facilement repérer les enregistrements problématiques en vous rapportant à leur numéro.

Planifier le processus de nettoyage

Le nettoyage des données doit être fait de façon systématique pour garantir que toutes les données soient nettoyées à l’aide des mêmes procédures. Ainsi, l’intégrité des données est assurée et les données peuvent être plus facilement traitées pendant l’analyse. Pour créer un plan de nettoyage d’un champ particulier dans un jeu de données, posez-vous les trois questions suivantes :

• Quelles sont les données que vous nettoyez?
• Comment allez-vous identifier un problème dans le jeu de données à nettoyer?
• Comment le champ devrait-il être nettoyé?

Choisir les bons outils

Une des étapes les plus importantes du nettoyage des données est de choisir le bon outil en fonction d’un objectif précis. Le chapitre précédent a présenté OpenRefine, un outil spécialisé et pratique pour le nettoyage des données. Ici, nous discuterons de deux outils logiciels puissants et polyvalents  – Excel et R – et nous soulignerons quelques-unes des caractéristiques de nettoyage de chacun d’eux.

Les outils de nettoyage des données

L’outil de nettoyage des données que vous choisirez dépendra de différents facteurs, dont votre environnement informatique, votre expertise en matière de programmation et des exigences en lien avec la préparation de vos données. Il existe une grande variété de choix de logiciels et de méthodes pour le nettoyage et la transformation des données. Nous examinerons Excel et Google Sheets ainsi que le langage de programmation R.

Microsoft Excel/Google Sheets

Excel et Google Sheets sont d’excellents outils de nettoyage des données et contiennent une variété de fonctionnalités et de caractéristiques intégrées pour automatiser le nettoyage de vos données. Excel est largement disponible en programme de bureau tant pour Windows et MacOs alors que Google Sheets est disponible en ligne. Ils se ressemblent et sont faciles à apprendre, utiliser et comprendre. Ils peuvent tous deux importer et exporter le format très courant de fichier de données CSV et autres formats courants de tableur. Lors de l’exportation, vérifiez que les noms des colonnes de données exportées sont utilisables puisque certains progiciels statistiques peuvent avoir de la difficulté à traiter les noms de colonnes qui contiennent des espaces ou des caractères spéciaux. Les techniques courantes de nettoyage des données utilisées dans Excel et Google Sheets pour l’édition et la manipulation sont résumées dans le tableau ci-dessous.

Pour comprendre certaines de ces fonctions, nous examinerons une variété d’erreurs courantes qui surviennent lors de l’importation des données incluant des sauts de lignes à la mauvaise place, des espaces de trop ou aucun espace entre les mots, des majuscules à la mauvaise place ou toutes les lettres en majuscules/minuscules, des valeurs de données mal formatées et des caractères non imprimables.

La figure 1 illustre des combinaisons de CONCATENER ET SUPPRESPACE imbriquées de différentes manières pour trouver la meilleure configuration de sortie selon la façon dont vous voulez que le texte apparaisseLes fichiers originaux des feuilles de calcul pour chaque figure de ce chapitre sont disponibles (en anglais uniquement) dans un format accessible dans Borealis.. Il s’agit d’un exemple sur la façon de générer une simple ligne de texte à partir du contenu de trois rangées en imbriquant deux fonctions Excel. CONCATENER rassemble les trois cellules en une seule, mais elle n’agit pas sur les espaces supplémentaires que vous voyez dans le texte. SUPPRESPACE supprime tous les espaces à l’exception d’un seul espace entre les mots, mais la fonction ne peut pas ajouter d’autres espaces nécessaires. Nous avons donc besoin d’ajouter des guillemets pour permettre à Excel d’ajouter les espaces nécessaires entre les mots.

Les fonctions GAUCHE, DROITE et STXT de la figure 2 montrent de quelle façon des données peuvent être traitées selon l’endroit dans la chaîne où se trouve le texte ou les numéros à extraire.

Les rangées 11 et 12 illustrent la façon d’utiliser la fonction STXT pour extraire des numéros à l’intérieur d’une chaîne de texte. La fonction STXT utilise trois arguments : une référence à la chaîne avec laquelle vous travaillez, la position du premier caractère à extraire et le nombre de caractères à extraire. Alors STXT(A11,4,3) regarde d’abord le contenu de la cellule A11 et trouve la chaîne « BUS256XD », ensuite elle renvoie les 3 caractères en partant du quatrième caractère : 256. Les données du C11 et C12 sont le résultat de la fonction STXT dans les rangées 11 et 12.

Les fonctions GAUCHE et DROITE ne nécessitent que deux arguments : la chaîne et le point de départ. Ces fonctions renvoient ensuite le reste de la chaîne, en partant soit de la gauche ou de la droite. C13 et C14 illustrent des portions de cellules extraites de A13 et A14 en utilisant les fonctions DROITE et GAUCHE.

La figure 3 illustre la différence entre les fonctions TROUVE et CHERCHE. Dans Excel, TROUVE est utilisé pour renvoyer la position d’un caractère ou d’une sous-chaîne spécifique à l’intérieur d’une chaîne de texte; la fonction respecte la casse. La fonction CHERCHE revoie également la position d’un caractère ou d’une sous-chaîne à l’intérieur d’une chaîne de texte. Contrairement à TROUVE, la fonction CHERCHE ne respecte pas la casse. Les deux fonctions renvoient le message d’erreur #VALEUR! si le caractère ou la sous-chaîne spécifique n’apparaît pas dans le texte.

La figure 4 démontre de quelle façon les fonctions MAJUSCULE, MINUSCULE et NOMPROPRE sont utilisées pour ajuster les données. La fonction MAJUSCULE modifie tout le texte en lettres majuscules. La fonction MINUSCULE modifie tout le texte en minuscule. Et la fonction NOMPROPRE modifie la première lettre de chaque mot en majuscule avec toutes les autres en minuscules, ce qui est utile avec des noms propres.

Excel fait l’alignement des chaînes de caractères d’une colonne en fonction de la façon dont elles sont stockées : le texte (y compris des numéros stockés en tant que texte) est aligné à gauche tandis que les numéros sont alignés à droite. Dans la figure 5, la fonction VALEURNOMBRE convertit le texte qui apparaît dans un format reconnu (tel que des formats de numéro, de date ou d’heure) en une valeur numérique. Si un texte ne se retrouve pas dans l’un de ces formats, VALEURNOMBRE renvoie le message d’erreur #VALEUR!. La fonction TEXTE permet de modifier l’affichage d’un nombre en appliquant des codes de format, ce qui est utile dans les situations où vous souhaitez afficher des nombres dans un format plus lisible. Par contre,  Excel considère désormais le numéro comme du texte, de sorte que l’exécution de calculs sur ces données risque de ne pas fonctionner ou de donner des résultats inattendus. Il est préférable de conserver la valeur originale dans une cellule, puis d’utiliser la fonction TEXTE pour créer une copie formatée du numéro dans une autre cellule.

La figure 6 illustre la façon dont la fonction SUBSTITUE remplace une ou plusieurs chaînes de texte avec une autre chaîne. Cette fonction est utile si vous voulez substituer une ancienne version de texte d’une chaîne avec une nouvelle version. Toutefois, elle ne respecte pas la casse. Par exemple, dans la cellule A41, la fonction ne remplacera pas « t » pour « T » dans « Taxe ». La fonction SUBSTITUE est différente de REMPLACER; vous utilisez SUBSTITUE pour remplacer des caractères spécifiques, peu importe où ils se trouvent dans la chaîne de texte, tandis que vous utilisez REMPLACER pour remplacer tout caractère qui se trouve dans une position particulière d’une chaîne de texte.

La fonction EPURAGE illustrée dans la figure 7 élimine du texte les caractères non imprimables tels que les retours chariot (↩) ou d’autres caractères de contrôle représentés par les 32 premiers codes ASCII 7 bits. Les données importées d’une variété de sources peuvent comporter des caractères non imprimables et la fonction EPURAGE aide à les éliminer d’une chaîne de texte. Dans Excel, un caractère non imprimable peut s’afficher comme un symbole de case (☐). À noter que la fonction EPURAGE ne peut pas éliminer tous les caractères non imprimables (p. ex., le caractère d’effacement). Vous pouvez préciser un caractère ASCII en utilisant la fonction CAR de Excel et le numéro du code ASCII. Par exemple, CAR(127) correspond au code d’effacement. Pour éliminer un caractère non imprimable, vous pouvez simplement remplacer le caractère non imprimable à éliminer avec des guillemets vides (“”).

Dans l’exercice ci-dessous, le caractère non imprimable CAR (19) dans la rangée 10 s’affiche comme « !! ».

Le langage de programmation R

Bien que les tableurs comme Excel et Google Sheets fournissent des fonctions courantes qui peuvent faciliter le nettoyage des données, leur utilisation peut s’avérer difficile pour des jeux de données volumineux. De plus, si Excel et Google Sheets ne disposent pas déjà d’une fonction intégrée particulière, il faudra beaucoup de temps de programmation pour la construire. C’est ici que le programme R peut aider. R est l’un des progiciels statistiques les plus connus et accessibles pour le nettoyage des données. R est un langage de programmation entièrement fonctionnel ayant des fonctionnalités qui permettent de travailler avec des données et des statistiques. Il n’est pas nécessaire de maîtriser la programmation pour utiliser certaines de ses fonctions de base.

Les deux composantes les plus importantes du langage R sont les objets qui stockent les données et les fonctions qui manipulent les données. R utilise également une panoplie d’opérateurs comme +, -, *, / et <- pour effectuer des tâches simples.

Pour créer un objet R, choisissez un nom et utilisez ensuite le symbole plus-petit-que suivi du signe moins pour y sauvegarder des données. Cette combinaison ressemble à la tête d’une flèche : <-. Par exemple, vous pouvez sauvegarder la donnée « 1 » dans un objet « a ». À chaque fois que R rencontre l’objet « a », il sera remplacé par la donnée « 1 » sauvegardée à l’intérieur, tel qu’illustré ici :

> a <- 1

R est doté de nombreuses fonctions que vous pouvez utiliser pour effectuer des tâches élaborées. Par exemple, vous pouvez arrondir un numéro avec la fonction round. L’utilisation d’une fonction est assez simple. Vous n’avez qu’à écrire le nom de la fonction accompagné de la donnée, mise entre parenthèses, sur laquelle vous voulez que la fonction opère.

> round (3.1415)
[1] 3

Les extensions (ou packages) R sont des collections de fonctions écrites par des programmeurs R. Pour que les extensions puissent bien fonctionner, vous pourriez avoir à en installer d’autres d’avance. En les installant, il est plus simple dès le départ de configurer « dependencies = TRUE ».

> install.packages("package name", dependencies = TRUE)

Commençons par télécharger et installer les logiciels nécessaires. R est disponible pour Windows, MacOS et Linux.

1. Installer R et RStudio

R peut être téléchargé ici : https://cran.rstudio.com/.

• Pour les utilisateurs Windows, https://cran.rstudio.com/bin/windows/base/;
• Pour les utilisateurs Mac, https://cran.rstudio.com/bin/macosx/;
• Pour les utilisateurs Linux, https://cran.r-project.org/bin/linux/.

Base-R est simplement un outil de ligne de commande : vous inscrivez des commandes à l’invite et voyez les résultats affichés à l’écran. RStudio, quant à lui, est un environnement de développement intégré, un ensemble d’outils dont un éditeur de script, une invite de commande, une fenêtre de résultats ainsi qu’un menu de commandes pour les fonctions R les plus couramment utilisées. Travailler en R, veut généralement dire utiliser R par le biais de RStudio. À noter qu’avant d’utiliser RStudio, vous devez d’abord installer R.

Téléchargez et installez RStudio Desktop qui est gratuit et disponible pour Windows, Mac et plusieurs versions de Linux ici :  https://posit.co/download/rstudio-desktop.

2. Se familiariser avec RStudio

Avant d’importer des données, familiarisez-vous avec RStudio.

RStudio a quatre zones (voir figure 8) :

Vous pouvez exploiter l’invite de commande en inscrivant des commandes R dans la console, tout comme vous le feriez si vous travailliez sans RStudio. Vous pouvez ensuite voir les résultats affichés sous les onglets History et Environment. Une sauvegarde de votre travail n’est pas faite de façon automatique lorsque vous fermez R. Pour sauvegarder, vous pouvez copier et coller le contenu de votre console dans un fichier texte.

Par exemple, vous pouvez ouvrir RStudio et inscrire la commande suivante dans la console (le texte qui suit l’invite  « > ») :

print("Bonjour")

R renvoie la sortie suivante :

[1] "Bonjour"

En plus de pouvoir travailler de façon interactive en inscrivant des commandes à l’invite, vous pouvez également créer des scripts R en utilisant l’éditeur de RStudio qui apparaît  dans la zone supérieure droite. Les scripts sont des fichiers texte qui contiennent une séquence de commandes R pouvant être exécutées de façon consécutive. Vous pouvez sélectionner vos commandes dans les scripts et les exécuter une à la fois ou toutes ensembles. L’écriture et la sauvegarde de vos commandes pour le nettoyage des données dans des scripts vous permettent de mieux faire le suivi de votre travail. Aussi, vous pouvez plus facilement réexécuter le code plus tard et sur de nouveaux jeux de données. Utiliser cette méthode pour faire le suivi de votre travail est une bonne pratique de GDR.

Pour ouvrir un nouveau script, sélectionnez-le à partir de l’icône supérieure gauche :

Avant d’importer votre jeu de données, vous devriez changer votre répertoire de travail pour le faire correspondre à l’emplacement de votre jeu de données. À partir de RStudio, utilisez le menu pour modifier votre répertoire de travail pour celui où vous avez sauvegardé l’échantillon de votre fichier de données. Dans le menu Session, sélectionnez > Set Working Directory > Choose Directory.

Vous pouvez également utiliser la fonction R setwd(), qui signifie set working directory ou « définir le répertoire de travail », dans la fenêtre de la console (ou de l’éditeur de script).  Les barres obliques (/), plutôt que les barres obliques inverses, doivent être utilisées dans le chemin d’accès. Si vous avez sauvegardé les données dans « C:\data », il vous faudra alors entrer la commande ainsi :

setwd("C:/data")

3. Importer des données

Vous pouvez importer des données de différents formats en utilisant R. Les fichiers CSV sont couramment utilisés pour les données numériques. Les CSV ressemblent beaucoup aux fichiers Excel typiques, mais ce sont des fichiers texte avec des colonnes séparées par des virgules. Dans Excel, vous pouvez exporter ce type de données en utilisant « Enregistrer sous » ; il s’agit d’un format de préservation courant en gestion des données et il peut être lu par de nombreux programmes.

Dans les prochains exemples, nous utiliserons un échantillon de jeu de données – sample.csv – que vous trouverez sur Borealis. Veuillez télécharger et sauvegarder le jeu de données dans un nouveau dossier sur votre ordinateur. Les fichiers SPSS et Excel nécessaires pour ces exemples sont également disponibles dans Borealis.

Pour charger le fichier CSV, créez d’abord un nouveau script dans l’éditeur de script. Inscrivez la commande suivante dans le script afin d’utiliser la commande R intégrée read.csv. Exécutez ensuite le script.

mydata_csv<-read.csv("sample.csv")

Le délimiteur par défaut de la fonction read.csv() est une virgule, mais si vous avez besoin de lire un fichier qui utilise d’autres types de délimiteurs, vous pouvez le faire en fournissant l’argument sep à la fonction (p. ex., ajouter  « sep = ‘;’ » pour les fichiers qui utilisent le point-virgule comme séparateur).

> mydata_csv<-read.csv(“sample.csv”, sep=’;’)

Veuillez noter que « mydata_csv » dans la commande ci-dessus fait référence à l’objet (le data frame ou tableau de données) qui sera créé lorsque la fonction read.csv importera le fichier sample.csv. Imaginez le tableau de données mydata_csv comme étant le contenant utilisé par R pour conserver les données du fichier CSV.

Les commandes R suivent un certain modèle. Examinons celui-ci. Dans la commande ci-dessus – « mydata_csv<-read.csv(“sample.csv”, sep=’;’) » – read.csv est une fonction qui lit dans un fichier CSV et qui comporte deux paramètres. Le premier – « sample.csv » – indique à read.csv lequel des fichiers il doit lire, tandis que le second – « sep=’;’ » – lui indique que les données du fichier sont séparées par des points-virgules. Après que read.csv ait fait l’analyse du fichier, l’opérateur d’assignation – «  <- » – affecte les données à mydata_csv, un objet (tableau de données) créé pour contenir les données. Vous pouvez maintenant utiliser et manipuler les données dans le tableau de données.

Dans R, <- est l’opérateur d’assignation le plus courant . Vous pouvez également utiliser le signe égal =. Pour plus d’informations, utilisez la commande d’aide :

> ?read.csv

Pour lire un fichier Excel, commencez par télécharger et installer l’extension readxl. Dans la console R, utilisez la commande suivante:

> install.packages("readxl")

Veuillez noter que certaines extensions peuvent dépendre d’extensions connexes afin de bien fonctionner. En utilisant des extensions existantes, les personnes qui font de la programmation peuvent économiser du temps dans la création de nouvelles fonctionnalités avec des fonctions qui ont déjà été mises en œuvre. Toutefois, il peut être difficile de savoir si une extension nécessite une autre extension pour bien fonctionner. Conséquemment, il est recommandé d’installer des extensions en ajoutant un énoncé des dépendances (« TRUE » indique à R que les dépendances devraient être incluses). En réglant le paramètre des dépendances à « TRUE », R va télécharger et installer toutes les extensions nécessaires à l’extension qui sera installée.

> install.packages(“readxl”, dependencies = TRUE)

Une fois le téléchargement et l’installation de l’extension terminés, utilisez la fonction library() pour charger l’extension readxl.

> library(readxl)

Notez que contrairement à la fonction install.package, il n’est pas nécessaire de mettre le nom de l’extension entre guillemets pour la fonction library.

Vous pouvez maintenant charger le fichier Excel avec la fonction read_excel() :

> mydata_excel <- read_excel("sample.xlsx")

Pour plus d’informations, utilisez la commande d’aide ?read_excel.

Les fichiers SAV du logiciel SPSS (Statistical Package for the Social Sciences) peuvent être lus avec R en utilisant l’extension haven qui ajoute des fonctions supplémentaires permettant d’importer des données d’autres outils statistiques.

Installez haven en utilisant la commande suivante :

> install.packages("haven", dependencies = TRUE)

Une fois le téléchargement et l’installation de l’extension terminés, utilisez la fonction library() pour charger l’extension :

> library(haven)

Vous pouvez maintenant charger le fichier SPSS avec la fonction read_sav() :

> mydata_spss <- read_sav("sample.sav")

Vous pouvez aussi importer des fichiers SAS et Stata. Pour plus d’informations, utilisez les commandes d’aide ?haven ou ?read_sav, ou visitez https://haven.tidyverse.org/.

Les données peuvent aussi être téléchargées directement d’Internet en utilisant les mêmes fonctions que celles énumérées plus haut (à l’exception des fichiers Excel). Vous n’avez qu’à utiliser une adresse Web plutôt que le chemin d’accès.

> mydata_web <- read.csv(url("http://quelque.part.net/donnees/echantillon.csv"))

Maintenant que les données ont été chargées dans R, vous pouvez commencer à effectuer des opérations et des analyses pour les vérifier et y déceler des problèmes potentiels.

4. Vérifier les données

R est un outil beaucoup plus flexible que Excel pour le travail avec des données. Nous allons aborder les fonctions R de base pour la vérification d’un jeu de données.

Assumons que le fichier texte suivant, stocké sous le nom sample.csv, est composé de huit rangées et de cinq colonnes.

1,4.1,3.5,setosa,A
2,14.9,3,set0sa,B
3,5,3.6,setosa,C
4,NA,3.9,setosa,A
5,5.8,2.7,virginica,A
6,7.1,3,virginica,B
7,6.3,NA,virginica,C
8,8,7,virginica,C

Prenons maintenant la commande suivante pour l’importation des données. Puisque le jeu de données ne contient pas d’en-tête (c’est-à-dire, la première rangée ne fait pas la liste des noms de colonnes), vous devez préciser « header=FALSE ». Si vous voulez définir manuellement le nom des colonnes, vous ajoutez l’argument col.names. Dans la commande ci-dessous, nous demandons à read.csv de définir le nom des colonnes à ID, Longueur, Largeur, Espece et Site (à noter que les accents sont éliminés des mots en français afin d’éviter l’ajout de caractères qui risquent d’être mal interprétés lors des manipulations). En utilisant colClasses, vous pouvez préciser le type de données (nombres, caractères, etc.) que vous vous attendez à retrouver dans les colonnes de données. Dans cet exemple, nous avons précisé à read.csv que la première colonne ainsi que les deux dernières (variables catégoriques) doivent être traitées comme des données de type facteur (factor) tandis que les deux colonnes du milieu comme des données numériques (numeric).

Inscrivez la commande suivante dans votre script et exécutez-la :

> mydata_csv <- read.csv("sample.csv", header = F, col.names = c("ID","Longueur", "Largeur", "Espece", "Site"), colClasses=c("factor","numeric","numeric","factor", "factor"))

Les données ont maintenant été chargées dans mydata_csv. Pour afficher les données chargées, exécutez la ligne suivante :

> mydata_csv

R fera un renvoi des données à partir du fichier qu’il a lu.

  ID Longueur Largeur    Espece Site

1  1     4.1      3.5    setosa    A
2  2    14.9      3.0    set0sa    B
3  3     5.0      3.6    setosa    C
4  4      NA      3.9    setosa    A
5  5     5.8      2.7 virginica    A
6  6     7.1      3.0 virginica    B
7  7     6.3       NA virginica    C
8  8     8.0      7.0 virginica    C

Les sorties ci-dessus illustrent cinq colonnes de données. La première colonne, qui spécifie le numéro de la rangée, est créée de façon automatique par R lorsque les données sont chargées. La première rangée affiche le nom des colonnes que nous avons précisées.

Une des premières commandes à exécuter après le chargement du jeu de données est la commande dim, qui imprime les dimensions des données chargées par rangée et colonne. Cette commande vous permet de vérifier que toutes les entrées ont été lues correctement par R. Dans ce cas-ci, l’échantillon du jeu de données devrait comporter huit entrées avec cinq colonnes. Exécutons dim pour vérifier que toutes les données sont chargées.

> dim(mydata_csv)

Une fois la commande ci-dessus exécutée, R produira ce qui suit :

[1] 8 5

Cette sortie nous indique qu’il y a huit rangées et cinq colonnes dans les données chargées, ce qui correspond à nos attentes. Toutes les données ont donc été chargées.

Vous pouvez aussi exécuter la commande summary, qui vous donne des informations de base sur chacune des colonnes du jeu de données. Cette commande renvoie les valeurs maximales et minimales, les quartiles supérieurs et inférieurs (le quartile inférieur correspond à la valeur en dessous de laquelle se retrouvent 25% des données d’un jeu de données, tandis que le quartile supérieur correspond à la valeur au-dessus de laquelle se retrouvent 75% des données du jeu de données) ainsi que la médiane pour les colonnes de données numériques et la fréquence pour les colonnes de données catégoriques  (le nombre de fois que chaque valeur apparaît dans une colonne).

> summary(mydata_csv)

      ID        Longueur         Largeur        Espece     Site 
 1      :1   Min.   : 4.100   Min.   :2.700   set0sa   :1   A:3  
 2      :1   1st Qu.: 5.400   1st Qu.:3.000   setosa   :3   B:2  
 3      :1   Median : 6.300   Median :3.500   virginica:4   C:3  
 4      :1   Mean   : 7.314   Mean   :3.814                      
 5      :1   3rd Qu.: 7.550   3rd Qu.:3.750                      
 6      :1   Max.   :14.900   Max.   :7.000                      
 (Other):2   NA's   :1        NA's   :1

Nous obtenons un résultat de cinq colonnes. Puisque nous avons demandé à R de lire les colonnes Longueur et Largeur comme des données numériques, il a calculé et affiché les informations sommaires en lien avec ces nombres dans leur colonne respective, notamment le minimum, le maximum, la moyenne et les quartiles. L’information sur chacune des colonnes est affichée dans les rangées sous le nom de la colonne. Par exemple, dans la colonne Longueur, la valeur minimale est de 4,1 et la valeur maximale, de 14,9. 1st Qu. affiche le quartile inférieur qui est de 5,4 et 3rd Qu. affiche le quartile supérieur, qui est de 7,55.

La rangée qui affiche « NA » nous indique s’il y a des valeurs manquantes. Dans R, les valeurs manquantes sont représentées par le symbole NA (not available). Le sommaire demandé fait apparaître deux valeurs manquantes : une dans la colonne Longueur et l’autre dans Largeur.

Dans la colonne Espece, où les données sont lues comme des données catégoriques (ou facteur), chacune des rangées affiche la fréquence à laquelle chacune des valeurs apparaît dans la colonne. Le sommaire montre trois instances de setosa, quatre de virginica et une de set0sa.

Il est possible ici d’identifier des erreurs d’enregistrement. Une des espèces de fleurs a été saisie de façon erronée; set0sa plutôt que setosa. Ce type d’erreur de frappe est très fréquent lors de l’enregistrement des données, mais il est souvent difficile à repérer, car le zéro et la lettre « o » se ressemblent beaucoup dans la plupart des polices.

R utilise une fonction de base – is.na – pour vérifier et énumérer les valeurs de données qui pourraient être manquantes. Cette fonction renvoie une valeur de vrai et faux pour chaque valeur d’un jeu de données. Si la valeur est manquante, la fonction is.na renvoie la valeur TRUE. Autrement, il renvoie la valeur FALSE.

> is.na(mydata_csv$Longueur)
[1] FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE

À noter que le signe de dollar ($) est utilisé pour préciser les colonnes. Dans ce cas-ci, nous voulons vérifier si la colonne Longueur dans le jeu de données CSV contient des valeurs manquantes. Le sommaire indique qu’une des valeurs est manquante; la fonction renvoie donc l’énoncé TRUE pour cette entrée de la colonne.

Les valeurs aberrantes sont des points de données qui diffèrent de façon importante des autres points du jeu de données; elles peuvent entraîner des problèmes avec certains types de modèles ou d’analyses de données. Par exemple, une valeur aberrante peut affecter la moyenne en étant anormalement petite ou grande. Certes, les valeurs aberrantes peuvent affecter les résultats d’une analyse, mais il faut faire preuve de prudence avant de les éliminer. Éliminez seulement une valeur aberrante que si vous êtes en mesure de prouver qu’elle est erronée (p. ex., si elle est attribuable à une erreur évidente dans la saisie de données). Un moyen simple d’identifier les valeurs aberrantes est de visualiser la distribution des données. Par exemple, inscrivez la commande suivante, qui demandera à R de générer une boîte à moustache (box plot).

> boxplot(mydata_csv$Longueur)

Les boîtes à moustache sont utiles pour détecter des valeurs aberrantes potentielles (voir figure 9). Une boîte à moustache aide à visualiser une colonne de données quantitatives en affichant le résumé des cinq emplacements courants : le minimum, la médiane, les premier et troisième quartiles (Q1 et Q3) et le maximum. Elle affiche également toute observation qui pourrait être qualifiée de valeur aberrante potentielle en utilisant le critère de l’écart interquartile, c’est-à-dire l’écart ou la différence entre le premier et troisième quartile (voir figure 10). Une valeur aberrante se définit comme étant un point de données situé à l’extérieur des moustaches de la boîte à moustache. Dans la boîte à moustache de la figure 9, un cercle au haut de la figure représente un point de données particulièrement éloigné des autres; la plupart des données se retrouvent à l’intérieur de la boîte du diagramme.

Un autre moyen courant de détecter les valeurs aberrantes est de dessiner un histogramme des données. Un histogramme illustre la distribution des différentes valeurs des données. Selon l’histogramme ci-dessous, une observation est plus élevée que toutes les autres (la barre à la droite), ce qui correspond à ce que démontre la boîte à moustache. La commande suivante peut générer un histogramme :

> hist(mydata_csv$Longueur)

> summary(mydata_csv$Longueur)

Min.   1st Qu.  Median  Mean   3rd Qu.  Max.    NA's
4.100  5.400    6.300   7.314  7.550    14.900  1

À partir du sommaire, une des valeurs pour la longueur – 14,90 – semble anormalement élevée, bien qu’elle reste dans le domaine du possible. Un examen plus approfondi est donc nécessaire. Ce type de valeur aberrante peut avoir un impact important sur l’analyse des données; il faut donc bien comprendre sa validité. L’élimination des valeurs aberrantes doit être faite de façon judicieuse puisqu’elles peuvent représenter des observations réelles et importantes plutôt que des erreurs d’enregistrement.

Une fois que l’inspection préliminaire des données brutes est terminée, supposons que les données brutes contiennent quelques problèmes à corriger. Ces problèmes sont les suivants :

• un dédoublement de la colonne Site
• une erreur de frappe dans la colonne Espece
• des valeurs manquantes dans les colonnes Longueur et Largeur
• une valeur aberrante dans la colonne Longueur

Avec ces problèmes en tête, nous pouvons maintenant passer à la prochaine étape et commencer le nettoyage des données.

5. Nettoyer les données

Commençons par éliminer la colonne de trop. En utilisant les données ci-dessus, supposons que nous voulons éliminer la colonne Site. Tel que nous l’avons vu dans la sortie de la commande de sommaire, cette colonne est la cinquième du jeu de données. Pour l’éliminer, nous pouvons exécuter la commande suivante :

mydata_csv <- mydata_csv[-5]

La commande ci-dessus utilise les crochets pour préciser les colonnes de données originales. En utilisant un numéro négatif, nous indiquons à R de récupérer toutes les colonnes à l’exception de la colonne spécifiée. Dans ce cas-ci, la colonne Site est la cinquième colonne. Puisque nous voulons éliminer la cinquième colonne, mais conserver toutes les autres, nous inscrivons « -5 » entre crochets pour indiquer à R de récupérer toutes les colonnes sauf la cinquième. Ensuite, en réaffectant les nouvelles données récupérées à mydata_csv, nous réussissons à éliminer la cinquième colonne.

Pour confirmer que la colonne a bel et bien été éliminée, nous pouvons utiliser la commande dim, comme nous l’avons vu précédemment.

> dim(mydata_csv)

[1] 8 4

Le résultat montre que les données comptent désormais quatre (plutôt que cinq) colonnes.

Ensuite, il faut nettoyer les fautes de frappe. Dans ce cas-ci, nous savons que « set0sa » devrait être corrigée à « setosa ». Toutes les cellules concernées peuvent être remplacées en utilisant la commande suivante :

> mydata_csv[mydata_csv=="set0sa"] = "setosa"
> summary(mydata_csv)

       ID       Longueur         Largeur         Espece

 1      :1   Min.   : 4.100   Min.   :2.700   set0sa   :0  

 2      :1   1st Qu.: 5.400   1st Qu.:3.000   setosa   :4  

 3      :1   Median : 6.300   Median :3.500   virginica:4  

 4      :1   Mean   : 7.314   Mean   :3.814                

 5      :1   3rd Qu.: 7.550   3rd Qu.:3.750                

 6      :1   Max.   :14.900   Max.   :7.000                

 (Other):2   NA's   :1        NA's   :1 

À noter que l’opérateur d’égalité – == – sélectionne toutes les instances de set0sa (une seule dans ce cas-ci) et le symbole = lui attribue la valeur setosa. L’utilisation de deux signes d’égalité pour tester l’égalité et d’un seul signe d’égalité pour rendre quelque chose égal à quelque chose d’autre est une convention courante en programmation.

Il y a maintenant zéro entrée dans la colonne Espece qui porte le nom set0sa dans la sortie summary(). Les données ont donc été nettoyées de cette faute de frappe.

Il existe plusieurs moyens de gérer les données manquantes. Une option implique d’exclure la valeur manquante de l’analyse. Avant d’éliminer « NA » de la colonne Longueur, la fonction mean() renvoie « NA » comme suit :

> mean(mydata_csv$Longueur)

[1] NA

En effet,  il est impossible d’utiliser « NA » dans une analyse numérique. L’utilisation de na.rm pour éliminer la valeur manquante « NA » donne une moyenne de 7,314286 :

> mean(mydata_csv$Longueur, na.rm = T)

[1] 7.314286

Conclusion

Les procédures de nettoyage des données sont d’une importance capitale pour une analyse des données réussie et elles devraient être appliquées avant de procéder à l’analyse. Dans ce chapitre, nous avons fait un survol rapide des problèmes et des solutions liées au nettoyage des données auxquels les chercheuses et chercheurs sont confrontés en utilisant Excel/Google Sheets et le langage R. Il existe des bibliothèques complètes de fonctions de manipulation des données et elles fournissent une panoplie de fonctionnalités pour vous aider dans votre processus de nettoyage des données. Vous pouvez trouver des informations supplémentaires sur le langage R sur les sites suivants (en anglais uniquement) : https://cran.r-project.org/manuals.html et https://cran.r-project.org/web/packages/available_packages_by_name.html.

Remerciements

Les autrices aimeraient remercier Kristi Thompson et d’autres éditrices dont les commentaires constructifs ont permis d’améliorer ce chapitre.

Émilie Fortin

Introduction

Le cycle de vie des données de recherche inclut toujours une étape de préservation, qui porte parfois le nom de conservation ou d’archivage. Cette étape est liée à celle de la réutilisation des données, car personne ne peut remployer des données endommagées ou inaccessibles. Le chapitre « La préservation numérique des données de recherche » aborde la question de la préservation numérique et le présent chapitre se concentre sur deux éléments qui permettront de repérer et de réutiliser des données : les formats de fichiers et les métadonnées.

Les formats de fichiers

Qu’est-ce qu’un format?

Les formats de fichiers numériques sont conçus selon des principes structurels et organisationnels prédéfinis. Ces principes sont généralement listés dans un document de spécifications qui fournit des détails sur les subdivisions, l’encodage et les relations internes qui permettent de construire et de valider un format. Une spécification de format indique les frontières entre les séquences de bits. Celles-ci peuvent représenter un caractère, une opération à effectuer (instruction-machine), une sélection de couleur, etc.

En résumé, il s’agit d’une série de 1 et de 0 spécifique et conventionnée utilisée pour reconnaître un format.

À partir du moment où vous utilisez un support informatique, peu importe l’usage que vous en faites, gardez à l’esprit que vous utilisez, créez ou modifiez des formats.

Qu’est-ce qu’un format pérenne?

Aucun format n’est vraiment pérenne. Ceux qui sont jugés acceptables pour la préservation à long terme sont des formats qui restent accessibles dans le temps malgré les évolutions technologiques. Un bon format aujourd’hui peut devenir désuet dans deux, cinq ou dix ans.

Voici certains critères qui permettent de juger de la pérennité d’un format.

• Complexité
• Rétrocompatibilité
• Encodage
• Dépendance
• Ouverture
• Métadonnées
• Propriété
• Utilisation
• Évolution
• Protections

Complexité. Le format doit offrir de bonnes capacités, mais éviter d’être trop complexe, sinon il sera difficile à préserver dans le temps avec toutes ses fonctionnalités. La complexité d’un format peut se définir par sa lisibilité par les humains, sa compression et la variété de ses fonctionnalités. Plus il faut déployer d’efforts pour déchiffrer un format, plus il y a de chance qu’il ne soit pas parfaitement compris.

Rétrocompatibilité. Le format est-il reconnu pour sa rétrocompatibilité? Lorsqu’une nouvelle version d’un logiciel est produite, à quel point est-ce possible d’ouvrir les formats créés avec les anciennes versions du logiciel? Les générations d’un même format sont-elles très différentes entre elles?

Encodage. Dans un environnement occidental, le format utilisera probablement un encodage standard de type ASCII ou Unicode. Si vous utilisez des symboles ou des langues non latines, l’encodage est important, car vous désirez que la lettre ou le symbole que vous utilisez s’affiche correctement, peu importe qui ouvrira votre fichier.

Dépendance. Il est ici question de dépendance du format envers son logiciel, mais également envers une technologie spécifique, envers d’autres fichiers ou envers son environnement. Le format peut-il être ouvert seulement par un logiciel spécifique? Le format est-il une sorte de contenant dans lequel on retrouve d’autres formats (p. ex., format de compression de type ZIP, vidéo intégrée dans un fichier texte, fichier vidéo avec une bande-son)? Le format doit-il se connecter à votre environnement pour fonctionner (p. ex., livre interactif qui est connecté à la caméra de votre téléphone)?

Les ressources externes à votre fichier peuvent être perdues avec le temps, donc plus le format a de dépendances, plus il sera difficile à préserver dans sa forme actuelle.

Ouverture. Un format ouvert est préférable.

Exemples de formats ouverts : fichiers Office avec X (p. ex., XLSX, DOCX), PDF, TXT, JPG, PNG, CSV.

Métadonnées. Il s’agit ici des métadonnées internes au fichier. Pensez aux propriétés du fichier auxquelles vous pouvez accéder dans les logiciels et par le biais de votre système d’exploitation.

Identifier un format est une première étape, mais documenter le plus possible le contenu et le contenant à même le format est également très utile. Plus un objet numérique est documenté, mieux il pourra être compris dans les années à venir. Un format qui est un bon support aux métadonnées est avantageux, car si le fichier ne s’ouvre plus, il est parfois possible d’obtenir de l’information précieuse grâce aux métadonnées (p. ex., titre, créateur, logiciel utilisé pour enregistrer le format). Pour plus de détails à ce sujet, veuillez consulter la section sur les métadonnées.

Propriété. Un format propriétaire appartient à une personne morale. Il peut être ouvert ou non. Son évolution est contrôlée par son propriétaire. Ces formats sont généralement rattachés à des logiciels particuliers. Lorsque les formats sont non propriétaires, leur évolution est contrôlée par une communauté d’utilisateurs et ils sont en grande majorité ouverts.

• Exemples de formats non propriétaires : MKV, TXT, XML, CSV, PNG;
• Exemples de formats propriétaires, mais ouverts : fichiers Office avec X (p. ex., DOCX, XLSX), PDF, RAR;
• Exemples de formats propriétaires : AutoCAD, PSD, WMA.

Utilisation. Si uniquement une dizaine de personnes utilisent un format, même si celui-ci est ouvert et non propriétaire, il va disparaître. À l’opposé, un format propriétaire extrêmement populaire est très peu à risque de s’éteindre dans les prochaines années.

Si un format propriétaire fermé est adopté comme norme par une bibliothèque, un centre d’archives ou une communauté de recherche, il est fort possible que le format soit pérenne grâce à sa popularité. Toutefois, son évolution doit être surveillée de près.

Évolution. Le format doit suivre un cycle d’amélioration en continu tout en évitant les abus. Les systèmes changent, donc les logiciels et les formats doivent évoluer; un format statique n’est pas nécessairement meilleur qu’un format qui se développe. Toutefois, lancer une série de nouvelles versions d’un format dans un intervalle de temps limité peut être considéré comme abusif, car les changements fréquents menacent l’accessibilité à long terme.

Protections. Il existe plusieurs mesures techniques de protection de fichiers. Par exemple, le cryptage et l’utilisation d’un mot de passe sont de bonnes méthodes pour protéger des données sensibles, mais elles ne sont pas compatibles avec la préservation à long terme. Imaginons simplement l’impact qui peut avoir la perte d’un mot de passe!

De la même manière, certaines mesures permettant de protéger la propriété intellectuelle d’un fichier, comme les verrous sur les livres électroniques, risquent de compromettre l’accès au contenu.

Comment choisir un format pour un projet de recherche?

Les critères qui définissent un format pérenne sont importants, mais il est fondamental de bien les appliquer aux besoins de votre projet. Il n’est pas nécessaire de se conformer à tous les critères. De plus, si votre domaine de recherche vous oblige à utiliser un format qui ne répond à aucun critère de format pérenne, vous ne devez pas vous empêcher de l’utiliser, simplement rester conscient qu’il y aura un impact sur la préservation des données.

Voici quelques questions que vous pouvez vous poser pour vous aider à choisir le meilleur format :

• Avez-vous besoin de préserver vos données à long terme? Si vous prévoyez supprimer l’ensemble de vos données dans cinq ans et ne pas les partager, ne pensez qu’à vos propres besoins d’utilisation.
• Si vous utilisez des appareils/instruments de recherche, avez-vous un choix de format? Si oui, tentez d’opter pour un format pérenne si cette option n’a aucun impact sur votre recherche.
• Est-ce que l’aspect ou la mise en forme des données est important ou seulement les données elles-mêmes? Si l’aspect des données n’est pas important, vous pouvez opter pour un format plus simple. Par exemple, un document textuel conservé en tant que PDF permet de préserver l’aspect et la mise en forme d’un document, mais la réutilisation du contenu est complexe. Cependant, si le document textuel est converti en format TXT, la mise en forme est perdue, mais le contenu pourra facilement être réutilisé.
• Est-ce que les données sont indépendantes ou connectées à d’autres données? Si vos données sont rattachées à des équations ou à d’autres fichiers, vous devez conserver ces liens.
• Est-ce que vous devez contrôler le poids de vos fichiers? Si vous êtes limité en espace, vous n’aurez peut-être pas le choix d’opter pour une compression. Essayer d’utiliser une compression sans perte.
• Dans votre discipline, existe-t-il un format qui est utilisé par la majorité de vos collègues et qui est incontournable?

Dans certains cas, il est envisageable de garder des données à la fois dans leur format d’origine et dans un format pérenne, mais cette préservation en double doit avoir un objectif. Par exemple, vos données peuvent desservir deux communautés très différentes qui n’utilisent pas le même niveau de technologie. Toutefois, vous devez éviter au maximum la confusion que peuvent apporter deux versions d’un même jeu de données.

Une autre option pourrait être de garder uniquement le format original et de générer au besoin des copies moins lourdes. Cette option est risquée dans le sens qu’elle implique une dépendance aux logiciels qui sont capables de lire le format original.

Vous devez garder en tête que des données illisibles dans dix ans ne seront plus utiles à personne, y compris pour vous-mêmes.

La plupart des bibliothèques nationales publient une liste de formats recommandés (voir la section Lectures et ressources supplémentaires); il peut être utile de les consulter. Vous trouverez ici quelques-uns des formats qui font généralement consensus en 2023.

Bases de données

Une base de données implique des valeurs, mais également une structure et des relations entre les valeurs. Les bases de données les plus couramment utilisées au moment d’écrire ces lignes sont Microsoft Access, Oracle, MySQL et PostgresSQL. Lorsque vient le temps de se pencher sur la préservation à long terme d’une base de données, il faut évaluer les besoins futurs : est-ce que la base de données est encore utilisée? Est-ce que la préservation des valeurs seules sera suffisante ou faut-il aussi documenter la structure et les relations?

Les bases de données sont complexes à préserver vu leur structure et l’évolution de leur contenu. Il est important de circonscrire les besoins avant de choisir un format de préservation.

Quelques formats recommandés :

• Formats avec séparateurs de valeurs (CSV, TSV, TXT) : préserve les données, mais pas les relations ni les formules. Surtout utile pour les bases de données simples et de petites tailles;
• Format de préservation de base de données (SIARD 1.0 et 2.0) : format ouvert établi pour la préservation de bases de données, mais n’est utilisable que pour certains types de bases de données;
• Format léger de base de données relationnelles (SQLITE) : format simple utilisé pour les bases de données relationnelles.

Données tabulaires

Des données tabulaires sont des données disposées sous la forme de tables ou de tableaux, c’est-à-dire en ligne et en colonnes.

Le principal défi de ces formats est de composer avec les formules, les macros et le contenu intégré. Il faut aussi retenir que d’exporter un fichier tabulé vers un logiciel infonuagique, ou l’inverse, peut occasionner des pertes ou des erreurs.

Notez que le format SAV de SPSS est parfois recommandé, bien que sa documentation ne soit pas officielle et que sa rétrocompatibilité ne soit pas garantie.

Quelques formats recommandés :

• Données avec séparateurs (CSV, TXT, TSV) : fichiers simples, mais perte des formules et des relations entre les cellules;
• Microsoft Excel (XLSX) : format documenté et ouvert, mais non recommandé par certains dépôts, car il s’agit d’un format propriétaire complexe. Dans certains cas, il reste incontournable. Si utilisé, s’assurer de créer un fichier avec Office 2013 ou une version plus récente;
• OpenDocument (ODS, FODS) : généralement associé à LibreOffice, une suite logicielle développée comme équivalent ouvert des logiciels Microsoft. Structure basée sur le XML. La version 1.2 est certifiée en tant que norme ISO; la version 1.3 a obtenu le statut de standard.

Texte

Un document textuel peut être très simple, mais il peut également poser certains défis. Par exemple, l’utilisation d’un logiciel de traitement de texte dans le nuage facilite grandement la collaboration, mais l’extraction de ces documents pour les enregistrer localement peut affecter leur mise en forme et parfois la fonctionnalité des hyperliens. Vous devez aussi vous demander quelles versions garder, car il n’est pas pertinent de préserver toutes les modifications et les commentaires d’un texte. Ce peut être uniquement certaines versions intermédiaires avec la mouture finale.

Si le document textuel contient des objets intégrés, par exemple une image ou un tableau, le format sélectionné peut varier. Le choix de la police peut également affecter la préservation d’un document textuel.

Pour la compréhension du contenu, le texte peut également faire référence à d’autres documents. Ces relations sont importantes et doivent être maintenues.

Le format le plus approprié est celui qui conservera les fonctionnalités du document d’origine tout en permettant sa consultation à long terme.

Quelques formats recommandés :

• OpenDocument (ODT, OTT) : généralement associé à LibreOffice, une suite logicielle développée comme équivalent ouvert des logiciels Microsoft. Structure basée sur le XML. La version 1.2 est certifiée en tant que norme ISO; la version 1.3 a obtenu le statut de standard;
• Plein texte (TXT) : pas de mise en page, mais accessible facilement, ne dépend d’aucun programme, c’est d’ailleurs pourquoi il est très recommandé pour les fichiers LISEZ-MOI;
• PDF et PDF/A : format commun, souvent utilisé pour la préservation à long terme. Idéalement, s’assurer de ne garder que des versions 1.3 et suivantes;
• Publication électronique (EPUB) : format ouvert, très utilisé pour la publication numérique.

Images

La plupart des institutions de préservation numérique s’entendent sur les formats d’image les plus sécuritaires à utiliser. Les formats mentionnés ci-dessous sont matriciels, c’est-à-dire qu’ils se composent d’une série de points appelés pixels.

La qualité d’un format peut varier selon plusieurs facteurs comme la résolution (la plus connue), mais également l’espace colorimétrique ou la profondeur des couleurs. Souvent, plus une image est de qualité, plus le fichier est lourd.

Les formats propriétaires RAW ne sont pas recommandés pour la préservation à long terme. À l’opposé, une image créée avec un format compressé (p. ex., GIF, JPG, BMP) pourrait être préservée telle quelle. Avant de choisir un format d’image, les besoins et les moyens technologiques, humains et financiers doivent être évalués.

Quelques formats recommandés :

• Tagged Image File Format (TIFF) : format le plus utilisé pour la préservation d’images, mais lourd;
• Joint Photographic Experts Group 2000 (JP2) : plus léger que le TIFF, mais moins largement utilisé;
• Joint Photographic Expert Group (JPG) : très utilisé, mais l’image est compressée;
• Portable Network Graphics (PNG) : utilise une compression sans perte. Assez couramment utilisé, mais il n’est pas toujours pris en charge par les logiciels.

Audio

Un format audio est un contenant avec un ou plusieurs flux de données audio.

Un fichier audio comporte plusieurs caractéristiques à considérer qui influenceront le rendu et l’authenticité du son (p. ex., canaux, compression, nombre de bits par échantillon, nombre d’échantillons par seconde). Si le fichier d’origine est déjà compressé (p. ex., MP3, AAC), il n’est peut-être pas pertinent de le migrer vers un autre format.

Notez que le format MP3 est un format compressé généralement non recommandé pour la préservation à long terme, mais son adoption généralisée en fait un format assez fiable si le fichier d’origine a été créé ainsi.

Quelques formats recommandés :

• Free Lossless Audio Codec (FLAC) : fichier avec une compression sans perte, format plus léger que les WAVE;
• PCM WAVE (WAV) : format de qualité utilisé par plusieurs bibliothèques nationales lors de la numérisation;
• Broadcast WAVE (BWF) : permet l’ajout de métadonnées dans les fichiers;
• Ogg Vorbis (OGG) : format ouvert avec une meilleure compression que le MP3, mais moins populaire.

Vidéo

Les formats vidéo sont complexes, en constante évolution, et aucun ne fait consensus dans la communauté de préservation numérique.

Les formats vidéo sont généralement des contenants avec des images ou des flux de données vidéo et du son. Plusieurs caractéristiques (p. ex., couleur, compression, son) peuvent influencer leur préservation à long terme. Plus d’un format peut être utilisé pour un projet selon les besoins de création, de transformation, de diffusion ou autre.

Le défi le plus important est de trouver l’équilibre entre le poids du fichier et sa qualité.

Quelques formats recommandés :

• MP4 avec H.264 : format compressé surtout utilisé pour la diffusion, très largement répandu;
• QuickTime (MOV) ou Audio Video Interleaved (AVI) non compressé 4:2:2 : formats très lourds, mais de bonne qualité;
• Matroska avec codec FFV1 (MKV) : format standardisé pas trop compressé;
• Material Exchange Format avec JPG 2000 (MXF) : recommandé par certaines bibliothèques nationales, bien documenté, mais peu utilisé dans le public;
• Digital Picture Exchange (DPX) : format très lourd utilisé lors de la numérisation de pellicules filmiques.

Données géospatiales

Les données géospatiales sont également abordées dans le chapitre « Les données de recherche géospatiales au Canada: un survol des projets régionaux. » Ces données consistent généralement en une série de fichiers qui se complètent. Elles peuvent être intrinsèquement liées au système d’information géographique qui les exploite. Les métadonnées, les systèmes de référencement des coordonnées et la précision des coordonnées, c’est-à-dire à quel point une valeur observée et enregistrée est proche de la valeur réelle, doivent être préservées avec les données.

Lister des formats recommandés pour la préservation à long terme des données géospatiales est presque impossible vu leur complexité (p. ex., plusieurs types de structures différentes, beaucoup de formats propriétaires). Il n’y a aucun consensus à ce sujet, conserver le format d’origine peut s’avérer la meilleure solution.

Quelques formats recommandés :

• Geospatial Tagged Image File Format (GEOTIFF) : format ouvert qui permet d’ajouter des coordonnées géographiques à une image;
• Geographic Markup Language (GML) : format ouvert basé sur une norme, mais il est complexe;
• Keyhole Markup Language (KML, KMZ) : langage XML qui peut être associé à plusieurs autres fichiers qui doivent aussi être archivés (évitez d’utiliser des hyperliens). Format ouvert et largement utilisé;
• ESRI Shapefile (SHP SHX, DBF, PRJ, SBX, SBN) : format propriétaire, mais ouvert et très utilisé.

Aller plus loin : comment identifier un format?

Pour identifier un format de fichier, il suffit la plupart du temps de regarder sa section finale, c’est-à-dire son extension. Par exemple, le fichier « mes-notes.xlsx » est un fichier Excel alors que « ma-photo.jpg » est une image. Cette méthode a ses limites puisqu’une extension peut être modifiée, volontairement ou par erreur, ou être complètement inconnue. Certains systèmes d’exploitation sont même configurés par défaut pour cacher l’extension des fichiers, ce qui peut compliquer la tâche.

Le meilleur moyen d’identifier un format est d’utiliser sa signature. La signature d’un fichier correspond à une série de bits qui s’enchaînent de façon prévisible au début, à la fin ou aux deux extrémités d’un fichier.

Un outil comme PRONOM, très utilisé dans la communauté de préservation numérique, enregistre les signatures de début de fichiers (BOF pour Beginning of File) et de fin de fichiers (EOF pour End of File) et permet de récupérer l’identifiant unique d’un format. Par exemple, la signature x-fmt/398 identifie les JPG version 2.0. Connaître un format permettra aux personnes qui voudront consulter les jeux de données de savoir comment les ouvrir.

Quelques outils d’identification :

• PRONOM : http://www.nationalarchives.gov.uk/pronom/;
• Siegfried : https://www.itforarchivists.com/siegfried;
• FIDO : https://github.com/openpreserve/fido ou https://fido-js.glitch.me/.

Des outils qui permettent de visualiser les fichiers en code hexadécimal :

• HexEd.it : https://hexed.it/;
• Literate-binary : https://github.com/marhop/literate-binary.

Les métadonnées

Une introduction aux métadonnées

Les métadonnées sont des éléments d’information utilisés pour décrire le contenu ou le contenant d’une ressource. Elles peuvent être structurées ou non.

Afin de mieux comprendre les métadonnées, commençons avec un exemple de données brutes :

CCTTTATCTAATCTTTGGAGCATGAGCTGGCATAGTTGGAACCGCCCTCAGCCTCCTCATCCGTGCAGAACTTGGACAACCTGGAACTCTTCTAGGAGACGACCAAATTTACAATGTAATCGTCACTGCCCACGCCTTCGTAATAATTTTCTTTATAGTAATACCAATCATGATCGGTGGTTTCGGAAACTGACTAGTCCCACTCATAATCGGCGCCCCCGACATAGCATTCCCCCGTATAAACAACATAAGCTTCTGACTACTTCCCCCATCATTTCTTTTACTTCTAGCATCCTCCACAGTAGAAGCTGGAGCAGGAACAGGGTGAACAGTATATCCCCCTCTCGCTGGTAACCTAGCCCATGCCGGTGCTTCAGTAGACCTAGCCATCTTCTCCCTCCACTTAGCAGGTGTTTCCTCTATCCTAGGTGCTATTAACTTTATTACAACCGCCATCAACATAAAACCCCCAACCCTCTCCCAATACCAAACCCCCCTATTCGTATGATCAGTCCTTATTACCGCCGTCCTTCTCCTACTCTCTCTCCCAGTCCTCGCTGCTGGCATTACTATACTACTAACAGACCGAAACCTAAACACTACGTTCTTTGACCCAGCTGGAGGAGGAGACCCAGTCCTGTACCAACACCTCTTCTGATTCTTCGGCCATCCAGAAGTCTATATCCTCATTTTAC

Les données brutes provenant de la recherche, dépourvues de métadonnées, sont intéressantes, mais peu parlantes pour la majorité des gens. Il est facile de se rendre compte qu’il y a un long chemin entre les données brutes extraites au cours d’un projet de recherche et leur signification utilisable par l’humain.

Si une généticienne décrit les données brutes ci-dessus, elle pourrait ajouter un premier niveau de métadonnées :

• >Seq1 [organism=Carpodacus mexicanus] C. mexicanus clone 6b actin (act) mRNA, partial cds

Un deuxième niveau de métadonnées serait la description du jeu de données dont fait partie cette séquence : le séquençage génétique, dans ce cas-ci de Carpodacus mexicanus, une espèce d’oiseau.

• Il s’agit d’une séquence nucléotidique de Carpodacus mexicanus (clone 6 b). (A = Adénine, G = Guanine, C = Cytosine, T = Thymine : bases d’acide nucléique).

Un troisième niveau de métadonnées permettrait de mieux caractériser les métadonnées précédentes en normalisant la nomenclature utilisée, ce qui facilitera le repérage et la relance dans d’autres corpus documentaires, tels les répertoires d’articles ou les dépôts institutionnels :

• Roselin familier – Génétique
• Séquence nucléotidique

Un quatrième niveau lierait ces métadonnées à d’autres informations pertinentes, comme une image.

Le principal rôle des métadonnées est de décrire et de favoriser le repérage. Toutes les métadonnées présentes devraient répondre aux tâches que réalisent les personnes utilisant des moteurs de recherche généraux ou académiques.

• Trouver – c’est-à-dire trouver des ressources correspondant aux critères de recherche;
• Identifier – établir le contexte des données et confirmer que la ressource décrite correspond à la ressource recherchée, ou bien établir une distinction entre deux ou plusieurs ressources possédant des caractéristiques semblables;
• Sélectionner – c’est-à-dire sélectionner une ressource pertinente pour les besoins de la personne qui cherche.

Les métadonnées nécessaires à la préservation sont celles qui assurent l’authenticité et l’accessibilité à long terme des ressources numériques et qui permettent la restitution des fichiers dans une forme accessible, lisible et intelligible. Vous devez être en mesure de gérer et de découvrir les métadonnées indépendamment des systèmes avec lesquels les ressources ont été créées.

Normalisation des métadonnées

Certaines métadonnées peuvent être normalisées, tels les noms des personnes responsables de la recherche, les méthodes de collecte et d’analyse des données, les titres des variables, les sujets abordés par la recherche ainsi que les couvertures temporelles ou géographiques. D’autres types de métadonnées obéiront tout simplement à des règles de description plus ou moins précises visant à en uniformiser la présentation, par exemple le titre attribué à un projet de recherche ou un résumé décrivant un jeu de données.

Plus les métadonnées sont normalisées, plus elles contribuent aux principes FAIR (pour plus de détails, voir le chapitre 2, « Les principes FAIR et la gestion des données de recherche » ) et plus elles permettent la repérabilité, l’accessibilité, l’interopérabilité et la réutilisation des ressources qu’elles représentent. Au moment de décrire une ressource, que ce soit une donnée ou un jeu de données, il faut cibler les métadonnées qui seront les plus utiles, car l’investissement en temps et en argent doit être rentable.

Plusieurs moyens peuvent être utilisés pour normaliser des métadonnées et il y a souvent une confusion terminologique, car certains termes sont utilisés pour décrire de façon erronée des réalités différentes.

Schémas de métadonnées

Pour bien comprendre ce qu’est un schéma de métadonnées, imaginez un formulaire en ligne avec des boîtes à remplir. Le schéma se cache derrière, il s’agit de ce qui va donner un sens aux renseignements que vous inscrirez dans les boîtes.

Certains schémas spécifient avec quelle syntaxe les éléments doivent être encodés alors que d’autres, tels Dublin Core et Data Documentation Initiative (DDI), ne procurent que des champs pour stocker l’information, sans donner d’indications sur la formulation du contenu ou sa syntaxe.

Prenons l’exemple du roselin familier. Un ornithologue amateur désire entrer une observation de l’oiseau dans un dépôt qui utilise le schéma Darwin Core. Il devra remplir les boîtes suivantes :

Il existe un grand nombre de schémas, certains généralistes, d’autres disciplinaires. Un schéma normé et utilisé à large échelle peut être compris par les machines, ce qui augmente la visibilité et les possibilités de réutilisation des données décrites. Ces avantages sont perdus en créant un schéma de métadonnées maison.

En résumé, un schéma de métadonnées sert de structure et de contenant aux renseignements sur les jeux de données et, dans une certaine mesure, ajoute à leur signification.

Règles de descriptions

Les règles de description permettent de standardiser, normaliser et structurer de l’information portant sur les jeux de données. Ces règles vont prescrire la transcription des renseignements, l’utilisation des majuscules, l’ordre ou la syntaxe des éléments. Les règles sont indépendantes des schémas et sont utilisables dans n’importe quel dépôt de données.

Pour illustrer, utilisons l’exemple de l’ornithologue amateur de roselins. Il cherche à savoir si cette espèce a été aperçue dans sa région à une date spécifique. Il consulte trois dépôts qui utilisent le schéma Darwin Core. En cherchant avec la date du 10 octobre 2021, il ne trouve de résultats que dans un seul des dépôts. Pourquoi? Parce que les dépôts utilisent des règles de descriptions différentes pour les dates. L’un n’a aucune exigence, soit le dépôt où l’entrée du 10 octobre 2021 est repérée; l’autre demande la norme ISO 8601, soit AAAA-MM-JJTHH:MM:SSZ et où la date est indiquée comme 2021-10-10; et le dernier veut la forme JJMMAAAA et où l’entrée souhaitée est représentée par 10102021.

Des règles de descriptions claires sont également très utiles au niveau des noms de personnes, particulièrement dans le cas de noms communs. Il faut éviter d’utiliser des initiales, des homonymes ou des pseudonymes. Déposer des données permet de donner de la visibilité aux chercheurs et chercheuses, mais pour ce faire, il faut pouvoir identifier sans ambiguïté la personne responsable des données!

Le nom n’est parfois pas suffisant pour faire la distinction entre les gens et c’est pourquoi il est recommandé d’utiliser également des identifiants uniques pérennes comme l’ORCiD.

Vocabulaires contrôlés

Les vocabulaires contrôlés normalisent l’indexation et facilitent la recherche et le repérage d’informations. Il s’agit d’un ensemble de termes reconnus, normalisés et validés par un groupe ou une communauté de pratiques utilisés pour indexer ou analyser le contenu d’une ressource.

Si plusieurs termes désignent un même concept, un seul d’entre eux sera choisi et identifié comme le « terme préféré », les autres, considérés comme de possibles synonymes, seront mentionnés comme « termes rejetés ».

Revenons à l’ornithologue amateur qui, cette fois-ci, cherche de l’information sur le roselin dans un dépôt de données anglophone. Les données de ce dépôt sont indexées avec du vocabulaire libre, mais également avec le FAST (Faceted Application of Subject Terminology). Afin de s’assurer de récupérer l’ensemble de l’information sur l’espèce, l’ornithologue cherche le terme « roselin » dans le RVMFAST, un vocabulaire qui fait les équivalences entre les termes français et anglais. Il découvre que « House finch » est le terme choisi par le FAST. Il effectue donc sa recherche dans le dépôt avec succès et récupère toutes les données disponibles!

Les thésaurus et les répertoires de vedettes-matière sont les exemples les plus répandus et les plus connus de vocabulaires contrôlés. Il existe des vocabulaires encyclopédiques, mais également des vocabulaires spécialisés propres à certaines disciplines, par exemple ERIC, un thésaurus spécialisé en éducation ou WORMS, un catalogue des noms d’organismes marins.

Plusieurs de ces vocabulaires sont multilingues, ou gèrent des équivalents linguistiques, ce qui est d’un apport précieux pour l’interopérabilité.

Aller plus loin : ontologies

Une ontologie est une représentation théorique d’un domaine de connaissances dont les concepts sont liés par des relations sémantiques et logiques. Une ontologie comprend des vocabulaires, des définitions et une indication de la manière dont les concepts sont interdépendants entre eux. L’ontologie permet d’établir un ensemble de relations et de décrire des situations spécifiques dans un domaine donné. Une ontologie impose une structure sur le domaine et limite les possibles interprétations des termes. Plus simplement, l’ontologie permet d’offrir un langage commun à des blocs d’information liés entre eux. Elle est aux métadonnées ce que la grammaire est au langage.

Un des principaux avantages de l’utilisation d’une ontologie est l’interopérabilité, la réutilisation et le partage des métadonnées. La principale différence entre une ontologie et un vocabulaire contrôlé est que le vocabulaire contrôlé propose des relations sémantiques entre les éléments qui le composent, alors que l’ontologie proposera des relations fonctionnelles permettant de décrire précisément des situations.

Par exemple, dans un vocabulaire contrôlé, « roselin familier » est le terme préféré. Il est lié à « Carpodacus », qui est le terme général, ainsi qu’à « roselin du Mexique » et « Carpodacus mexicanus » qui sont deux termes rejetés. Dans une ontologie, « roselin familier » pourrait être lié grâce à la relation « habitat » aux termes « banlieue » et « semi-désert ». L’ontologie pourra également pointer vers la relation « alimentation » pour faire un lien entre le roselin et d’autres « granivore » et « insectivore ».

Types de métadonnées

La séparation des métadonnées en différentes catégories est variable selon les sources. Les regroupements suivants seront utilisés ici : métadonnées descriptives, structurelles, techniques, d’accès et de préservation. Les trois derniers types de métadonnées étant plus complexes, ils sont suggérés comme formation avancée.

Au-delà de ces catégories, les métadonnées peuvent également être classées par leur source (interne, externe), leur mode de création (manuel, automatique), leur statut (statique, dynamique), leur structure (structuré ou non) et d’autres caractéristiques. Pour plus d’information à ce sujet, veuillez consulter les ressources du présent chapitre.

Métadonnées descriptives

Comme leur nom l’indique, les métadonnées descriptives servent à décrire une ressource afin d’en connaître le contenu et d’en assurer le repérage, que ce soit par l’humain ou par la machine. Le titre d’une œuvre, le nom du créateur d’une ressource ainsi que sa date de création sont des exemples de métadonnées descriptives qu’on retrouve dans des dépôts de données, des catalogues de bibliothèques ou des bases de données.

Dans le cas de données de recherche, les métadonnées descriptives font généralement référence aux champs à remplir dans les dépôts de données. Outre les métadonnées précédemment nommées, si les données ne sont pas versées dans un dépôt, un fichier texte, tel un LISEZ-MOI, peut servir de support aux métadonnées descriptives.

Les métadonnées de projet décrivent le « qui, quoi, où, quand et pourquoi » du jeu de données, ce qui fournit un contexte pour comprendre le but de la collecte, la méthodologie et de l’utilisation des données.

Les métadonnées de l’ensemble des données sont plus granulaires. Elles décrivent et contextualisent les données avec plus de détails, par exemple les variables, les unités de mesure, les observations. Ces renseignements peuvent également être présents avec les données elles-mêmes.

Les règles à respecter pour les métadonnées descriptives ne sont pas anodines. Mieux un jeu de données est décrit, plus il sera repérable et plus il sera simple d’attribuer le crédit aux bonnes personnes. En ce sens, l’utilisation d’identifiants uniques comme les DOI et les ORCiD ainsi que de vocabulaires contrôlés tels que le FAST et son équivalent francophone, le RVMFAST, permet de désambiguïser les gens et les objets numériques. La normalisation des métadonnées soutient également l’interopérabilité entre les systèmes.

Le meilleur moyen de profiter du pouvoir des métadonnées descriptives consiste à :

• utiliser des identifiants uniques lorsque possible;
• utiliser des schémas de métadonnées déjà existants, bien établis dans votre communauté de recherche;
• normaliser les métadonnées qui peuvent l’être (p. ex., noms, sujets, coordonnées géospatiales, date), idéalement avec des vocabulaires contrôlés; et
• respecter les conseils suggérés par les dépôts pour remplir leurs champs de métadonnées, soit les champs obligatoires, les champs recommandés et les champs facultatifs.

Chaque discipline utilise des métadonnées, des schémas, des ontologies et des vocabulaires contrôlés qui leur sont propres. Pour avoir quelques exemples de ces particularités, consultez les chapitres « La gestion des données quantitatives en sciences sociales » et « La gestion des données de recherche qualitatives ».

Métadonnées structurelles

Les métadonnées structurelles permettent d’établir des liens entre les fichiers et à l’intérieur de ceux-ci. Il est autant question de la structure physique d’un fichier (les liens entre différentes parties de contenu) que de la structure logique d’un document (les liens entre des fichiers). Par exemple, vous pourriez avoir un article en PDF et les graphiques associés dans un fichier différent, en DOCX. Vous pourriez également avoir de l’information qui indique à quel endroit se situent le texte et les images dans une page ainsi que de l’information sur l’ordre des pages.

Certaines de ces métadonnées se génèrent automatiquement, d’autres doivent être entrées manuellement. Elles peuvent vous être utiles si vous êtes obligé de passer d’un format complexe à un format simple et que cela implique d’éclater vos données. Vous pourriez avoir à décrire les liens entre vos fichiers afin de représenter le format original. L’information peut être notée dans un fichier texte ou en utilisant du code.

Si vos fichiers ne sont pas indépendants ou qu’ils réfèrent à d’autres fichiers, ayez une pensée pour les métadonnées structurelles, car elles permettront la pleine compréhension de vos données.

Aller plus loin : autres métadonnées

Les métadonnées descriptives et structurelles sont assez faciles à circonscrire, bien que leurs limites puissent être discutables. Les frontières sont plus floues lorsqu’il est question des métadonnées techniques, d’accès et de préservation. Parfois, celles-ci sont regroupées sous le terme de « métadonnées administratives ». Les séparations ci-dessous sont utilisées à des fins d’explications uniquement.

La plupart des métadonnées ci-dessous se créent automatiquement à l’intérieur des fichiers et il n’est pas essentiel de les connaître. Vous pouvez modifier quelques-unes de ces métadonnées internes et certains logiciels permettent de les extraire pour les conserver séparément, mais il est recommandé de bien connaître les formats et les métadonnées avant de s’adonner à cette opération.

Comme indiqué précédemment, un changement de format peut être positif pour la préservation à long terme de vos fichiers. Une telle conversion peut avoir un impact sur les métadonnées internes du fichier. Les extraire du format original et les garder en accompagnement de l’objet numérique permet de documenter la provenance et l’authenticité de vos fichiers.

Métadonnées techniques

Les métadonnées techniques sont très liées aux formats et la plupart sont intégrées à l’intérieur des fichiers. Elles documentent la création du fichier (p. ex., logiciel utilisé, version, système d’exploitation, date de création et de dernière modification) et des caractéristiques sur les objets numériques qui varient selon le type de format.

Exemples de métadonnées techniques :

• Pour le texte : l’encodage, la structure éventuelle en XML…
• Pour l’image : la résolution, le profil colorimétrique, la profondeur d’encodage…
• Pour le son : le débit, le codec, la fréquence d’échantillonnage…
• Pour la vidéo : le nombre d’images par seconde, le profil colorimétrique, la durée…
• Pour des contenus Web : le format déclaré dans l’en-tête, la réponse du serveur collecté…

L’extraction des métadonnées techniques aide à prouver qu’un format est bien ce qu’il prétend être. Elle permet aussi de se renseigner sur un objet numérique inconnu ou corrompu.

Métadonnées d’accès et d’utilisation

Les métadonnées d’accès et d’utilisation comprennent de l’information qui permet à la communauté de recherche de télécharger des données et de les réutiliser en toute légalité.

Afin d’éviter les violations de droits, les métadonnées informent sur la provenance, les possibilités d’accès (p. ex., libre accès, embargo, formulaire de confidentialité) et d’utilisation (p. ex., libre, avec citation, consultation uniquement). Vous pouvez également y trouver des signatures numériques. Du côté de l’administration des dépôts, ce sont ces métadonnées qui donnent la possibilité d’effectuer des actions de préservation en toute légalité.

Métadonnées de préservation

Les métadonnées de préservation sont généralement liées à des schémas spécifiques comme METS ou PREMIS et aux actions effectuées sur les fichiers pour les préserver.

Elles regroupent tout ce qui touche à l’intégrité et à l’authenticité d’un objet numérique (voir le chapitre sur la préservation numérique). Minimalement, une somme de contrôle devrait être calculée. Avec les métadonnées de préservation, vous pouvez retracer toutes les modifications apportées à un fichier comme les changements de format, les vérifications des sommes de contrôle, les déplacements de supports physiques, etc. ainsi que ceux et celles qui ont effectué les changements.

Conclusion

Le titre de ce chapitre renvoie à un monde fascinant pour de bonnes raisons. Les formats de fichiers et les métadonnées sont de vastes sujets dont nous n’avons fait qu’entrouvrir la porte. Il n’est toutefois pas essentiel de maîtriser les secrets de tous les formats de fichiers et de tous les vocabulaires contrôlés pour s’en sortir de façon respectable et avoir des données accessibles et utilisables des années après la fin d’un projet de recherche.

Lectures et ressources supplémentaires

Corti, L., Van den Eynden, E., Bishop, L., Woollard, M., Haaker, M., et Summers, S. (2019). Managing and sharing research data : a guide to good practice (2^e éd.). Sage.

Formats

Ressources canadiennes

Bibliothèque et Archives nationales du Québec. (2020, mars) Guide concernant les formats recommandés par BAnQ. https://numerique.banq.qc.ca/patrimoine/details/52327/4076856

Bieman, E. et Vinh-Doyle. W. (2019). Stratégie de numérisation du patrimoine documentaire (SNPD) : Recommandations relatives aux formats de fichier pour la préservation numérique. Gouvernement du Canada, Réseau canadien d’information sur le patrimoine.  https://www.canada.ca/fr/reseau-information-patrimoine/services/preservation-numerique/recommandations-formats-fichier-preservation-numerique.html

Bibliothèque et Archives Canada. (2022). Lignes directrices sur les formats de fichier à utiliser pour transférer des ressources documentaires. https://bibliotheque-archives.canada.ca/fra/services/gouvernement-canada/information-disposition/lignes-directrices-information/pages/lignes-directrices-formats-fichier-ressources-documentaires.aspx

Library and Archives Canada. (s.d.). File Format Guidelines for Preservation and Long-term Access Version 1.0. https://www.councilofnsarchives.ca/sites/default/files/LAC%20File%20Format%20Guidelines%20for%20Preservation%20and%20Long-term%20v1_2010-12_0.pdf

Autres ressources

Bibliothèque nationale de France. (s.d.). Fiches formats. https://github.com/hackathonBnF/FichesFormat/wiki

Caplan, P. (2008). What Is Digital Preservation? Library Technology Reports, 58(2). https://journals.ala.org/index.php/ltr/article/view/4224/4809/.

Caplan, P. (dir.). (2010). Digital Preservation [Special issue]. Information Standards Quarterly, 22(2). https://www.niso.org/sites/default/files/2019-07/ISQ%20Spring%202010.pdf 

Centre de coordination pour l’archivage à long terme de document électroniques. (s.d.). Catalogue des formats de fichiers pour l’archivage. https://kost-ceco.ch/cms/kad_main_fr.html

Dappert, A. (2016). Digital Preservation Metadata and Improvements to PREMIS in Version 3.0 [Présentation PowerPoint]. https://www.loc.gov/standards/premis/v3/tutorialslides.pdf

Digital Preservation Coalition. (2015). Digital Preservation Handbook (2^e éd.). https://www.dpconline.org/handbook

Digital Preservation Coalition. (s.d.). Technology Watch Publications. https://www.dpconline.org/digipres/discover-good-practice/tech-watch-reports

Digital Preservation Coalition et Artefactual System. (2021). Preserving Audio. http://doi.org/10.7207/twgn21-11

Digital Preservation Coalition et Artefactual System. (2021). Preserving Databases. http://doi.org/10.7207/twgn21-06

Digital Preservation Coalition et Artefactual System. (2021). Preserving Documents. http://doi.org/10.7207/twgn21-07

Digital Preservation Coalition et Artefactual System. (2021). Preserving GIS. http://doi.org/10.7207/twgn21-16

Digital Preservation Coalition et Artefactual System. (2021). Preserving Moving Images. http://doi.org/10.7207/twgn21-12

Digital Preservation Coalition et Artefactual System. (2021). Preserving Raster Images. http://doi.org/10.7207/twgn21-13

Digital Preservation Coalition et Artefactual System. (2021) Preserving Spreadsheets. http://doi.org/10.7207/twgn21-09

Federal Agencies Digital Guidelines Initiative. (s.d.). Guidelines, File Format Comparison Projects. https://www.digitizationguidelines.gov/guidelines/File_format_compare.html

Federal Records Management. (s.d.). Appendix A: Tables of File Formats. National Archives and Records Administration. https://www.archives.gov/records-mgmt/policy/transfer-guidance-tables.html

Library of Congress. (s.d.). Recommended Formats Statement. https://www.loc.gov/preservation/resources/rfs/

Loftus, C. (2019, 23 août). File format identification: A student project at the University of Sheffield Library. Digital Preservation Coalition. https://www.dpconline.org/blog/file-format-identification-sheffi-uni

McLellan, E. P. (2007) General Study 11 Final Report: Selecting Digital File Formats for Long-Term Preservation. InterPARES 2 Project. http://www.interpares.org/display_file.cfm?doc=ip2_file_formats(complete).pdf

UK Data Service. (s.d.). Recommended formats. https://ukdataservice.ac.uk/learning-hub/research-data-management/format-your-data/recommended-formats/

Vitam. (2020). Identification des formats de fichier. https://www.programmevitam.fr/ressources/DocCourante/autres/fonctionnel/20200131_NP_Vitam_preservation-identification-format-v2.0.pdf

Jeux sur les formats

Archives & Records Association. (2022). File Format or Fake? https://www.exploreyourarchive.org/archives/digital-preservation/.

Fortin, É. et Ruest, J.-F. (2022). Mille Formats. Bibliothèque de l’Université Laval. https://www5.bibl.ulaval.ca/formations/tutoriels-en-ligne/autres-tutoriels/mille-formats.

Métadonnées

Alliance de recherche numérique du Canada. (2021). RDM and Metadata for Discovery: What’s in it for researchers? [Vidéo]. YouTube. https://youtu.be/4fjPBSKMPlw

Baca, M. (dir.). (2016)  Introduction to Metadata (3^e éd.). Getty Publications. http://www.getty.edu/publications/intrometadata/.

Bascik, T., Boisvert, P., Cooper, A., Gagnon, M., Goodwin, M., Huck, J., Leahey, A., Stathis, K. et Steeleworthy, M. (2021). Guide des pratiques exemplaires sur les métadonnées de Dataverse Nord v 3.0 (Version 3). Zenodo. https://doi.org/10.5281/zenodo.5668962

Bibliothèque Université Laval. (s.d.). RVMFAST. https://rvmweb.bibl.ulaval.ca/rvmfast/rechercheSimple.do.

Canning, E., Brown, S., Roger, S. et Martin, K. (2022). The Power to Structure: Making Meaning from Metadata Through Ontologies. KULA: Knowledge Creation, Dissemination, and Preservation Studies, 6(3). https://doi.org/10.18357/kula.169

DoRANum. (s.d.). Métadonnées, standards, formats : comment décrire les données? https://doranum.fr/metadonnees-standards-formats/.

Dublin Core. https://www.dublincore.org/.

ERIC. https://eric.ed.gov/.

Guenther, R. (2017). Metadata for Digitization and Preservation. Part 1: Metadata schemes [Présentation PowerPoint]. Lyrasis.

Lacroix, C. (2017). Meilleures pratiques de gestion des métadonnées décrivant les données de recherches [Présentation]. Bureau de Coopération Interuniversitaire. https://libguides.pbuq.ca/ld.php?content_id=36275448

OCLC FAST. https://fast.oclc.org/

ORCiD. https://orcid.org/

Research Data Management Service Group. (s.d.). Guide to writing “readme” style metadata. Cornell University. https://data.research.cornell.edu/content/readme

RDA. (2017, 24 juillet). Supporting public procurement in Europe – 4 RDA Recommendations for open data sharing now published as ICT Technical specifications. https://www.rd-alliance.org/node/57123

UK Data Archives. (s.d.). Standards and procedures. https://www.data-archive.ac.uk/managing-data/standards-and-procedures/

WORMS: World Register of Marine Species. https://www.marinespecies.org/

Sandra Sawchuk; Louise Gillis; et Lachlan MacLeod

Introduction

Ce chapitre mettra l’accent sur les aspects interopérables et réutilisables du modèle FAIR (facile à trouver, accessible, interopérable et réutilisable) qui ont été présentés dans le chapitre 2, « Les principes FAIR et la gestion des données de recherche. » Ainsi, vous obtiendrez la confiance et les compétences nécessaires pour entreprendre la curation active des données.

La curation active des données appliquée en cours de recherche produit des données qui sont FAIR : faciles à trouver, accessibles, interopérables et réutilisables (Johnston et al., 2017a; Wilkinson et al., 2016). Le terme « active » décrit les pratiques de curation appliquées pendant les étapes de la collecte, de l’analyse et de la diffusion des données d’une recherche. La curation des données implique la gestion des données de recherche sélectionnées ou qui doivent être déposées pour le stockage et la préservation à long terme. (Krier et Strasser, 2014). Règle générale, la curation est abordée vers la fin d’un projet, souvent une fois l’analyse complétée.  D’excellentes ressources, telles que le Guide pour la curation dans Dataverse ainsi que le flux de travail CURATED (en anglais uniquement) du Data Curation Network, fournissent de  précieux conseils pour la curation lorsque la phase active du projet est terminée (Cooper et al., 2021; Johnston et al., 2017b). Il y a des avantages à travailler sur la curation tout au long du projet. Cela permet de repérer les erreurs avant qu’elles ne deviennent catastrophiques et les données peuvent aussi être mieux décrites et contextualisées (Sawchuk et Khair, 2021).

Ce chapitre vous informera sur les outils et les techniques qui facilitent la curation des données de recherche tout au long des phases actives d’une recherche. Comme Cooper et al. (2021), nous savons que la capacité d’appui à la curation peut varier d’un établissement canadien à l’autre et que les bibliothèques ont souvent le rôle d’éduquer et de sensibiliser sur les meilleures pratiques. Quant à la gestion concrète et quotidienne de la recherche et des données associées au projet, elle tombe sous la responsabilité des chercheuses et chercheurs qui effectuent le travail.

Nous discuterons des stratégies pour la mise en place de bonnes pratiques de gestion des données en misant sur les activités qui contribuent à l’amélioration de l’interopérabilité et de la reproductibilité des données. Nous examinerons également les meilleures pratiques en matière de curation des données de recherche, y compris les outils pour la communication et la collaboration. Même si les outils présentés dans ce chapitre sont généralement utilisés pour appuyer la recherche computationnelle, les principes de reproductibilité que nous présenterons pourront servir à toutes les disciplines.

Les plateformes

Le choix d’une plateforme de stockage des données n’est pas considéré comme de la curation. Toutefois, le choix d’une plateforme de stockage plutôt qu’une autre peut avoir des conséquences importantes sur la curation.

Les options de stockage sont abordées plus en détail dans le chapitre 5, « Partage et réutilisation des données de recherche au Canada, »  mais voici un survol rapide. Votre choix de plateforme s’inscrit dans l’une ou l’autre des trois catégories suivantes :

• Le stockage local est intégré ou se connecte directement à vos appareils. Cela inclut les disques durs et les clés USB;
• Les unités de stockage en réseau (NAS ou Network Attached Storage) relient les appareils d’un même réseau local. Des exemples comprennent les serveurs départementaux, de facultés ou universitaires;
• Le stockage infonuagique est un service en ligne fourni par une tierce partie. Des exemples comprennent Dropbox, Google Drive, OSF et OneDrive.

Le tableau 1 énumère les avantages et désavantages de chacun de ces types de plateformes. Chacun a son utilité propre, mais somme toute, l’infonuagique semble offrir des fonctionnalités bien adaptées à la curation.

Lignes directrices pour le stockage des données

1. Lorsque possible, privilégiez l’utilisation d’une plateforme infonuagique et faites la sauvegarde de vos données sur un réseau institutionnel. La plupart des plateformes infonuagiques comportent des fonctionnalités qui gèrent le versionnage de façon automatique. L’automatisation implique moins de travail pour vous et moins de risques d’erreurs humaines. Les fichiers importants peuvent être copiés sur le réseau de l’établissement, régulièrement sauvegardé, protégeant davantage contre la perte de données qui pourrait survenir sur des disques locaux.

À chaque fois que vous faites une modification dans un environnement infonuagique, une nouvelle version de votre fichier est sauvegardée avec l’information sur la provenance du fichier:

• qui a fait la modification;
• quand la modification a été faite;
• qu’est-ce qui a été modifié.

2. Choisissez une solution soutenue par votre établissement. Vous aurez ainsi accès au soutien technique, à la formation et à l’assurance qu’elle a été évaluée. Le choix d’une solution bien supportée permet d’augmenter les probabilités que vos données soient accessibles et utilisables à long terme. Au Canada, Microsoft Office 365 peut s’avérer un bon choix puisque de nombreuses universités utilisent cette suite de logiciels.

3. Utilisez un cahier de laboratoire électronique ou un outil de gestion de projet. Les cahiers de laboratoire électroniques sont des outils en ligne conçus selon le design et l’utilisation de leurs équivalents papier. Dans leur forme la plus simple, ils fournissent un espace où consigner les protocoles de recherches, les observations, les notes et d’autres données reliées au projet. Leur format électronique permet une bonne gestion des données évitant des problématiques telles qu’une écriture manuscrite difficile à déchiffrer et des pertes de données liées à des dommages matériels. Les cahiers de laboratoire électroniques assurent également la sécurité des données et permettent la collaboration. Ils peuvent être particulièrement utiles si vous travaillez dans le secteur privé ou dans des contextes où les membres de l’équipe de recherche proviennent de différents établissements. Au-delà des solutions institutionnelles, vous pouvez vous tourner vers des outils de collaboration comme Open Science Framework (OSF), une application en code source libre dont l’utilisation est gratuite et qui fournit des détails sur la provenance des fichiers. OSF peut être utilisé en tant qu’espace collaboratif de partage des données, ou en tant que cahier de laboratoire électronique.

La sécurité des données

Identifiez les risques potentiels dans votre plan de gestion des données de recherche (GDR) et assurez-vous que la mise en œuvre des mesures élaborées est réalisable et répond bien au risque associé à vos données. Si vous travaillez avec des données personnelles de santé par exemple, vous devez faire davantage attention que si vous travaillez avec du code source libre. Des considérations similaires doivent être gardées à l’esprit si vous travaillez  avec des données issues de groupes marginalisés ou racisés.  Votre choix de plateforme de stockage est également important. Les données stockées sur des clés USB peuvent être perdues ou endommagées, tandis que celles sur un stockage infonuagique peuvent être la proie de piratage, de logiciels malveillants et d’hameçonnage.

Lignes directrices dans le traitement de la sécurité des données

1. Évitez l’utilisation de disques externes ou de stockage local.
2. Sécurisez votre ordinateur et vos réseaux en installant les mises à jour logicielles et les protections antivirus, en activant les pare-feux et en verrouillant votre ordinateur et autres appareils quand vous ne les utilisez pas.
3. Utilisez des mots de passe robustes. Les mots de passe robustes sont uniques et complexes (de longues chaînes de caractères qui utilisent une combinaison de symboles, de chiffres et de lettres majuscules et minuscules). Malheureusement, ils sont aussi difficiles à mémoriser. Une solution est d’utiliser un gestionnaire de mots de passe, tel que KeePassX ou 1Password, qui enregistre vos noms d’utilisateurs et mots de passe dans un même endroit. Modifiez régulièrement vos mots de passe!
4. Chiffrez vos fichiers et disques si vous travaillez avec des données sensibles ou propriétaires. Avec des ordinateurs Mac, vous pouvez utiliser Firevault et avec des PC, Bitlocker.
5. Si vous travaillez sur une plateforme infonuagique, utilisez l’authentification multifactorielle pour accéder aux fichiers.
6. Lorsque vous transférez des données, utilisez le chiffrement. OneDrive est un exemple de plateforme de stockage qui permet l’envoi et la réception de fichiers chiffrés. Le transfert de fichiers par Globus est une bonne option pour des fichiers lourds et de nombreux établissements de recherche utilisent Globus pour les données de recherche sensibles.

La curation active des données

La curation active des données implique l’organisation, la description ainsi que la gestion de vos fichiers de recherche et de leur documentation. La façon dont vous organisez vos fichiers est un choix personnel. Il n’y a pas une seule et unique façon de faire et la meilleure façon de travailler sera celle qui conviendra  le mieux à vous et à votre équipe. Mettez vos décisions par écrit, communiquez-les à toutes les personnes concernées et réévaluez régulièrement vos choix. Si une stratégie ne s’avère plus efficace, modifiez-la et passez à autre chose.

Lignes directrices pour la curation active des données

1. L’organisation des fichiers de recherche

• Identifiez une personne qui prendra en charge l’organisation et le nommage des fichiers. Cette personne peut mener des vérifications ponctuelles pour s’assurer que la documentation, le nommage et les chemins d’accès aux fichiers sont uniformément établis. Elle peut aussi servir de contact principal pour tous les membres de l’équipe de recherche qui auraient des questions sur les pratiques organisationnelles ou voudraient signaler des erreurs dans les données.
• Gardez votre plan organisationnel, la structure et les conventions de nommage des fichiers dans un seul document que vous pourrez imprimer et conserver près de votre ordinateur de travail ou dans un fichier de documentation avec votre projet. Si les documents restent à la portée, ils seront plus facilement consultés que s’ils sont difficiles à trouver.
• Mettez en place des processus de travail clairs pour vous assurer que le travail ne soit pas modifié ou détruit. « Protégez vos données originales en verrouillant vos fichiers (avec un mot de passe) ou en définissant un accès en lecture seule » (Groupe d’experts sur la formation, 2020) pour ensuite les compresser. Créez des espaces de travail distincts pour les différentes équipes de travail avec une personne centrale qui sera responsable de la coordination et de regrouper les différents éléments. Autre option : quand le projet et le calendrier le permettent, faites travailler les équipes selon un horaire régulier, sans chevauchement. Utilisez un diagramme de Gantt ou un modèle semblable pour établir un calendrier de projet et gérer les tâches.
• Organisez avec simplicité. Limitez la quantité de dossiers utilisés. Ainsi, vous trouverez vos données plus facilement et réduirez le temps de traitement pour les sauvegardes et la fusion ou l’analyse d’importants jeux de données.

2. La description des fichiers

• Utilisez une convention de nommage qui s’applique à tous les fichiers et créez un document qui explique cette convention. Vous pourrez ainsi prévenir les erreurs et réduire le temps de formation des membres de l’équipe de recherche. Le document servira aussi de base à votre dictionnaire de données (décrit ci-dessous). Il est utile d’y inclure les abréviations ou acronymes des noms de projets, les organismes subventionnaires, les numéros des subventions, le type de contenu, etc. Ajoutez-y des dates (nous recommandons le format AAAA-MM-JJ) et de brèves descriptions. Comme séparateur, utilisez la notation chameau (NotationChameau) ou le trait de soulignement (trait_de_soulignement). Les systèmes informatiques ne reconnaissent pas toujours les espaces et caractères spéciaux.
• Le versionnage devrait être clair et effectué de façon judicieuse. Il n’est pas nécessaire de créer de nouvelles versions pour chaque modification; la mise à jour des numéros de version ne s’impose que lorsque d’importants changements sont apportés au fichier. Utilisez V01, 02, etc. pour rendre l’historique des versions clair et facile à suivre, ou utilisez un système automatisé de contrôle des versions.
• Les fichiers de syntaxe sont des fichiers de code qui contiennent les séquences d’actions effectuées par le logiciel d’analyse statistique; ils peuvent être générés par le logiciel ou codés par les analystes. Effectuez ou enregistrez toutes vos actions en utilisant un fichier de syntaxe qui fait la liste des actions prises par le logiciel d’analyse statistique. Selon le logiciel utilisé, les fichiers de syntaxe peuvent aussi s’appeler des fichiers de programme, des fichiers script ou une autre désignation semblable. La plupart des éditeurs de syntaxe possèdent une fonctionnalité intégrée de notation (ou de commentaire) qui vous aide à vous rappeler ce que vous avez fait et à communiquer ce procédé à vos partenaires de recherche. Ajoutez des descriptions de ce que vous avez fait dans les fichiers de syntaxe et nettoyez la syntaxe au fur et à mesure. Le procédé peut aussi être utile si votre code est utilisé pour de futurs projets ou s’il est publié dans un dépôt de données de recherche.
• Si vous utilisez des logiciels spécialisés pour l’exploration et l’analyse des données, déterminez si la documentation sur le traitement des fichiers de données est générée de façon automatique et complétez-la au besoin. Inscrivez tous les détails dont vous aurez besoin pour reproduire votre flux de travail. Si vous prévoyez de revoir vos données ultérieurement, vous serez reconnaissant de l’effort que vous y aurez mis!

3. La création de guides de codification et de dictionnaires de données

Un guide de codification est un document qui fait la description d’un jeu de données, y compris les détails sur son contenu et sa conception. Un dictionnaire de données est un document semblable au guide de codification, lisible et souvent exploitable par une machine, qui contient généralement des informations détaillées sur la structure technique d’un jeu de données en plus de ses contenus (Buchanan et al., 2021). Toutefois, les deux termes sont souvent utilisés de façon interchangeable. Le guide de codification peut être généré de façon automatique par le logiciel de statistiques que vous utilisez ou vous pouvez avoir à le créer vous-même. Développer le guide de codification au fur et à mesure est une bonne pratique qui permet de standardiser les données. Documentez toute modification au code ou toute autre modification aux données. Même si le guide de codification est généré par le logiciel, vous devrez probablement y ajouter des informations supplémentaires. Idéalement, votre guide de codification sera simple, inclura le nom des variables et de brèves descriptions. Toutefois, selon le Inter-university Consortium for Political and Social Research (ICPSR, 2023), les informations contenues dans les guides de codification peuvent varier d’un projet à l’autre et d’un domaine à l’autre.

Vous devriez inclure un guide de codification dans la section méthodologique de l’étude. Comme point de départ, documentez toute analyse effectuée sous forme de notation dans le fichier syntaxe. Un fichier syntaxe bien annoté peut devenir la base de votre guide de codification ou même de la section méthodes d’un rapport, d’une thèse ou d’une publication. Les descriptions méthodologiques varieront considérablement d’un domaine d’étude à l’autre, mais certains éléments clés peuvent toujours être inclus :

• Valeurs et étiquettes de tous les champs
  • Inclure une description de la façon dont les valeurs nulles ont été traitées au cours de l’analyse;
• Descriptions ou distributions sommaires des résultats;
• Variables omises ou éliminées;
• Rapport entre les variables, y compris le chaînage (quand du texte est inséré de façon automatique par le logiciel de sondage selon les réponses précédentes) ou des expériences subséquentes.

La figure 1 montre l’extrait d’un guide de codification publié par Statistiques Canada pour l’Enquête nationale sur la santé de la population. Dans cet exemple, le guide de codification contient le nom de la variable, la question du sondage et ses réponses ainsi qu’une note sur l’âge des répondants. Ce guide de codification contient aussi la position et la longueur de la variable; cette information serait également incluse dans le dictionnaire des données.

Pour aller plus loin

Peu importe le logiciel que vous choisissez d’utiliser, une documentation complète constitue la clé d’une gestion et d’une curation efficaces des données. Cette section présentera des concepts importants dont il faut tenir compte pour la curation active de la recherche computationnelle, y compris le versionnage des fichiers, la rédaction de scripts et les conteneurs informatiques.

Nous pouvons appliquer les leçons de la curation active des données à la recherche computationnelle. Les ordinateurs sont devenus tellement plus simples et conviviaux à utiliser qu’il est facile d’oublier leur complexité. Les chercheuses et chercheurs ont le choix d’une variété de logiciels libres ou propriétaires pour effectuer des tâches à chacune des étapes de leurs projets, allant de la collecte à la visualisation des données.

Les logiciels propriétaires, tels que SPSS ou Microsoft Excel, sont souvent comparés à des boîtes noires où les données entrent et ressortent avec peu d’indications sur ce qui s’est passé à l’intérieur (Morin et al., 2012). Selon les conditions d’utilisation, l’inspection du code peut être interdite ou impossible. Les logiciels propriétaires sont souvent plus faciles à utiliser que les logiciels libres et ils sont parfois gratuits, parfois payants (Singh et al., 2015). Les logiciels libres sont souvent gratuits, mais ils peuvent être plus complexes à utiliser (Cox, 2019). Cette complexité est contrebalancée par la possibilité d’inspecter le code source et de modifier le programme lui-même selon ce qu’autorisent les licences des logiciels (Singh et al., 2015).

Le contrôle programmatique des versions de fichiers

Tel que discuté plus tôt dans le chapitre, la curation active des données implique beaucoup plus que la création d’une arborescence de dossiers et l’utilisation de pratiques uniformisées de nommage de fichiers. Vous devez également gérer le contenu des fichiers de façon systématique et avec transparence en gardant en tête leur réutilisation. Vous pouvez y arriver par le biais de la programmation en utilisant des fonctionnalités automatisées de gestion des versions disponibles dans de nombreux gestionnaires de documents infonuagiques tels que Office 365 et Google Docs. L’activité d’évaluation à la fin du chapitre est hébergée sur une plateforme de gestion des versions appelée GitHub qui est couramment utilisée par celles et ceux qui écrivent et développent du code.

La gestion des versions, ou versionnage implique le suivi des modifications apportées à un fichier, peu importe l’ampleur des modifications. Lorsque les fichiers sont sauvegardés par le contrôle automatique des versions, tant le contenu que les révisions sont automatiquement sauvegardés, permettant ainsi aux utilisateurs de revenir à toutes les sauvegardes antérieures du fichier (Vuorre et Curley, 2018). Dès que vous sauvegardez un fichier, chacune des modifications au fichier est enregistrée;  le fichier est sauvegardé sous une nouvelle version sans avoir à lui attribuer un nouveau nom de fichier. Vous pourrez donc « revenir dans le temps » pour voir de quelle façon le fichier s’est développé puisque toutes ses modifications seront identifiées.

Des dépôts de données, tels que Dataverse et Zenodo, incluent des informations sur les versions dans les citations qu’ils génèrent, permettant ainsi à tout un chacun d’identifier laquelle des versions d’un jeu de données ou d’un manuscrit a été utilisée.

La rédaction de scripts: pour rendre l’analyse reproductible et automatiser les processus de gestion des données

Automatiser les processus de travail de recherche, tels que l’importation, le nettoyage et la visualisation des données, vous permet de mettre en œuvre vos expériences computationnelles avec un minimum d’intervention manuelle. L’automatisation dépend des scripts, c’est-à-dire des ensembles de routines informatiques transcrites en code (Alston et Rick, 2021; Rokem et al., 2017). Les scripts devraient être accompagnés d’une documentation détaillée qui fait la description de chacune des étapes de la routine afin que la provenance d’une expérience puisse être comprise. La provenance en recherche computationnelle a la même signification que la provenance en archivistique; il s’agit d’un enregistrement de la source, de l’historique et de la propriété d’un artéfact. Dans le contexte présent, l’artéfact est de nature informatique.

L’automatisation et le suivi de la provenance facilitent la reproductibilité et la réutilisation pour les chercheuses et chercheurs et les évaluatrices et évaluateurs externes, mais les plus grands bénéficiaires seront toujours les membres de l’équipe de recherche originale (Rokem et al., 2017; Sawchuk et Khair, 2021). Une documentation détaillée permet d’identifier les erreurs et fournit de précieuses informations en matière de contexte pour la formation de nouveaux membres de l’équipe. L’automatisation permet de mener l’expérience à une ou plusieurs reprises avec un minimum d’effort, ce qui peut être particulièrement utile quand les jeux de données ont été modifiés ou mis à jour.

Dans certains cas, l’automatisation et la provenance peuvent avoir lieu au même endroit. Tel que déjà mentionné, les fichiers de syntaxe comprennent les commandes utilisées pour la manipulation, l’analyse et la visualisation des données; ces fichiers peuvent aussi être modifiés pour inclure des commentaires qui décrivent le raisonnement et l’analyse du projet. Les fichiers de syntaxe peuvent ensuite être regroupés avec les données et les fichiers de sortie, permettant à d’autres d’évaluer et de réutiliser le projet dans son ensemble.

Des cahiers  électroniques de code sont d’autres outils qui intègrent l’automatisation et le suivi de la provenance à l’intérieur d’un seul document linéaire. Un cahier de codes, tel que Jupyter Notebook, est une interface qui encourage la pratique de la programmation lettrée, là où le code, les commentaires et les sorties s’affichent ensemble de façon linéaire, telle une œuvre de littérature (Hunt et Gagnon-Bartsch, 2021; Kery et al., 2018).

Une bonne documentation est essentielle pour la reproductibilité de la recherche, peu importe la personne qui réutilise les données (Benureau et Rougier, 2018). Une bonne pratique consiste à inclure des annotations descriptives avec toutes les ressources informatiques d’un projet afin de fournir un contexte précieux à toutes les étapes du cycle de vie de la recherche.

Le partage du code: les cahiers électroniques et les conteneurs informatiques

Le fonctionnement du code n’est pas garanti d’un ordinateur à l’autre. Des différences au niveau du matériel informatique, des systèmes d’exploitation, des logiciels installés et des privilèges administratifs créent des obstacles au fonctionnement ou à la lecture du code utilisé pour mener l’analyse des données. Des chercheuses ou chercheurs peuvent utiliser des formats de fichiers propriétaires qui ne sont accessibles qu’en achetant des logiciels particuliers ou en s’y abonnant. De plus, la littératie en matière de codage varie souvent chez les personnes qui mènent et gèrent les projets de recherche, entraînant des incohérences dans la documentation et l’inclusion d’erreurs (Hunt et Gagnon-Bartsh, 2021). Bien qu’il soit recommandé de partager les données de recherche et le code dans un dépôt qui facilite le versionnage, vous devriez également prendre des mesures concrètes au cours de la phase active d’un projet de recherche pour encourager la reproductibilité et la réutilisation.

Il existe plusieurs solutions techniques qui facilitent le partage du code et qui varient en complexité sur un spectre allant du statique au dynamique. L’approche statique pour le partage du code est simplement de téléverser le code brut vers un dépôt avec un fichier LISEZ-MOI bien documenté ainsi qu’une liste des dépendances ou des exigences au niveau de l’environnement informatique. Dans l’approche dynamique, les données, le code et les dépendances sont rassemblés dans un format autonome appelé un conteneur (Hunt et Gagnon-Bartsh, 2021; Vuorre et Crump, 2021).

Un conteneur informatique est comme un ordinateur autonome virtuel à l’intérieur d’un ordinateur. Les conteneurs peuvent être hébergés sur un service Web tel que Docker ou sur une clé USB. Ils comprennent tout ce qui est nécessaire pour faire fonctionner un logiciel (y compris le système d’exploitation), sans avoir à télécharger et installer des programmes ou des données. La mise en conteneur facilite la reproductibilité informatique, ce qui survient quand les aspects informatiques d’un projet de recherche peuvent être indépendamment reproduits par un tiers (Benureau et Rougier, 2018). Pour qu’un projet puisse être complètement reproductible, tous les produits de la recherche – en partant des données jusqu’au code et à l’analyse – doivent être inclus. Voilà pourquoi les conteneurs informatiques comprennent des informations détaillées sur l’environnement numérique utilisé pour mener la recherche (Hunt et Gagnon-Bartsch, 2021). Il s’agit notamment d’informations sur le type d’ordinateur et le système d’exploitation (p. ex., Mac OS Monterey v12.3, Windows v11, Linux Ubuntu v21.10); le nom et la version de tout logiciel commercial utilisé pour la collecte ou l’analyse des données; ou inversement, le langage de programmation utilisé pour créer le logiciel ainsi que le nom et le numéro de version de toute dépendance prise en charge par le logiciel.

Une dépendance est une bibliothèque de logiciels supplémentaires qui peut être téléchargée à partir d’Internet et utilisée pour certaines tâches précises de programmation. Par exemple, les personnes qui utilisent le langage de programmation Python peuvent aller en ligne et télécharger des ensembles complets de code déjà écrit pour certaines opérations spécifiques telles que la création de graphiques mathématiques ou l’analyse de texte. Les dépendances sont écrites et revues par des gens extérieurs au projet, ce qui signifie que les versions peuvent être mises à jour, soit régulièrement, soit pas du tout. Certaines dépendances sont plus largement utilisées et viennent avec beaucoup de documentation, tandis que d’autres ne le sont pas. Il est de la responsabilité de la chercheuse ou du chercheur de vérifier si le code fait bien ce qu’il doit faire et s’il n’y a pas d’erreurs ou de bogues qui pourraient avoir un impact sur les données ou sur les résultats d’analyse (Cox, 2019). Il est essentiel de bien documenter les dépendances (et leurs versions) d’un projet pour la recherche reproductible puisque même de petits changements entre les versions peuvent créer des ruptures dans le fonctionnement du code, ou pire, produire des résultats erronés.

Un des moyens les plus courants d’écrire du code pour des conteneurs informatiques est d’utiliser des cahiers de code électroniques. La mise en conteneur d’un cahier de code permet d’analyser et de modifier le code pour tester les sorties et les analyses. Les utilisatrices ou utilisateurs finaux peuvent faire des essais avec le code sans avoir à se soucier de causer des ruptures de fonctionnement ou des modifications permanentes. De plus, pas besoin de se soucier des questions de sécurité liées à l’installation des logiciels.

Conclusion

La curation active des données de recherche permet d’améliorer la recherche, car elle fait gagner du temps et réduit le potentiel d’erreurs. L’utilisation de processus de travail standardisés, l’application uniforme de méthodes d’organisation et d’étiquetage des produits de recherche et la création d’une documentation exhaustive facilitent la réutilisation, tant pour l’équipe de recherche primaire que pour des utilisatrices et utilisateurs secondaires. La normalisation améliore la découvrabilité des données dans les dépôts, ce qui permet l’ajout de jeux de données dans les revues systématiques et les méta-analyses augmentant ainsi la fréquence de citations et le profil de l’équipe de recherche.

Bien que les suggestions présentées dans ce chapitre soient considérées comme de meilleures pratiques, la meilleure gestion des données de recherche est de faire une gestion des données. Chacun des projets comportera ses défis particuliers, mais en veillant à la curation active des données, vous vous assurerez que la documentation est suffisante pour le dépôt et la découverte des données.

Bibliographie

Alston, J. M. et Rick, J. A. (2021). A beginner’s guide to conducting reproducible research. The Bulletin of the Ecological Society of America, 102(2), 1–14. https://doi.org/10.1002/bes2.1801

Arguillas, F., Christian, T.-M., Gooch, M., Honeyman, T., Peer, L. et CURE-FAIR WG. (2022). 10 things for curating reproducible and FAIR research (1.1). Zenodo. https://doi.org/10.15497/RDA00074

Benureau, F. C. Y. et Rougier, N. P. (2018). Re-run, repeat, reproduce, reuse, replicate: Transforming code into scientific contributions. Frontiers in Neuroinformatics, 11. https://doi.org/10/ggb79t

Buchanan, E. M., Crain, S. E., Cunningham, A. L., Johnson, H., Stash, H. R., Papadatou-Pastou, M., Isager, P. I., Carlsson, R. et Aczel, B. (2021). Getting started creating data dictionaries: How to create a shareable data set. Advances in Methods and Practices in Psychological Science, 4(1), 1-10. https://doi.org/10.1177/2515245920928007

Cooper, A., Steeleworthy, M., Paquette-Bigras, È., Clary, E., MacPherson, E., Gillis, L. et Brodeur, J. (2021). Creating guidance for Canadian Dataverse curators: Portage Network’s Dataverse curation guide. Journal of EScience Librarianship, 10(3), 1-26. https://doi.org/10/gmgks4

Cox, R. (2019). Surviving software dependencies: Software reuse is finally here but comes with risks. ACMQueue, 17(2), 24-47. https://doi.org/10.1145/3329781.3344149

Groupe d’experts sur la formation. (2020, 2 septembre). Guide Éclair: Gestion des données de recherche. Zenodo. https://doi.org/10.5281/zenodo.4012530

Hunt, G. J. et Gagnon-Bartsch, J. A. (2021). A review of containerization for interactive and reproducible analysis. ArXiv. https://arxiv.org/abs/2103.16004

ICPSR Institute for Social Research. (2023). Glossary of social science terms. National Addiction and HIV Data Archive Program. https://www.icpsr.umich.edu/web/NAHDAP/cms/2042

Johnston, L., Carlson, J., Hudson-Vitale, C., Imker, H., Kozlowski, W., Olendorf, R. et Stewart, C. (2017a). Data Curation Network: A cross-institutional staffing model for curating research data. https://conservancy.umn.edu/bitstream/handle/11299/188654/DataCurationNetworkModelReport_July2017_V1.pdf

Johnston, L., Carlson, J. R., Kozlowski, W., Imker, H., Olendorf, R. et Hudson-Vitale, C. (2017b). Checklist of DCN CURATE steps. IASSIST & DCN – Data Curation Workshop 4. https://openscholarship.wustl.edu/data-curation-workshop-2017/schedule/Schedule/4

Kery, M. B., Radensky, M., Arya, M., John, B. E. et Myers, B. A. (2018). The story in the notebook: Exploratory data science using a literate programming tool. Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems, 1–11. https://doi.org/10.1145/3173574.3173748

Krier, L. et Strasser, C. A. (2014). Data management for libraries: A LITA guide. American Library Association.

Morin, A., Urban, J., Adams, P. D., Foster, I., Sali, A., Baker, D. et Sliz, P. (2012). Shining light into black boxes. Science, 336(6078), 159–160. https://doi.org/10/m5t

Possati, L. M. (2020). Towards a hermeneutic definition of software. Humanities and Social Sciences Communications, 7(1), 1–11. https://doi.org/10.1057/s41599-020-00565-0

Rokem, A., Marwick, B. et Staneva, V. (2017). Assessing reproducibility. Dans J. Kitzes, D. Turek et F. Deniz (dir.), The practice of reproducible research: Case studies and lessons from the data-intensive sciences. University of California Press. http://www.practicereproducibleresearch.org/core-chapters/2-assessment.html#

Sawchuk, S. L. et Khair, S. (2021). Computational reproducibility: A practical framework for data curators. Journal of EScience Librarianship, 10(3), 1-16. https://doi.org/10/gmgkth

Singh, A., Bansal, R. et Jha, N. (2015). Open source software vs proprietary software. International Journal of Computer Applications, 114(18), 26-31. https://doi.org/10/gh4jxn

Statistiques Canada. (1996). Manuel des codes A – Enquête nationale sur la santé de la population (ENSP) 1994-95 – Questions supplémentaires. https://www.statcan.gc.ca/fra/programmes-statistiques/document/3225_DLI_D2_T22_V1-fra.pdf

Vuorre, M. et Crump, M. J. C. (2021). Sharing and organizing research products as R packages. Behavior Research Methods, 53(2), 792–802. https://doi.org/10/gg9w4c

Vuorre, M. et Curley, J. P. (2018). Curating research assets: A tutorial on the Git Version Control System. Advances in Methods and Practices in Psychological Science, 1(2), 219–236. https://doi.org/10/gdj7ch

Wilkinson, M. D., Dumontier, M., Aalbersberg, Ij. J., Appleton, G., Axton, M., Baak, A., Blomberg, N., Boiten, J.-W., da Silva Santos, L. B., Bourne, P. E., Bouwman, J., Brookes, A. J., Clark, T., Crosas, M., Dillo, I., Dumon, O., Edmunds, S., Evelo, C. T., Finkers, R., Gonzalez-Beltran, A., … Mons, B. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3. https://doi.org/10/bdd4

Grant Hurley et Steve Marks

Introduction

La préservation numérique est couramment définie comme étant « série d’activités gérées nécessaires pour garantir un accès continu aux objets numériques aussi longtemps que nécessaire » (Digital Preservation Coalition, 2015, p. 282). Que le matériel soit d’abord sous forme numérique ou qu’il ait été numérisé à partir d’une autre source, l’objectif reste le même. La préservation numérique est un domaine relativement nouveau (du moins, en comparaison avec la préservation physique!), mais la préservation des données de recherche a fait partie du champ d’étude dès le départ. D’ailleurs, un des documents formatifs de la plupart des approches récentes à la préservation numérique – le modèle Open Archival Information System (Système ouvert d’archivage d’information ou OAIS) – a été développé par un consortium d’agences spatiales pour résoudre le problème de l’accès aux données historiques des missions spatiales..

L’objectif de ce chapitre est de présenter certains des concepts de base de la préservation numérique avec un accent sur les approches pratiques aux problèmes courants que vous pourrez avoir à affronter, ainsi que leurs solutions, lors de vos démarches vers la préservation à long terme des données de recherche.

Les menaces aux objets au fil du temps

Pour mieux comprendre les risques liés aux objets numériques (y compris aux données de recherche) au fil du temps, imaginons le scénario suivant : nous trouvons une pile de vieilles disquettes de 5,25 pouces. Nous croyons qu’elles pourraient contenir une forme quelconque de données utiles; des journaux de recherche d’un de nos prédécesseurs ou des données historiques dans notre domaine d’étude, etc. Tout ce qui nous importe, c’est de récupérer ce qui se trouve sur ces disquettes!

Toutefois, les lecteurs de ce type de disquettes ne font plus partie des modèles courants d’ordinateurs. En fait, ils peuvent être difficiles à trouver en bon état. Voilà donc notre première menace : l’obsolescence des médias. Notre média de stockage – dans ce cas-ci, la disquette – nécessite une configuration particulière de matériel informatique et de logiciels pour pouvoir être lu. Lorsque le matériel nécessaire n’est plus disponible (ou difficile à trouver), le média ne peut donc plus être utilisé et il est considéré comme obsolète.

Pour les fins de ce module, supposons que nous avons eu de la chance de mettre la main sur un lecteur de disquettes de 5,25 pouces. Nous insérons la disquette dans le lecteur et nous double-cliquons sur Finder ou Windows Explorer et… qu’est-ce qui se passe? L’ordinateur affiche que la disquette ne contient aucune donnée. Pourquoi? Il y a deux raisons potentielles. Il est en effet possible que la disquette ne contienne aucune donnée, mais il est aussi possible que nous soyons victimes d’une deuxième menace : la dégradation du média. Il s’agit de la détérioration dans le temps du média ou de l’information qu’il contient. La plupart des médias numériques ont une durée de vie limitée et, une fois disparues, les données peuvent être difficiles, voire impossibles à récupérer.

Toutefois, peut-être que les données sont toujours présentes, mais qu’elles ne peuvent pas être lues. Elles ont probablement été générées sur des modèles d’ordinateurs plus anciens et il est possible que le système d’origine ait inscrit les données sur la disquette d’une manière différente de celle des ordinateurs plus modernes. Sans logiciel pour aider l’ordinateur moderne à lire la disquette, il est difficile de déterminer la présence de fichiers, le nom de ces fichiers et où un fichier commence et l’autre finit. Toutes ces fonctions font partie d’une structure de données appelée système de fichiers.

Supposons maintenant que nous avons réussi à naviguer le système de fichiers de la disquette, soit parce que l’ordinateur a été capable de le lire, soit parce que nous avons installé un élément qui en a permis la lecture. Il pourrait y avoir un autre problème à affronter : les fichiers eux-mêmes peuvent être inintelligibles aux applications couramment utilisées dans l’environnement informatique actuel. Les fichiers ont peut-être été créés avec un ancien programme de base de données ou ont été encodés dans un format qui ne peut être accessible qu’avec un programme de visualisation propriétaire qui n’est plus disponible. Ces problèmes de systèmes de fichiers sont des exemples d’obsolescence des formats.

Pour terminer, si nous réussissons à accéder à la disquette et aux fichiers qu’elle contient, à lire ces fichiers et à comprendre la façon dont ils sont décodés, il y a toujours un risque que certaines informations cruciales sur les données soient manquantes. S’il s’agit de données d’observation, certaines informations sur le quand, comment et où les données ont été recueillies peuvent être manquantes. S’il s’agit de données sous forme d’images, il est possible qu’il nous manque des informations sur ce que les images sont censées représenter. Pour tout type de données, il pourrait y avoir des informations manquantes, telles que qui les a créées et s’il y a des restrictions de propriété intellectuelle qui s’appliquent. Selon le cas d’usage, ces questions peuvent n’être d’aucun intérêt, mais si nous désirons effectuer un travail académique rigoureux, nous devons nous soucier de ce dernier problème du scénario : la perte de la provenance.

Ressentez-vous une certaine angoisse? La bonne nouvelle, c’est que plusieurs personnes ont déjà été confrontées à ce genre de problème. Le domaine plus global de la préservation numérique est d’ailleurs consacré à identifier, éviter et corriger la majorité de ces problèmes. Avant de discuter de la façon de les traiter, regardons d’abord quelques-uns des principes fondamentaux.

Les objectifs de la préservation numérique

La Digital Preservation Coalition (DPC) définit la préservation numérique comme étant la « série d’activités gérées nécessaires pour garantir un accès continu aux objets numériques aussi longtemps que nécessaire » (2015, p. 282). Passons à travers les éléments qui composent cette définition pour expliquer les objectifs plus larges de la préservation numérique.

Commençons par « objets numériques » puisqu’ils sont la raison d’être des activités de préservation numérique. Que sont les objets numériques? Le mot « objet » suggère une forme physique; les objets numériques ont toujours une incarnation physique quelque part, qu’il soit stocké sur une disquette de 5,25 pouces, un serveur, un disque dur externe, une clé USB ou un CD. Chacune de ces méthodes de stockage encode les informations d’une manière quelconque, soit par fluctuation magnétique (serveurs, disquettes et plusieurs disques durs externes), par charge dans les cellules (lecteurs flash) ou par alvéoles (CD). La première couche de médiation est suivie par plusieurs autres couches. Les documents analogiques n’ont pas cette complexité. Prenons, par exemple, un document textuel tel un mémorandum. En format papier, il y a deux niveaux immédiats de médiation : la feuille de papier physique (est-elle intacte et complète ou endommagée?) et le texte écrit dessus (est-il lisible ou effacé? Quelle est la langue du texte?). L’équivalent numérique du mémorandum en format DOCX de Microsoft Word doit d’abord être extrait d’un médium de stockage comme une suite d’octets qui, regroupés, forme une séquence de bits (aussi connu comme un train de bits) avec un début et une fin distincts. Règle générale, plusieurs séquences de bits sont nécessaires pour composer un fichier. C’est le cas du format DOCX qui est composé de plusieurs dossiers et de fichiers texte XML regroupés dans une archive ZIP. Il est facile d’oublier qu’un fichier numérique s’appelle fichier parce qu’il regroupe plusieurs petits éléments d’informations, tout comme un fichier papier pourrait contenir plusieurs documents. Dans d’autres cas, des fichiers individuels multiples peuvent être accessible, mais ils doivent être exploités ensemble pour obtenir le résultat escompté, tel que des scripts utilisés pour traiter des saisies de données ou une collection de fichiers texte en format HTML, CSS et JavaScript, ainsi que des images et des PDF qui constituent ensemble un site Web. Dans sa plus simple expression, une seule séquence de bits constitue l’entièreté d’un fichier texte.

Dans l’un ou l’autre des cas, les séquences de bits doivent être interprétées selon une structure particulière : le format de fichier. Un format de fichier est « une convention qui établit les règles sur la façon de structurer et de stocker l’information dans un fichier"a convention that establishes the rules for how information is structured and stored in a file." » [traduction] (Owens, 2018, p.47). Les formats de fichiers relient les séquences de bits et les systèmes de fichiers aux logiciels. Face à un format de fichier particulier, les systèmes d’exploitation permettent l’installation d’éléments particuliers d’un logiciel qui pourront lire, interagir et sauvegarder les fichiers dans ce format. Les formats ont aussi l’avantage de soutenir les échanges; puisque chaque fichier dans son format particulier est structuré de la même façon, il devient lisible pour différentes applications ou divers systèmes qui souhaitent ouvrir un fichier dans ce format. Mais le format de fichier est une construction humaine : « toute conversation autour des formats doit partir du principe qu’ils sont des conventions qui établissent la façon dont les fichiers devraient être structurés, il ne s’agit pas d’une vérité essentielle"all conversations about formats need to start from the understanding that they are conventions for how files are supposed to be structured, not essential truths." » [traduction] (Owens, 2018, p.120). Certains formats de fichiers, surtout ceux liés à un logiciel, ne sont pas accessibles sans ce logiciel et contraignent les personnes qui l’utilisent à un produit commercial particulier. Les formats de fichier peuvent aussi changer au fil du temps pour répondre aux exigences des logiciels et des personnes qui les utilisent; le logiciel sous une version peut être incompatible avec un format de fichier d’une version antérieure. Les logiciels spécialisés (utilisés dans les domaines de recherche comme les sciences humaines, les sciences sociales ou la biologie) peuvent utiliser des formats de fichier uniques ou être exploités par différentes versions mal documentées ou soutenues d’un logiciel.

Un logiciel nécessite un ordinateur physique pour être exploité; cet ordinateur est composé de pièces de matériel informatique telles que la mémoire, les processeurs et l’espace de stockage. Un système d’exploitation tel que Windows, Mac OSX ou Linux est un morceau de logiciel qui contrôle tous ces composants, en plus de certains autres comme les périphériques d’entrée (clavier, souris), les périphériques de sortie (afficheur, imprimante), le stockage et le réseau. Les systèmes d’exploitation contrôlent également l’accès au système de fichiers de l’ordinateur; c’est ce qui établit les règles sur la façon de stocker et de récupérer les données ainsi que l’emplacement du médium de stockage. En raison des mises en œuvre particulières de chacun des systèmes d’exploitation, certains logiciels ne peuvent fonctionner que sur des systèmes d’exploitation spécifiques ou être limités à certaines de ses versions.

Examinons maintenant cette notion de « l’accès continu ». Cet accès est affecté par le niveau d’ouverture, c’est-à-dire si l’objet numérique est disponible gratuitement en ligne, sur demande ou s’il est limité à des individus précis ou communautés particulières en fonction des coûts, de la confidentialité, de droits d’auteur ou d’autres restrictions. L’accès continu peut être menacé par des questions telles que la perte entraînée par une annulation d’abonnement ou par l’arrêt des activités d’un fournisseur de service. À cet effet, les responsables de la préservation numérique doivent s’assurer de conserver au fil du temps les informations sur la provenance ainsi que les droits à l’accès des objets numériques. La norme de facto pour cette information est celle du PREMIS pour les métadonnées, gérée par la Library of Congress; elle fournit la structure pour l’enregistrement d’informations détaillées sur les actions prises pour conserver le matériel numérique au fil du temps.

Pour terminer, la définition du DPC reconnaît que les objets numériques ne pourront pas tous être conservés à jamais; « aussi longtemps que nécessaire » est donc plus réaliste. Certains objets ont une valeur immédiate, mais cette valeur peut disparaître au fil du temps. D’autres objets doivent être supprimés, conformément aux législations sur la confidentialité ou aux règles d’éthique de la recherche. Idéalement, les responsables de la préservation numérique confient le travail de maintenance à d’autres qui le poursuivent. C’est la deuxième signification de « gestion », telle que décrite plus haut; le travail de préservation numérique doit se faire à l’intérieur d’une structure – institutionnelle ou autre – pour qu’il puisse durer plus longtemps qu’une prise en charge par des individus particuliers.

La préservation numérique versus la curation

Si la préservation numérique est une série de procédés de gestion dont l’intention est de conserver un accès dans le temps, il faut donc se poser la question suivante : compte tenu de toutes les exigences en matière de ressources humaines et techniques, que faut-il préserver? Le sujet de l’établissement des priorités de préservation – ce qui permet d’identifier les objets auxquels un établissement choisit ou ne choisit pas d’accorder des ressources pour la préservation – s’inscrit dans le domaine plus large de la curation numérique et, plus particulièrement, dans la partie évaluation du processus de curation. L’évaluation, telle que précisée dans le Guide d’évaluation pour la préservation des données de recherche, rédigé par Jonathan Dorey, Grant Hurley et Beth Knazook, implique la détermination d’une valeur. Dans le cas des données de recherche, qui sont généralement déposées par une créatrice ou un créateur en relation avec un établissement, la question devient donc : est-ce que ce jeu de données possède une valeur éventuelle suffisante pour justifier son acquisition et sa préservation? Si votre établissement a comme mission de faire de la préservation à long terme, vous aurez besoin d’accéder aux sujets ou domaines de connaissances appropriés pour pouvoir établir la valeur. Vous pouvez également consulter les stratégies ou politiques en matière de développement de collections pour déterminer si un jeu de données candidat s’aligne avec les priorités de votre établissement. De plus, une expertise particulière en préservation numérique peut être nécessaire pour identifier à quel point les objets numériques peuvent être préservés, les types d’interventions de préservation nécessaires et les ressources nécessaires pour effectuer le travail. Ce procédé est une évaluation technique. Une fois la valeur d’un jeu de données établie, les activités subséquentes de curation peuvent miser sur son amélioration par le biais de contrôles de qualité, de tests sur le code et d’amélioration de la documentation et des métadonnées. Vous pourrez aussi avoir à identifier des fichiers individuels d’un jeu de données qui ne devraient pas être retenus ou inversement, des fichiers manquants qui doivent être recueillis. Une liste exhaustive de ces types d’activités est offerte par le flux de travail CURATE(D) (en anglais uniquement) du Data Curation Network ainsi que le Guide pour la curation de Dataverse, préparé par l’Alliance de recherche numérique du Canada.

Conformément à la définition de préservation numérique du DCP qui parle de la notion du « aussi longtemps que nécessaire », le choix de conserver un jeu de données n’est pas permanent; les jeux de données peuvent être revus par le biais d’un processus de réévaluation pour déterminer s’ils maintiennent toujours une certaine valeur pour l’établissement et sa communauté.

Les Communautés d’utilisateurs cibles

Les possibilités d’interventions de préservation pour une série particulière d’objets numériques qu’un établissement décide de conserver sont nombreuses, alors les responsables de la préservation peuvent se demander quels critères doivent être utilisés pour faire leur choix. La norme Open Archival Information System (Système ouvert d’archivage d’information ou OAIS) contient un concept utile pour aider dans ce travail : la notion des Communautés d’utilisateurs cibles. La norme OAIS les définit ainsi:

Un groupe identifié d’Utilisateurs potentiels, susceptibles de comprendre un ensemble donné d’informations. La Communauté d’utilisateurs cible peut être constituée de plusieurs communautés d’utilisateurs. La Communauté d’utilisateurs cible est définie par l’Archive et sa définition peut évoluer au cours du temps  (CCSDS, 2012, p. 1-9).

Plusieurs bibliothécaires et archivistes ont trouvé ce concept difficile à assimiler; le fait de restreindre leurs activités autour d’un groupe particulier peut sembler contradictoire à leur mission professionnelle qui est d’assurer un accès large et ouvert au grand public (Bettivia, 2016, p.5). Identifier une Communauté d’utilisateurs cible n’exclut pas de préserver des objets numériques pour la population en général. Les responsables de la préservation doivent tenir compte des besoins des utilisatrices et utilisateurs dans la prise de décisions pour la préservation, y compris les résultats des interventions de préservation, les métadonnées rendues disponibles et la série de services courants qui permet l’accès (Marks, 2015, p.16). Autrement dit, « faire de la préservation pour quelqu’un plutôt que de préserver quelque chose"preservation for someone rather than preservation of something." » [traduction] (Bettivia, 2016, p.3). Plusieurs établissements ont implicitement des Communautés d’utilisateurs cible, notamment les membres du corps professoral, la communauté étudiante et le personnel dans un établissement universitaire, la population d’un village ou d’un territoire ou le personnel d’un organisme privé, et ce, même s’ils détiennent un mandat auprès du grand public. Désigner une Communauté d’utilisateurs cible oblige à rendre ces prises en charge explicites. Des communautés primaires, secondaires et tertiaires peuvent être désignées, chaque groupe ayant des spécificités moins restreintes, regroupant ainsi un large ensemble de membres sans avoir à faire d’impossibles promesses de préserver tous les objets numériques au nom du monde entier.

En envisageant la préservation en fonction de communautés ciblées, l’information préservée doit rester immédiatement compréhensible aux membres de cette Communauté d’utilisateurs cible. La norme OAIS définit « immédiatement compréhensible » comme étant « la qualité propre d’une information suffisamment documentée pour être interprétée, comprise et utilisée par la Communauté d’utilisateurs cible sans recourir à des ressources particulières difficiles d’accès comme par exemple des personnes physiques » (CCSDS, 2012, p.1-11). Autrement dit, le matériel devrait être utilisable par les membres de la communauté sans aide externe. En tant que curatrice ou curateur, vous devez être au courant des connaissances des membres de la Communauté d’utilisateurs cible et vous devez leur fournir des objets numériques qui leur seront accessibles. Dans le contexte de la gestion des données de recherche (GDR), il est courant de présumer du niveau d’expertise liée au domaine ou à la discipline dans laquelle les données ont été créées. Par exemple, un dépôt de données en sciences sociales peut présumer que les membres de sa communauté principale (les chercheuses et chercheurs en sciences sociales) savent utiliser des logiciels d’analyse statistique; il est donc suffisant de préserver et fournir des données tabulaires en format brut qui peuvent être utilisées dans R ou un autre logiciel. Si le dépôt souhaite s’ouvrir aux gens qui n’ont pas cette expertise, il pourrait être nécessaire de fournir d’autres options d’accès telles qu’une interface visuelle interactive pour faire des requêtes de données tabulaires. De cette façon, à certains niveaux de l’infrastructure de préservation et d’accès, « il y a de multiples services et, à un moment donné, la spécificité d’un sujet peut nécessiter la mise en place d’une approche différente pour servir les différentes Communautés d’utilisateurs cible"there is a commonality of services, and at some point subject-specificity may dictate a need for different approaches to serve different Designated Communities." » [traduction] (Bettivia, 2016, p.6). En fin de compte, comme l’observe McGovern dans Digital Preservation Management Model Document (2016), « une archive numérique peut être sombre, peu lumineuse ou éclairée, mais la preuve absolue d’une préservation réussie est dans la capacité de fournir un accès significatif à long terme"A digital archive may be dark, dim, or lit, but the absolute proof of preservation is in the capability to provide meaningful long-term access." » [traduction]. Autrement dit, si le matériel numérique ne peut être utilisé, c’est qu’il n’a pas été préservé de manière utile.

Les propriétés significatives

Après avoir établi le concept de Communauté d’utilisateurs cible, nous pouvons maintenant aborder un autre concept important qui découle directement de la Communauté d’utilisateurs cible et de ses besoins : les propriétés significatives. Le glossaire de la Digital Preservation Coalition définit les propriétés significatives comme les « caractéristiques des objets numériques et intellectuels qui doivent être préservées dans le temps afin de garantir l’accessibilité, la facilité d’utilisation et la signification des objets et leur capacité à être acceptés comme (preuve de) ce qu’ils prétendent être » (2015, p. 283).

Les propriétés significatives sont importantes parce qu’elles découlent des perspectives et besoins des Communautés d’utilisateurs cible. Plus précisément, elles sont les propriétés d’un objet numérique précis qui répond aux besoins de la Communauté d’utilisateur cible. Ces propriétés significatives peuvent varier selon l’objet numérique et même dans le cadre d’un seul objet, elles peuvent être aussi différentes que les Communautés d’utilisateurs cible qui pourront y accéder. Cela étant dit, il existe plusieurs propriétés significatives importantes qui s’appliquent à presque tous les cas.

Une de ces propriétés significatives clés est le format. Comme mentionné plus tôt, les objets numériques ont souvent besoin de morceaux particuliers de logiciels pour pouvoir être accessibles et la capacité du logiciel à s’exécuter dépend de sa capacité à interpréter le sens des données codifiées dans le fichier – le format de fichier. Les différents types de données de recherche, telles que les données tabulaires, les documents textes, les images et les enregistrements audio ou vidéo, peuvent utiliser différents formats de fichiers pour stocker les informations de façon précise et efficace.

Les métadonnées sont une autre des propriétés significative des données de recherche; elles peuvent inclure des informations sur l’autorat des données, la méthodologie, la couverture et autres détails pertinents. Des métadonnées précises et complètes sont essentielles pour bien comprendre le contexte et la signification des données, en plus de permettre la citation et l’attribution exactes. Dans le domaine des données de recherche, les métadonnées peuvent être très spécialisées, au même titre que les données. Par exemple, les données d’une enquête historique utilisées pour appuyer une recherche en sciences sociales peuvent être décrites avec la norme DDI pour les métadonnées qui prône une description robuste de tout détail susceptible d’être pertinent tel que la population étudiée, la méthodologie d’échantillonnage, etc. Un jeu de données recueilli dans le contexte d’un projet d’astronomie n’aura vraisemblablement pas besoin de ces types de balises, mais en nécessitera plutôt une série d’autres liées notamment à l’orientation du télescope, aux conditions météorologiques et autres. Pour plus d’informations sur les métadonnées et sur les considérations importantes dont il faut tenir compte en choisissant des formats de fichiers pour une longue durée de vie, veuillez consulter le chapitre 9, « Un aperçu du fascinant monde des formats de fichiers et des métadonnées. »

En plus de ces propriétés techniques, les données de recherche peuvent avoir d’autres propriétés significatives reliées à leur contenu ou au contexte. Par exemple, les données peuvent faire partie d’une étude ou d’un projet de recherche plus large ou peuvent être liées à d’autres jeux de données ou objets numériques. Il est important de tenir compte de ces liens et rapports en préservant les données de recherche pour assurer que les données puissent être comprises et utilisées dans le contexte où elles ont été créées. Il est difficile de se prononcer sur la façon courante de stocker ces propriétés significatives parce que les moyens dépendent du contexte dans lequel se trouve la chercheuse, le chercheur ou le groupe ayant recueilli les données ou du dépôt dans lequel les données se retrouvent. Vous pouvez vous poser quelques-unes des questions suivantes quand vous évaluez les propriétés dont il faut tenir compte :

• Le jeu de données fait-il partie d’une série?
• Le jeu de données a-t-il d’autres versions?
• Ces données appuient-elles une publication particulière?
• Ces données représentent-elles un sous-ensemble d’un jeu de données plus large?

Les propriétés significatives peuvent, dans un premier temps, être complexes à identifier, mais l’élément le plus important à se rappeler, c’est qu’elles sont l’expression des besoins de la Communauté d’utilisateurs cible. En cas de doute, vous n’avez qu’à consulter un membre de la communauté ou à réfléchir à quels aspects des données sont essentiels pour assurer leur utilisation par cette communauté.

La préservation numérique dans le contexte des données de recherche

Les actions de préservation

Dans cette section, nous passons des cadres conceptuels à la pratique au quotidien de la préservation numérique par l’entremise de l’identification, de la performance et de l’évaluation des actions de préservation.

Quatre grandes catégories d’actions courantes de préservation sont abordées ci-dessous :

• Les sommes de contrôle et la préservation au niveau des bits établissent l’intégrité et une assurance de base que le matériel demeure intact et complet au fil du temps. La préservation au niveau des bits nécessite que les organismes identifient des stratégies robustes pour le stockage de préservation; elle est associée à la prévention des problèmes liés à l’obsolescence et à la dégradation des médias.
• Les métadonnées techniques sont généralement extraites de fichiers ou de séquences de bits, ce qui peut fournir des renseignements sur la façon de gérer les fichiers et les séquences de bits au fil du temps. L’information la plus couramment extraite à cette fin est l’identification des formats de fichiers. L’extraction des métadonnées techniques aide à réduire les risques associés à l’obsolescence des formats et à la perte de la provenance.
• La validation des formats de fichiers prend l’information obtenue du processus d’identification et, dans le cas de certains formats, évalue si le fichier en question répond aux normes de base en matière de structure et de qualité qui ont été définies pour ce format. Ce processus est lié à l’obsolescence des formats, mais peut aussi aider à identifier des dégradations potentielles au niveau des supports.
• Pour terminer, les actions de normalisation et de migration peuvent être prises pour assurer que les données ne soient pas enfermées dans un format oublié ou propriétaire. Une fois de plus, l’action répond au problème de l’obsolescence des formats.

Bien que cette liste ne comprenne pas toutes les activités possibles de préservation numérique, ces fonctions comptent parmi les plus couramment mises en place sur une base régulière en utilisant des outils et des procédés particuliers. Elles représentent le travail pratique de la préservation numérique, qu’elles soient exécutées manuellement, ou plus souvent, par le biais de scripts ou de logiciels de traitement pour la préservation. Quand vient le temps d’évaluer les capacités d’un dépôt à préserver des objets numériques, il est primordial d’identifier la présence (ou l’absence) de ces fonctions.

Les sommes de contrôle, la préservation au niveau des bits et le stockage de préservation

La préservation au niveau des bits est généralement considérée comme étant la base en matière d’actions que peut prendre un organisme pour appuyer la préservation à long terme. Cette approche vise à garantir que les fichiers conservent leur intégrité (c’est-à-dire qu’ils demeurent intacts et sans modification dans l’ordre de la séquence des bits) et que les fichiers soient stockés dans de multiples emplacements pour les protéger contre la perte, la modification ou la corruption accidentelle. La préservation au niveau des bits ne garantit pas que le contenu ou le format des fichiers puisse être utilisé/accessible à l’avenir, elle assure simplement que les fichiers soient intacts. Les actions de préservation de base comprennent : pendant le traitement ou le stockage des données en vue de la préservation, la personne responsable de la préservation exécute un algorithme de somme de contrôle aux fichiers téléversé dans le système et enregistre les résultats. Selon un horaire variable, le responsable exécute une nouvelle vérification de la somme de contrôle à une date ultérieure. La deuxième vérification (et toutes celles qui suivent) est appelée le contrôle d’intégrité. Si les résultats de la deuxième vérification correspondent à celles de la première, les objets numériques conservent leur intégrité. Chaque fois qu’un contrôle de l’intégrité est effectué, il est recommandé de stocker les résultats accompagnés de la date et de l’heure dans une base de données ou à un autre emplacement.

Les sommes de contrôle désignent des chaînes numériques ou alphanumériques uniques de longueurs variées produites par un algorithme générateur de sommes de contrôle tel que CRC, MD5, SHA1 et SHA256; le résultat de l’algorithme dépend du contenu du fichier. Quand les contenus d’un fichier sont modifiés de quelque façon que ce soit, la valeur de la somme de contrôle variera, indiquant que l’intégrité du fichier est atteinte et qu’il doit être remplacé par une autre copie. CRC, MD5 et SHA1 ne sont pas considérés comme des algorithmes sécurisés pour la cryptographie, mais ils sont quand même couramment utilisés pour détecter des problèmes d’intégrité. Pour une discussion sur le sujet, vous pouvez consulter le guide de Matthew Addis, Which checksum algorithm should I use? En effet, les sommes de contrôle constituent la composante centrale de nombreuses infrastructures informatiques. La clé, c’est d’identifier quand et comment elles sont exécutées. Les fichiers sont plus susceptibles de perdre leur intégrité en cours de transfert d’un système à l’autre, comme lors du téléversement des fichiers à des stockages de préservation à distance sur le Web. Idéalement, une somme de contrôle est effectuée localement sur l’ordinateur et celle-ci est ensuite comparée aux résultats de la vérification de l’intégrité une fois à destination. Gardez en tête qu’il existe une variété d’outils qui peuvent automatiser ce travail à votre place; parmi des exemples courants, des fichiers stockés sous format BagIt utilisent des outils mis en œuvre par la bibliothèque Python BagIt.

La deuxième composante importante d’une stratégie de préservation au niveau des bits est la création de multiples copies. Si vous identifiez un problème d’intégrité, la solution idéale est de remplacer la « mauvaise » copie avec sa version intacte. Le fait d’avoir plusieurs copies, idéalement dans différents emplacements, vous permet donc de limiter les problèmes d’intégrité qui peuvent survenir. Les différentes méthodes de stockage pour la préservation varient beaucoup selon les ressources accessibles aux organismes qui préservent. Les seules méthodes possibles pour certains organismes sont la création de copies distinctes stockées sur des disques durs externes, ou dans un système RAID, ou un réseau de stockage local (avec idéalement, une copie de sauvegarde). Les organismes qui font de la préservation à plus grande échelle peuvent utiliser des systèmes de sauvegarde sur bande magnétique.  Et les services tiers – tels que le stockage infonuagique ou autre réseau de stockage dupliqué – peuvent répondre aux besoins des institutions de mémoire. Dans le document Levels of Digital Preservation Matrix du National Digital Stewardship Alliance (NDSA), la section sur le stockage est utile pour aider à déterminer la quantité nécessaire de copies et pour identifier un emplacement de stockage; les options varient de deux copies conservées dans des endroits séparés (mais dans un même lieu géographique) à « au moins trois copies dans des lieux géographiques soumis à des menaces de nature différentes» (Ledoux et al., 2019). Il est important de noter que les niveaux NDSA n’ont pas besoin d’être appliqués uniformément à tous les objets numériques; plusieurs établissements appliquent différentes stratégies de stockage pour préserver différentes catégories ou genres d’objets numériques. Vous pouvez aussi consulter Digital Preservation Storage Criteria de Schaefer et al. (2018) qui propose une structure pour l’évaluation des différentes options de stockage pour la préservation.

L’identification des formats de fichiers

L’identification des formats de fichiers est généralement la première étape dans le travail du responsable de la préservation numérique, une fois que l’intégrité et le stockage sécuritaire de l’objet numérique à préserver sont confirmés. Connaître le format (et parfois la version particulière de ce format) peut vous aider à déterminer les façons d’accéder au fichier et de le conserver dans le temps. Par conséquent, la communauté de GDR se soucie particulièrement de bien comprendre les formats de fichiers. Les chercheuses et chercheurs sont encouragés à exporter les fichiers de données finaux dans des formats non propriétaires et des établissements, tels que le Data Archiving and Network Services (DANS) des Pays-Bas, ont établi des préférences de formats de fichiers pour l’inclusion dans leur dépôt (2022).

Comme il est nécessaire de pouvoir identifier de façon fiable les formats de fichiers, des procédés ont été établis pour vous aider. Vous pouvez généralement déduire le format d’un fichier par son extension. Toutefois, les formats propriétaires, obsolètes ou spécialisés peuvent être plus difficiles à identifier et souvent, les systèmes permettent de changer l’extension d’un fichier sans modifier son contenu. La clé, c’est de trouver un outil qui peut identifier un format de fichier par sa signature. La signature est une séquence d’octets qui survient de façon prévisible au début ou souvent à la fin d’un fichier. Pour que cette série d’octets soit un marqueur fiable, chaque instance d’un format de fichier particulier devrait inclure la signature. Certains formats de fichier – tels que les fichiers de texte brut – n’ont pas de signature de sorte que le format du texte doit être déduit à partir du contenu et de la structure du fichier.

Les outils qui identifient les signatures de format de fichier interrogent généralement la base de données PRONOM, gérée par les archives nationales du Royaume-Uni. Celle-ci comprend une liste exhaustive des signatures associées aux différents formats et leurs versions.De nouveaux formats sont régulièrement ajoutés à PRONOM. Les identifications de type MIME, qui sont couramment utilisées par les navigateurs Web, les logiciels de courrier électronique et autres logiciels qui identifient les types de fichiers, peuvent utiliser des signatures, mais peuvent aussi avoir recours aux extensions. Les types MIME n’identifient pas les versions particulières des formats de fichiers, mais peuvent être utiles lorsque l’identification par la signature, plus exigeante, échoue. Les outils d’identification des formats de fichiers par la signature comprennent Siegfried (administré par Richard Lehane) et FIDO (administré par la Open Preservation Foundation).

La validation du format de fichier

Une fois le format de fichier identifié, des actions subséquentes peuvent être prises. La validation du format de fichier est un processus de vérification pour confirmer que le format de fichier répond aux spécifications qui ont été conçues pour ce format. Les formats de fichiers n’ont pas tous des spécifications publiées, mais lorsqu’il y en a, il est possible de vérifier si l’instance d’un fichier constitue une représentation juste de ce format. Dans le jargon de la préservation, deux questions se posent : le fichier est-il bien formé et est-il valide?

Un fichier bien formé implique qu’il obéit aux règles syntaxiques de son format, c’est-à-dire qu’il suit les règles de structure de base établies par les spécifications du format de fichier. Ensuite, pour qu’un fichier soit valide, il doit être bien formé et répondre aux règles sémantiques. Ces dernières sont plus exigeantes en matière de qualité minimale pour un format de fichier, par exemple un fichier de format TIFF doit contenir une quantité minimale de données d’image. Comme l’observe Owens (2018), « de nombreuses applications logicielles courantes créent des fichiers qui sont, à des degrés différents, invalides selon les spécifications"many everyday software applications create files … that are to varying degrees invalid according to the specifications." » [traduction] (p.120).

Dans le contexte des données de recherche, le fait de valider ou non le format dépendra du format en question et des problèmes identifiés : des spécifications ont-elles été établies pour ce format? Existe-t-il un outil qui peut vérifier le fichier par rapport à sa spécification? Plus important encore, si le fichier est invalide ou valide, mais mal formé, quelles actions doivent alors être prises? Si le fichier est entièrement corrompu ou que les problèmes identifiés ont un impact important sur son utilisabilité, il peut être souhaitable de revenir vers la personne qui l’a créé pour lui demander de corriger le problème. Dans d’autres cas, les responsables de la préservation enregistrent l’information sur la validation dans les métadonnées, mais n’agissent pas en conséquence. Wheatley (2018) a documenté une série de questions utiles qui aident à évaluer les erreurs de validation : le fichier est-il chiffré? Dépend-il de composantes externes que vous n’avez pas? Est-il très endommagé? Le fichier est-il dans le format que vous pensiez? La validation peut aider à identifier les problèmes à différents stades. Certaines de ces questions peuvent être répondues au cours de l’étape de la phase de curation lorsque la personne responsable de la curation des données vérifie activement la qualité, l’exhaustivité et la facilité d’utilisation des fichiers. Ensuite, un flux de travail de préservation pourra simplement enregistrer la validité des formats dans les métadonnées, ce qui pourra servir à une éventuelle nouvelle vérification de la validité. Les outils (en anglais uniquement) pour la validation des formats de fichier comprennent JHOVE (administré par la Open Preservation Foundation) pour une variété de formats et veraPDF pour les fichiers PDF/A.

La conversion des formats de fichiers : la normalisation et la migration

La conversion des formats de fichiers est probablement le plus actif des processus discutés dans ce chapitre. Plutôt que de recueillir des informations sur les fichiers, la conversion des fichiers en d’autres formats affecte directement le contenu des fichiers eux-mêmes. Tel que mentionné précédemment, cette action peut être effectuée avant de transférer les fichiers dans un dépôt, par exemple lorsque les chercheuses et chercheurs sont encouragés d’exporter leurs fichiers dans des formats non propriétaires particuliers ou des formats plus favorables à être préservés. Selon les résultats de l’identification des formats de fichiers, la conversion peut aussi se faire au cours du traitement des fichiers en vue de leur préservation à long terme. La conversion des formats de fichiers peut avoir un impact important sur les propriétés ou sur le contenu des informations du fichier et elle doit être entreprise en s’assurant que le fichier dans son nouveau format répondra toujours aux besoins de la Communauté d’utilisateurs cible. Il est donc important de multiplier les tests et de régulièrement valider les sorties de conversion avec une variété d’échantillons de fichiers.

La normalisation et la migration sont deux processus différents qui aboutissent au même résultat. La normalisation est le processus de conversion des fichiers vers une série de formats normalisés tels que définis par l’archive ou le dépôt au moment de la réception ou de l’ingestion. Le dépôt n’a donc qu’à prendre en charge la gestion d’un sous-ensemble de formats de fichiers pour l’avenir. Il est question de migration quand un dépôt doit convertir ses fichiers en un format secondaire, généralement à grande échelle, en réponse à un risque identifié, notamment un format qui n’est plus supporté. Pour un processus comme pour l’autre, une nouvelle copie du fichier est créée dans un format différent, qui sera aussi géré par le dépôt. La copie originale est généralement conservée pour éviter la perte accidentelle d’information survenue en cours de conversion. Par le passé, la normalisation pour la préservation était un procédé par défaut pour de nombreux dépôts. Désormais, les dépôts évaluent plus attentivement à quel moment la normalisation devrait se faire pour assurer qu’ils réduisent les impacts environnementaux et financiers liés à la création de copies trop nombreuses.

La normalisation et la migration à des fins de préservation doivent être distinctes de ces mêmes actions à des fins d’accès. La normalisation ou la migration pour favoriser l’accès est appliquée pour permettre aux Communautés d’utilisateurs cibles d’accéder aux fichiers en fonction de leurs besoins. Par exemple, un fichier TIFF important qui contient une carte géographique peut être normalisé en un fichier JPEG pour faciliter l’accès en ligne.

Les outils pour la conversion des formats de fichiers sont nombreux et varient en fonction des formats en question. Par exemple, les outils couramment utilisés pour les processus de travail automatisés comprennent ImageMagick pour les images et les FFmpeg pour les fichiers audios et vidéos.

Évaluer les actions de préservation

Au niveau du fichier et de la collection

Évaluer les résultats des actions de préservation pour des fichiers individuels ou des collections à différents niveaux d’agrégation implique d’exécuter une action – telle que l’identification ou la normalisation des formats de fichiers – et d’examiner les résultats. En règle générale, ces actions sont effectuées en tant que tests jusqu’à ce que les résultats soient considérés comme acceptables. À ce moment-là, des approches plus automatisées et flexibles prennent le relais pour créer la version finale. Pour l’identification et la validation des formats de fichiers, il faut déterminer si le résultat correspond aux attentes. Par exemple, les fichiers NVP qui sont produits par le logiciel NVivo pour l’analyse des données qualitatives ne sont pas toujours identifiables avec un outil comme Siegfried parce qu’aucune description de ce format n’existe dans PRONOM. La personne responsable de la préservation doit décider si des outils supplémentaires devraient être mis en œuvre pour identifier ce type de fichiers ou s’il vaut mieux attendre une éventuelle mise à jour de PRONOM qui permettrait de refaire le processus d’identification.

Si un fichier est mal formé, mais qu’il peut être ouvert et consulté, l’erreur signalée par l’outil ne nécessite peut-être pas un triage plus approfondi. Il est également important d’évaluer les résultats des actions de normalisation et de migration. Est-ce qu’un outil particulier de conversion produit un résultat qui répond mieux aux besoins de la Communauté d’utilisateurs cible en fonction de son contenu informatif ou de sa présentation? Sinon, des outils ou stratégies supplémentaires, tels que l’émulation, peuvent être nécessaires. Par exemple, la conversion de documents de la suite MS Office – notamment les présentations PowerPoint – en format PDF peut nécessiter l’accès aux polices originales du document à moins qu’elles aient été intégrées au fichier original. Sans accès à ces polices, la mise en page et l’aspect général de la version PDF peuvent être différents de l’original. Cet élément est-il important aux membres de la Communauté d’utilisateurs cible qui accèdent au fichier ou est-ce que le contenu informatif suffit? Ces évaluations peuvent être améliorées en ayant accès aux membres de la Communauté d’utilisateurs cible par l’intermédiaire de groupes consultatifs ou en interrogeant les membres de la communauté.

Au niveau du logiciel et du système

Sur la base des exemples mentionnés précédemment, vous comprenez comment la réflexion sur les résultats à un niveau granulaire a un impact sur les décisions prises au niveau du système. L’utilisation d’un outil pour résoudre un ensemble de problèmes risque d’affecter d’autres fichiers du dépôt. Les actions de préservation peuvent être prises sur une base individuelle, un fichier à la fois, mais il est plus courant pour les responsables de la préservation de s’appuyer sur des outils de flux de tâches qui automatisent une série d’actions à plus grande échelle. Ces responsables ont aussi une deuxième responsabilité, celle d’évaluer la fonctionnalité et l’impact des logiciels de flux de tâches, y compris s’ils peuvent effectuer les actions de préservation requise, en plus de valider les résultats.

Certains organismes peuvent se créer des scripts ou des outils internes personnalisés pour effectuer leurs actions de préservation, tandis que d’autres peuvent avoir recours à des logiciels ouverts ou commerciaux développés par des tiers. Toutefois, pour les actions de préservation individuelles, la plupart des outils de flux de tâches pour la préservation (y compris les logiciels commerciaux) utilisent plusieurs des outils libres mentionnés précédemment, notamment Siegfried et JHOVE. Archivematica est un exemple de ce type de logiciel; il s’agit d’une application libre pour le flux de tâches qui produit des données sous forme de paquets prêts pour la préservation et le stockage à long terme. Archivematica comprend des processus pour créer et valider les sommes de contrôle, pour effectuer les tâches d’identification des formats de fichiers, pour exécuter la validation et la normalisation des formats pour la préservation et l’accès ainsi que des processus pour se connecter aux systèmes de stockage, ce qui permet de déposer des fichiers dans des espaces de stockage à long terme. Il regroupe également les métadonnées de préservation en utilisant les normes METS et PREMIS XML. Lorsqu’un établissement définit ses priorités en matière de préservation et comprend bien les collections qu’il souhaite préserver, il prend des décisions plus éclairées sur les outils de préservation à mettre en place et sur la façon de les configurer.  La prise de ces décisions permet de définir la stratégie et la planification de la préservation.

Au niveau de la stratégie

Des méthodes ont aussi été créées pour faire le lien entre les outils comme Archivematica et des systèmes et logiciels dédiés aux données de recherche. Par exemple, une intégration entre la plateforme logicielle Dataverse (un logiciel pour les dépôts de données de recherche) et Archivematica permet aux responsables de la préservation de sélectionner et de traiter les jeux de données de recherche indépendamment du logiciel du dépôt, ce qui signifie que le stockage et la gestion des données de recherche déposées dans une collection Dataverse peuvent se faire à l’intérieur du cadre de la stratégie de préservation plus large de leur établissement. Pour plus d’informations sur la plateforme logicielle Dataverse et sur Archivematica, consultez l’article Integrating Dataverse and Archivematica for Research Data Preservation de Meghan Goodchild et Grant Hurley.

En revanche, les hôtes des installations de Dataverse peuvent aussi offrir des fonctionnalités de préservation. Par exemple, l’application Borealis (qui est une instance de Dataverse hébergée au Canada) comprend une stratégie de préservation au niveau des bits qui implique une vérification régulière de l’intégrité et un stockage répliqué sur différents périphériques. Une autre tâche de la personne responsable de la préservation est d’évaluer quels types d’actions sont  nécessaires pour l’ensemble des collections administrées par l’établissement. Par exemple, un établissement peut être à l’aise de s’appuyer sur une stratégie de préservation de base au niveau des bits pour les données qu’il administre pour une brève période ou qu’il ne considère pas comme essentielles à ses collections institutionnelles. D’autres pourraient élaborer une politique d’évaluation ou d’archivage qui précise des exigences pour les jeux de données qui seront préservés à long terme. Les deux approches peuvent aussi être utilisées conjointement pour différentes collections; une stratégie au niveau des bits pourrait suffire pour du matériel à faible risque ou à valeur limitée tandis qu’une approche plus avancée qui utilise Archivematica pourrait être nécessaire pour le matériel de plus grande valeur pour l’établissement. Les mêmes questions s’appliquent aux choix de stockage de préservation, comme discuté plus tôt dans la section sur « Les sommes de contrôle, la préservation au niveau des bits et le stockage de préservation. » À ce niveau, la planification de la préservation nécessite l’établissement de politiques, plans et autres documentations. Consultez l’ouvrage Digital Preservation Policy and Strategy : Where Do I Start? de Christine Madsen et Megan Hurst pour une bonne introduction sur le sujet.

Conclusion

Les données de recherche stockées sous forme numérique  font face à une variété de menaces qui jouent sur leur accessibilité à long terme. Ces menaces peuvent inclure la détérioration des fichiers eux-mêmes ou la perte des connaissances qui sont nécessaires pour consulter ou bien comprendre les objets numériques. Heureusement, de nombreuses normes et pratiques ont été développées pour atténuer ces risques. De telles interventions peuvent être à la fois de nature technique ou sous forme de politique, mais elles nécessitent deux éléments. Le premier est une planification méticuleuse, car il est difficile, voire impossible, de reconstituer les connaissances techniques nécessaires pour bien comprendre l’objet numérique si celles-ci ont été oubliées. Le deuxième est d’avoir une bonne connaissance de la Communauté d’utilisateurs cible – le groupe pour lequel les données ont été préservées. Ce savoir permet aux responsables de la préservation d’appliquer les actions appropriées pour assurer que les données restent compréhensibles, significatives et authentiques pour les personnes  auxquelles elles sont destinées.

Lectures et ressources supplémentaires

Addis, M. (2020). Which checksum algorithm should I use? Digital Preservation Coalition. http://doi.org/10.7207/twgn20-12

Borealis. (2022). Plan de préservation. https://borealisdata.ca/planpreservation

Dorey, J., Hurley, G. et Knazook, B. (2022). Guide d’évaluation pour la préservation des données de recherche. Zenodo. https://zenodo.org/record/6283886

Goodchild, M. et Hurley, G. (2019). Integrating Dataverse and Archivematica for research data preservation. Dans M. Ras, B. Sierman et A. Puggioni (dir.), iPRES 2019: 16th international conference on digital preservation (p. 234-244). https://osf.io/wqbvy

Lavoie, B. (2014). The Open Archival Information System (OAIS) reference model: Introductory guide (2e éd.). Digital Preservation Coalition Technology Watch Report.

Madsen, C. et Hurst, M. (2019). Digital preservation policy and strategy: Where do I start? Dans J. Myntti et J. Zoom (dir.), Digital preservation in libraries: Preparing for a sustainable future (p. 37-47). ALA Editions Core, American Library Association.

Bibliographie

Bettivia, R. S. (2016). The power of imaginary users: Designated communities in the OAIS reference model. Proceedings of the Association for Information Science and Technology, 53(1), 1-9.

CCSDS. (2012). Modèle de référence pour un Système ouvert d’archivage d’information (OAIS). Pratique recommandée CCSDS 650.0-M-2 (F). https://public.ccsds.org/Pubs/650x0m2%28F%29.pdf

DANS. (2022, 20 juin). File formats. https://dans.knaw.nl/en/file-formats/

Digital Preservation Coalition. (2015). Manuel de préservation numérique (2e éd.). https://www.dpconline.org/docs/digital-preservation/handbook/translations-3/2519-handbook-2021-fr/file

Ledoux, T., de La Houssaye, J., Reecht, S., Caron, B., Phillips, M., Bailey, J., Goethals, A. et Owens, T. (2019). NDSA Levels of Preservation version 1, traduction française. HAL. https://bnf.hal.science/hal-02162334

Marks, S. (2015). Becoming a trusted digital repository. Trends in Archives Practice Module 8. Society of American Archivists.

McGovern, N. (2016). Digital preservation management model document. https://dpworkshop.org/workshops/management-tools/policy-framework/model-document

Owens, T. (2018). The theory and craft of digital preservation. Johns Hopkins.

Schaefer, S., McGovern, N., Goethals, A., Zierau, E. et Truman, G. (2018). Digital preservation storage criteria, version 3. http://osf.io/sjc6u/

Wheatley, P. (2018, 11 octobre). A valediction for validation? Digital Preservation Coalition Blog. https://www.dpconline.org/blog/a-valediction-for-validation

Felicity Tayler; Mélanie Brunet; Kathleen Gregory; Lina Harper; et Stefanie Haustein

Introduction

Ce chapitre aborde le sujet d’actualité de la science ouverte du point de vue de la gestion des données de recherche (GDR) en appui aux données ouvertes en sciences sociales et dans des contextes disciplinaires connexes. Nous présenterons un exemple de plan de gestion de données (PGD) à méthodologie mixte (qualitative et quantitative) pour vous aider à planifier un flux de travail en science ouverte. D’autres sujets font écho à ceux abordés dans d’autres chapitres de ce manuel, car les processus de travail en science ouverte et la GDR aux fins de partage et de réutilisation des données sont étroitement liés. À la conclusion de ce chapitre, il sera question de la propriété intellectuelle en ce qui a trait à la définition de la propriété des données, du droit d’auteur, de l’octroi de licences et de permissions, autant d’éléments qui ont une incidence sur la pratique des données ouvertes et des processus de travail en science ouverte.

Le PGD présenté en tant qu’étude de cas est issu d’un exemple réel du projet de recherche Meaningful Data Counts (MDC) dont les chercheuses principales proviennent de l’Université d’Ottawa et de l’Université de Kiel, en Allemagne. Ce partenariat international a pour but d’améliorer la compréhension du rôle des jeux de données dans la communication scientifique. Le projet génère des données empiriques sur les pratiques de données ouvertes, notamment la réutilisation et la citation des données de recherche. Voilà des éléments qui sont essentiels à l’élaboration d’indicateurs significatifs d’impact des données et à la valorisation des données de recherche à titre de résultats scientifiques de premier ordre. Le projet MDC nous renseigne sur les motivations et les comportements en matière de partage de données. L’approche à méthodes mixtes de la recherche constitue une étude de cas utile pour illustrer, concrètement, ce à quoi ressemble un flux de travail de recherche en science ouverte dans un PGD. Ce dernier a été partagé en tant que modèle intégré dans l’Assistant PGD de l’Alliance de recherche numérique du Canada (l’Alliance). L’Assistant PGD est un outil gratuit en ligne mis à la disposition des chercheuses et chercheurs qui aide à la création d’un PGD sur la base de questions élémentaires en gestion de données appuyées par des pratiques exemplaires et des exemples.

Souvent, une chercheuse ou un chercheur décidera de partager ses données ou de participer aux pratiques de la science ouverte en fonction des normes disciplinaires. Ce chapitre se concentre sur les processus de travail en science ouverte et le partage de données en sciences sociales et dans des domaines connexes. Ces principes et ces pratiques sont transférables à d’autres domaines qui travaillent avec des méthodes qualitatives et quantitatives. Toutefois, il est important de souligner que la science ouverte est définie différemment selon les contextes disciplinaires. Par exemple, le présent chapitre n’aborde pas de pratiques particulières au domaine biomédical, comme l’enregistrement à des essais cliniques, les revues systématiques ou d’autres types d’études (exigeant un enregistrement) et le recours à des lignes directrices de documentation.Une étude Delphi a identifié 19 pratiques de science ouverte dans le domaine biomédical. Les autrices tiennent à remercier David Moher du Centre for Journalology de l’Institut de recherche de L’Hôpital d’Ottawa pour les conversations entretenues au sujet des pratiques en science ouverte dans plusieurs disciplines. Cobey, K. D., Haustein, S., Brehaut, J. Dirnagl, U., Franzen, D. L., Hemkens, L. G., Presseau, J., Riedel, N., Strech, D., Alperin J. P., Costas, R., Sena, E. S., van Leeuwen, T., Ardern, C. L., Bacellar I. O. L, Camack, N., Correa, M. B., Buccione, R., Cenci, M. S., … Moher, D. (2022). Establishing a core set of open science practices in biomedicine: A modified Delphi study. medRxiv. https://doi.org/10.1101/2022.06.27.22276964

Avant de passer à l’étude de cas donnée en exemple et aux pratiques exemplaires pour les processus de travail en science ouverte utilisant une approche de méthodologie mixte (quantitative et qualitative), définissons quelques expressions. La dernière section de ce chapitre traite des éléments à prendre en considération en matière de propriété intellectuelle, pratiques éthiques essentielles au travail avec des données ouvertes.

Qu’est-ce que la science ouverte?

Vous avez peut-être entendu l’expression science ouverte employée dans des contextes différents et parfois contradictoires puisqu’il y a abondance d’approches selon les professions, les politiques, les articles et les mandats. De nature générique, elle est comprise par des personnes différentes de manières différentes et les discussions sous-tendent des points de vue différents qui ont tous leurs propres hypothèses, buts et affirmations. À la lumière du projet de recherche MDC, qui nous sert d’étude de cas pour démontrer comment les pratiques exemplaires en gestion des données de recherche (GDR) peuvent soutenir un processus de travail en science ouverte, nous définissions la science ouverte du point de vue du scientifique, ou du professionnel, de la façon suivante: « le mouvement ayant pour but de rendre la recherche scientifique, les données et la diffusion accessibles à tous les niveaux d’une société curieuse"the movement to make scientific research, data and dissemination accessible to all levels of an inquiring society." » [traduction] (FOSTER, s.d.-b). Cette définition est le fruit de FOSTER, un projet européen dédié à favoriser la mise en œuvre concrète de la science ouverte. Parce qu’il existe de très nombreuses manières d’y arriver, FOSTER adopte une approche taxonomiste pour cartographier un large champ d’activités et de résultats en lien avec ces pratiques. Par exemple, la pratique de la science ouverte comprend le libre accès aux publications, rend les données librement accessibles et réutilisables, a recours à des outils ouverts, participe à la science citoyenne et compte des méthodes ouvertes d’évaluation de la recherche.

La gamme complète d’activités possibles et de résultats en science ouverte est souvent réduite aux publications en libre accès. Toutefois, la science ouverte cherche à rendre l’entièreté du processus de recherche transparent et accessible – non seulement la publication finale! Qui plus est, l’importance des normes disciplinaires qui façonnent concrètement et de manière différente la manière de « faire » de la science ouverte est souvent négligée. Il s’agit là d’un problème, car des disciplines différentes disposent de normes différentes et de moyens différents pour rendre les publications ouvertes et pour partager les données. Les chercheuses et chercheurs réutilisent les données ouvertes à des fins variées. Les jeux de données existants peuvent servir à établir une nouvelle étude de cas, à enseigner des méthodes computationnelles en classe, à étalonner des instruments, à créer des modèles ou alimenter des algorithmes. C’est pourquoi les pratiques exemplaires en GDR recommandent aux chercheuses et chercheurs de verser les données dans un dépôt, car cette infrastructure est plus fiable sur le plan du stockage à long terme et de la gestion d’identifiants pérennes (p. ex., DOI) grâce auxquels d’autres personnes peuvent trouver puis citer les jeux de données. Toutefois, les chercheuses et chercheurs peuvent également partager les données par le biais de sites Web personnels, d’une personne à l’autre ou par l’entremise d’énoncés de disponibilité des données dans des articles.

Ce chapitre s’inspire d’une approche interdisciplinaire de méthodes mixtes pour le partage des données qui peut être utilisée dans de nombreux domaines d’études différents. Cependant, l’exploration de la science ouverte ne s’arrête pas là; il existe plusieurs autres moyens de mettre en application les pratiques ouvertes dans divers domaines d’études.

Que sont les données ouvertes?

FOSTER (s.d.-a) définit les données ouvertes de la façon suivante: « données en ligne, gratuites, accessibles, que l’on peut utiliser, réutiliser et distribuer pour autant que la source des données est indiquée"online, free of cost, accessible data that can be used, reused and distributed provided that the data source is attributed." » [traduction]. L’accessibilité n’est qu’un des éléments de cette équation : les données doivent également être dans un format utilisable (Boulton et al., 2011, cité dans Fecher et Friesike, 2014). Les pratiques exemplaires en GDR permettent aux données ouvertes d’être utilisables par le biais des principes FAIR, abordées au chapitre 2, « Les principes FAIR et la gestion des données de recherche » (Wilkinson et al., 2016). Les données doivent être facilement trouvables, accessibles, interopérables et réutilisables, et ce, en mettant l’accent sur l’interopérabilité technologique. Rendre les données conformes aux principes FAIR n’est qu’une partie de la solution des pratiques exemplaires en GDR. Le partage et la réutilisation des données exigent, eux aussi, un contexte offert par des renseignements supplémentaires comme la documentation des données et les métadonnées.

Toutes les données ne peuvent pas être ouvertes. Les données avec des enjeux de confidentialité, comme les renseignements personnels, doivent demeurer restreintes. Les pratiques exemplaires en GDR mettent au premier plan toute une gamme d’approches en science ouverte tout en trouvant un équilibre entre les données « aussi ouvertes que possible, aussi fermées que nécessaire. »

Le partage et la réutilisation des données (ouvertes) sont des concepts importants en appui à la science ouverte, la préférence étant accordée aux données ouvertes lorsque les normes éthiques le permettent. Les avantages perçus du partage et de la réutilisation des données reflètent les avantages potentiels de la science ouverte : rendre la recherche plus reproductible et transparente afin d’économiser temps et argent et de réunir des données jusqu’alors isolées afin de former des combinaisons inédites. Les recommandations de l’UNESCO au chapitre de la science ouverte mettent en évidence son potentiel transformateur et son importance lorsqu’il est question de résoudre les problèmes actuels les plus difficiles comme les changements climatiques, les enjeux de santé, la pauvreté et les inégalités croissantes.

Les prochaines sections définissent l’étude de cas MDC et un modèle de plan de gestion des données (PGD). Il y est question de la mise en application des principes de science ouverte et de pratiques relatives à la documentation. Cette documentation, qui comprend un PGD, permet la collaboration entre personnes qui doivent comprendre les données et leur donner un sens afin qu’elles puissent être réutilisées adéquatement.

Étude de cas : le projet Meaningful Data Counts

Le projet de recherche MDC est une étude de cas utile en matière de pratiques exemplaires en gestion des données de recherche (GDR), car il étudie à la fois les pratiques de données ouvertes à travers les disciplines et met en pratique la science ouverte par le biais d’une approche de méthodes mixtes (quantitative et qualitative) en sciences sociales. La méthodologie incorpore de la bibliométrie, des réponses à un sondage et des entrevues.

Ce projet s’inscrit dans le cadre de l’initiative Make Data Count qui encourage l’adoption des pratiques de bases pour les mesures de données ouvertes: l’utilisation normalisée des données et des procédés de citation des données dans les dépôts et chez les maisons d’édition. Le MDC présente des données probantes empiriques sur le comportement en ce qui a trait à l’utilisation et à la citation des données afin d’améliorer la compréhension du rôle des jeux de données dans la communication scientifique. Les modèles de partage et de citation des données sont étudiés en fonction des disciplines universitaires et des étapes de la carrière des chercheuses et chercheurs. Le MDC s’attarde également à ce qui motive les chercheuses et chercheurs à partager ou à citer des jeux de données – ou à ne pas le faire. S’il existe une grande variété de pratiques en matière de citation des données, la plupart des personnes ayant répondu au sondage affirment qu’elles citaient les données pour appliquer des pratiques de recherche « idéales », comme la reconnaissance de la dette intellectuelle, l’aide à la localisation et à l’accès aux données et l’appui à la validité de leurs propres affirmations (Gregory et al., 2023). Inversement, les obstacles au partage de données comprennent la peur qu’éprouvent les chercheuses et chercheurs de se faire damer le pion, la crainte de voir leurs erreurs exposées au grand jour, la perception selon laquelle les efforts nécessaires pour préparer et publier les jeux de données n’en valent pas le coup et la croyance que le partage des données ne s’applique pas à leur recherche (Tenopir et al., 2020).

Le projet MDC met en œuvre le processus de travail en science ouverte afin de soulever les défis que doivent relever les membres d’équipe qui participent à des pratiques de science ouverte, notamment le partage et la citation de données de recherche. Par le partage des plans de recherche, des processus, du code, des résultats préliminaires et des données, un processus de travail en science ouverte tente, autant que possible, de rendre le déroulement de la recherche transparent aux personnes extérieures à l’équipe de recherche initiale.

Un élément clé de la pratique en science ouverte du MDC est l’élaboration d’un plan de gestion des données (PGD) avec la bibliothécaire en GDR de l’Université d’Ottawa; ce plan est un modèle de PGD endossé par l’Alliance. Comme vous l’avez vu au chapitre 1, « Les rudiments, » un PDG est un document qui décrit comment les données d’un projet de recherche seront manipulées, de la collecte à l’analyse puis comment elles seront traitées à la fin du projet. Les PGD sont des documents dynamiques qui peuvent être mis à jour tout au long de la vie du projet; cette approche itérative s’harmonise bien avec l’objectif de partage éthique des données. Les pratiques exemplaires en GDR sont essentielles aux universitaires qui adoptent la science ouverte et, de plus en plus, elles sont exigées pour en atteindre les objectifs (Tenopir et al., 2020). La Politique des trois organismes sur la gestion des données de recherche, par exemple, soutient les principes directeurs FAIR (facile à trouver, accessible, interopérable et réutilisable) pour la gestion et l’intendance des données de recherche. Les trois organismes fédéraux de financement de la recherche (IRSC, CRSNG et CRSH) intègrent le partage des données à leur processus de demande de subvention (dans la section « Mobilisation des connaissances »). Il est attendu que, pour obtenir du financement, les futures demandes de subvention devront être accompagnées d’un PGD bien défini.

Le PGD de MDC décrit la manière dont le projet gère divers types de données recueillies et analysées par l’équipe de recherche. Le PGD est une des méthodes qu’emploie l’équipe pour documenter le processus de travail du projet afin de communiquer les protocoles en matière d’éthique, le transfert de fichiers et les procédures de stockage, les normes relatives aux métadonnées et le code informatique avec les membres de l’équipe qui travaillent à distance. Anton Ninkov, un postdoctorant membre de l’équipe de recherche responsable de gérer les données, a mentionné que la documentation du processus de travail s’apparente « à réfléchir au projet comme étant quelque chose de plus large qu’une tâche individuelle. Il s’agit du fonctionnement du projet dans son ensemble – son travail n’en est qu’une partie"about thinking about the project as a bigger thing than an individual task. It’s about the movement of the whole project, which my work is just one component of." » [traduction] (communication personnelle, 15 février, 2022).

Les jeux de données de MDC comprennent l’analyse bibliographique des pratiques de citation de données dans un corpus composé de 8 643 593 jeux de données dans DataCite (Ninkov et al., 2022), de réponses au sondage provenant de plus de 2500 chercheuses et chercheurs qui ont réfléchi aux pratiques relatives au partage et à la citation des données dans diverses disciplines et entrevues semi-structurées qui donnent davantage d’information sur ce qui les motive à partager et à citer les données – ou à ne pas le faire. Le PGD abordé à la section suivante présente la gestion de tous les jeux de données générés à la suite d’analyses bibliométriques, de sondages et d’entrevues; le but est de partager les données avec une licence ouverte tout au long du cycle de vie du projet, et non seulement au moment de la publication.

Pratiques exemplaires pour un plan de gestion des données en appui à un processus de travail en science ouverte

Un PGD constitue une excellente occasion de mettre l’accent sur les pratiques de la science ouverte, comme le partage et la réutilisation des données; il peut également soutenir d’autres éléments d’un processus de travail de science ouverte. Lorsque les processus sont reliés par votre PGD à d’autres éléments de votre projet de recherche, vous rendez votre recherche accessible à diverses étapes du projet. De plus, les données qui étayent les résultats de la recherche présentés dans une publication sont transparentes et réplicables tout au long du processus – non seulement en fin de parcours. Plusieurs chercheuses et chercheurs se concentrent sur l’aspect de planification d’un PGD; un document est rédigé au début du projet puis ignoré. Toutefois, la recherche est rarement linéaire et les plans doivent souvent changer. La création de versions subséquentes peut s’avérer incroyablement utile afin de planifier le projet et de répertorier l’évolution du processus de recherche.

• La science ouverte met l’accent sur le partage et la réutilisation des données tout au long des projets de recherche, non seulement à l’étape finale (publication);
• Les processus de travail en science ouverte peuvent servir dans d’innombrables méthodes de recherche : méthodes mixtes, quantitatives et qualitatives, dans toutes les disciplines;
• Les versions mises à jour de votre PGD rendent compte de l’évolution de vos méthodes de recherche et de vos processus de travail.

Les pratiques en science ouverte de MDC ont mis de l’avant l’élaboration d’un plan de gestion des données exhaustif. La première version du plan, créée au début du projet, décrit comment une équipe de chercheuses et chercheurs originaires de plusieurs pays gérera divers types de données recueillies à l’aide de méthodes mixtes (qualitatives et quantitatives). Les PGD sont des documents dynamiques et l’équipe de MDC a récemment mis à jour le sien, conformément aux pratiques exemplaires en science ouverte, dont celle de l’examen régulier de la documentation des données et la confirmation qu’elles reflètent adéquatement les méthodes de recherche et les processus de gestion des données dont se sert l’équipe de recherche. La version 2 du PGD est versée dans le même dépôt.

La révision du PGD a aidé à la gestion efficace du projet. Stefanie Haustein, chercheuse principale, a constaté qu’en fin de compte, « certaines sections décrites dans le modèle de l’Assistant PGD ne s’appliquaient pas à son projet de recherche"Some sections prescribed by the DMP Assistant template did not apply to our research project after all." » [traduction] (communication personnelle, 15 février, 2022). Le modèle utilisé en 2022 demandait aux chercheuses et chercheurs d’aborder la question de la préservation à long terme; toutefois, Mme Haustein remarque que « cette question n’est plus pertinente, car nous supposons que la technologie comme les interfaces de programmation (API) et la pertinence des données auront beaucoup évolué d’ici 20 ans"Long term preservation isn’t as relevant to us, as we assume that the technology such as the APIs [application programming interfaces] and the relevance of the data will have changed in 20 years from now." » [traduction] (communication personnelle, 15 février 2022). L’examen du PGD a favorisé une révision du processus de travail de l’équipe de recherche, notamment le travail des membres qui se sont joints à l’équipe après la publication de la première version du plan. Des changements avaient été apportés en matière de collecte et de traitement des données et il fallait que la documentation en rende compte. Il est important de coucher sur papier ces processus de travail méthodologiques dans le cadre de pratiques exemplaires en science ouverte, car pour comprendre et reproduire les données partagées, les membres extérieurs à l’équipe doivent disposer d’un certain contexte quant à la manière dont les données ont été collectées, structurées et analysées.

Les deux versions du PGD ont été créées à l’aide de l’outil recommandé par l’Alliance, l’Assistant PGD, en collaboration avec la bibliothécaire en GDR de l’Université d’Ottawa. L’équipe a également contribué à l’élaboration d’un modèle dans l’Assistant PGD en ce qui a trait aux processus de travail en science ouverte. Le modèle guide les équipes de recherche dans le choix des pratiques exemplaires qu’elles devraient inclure dans les PGD exigés par les organismes subventionnaires. Le PGD de MDC a été examiné par des pairs, publié puis diffusé en tant qu’exemple national de pratique exemplaire en rédaction d’un PGD pour un processus de travail en science ouverte, une approche à méthodes mixtes et un partenariat de recherche international. Toutes les ressources de formation créées par l’Alliance sont sous licence CC BY-NC 4.0. Vous pouvez les partager et les adapter gratuitement selon vos besoins.

Cette section définit certaines des pratiques exemplaires incluses dans le PGD de MDC afin de documenter les processus et de favoriser la collaboration entre les membres de l’équipe ou avec d’autres personnes qui doivent comprendre les données et les doter de sens afin qu’elles puissent être réutilisées adéquatement. Cette liste n’est pas exhaustive; par conséquent, nous vous encourageons à consulter les sections « Guidance » de l’exemple de PGD pour obtenir plus d’informations.

Responsabilité et ressources

• Attribuez suffisamment de ressources humaines aux responsabilités d’intendance des données dans votre budget avant d’entamer la collecte de données. Habituellement, la chercheuse ou le chercheur principal est responsable de maintenir les normes d’accessibilité des données pour l’équipe. Affectez des gens à la structuration des données, à leur documentation et à la réponse aux questions portant sur l’accès à l’information et l’octroi d’un accès aux données;
• Créez un document d’intégration pour faire en sorte que tous les membres de l’équipe adhèrent aux mêmes processus de travail. Structures de fichiers logiques, conventions de nommage informatives et indications claires de la version des fichiers – autant d’éléments qui permettent une meilleure utilisation des données pendant et après le projet de recherche. Le recours à une feuille de travail pour la convention de nommage des fichiers peut s’avérer très utile;
• Documentez votre processus et révisez votre PGD, le cas échéant. Consultez régulièrement les membres de l’équipe pour saisir les éventuels changements apportés à la collecte, au traitement et à la publication des données qui doivent être reflétés dans la documentation.

Documentation et métadonnées

• Documentez les processus de travail à l’aide d’un fichier LISEZ-MOI qui accompagne tous les jeux de données. Une bonne documentation des données comprend de l’information au sujet de l’étude, une description des données et de tout autre renseignement contextuel nécessaire pour que d’autres chercheuses ou chercheurs puissent se servir des données;
• Utilisez des formats de fichier ouverts ou conformes aux normes de l’industrie (p. ex., celles utilisées couramment par la communauté) dans la mesure du possible;
• Utilisez des schémas de métadonnées spécifiques aux jeux de données ouvertes ou toute autre norme de métadonnée particulière au domaine. La documentation des jeux de données devrait être en format ouvert et lisible par machine afin de permettre un échange efficace d’information entre les systèmes et les personnes qui les utilisent. DataCite a créé un ensemble de champs de métadonnées essentiels et des instructions pour rendre les jeux de données faciles à identifier et à citer.

Éthique et conformité légale

• Les processus de travail en science ouverte priorisent d’être « aussi ouverts que possible, aussi fermés que nécessaire ». Réfléchissez aux types de données qui doivent être partagés afin de satisfaire aux exigences des établissements ou des organismes subventionnaires et aux données dont l’accès devrait être limité en fonction d’enjeux liés à la confidentialité, à la vie privée ou à la propriété intellectuelle tels que décrits dans votre protocole éthique;
• Demandez le consentement adéquat auprès des participantes et participants afin que leurs données puissent être partagées. Votre énoncé de consentement éclairé peut préciser certaines conditions clarifiant l’utilisation des données. Informez les personnes participant à vos études si vous avez l’intention de publier une version anonymisée et dépersonnalisée des données recueillies et faites en sorte qu’elles acceptent ces modalités;
• Utilisez des licences ouvertes (p. ex., CC BY) pour favoriser le partage et la réutilisation des données. Les licences déterminent de quelles manières d’autres personnes peuvent utiliser vos données. Pensez à inclure une copie de votre licence d’utilisation dans votre PGD (sujet abordé plus loin).

Mobilisation des connaissances

• Aidez les gens à réutiliser et à citer vos données. Saviez-vous qu’un jeu de données constitue un résultat de recherche que vous pouvez ajouter à votre curriculum vitae, au même titre qu’un article scientifique? Si vous publiez vos données dans un dépôt de données (p. ex., Zenodo, Borealis, Dryad), d’autres personnes peuvent les trouver et s’en servir. Les identifiants numériques d’objets (DOI) uniques constituent un excellent moyen d’identifier et de citer des jeux de données;
• Servez-vous des médias sociaux, des bulletins d’information électroniques, des affiches, des conférences, des webinaires, des forums de discussions, ou des forums spécifiques à votre discipline pour mettre en lumière vos données publiées, promouvoir la transparence et encourager la découverte ainsi que la réutilisation des données. Citez vos jeux de données comme vous le faites avec d’autres types de publications.

Qu’est-ce qui constitue une donnée ouverte? Limites en matière de partage de données

L’étude de cas de MDC établit un lien entre le partage de données et les PGD, car ils fonctionnent de concert en appui aux pratiques de science ouverte à l’échelle d’un projet de recherche. Cette section aborde les modalités légales et contractuelles qui permettent ou limitent le partage et la réutilisation des données alors qu’elles circulent dans les infrastructures numériques. Après un aperçu des éléments à prendre en considération en matière de confidentialité dans le cadre du projet de MDC, cette section se concentrera sur la propriété intellectuelle au moment de déterminer la propriété des données et le partage des données de rechercheDes éléments de cette section sur la propriété intellectuelle sont adaptés de M. Brunet, J. Hatherill et C. Ripp. (2021). Libre accès aux connaissances Partie 2 : Partagez vos données de recherche, Bibliothèque de l’Université d’Ottawa, CC BY 4.0, http://hdl.handle.net/10393/43308 et de M. Brunet et T. Rouleau. (2021). Droit d’auteur et données de recherche à l’Université d’Ottawa : Questions fréquemment posées, Bibliothèque de l’Université d’Ottawa, CC BY 4.0, https://www.uottawa.ca/library/sites/g/files/bhrskd381/files/2022-12/droit_dauteur_et_donnees_de_recherche_faq.pdf.. Alors que la discussion sur la propriété intellectuelle et les licences des données s’inscrit dans un contexte canadien, le PGD du MDC énonce clairement comment l’accès aux données sensibles sera limité dans le cadre d’un projet de recherche international. Il définit également comment les données qui ont été anonymisées seront partagées à l’aide d’une licence ouverte, ce qui permettra la réutilisation du jeu de données.

Une licence est une permission qu’octroie le titulaire du droit d’auteur à un tiers d’utiliser ses œuvres (dans ce cas, des données sous une forme ou une autre) à certaines fins et sous certaines conditions. Le droit d’auteur demeure avec son titulaire (Office de la propriété intellectuelle du Canada, 2019). Après avoir déterminé si les données sont protégées par des droits d’auteurs (et, le cas échéant, qui les détient et si elles peuvent être partagées), vous pouvez utiliser diverses licences ouvertes pour indiquer leur degré d’ouverture. Leur rôle est double : informer les personnes qui utiliseront les données des droits conservés par les titulaires des droits d’auteur et indiquer comment utiliser les œuvres sans devoir demander aux titulaires la permission à chaque occurrence. La propriété des droits d’auteur ne change pas. La licence ouverte indique simplement que le titulaire des droits d’auteur libère son œuvre de certaines des limites habituelles pour que vous puissiez la partager, la remixer et la réutiliser en toute légalité, tant et aussi longtemps que vous respectez les conditions de la licence. Plusieurs dépôts permettent de sélectionner facilement une licence ouverte et ajoutent l’information dans les métadonnées.

Si le partage des données constitue la pierre angulaire de la science ouverte, il n’est peut-être pas toujours conseillé, sécuritaire ou même légal de le faire. Les pratiques exemplaires en science ouverte accordent la priorité au respect des limites de nature éthique et légale en matière d’accès aux données pour équilibrer les objectifs plus larges de partage, de publication et de réutilisation des données. Afin de respecter ces pratiques exemplaires, vous devrez prendre en considération quels sont les types de données qui doivent être partagées afin de satisfaire aux exigences provenant des établissements ou des organismes subventionnaires et quelles types de données doivent avoir un accès restreint en raison d’éléments relatifs à la confidentialité, à la vie privée ou à la propriété intellectuelle énoncés dans votre protocole d’éthique. En effet, avant de rendre des données publiques et ouvertes, il est essentiel que vous déterminiez si vous pouvez le faire de manière éthique et en toute légalité. La sécurité et la vie privée des participantes et participants, la souveraineté des données autochtones et la nature confidentielle ou propriétaire des données peuvent limiter votre capacité à les partager. Vous devez également vérifier le statut des droits d’auteur en ce qui a trait à la propriété des données.

Dans notre étude de cas, le PGD de MDC indique que toutes les données et publications finales seront publiées en accès libre. Pour y arriver, le partenariat international multiétablissements doit également se conformer aux politiques de GDR de ses établissements hôtes, lesquels prennent en considération la législation pertinente, les normes de l’industrie et les pratiques exemplaires. En particulier, les processus de travail des données tiendront compte des éléments juridiques et éthiques de l’Université d’Ottawa et de l’Énoncé de politique des trois conseils : Éthique de la recherche avec des êtres humains – EPTC 2 (2022); toutefois, ils peuvent également se référer à la politique sur l’intégrité et l’éthique en recherche de l’Université de Kiel si l’ETPC 2 n’offre pas suffisamment d’orientations. La cochercheuse est affiliée à des établissements européens. Par conséquent, les méthodes de recherche doivent se conformer au Règlement général sur la protection des données (RGPD) de l’UE, lequel est plus limitatif que ses équivalents canadiens.

L’équipe de recherche a stocké les données sensibles sur un serveur sécurisé au Canada. Seules les chercheuses principales ont accès à la totalité du projet. Les autres membres de l’équipe avaient un accès limité lorsqu’ils travaillaient à la collecte des données et à l’anonymisation des données sensibles. La collecte de données qualitatives et personnelles a respecté l’approbation formelle en matière d’éthique du comité d’éthique de la recherche de l’Université d’Ottawa qui demandait d’obtenir le consentement explicite et éclairé des personnes participantes en utilisant le Recommended Informed Consent Language for Data Sharing (ICPSR, s.d.). Les médias sociaux et autres données en ligne publiques ont été recueillies et gérées en fonction du document Internet Research: Ethical Guidelines 3.0 de l’Association of Internet Researchers (franzke et al., 2019). Toute donnée jugée sensible est stockée en sécurité avec mot de passe et chiffrement. Les données sont anonymisées dans les publications découlant du projet, sauf entente explicite de les publier autrement. Une fois les données anonymisées, elles peuvent être partagées sous forme de données ouvertes avec une licence Creative Commons Attribution (CC BY) 4.0 International. Si ce n’est pas possible, l’équipe peut choisir une licence plus restrictive, Creative Commons Attribution – Pas de Modification (CC BY-ND).

Puis-je partager les données? Définir la propriété des données

Vous vous demandez peut-être pourquoi l’équipe de recherche doit attribuer une licence à ses données pour les rendre ouvertes. Les données sont-elles même protégées par des droits d’auteur? Parce que les droits d’auteur protègent l’expression originale des idées ou des faits fixés sur un support tangible, il est facile de conclure que les données sont des faits et donc non protégées. En effet, de manière générale, les données brutes ou factuelles sont des données non interprétées qui ne sont pas protégées par le droit d’auteur. Toutefois, une compilation de données peut être protégée en raison du jugement, de la compétence ou de l’effort nécessaire pour déterminer les données à inclure et leur organisation (faisant des données une « expression originale »). De plus, si les données sont de nature littéraire, musicale, dramatique ou artistique, elles peuvent être protégées par le droit d’auteur. Le tableau 1 ci-dessous résume les types de données susceptibles d’être protégées par le droit d’auteur.

Si les données sont protégées par le droit d’auteur, qui est le propriétaire? Si vous possédez des données générées ou fournies par un tiers, même si elles sont accessibles gratuitement, cela ne signifie pas que vous possédez un droit d’auteur sur elles. Vérifiez toujours s’il y a une licence ou lisez les modalités d’utilisation. Le tableau 2 résume la propriété des droits d’auteur selon les types de données.

Plusieurs facteurs extérieurs à votre équipe de recherche ou à votre projet peuvent déterminer si des données sont protégées par le droit d’auteur et qui détient celui-ci.

• Des politiques ou des ententes contractuelles entre chercheuses ou chercheurs et établissements affiliés (p. ex., contrats d’embauche, conventions collectives);
• Des conventions ou des pratiques disciplinaires en matière d’attribution de paternité;
• Des politiques de l’agence ou de l’organisme qui finance la recherche (en partie ou en totalité);
• Des conditions ou des modalités d’utilisation de licence de données achetées – le fait d’acquérir des données auprès d’un tiers ne signifie pas que les droits d’auteur vous ont été transférés ou que vous êtes autorisé à partager les données.

Toutes les parties prenantes impliquées dans un projet de recherche devraient préciser les questions relatives aux données et au droit d’auteur en début de processus. Les statuts divers, qui se chevauchent parfois, des personnes qui collectent les données ou des membres de l’équipe de recherche, même au sein d’un établissement ou d’un organisme, constituent des facteurs importants pour déterminer qui détient les droits d’auteur des données de recherche. Il est vital de préciser la propriété des droits d’auteur, car les données protégées ne peuvent pas être davantage « ouvertes » sans la permission du détenteur des droits.

Il existe trois types principaux de licences ouvertes pour les données :

• Licences Creative Commons
• Licences Open Data Commons
• Licences du logiciel

Deux désignations Creative Commons sont utilisées fréquemment pour les données. Elles servent d’options dans les dépôts de données.

• CC BY 4.0 (licence Creative Commons Attribution 4.0 International) : cette licence exige que l’autrice ou l’auteur soit crédité;
• CC0 (domaine public) : elle sert à indiquer que le titulaire des droits d’auteur renonce à ses droits sur l’œuvre. Lorsque les données sont du domaine public, il n’y a plus de restrictions quant à leur utilisation ni à leur attribution. Certains dépôts de données, comme Borealis, proposent cette licence par défaut.

Pour des données sous forme de base de données, les licences Creative Commons s’appliquent à la fois au contenu de la base de données et à la base de données elle-même. Creative Commons ne recommande pas le recours aux conditions « Pas d’utilisation commerciale » (NC) ou « Pas de modification » (ND) pour les données, car elles limitent grandement l’utilisation à des fins savantes et scientifiquesConsultez Creative Commons Frequently Asked Questions about data and CC licences, https://wiki.creativecommons.org/wiki/Data#Frequently_asked_questions_about_data_and_CC_licenses..  Bien que nous ne recommandions pas de limiter la réutilisation des données à des fins non commerciales, vous pouvez appliquer une licence Creative Commons Attribution – Pas d’utilisation commerciale. Toutefois, il est important de souligner que cette condition s’applique généralement à l’utilisation et non à la personne qui utilise. En principe, elle ne préviendrait pas une entité commerciale d’utiliser les données si elle ne les revend pas ou si elle ne les utilise pas comme élément de base pour un produit ou service vendu à des fins profitables.

La Open Knowledge Foundation offre trois licences ouvertes dédiées aux bases de données, bien qu’elles ne soient pas disponibles dans tous les dépôts de données.

• ODbL 1.0 (Open Data Commons Open Database License)
• ODC-BY 1.0 (Open Data Commons Attribution License)
• PDDL 1.0 (Open Data Commons Public Domain Dedication and License) 

Veuillez noter que les licences Open Data Commons s’appliquent aux bases de données uniquement et non pas au contenu d’une base de données.

Les licences de logiciel sont parmi les premières licences ouvertes; elles sont également utilisées dans les dépôts de données. Elles peuvent s’appliquer au logiciel ou au code en plus d’être associées aux fichiers de documentation connexes.

• Licence MIT
• Licence GNU General Public version 3
• Licence Apache version 2.0 

Le tableau 3 ci-dessous compare les trois types de licences en fonction de ce qu’elles permettent et de la nécessité de citer correctement la source, du point de vue d’une personne qui utilise des données sous licence (et non du point de vue de la personne qui les crée).

Tableau comparatif sous licence CC BY-SA 4.0, fondé sur l’article Comparison of Free and Open-Source Software licenses, Wikipedia, CC BY-SA 3.0.

* Les huit licences permettent une utilisation commerciale.

^€ L’octroi d’une sous-licence indique que les dérivés peuvent être partagés sous une licence différente.

Conclusion

Ce chapitre porte sur la planification de la gestion des données en tant que pratique exemplaire en GDR qui peut appuyer les données ouvertes et le partage des données en tant que partie intégrante d’un processus de travail en science ouverte dans les sciences sociales et d’autres contextes disciplinaires connexes. Les chercheuses et chercheurs choisissent de rendre leurs données ouvertement accessibles pour diverses raisons, notamment pour que leurs travaux soient davantage cités; toutefois, le mouvement de la science ouverte a pour objectif de rendre la recherche plus facilement reproductible et transparente, d’économiser temps et argent et de réunir de manière novatrice des données jusque-là isolées. Par le biais du PGD dans l’étude de cas, Meaningful Data Counts, vous avez découvert la valeur d’un PGD dans le cadre global de planification de projets, sous l’angle des objectifs de la science ouverte. Le PGD permet une gestion conséquente et éthique de tous les jeux de données produits par plusieurs membres de l’équipe de recherche par le biais d’analyses bibliométriques, de sondages et d’entrevues. En outre, il fait en sorte que les données soient partagées tout au long du cycle de vie du projet, et non seulement au moment de publier les résultats de recherche. Les éléments clés du partage de données définis dans le PGD comprennent le dépôt de jeux de données dans un dépôt reconnu à l’aide d’une licence ouverte. L’octroi de licences ouvertes par MDC permet à d’autres chercheuses et chercheurs de réutiliser leurs travaux; grâce au dépôt de données, les chercheuses et chercheurs peuvent trouver les jeux de données et les citer adéquatement. La dernière section de ce chapitre aborde les éléments à prendre en considération en ce qui a trait à la confidentialité : avant de rendre les données ouvertes, vous devez vérifier si elles sont protégées par le droit d’auteur; le cas échéant, vous devez découvrir qui le détient. Lorsque vous avez confirmé qu’il est possible de partager les données ouvertement, le choix d’une licence ouverte qui permet les modifications favorise la réutilisation des données à des fins savantes et scientifiques. Toutes les données ne peuvent pas devenir des données ouvertes; cependant, si vous souhaitez adopter les principes du mouvement de science ouverte par le biais du partage de données et de versement dans des dépôts de données, un PGD vous aidera à normaliser et à communiquer les étapes à suivre aux membres de l’équipe et à la communauté disciplinaire élargie.

Bibliographie

Brunet, M., Hatherill J. et Ripp, C. (2021). Libre accès aux connaissances Partie 2 : Partagez vos données de recherche. Bibliothèque de l’Université d’Ottawa. http://hdl.handle.net/10393/43308

Brunet, M. et Rouleau, T. (2021). Droit d’auteur et données de recherche à l’Université d’Ottawa : Questions fréquemment posées, Bibliothèque de l’Université d’Ottawa.  https://www.uottawa.ca/library/sites/g/files/bhrskd381/files/2022-12/droit_dauteur_et_donnees_de_recherche_faq.pdf

Cobey, K. D., Haustein, S., Brehaut, J. Dirnagl, U., Franzen, D. L., Hemkens, L. G., Presseau, J., Riedel, N.,  Strech, D., Alperin J. P., Costas, R., Sena, E. S., van Leeuwen, T., Ardern, C. L., Bacellar I. O. L, Camack, N., Correa, M. B., Buccione, R., Cenci, M. S., … Moher, D. (2022). Establishing a core set of open science practices in biomedicine: A modified Delphi study. medRxiv. https://doi.org/10.1101/2022.06.27.22276964

Fecher, B. et Friesike, S. (2014). Open science: One term, five schools of thought. Dans  S. Bartling et S. Friesike (dir..), Opening Science: The evolving guide on how the Internet is changing research, collaboration and scholarly publishing (p. 17–47). Springer. https://doi.org/10.1007/978-3-319-00026-8_2

FOSTER. (s.d.-a). Open Data. https://www.fosteropenscience.eu/taxonomy/term/6

FOSTER. (s.d.-b). Open Science. https://www.fosteropenscience.eu/taxonomy/term/7

franzke, a. s., Bechmann, A., Zimmer, M., Ess, C. et Association of Internet Researchers (2020). Internet Research: Ethical Guidelines 3.0. https://aoir.org/reports/ethics3.pdf

Gregory, K., Ninkov, A. B., Ripp, C., Roblin, E. Peters, I. et Haustein, S. (2023). Tracing data: A survey investigating disciplinary differences in data citation. Zenodo. https://doi.org/10.5281/zenodo.7555266

ICPSR. (s.d.) Recommended Informed Consent Language for Data Sharing. https://www.icpsr.umich.edu/web/pages/datamanagement/confidentiality/conf-language.html

Ninkov, A., Gregory, K., Ripp. C., Morissette, E., Harper, L., Peters, I., Tayler, F. et Haustein, S. (2022). Research data management plan for the meaningful data counts project (v.2). Zenodo. https://doi.org/10.5281/zenodo.6473351

Office de la propriété intellectuelle du Canada (OPIC). (2019). Le guide du droit d’auteur. Gouvernement du Canada. https://ised-isde.canada.ca/site/office-propriete-intellectuelle-canada/fr/guide-droit-dauteur

Tenopir C., Rice, N.M., Allard, S., Baird, L., Borycz, J., Christian, L., Grant, B., Olendorf, R. et Sandusky, R.J. (2020). Data sharing, management, use, and reuse: Practices and perceptions of scientists worldwide. PLOS ONE, 15(3): e0229003. https://doi.org/10.1371/journal.pone.0229003

Wilkinson, M. D., Dumontier, M., Aalbersberg, Ij. J., Appleton, G., Axton, M., Baak, A., Blomberg, N., Boiten, J.-W., da Silva Santos, L. B., Bourne, P. E., Bouwman, J., Brookes, A. J., Clark, T., Crosas, M., Dillo, I., Dumon, O., Edmunds, S., Evelo, C. T., Finkers, R., … Mons, B. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3(1), 160018. https://doi.org/10.1038/sdata.2016.18

Dr. Alisa Beth Rod et Kristi Thompson

Introduction

Que sont les données sensibles? La Boîte à outils pour les données sensibles – destinée aux chercheurs (Groupe d’experts sur les données sensibles du réseau Portage, 2020a) définit les données sensibles comme des « informations qui doivent être protégées contre l’accès non autorisé ou la divulgation » et donne plusieurs exemples. Toutefois, cette définition des données sensibles soulève la question suivante : pourquoi  ces informations doivent-elles être protégées? L’examen des exemples peut nous aider à y voir plus clair, car ils incluent des éléments tels que des renseignements personnels sur la santé et d’autres types de renseignements d’ordre confidentiel, certains renseignements géographiques (p. ex., des localisations d’espèces en péril) ou des données protégées en vertu de politiques institutionnelles. La caractéristique commune à tous ces exemples est la notion du risque, celui associé aux personnes dont la confidentialité est compromise, aux espèces en péril qui seraient perturbées ou chassées, aux politiques qui seraient enfreintes. Autrement dit, les données sensibles s’appliquent aux données qui ne peuvent être partagées sans risquer de trahir la confiance ou de nuire à une personne, une entité ou une communauté.

Dans ce chapitre, nous discuterons du travail avec les données sensibles dans le cadre des politiques fédérales et provinciales canadiennes. (Les données autochtones ont des implications en matière d’éthique et de propriété et elles sont abordées dans un autre chapitre.) Nous terminerons en donnant un aperçu des options pour la préservation sécuritaire, le partage et l’archivage approprié des données sensibles.

Les données de la recherche avec des êtres humains

Au Canada, tant au fédéral, au provincial que dans les institutions, une variété de cadres juridiques, stratégiques et réglementaires régissent les données sensibles qui impliquent des êtres humains. Dans la plupart des cas, ces exigences réglementaires ont été conçues pour assurer la confidentialité et un degré élevé de protection de la vie privée. Ainsi, le cadre réglementaire associé aux données sensibles relève de la catégorie des données impliquant des êtres humains.

Les politiques sur la vie privée au Canada

Ce n’est pas toujours facile de savoir laquelle des lois sur la protection de la vie privée s’applique à chacune des situations. Les principaux règlements sur la protection de la vie privée en lien avec les données de recherche se retrouvent généralement au niveau des juridictions provinciales et territoriales puisque les universités ne relèvent pas du champ d’application des deux principales lois fédérales sur la protection de la vie privée (Commissariat à la protection de la vie privée au Canada, s.d.). Toutefois, certaines informations sensibles, comme les dossiers médicaux, peuvent être recueillies par des chercheuses et chercheurs universitaires en partenariat avec des organismes privés et publics; celles-ci relèvent alors de la juridiction fédérale de la Loi sur la protection des renseignements personnels, qui s’applique aux organismes gouvernementaux, ou de la Loi sur la protection des renseignements personnels et les documents électroniques (LPRPDE), qui s’applique aux entités commerciales du secteur privé. Le gouvernement canadien a développé un outil pratique pour aider à déterminer laquelle des législations s’applique aux différents scénarios impliquant des informations sensibles.

Au niveau national, l’énoncé de politique des trois organismes subventionnaires sur la conduite éthique de la recherche avec des êtres humains (Énoncé de politique des trois conseils : Éthique de la recherche avec des êtres humains – EPTC 2) établit les paramètres liés à la vie privée, la justice, le respect et la préoccupation pour le bien-être des participantes et des participants. L’EPTC 2 supervise aussi la gouvernance des comités d’éthique de la recherche (CÉR), qui sont responsables d’évaluer les projets de recherche qui dépendent d’êtres humains. Contrairement aux États-Unis, où une loi fédérale régit les renseignements médicaux (HIPPA), la gestion des dossiers médicaux ou des données cliniques au Canada est régie au niveau provincial et territorial. Toutes les provinces et tous les territoires disposent d’au moins une loi sur la protection de la vie privée qui s’applique à la recherche.

Traditionnellement, les systèmes judiciaires au Canada et ailleurs en Occident garantissent le droit des individus (et par extension, des sociétés) à la vie privée, à la propriété de leurs renseignements et à la protection contre les préjudices directs en contexte de recherche. Toutefois, les données ont le potentiel de nuire à certains groupes ou certaines communautés – par exemple, pour stigmatiser des groupes racisés ou des minorités sexuelles et de genre (voir Ross et al., 2018.) De tels préjudices sont trop peu abordés dans les politiques et législations canadiennes actuelles. Les principes de propriété, contrôle, accès et possession (PCAP®) constituent un modèle alternatif. Il s’agit d’un protocole de recherche établi pour protéger les intérêts des Premières Nations piloté par le Centre de gouvernance de l’information des Premières Nations. Ces principes « s’appliquent aux Premières Nations spécifiquement, et non à tous les Autochtones » (Centre de gouvernance de l’information des Premières Nations, s.d.) et leur utilisation n’est pas destinée à d’autres contextes. Même si ces principes cherchent d’abord à privilégier les intérêts d’une communauté, ils peuvent aussi s’appliquer de façon plus générale à des recherches auprès de communautés marginalisées. Pour en savoir plus sur les modèles autochtones de recherche éthique, consultez le chapitre « Souveraineté des données autochtones. »

De nombreuses provinces mettent à jour leurs lois sur la protection de la vie privée, ce qui aura un impact sur la gestion des données de recherche impliquant des êtres humains. Par exemple, la loi 25 (aussi appelée Loi modernisant des dispositions législatives en matière de protection des renseignements personnels) a été adoptée au Québec pour solidifier les exigences en matière de consentement, de surveillance et de conformité. La loi 25 s’inspire du Règlement général sur la protection des données (RGPD) de l’Union européenne, largement considéré comme étant la plus complète des législations sur la protection de la vie privée au monde. Les impacts potentiels de la loi 25 comprennent l’obligation du consentement pour chacune des utilisations secondaires des données de recherche, l’introduction du droit à l’effacement ou du « droit à l’oubli » (Wolford, 2018) et l’obligation de faire une évaluation formelle des impacts sur la vie privée avant tout transfert de données d’une personne à l’extérieur du Québec (Commissariat à la protection de la vie privée du Canada, 2020). Nous aborderons le consentement plus en détail dans la section intitulée « Le langage du consentement et l’EPTC 2 ». Cette modification légale s’explique par le fait que les chercheuses et chercheurs pouvaient demander un consentement général pour l’utilisation des renseignements des personnes participantes (p. ex., l’échantillon d’un patient participant à un essai clinique pouvait être utilisé pour d’autres études sans avoir à fournir de détails sur ces études particulières). Maintenant, la loi 25 ne permet plus de consentement général pour les études. Elle exige que les responsables des recherches obtiennent le consentement à chaque fois que l’échantillon est utilisé à de nouvelles fins. Bien que la loi 25 soit propre au Québec, elle représente un modèle en matière de réforme de loi sur la protection de la vie privée et pourrait donc avoir d’importantes conséquences pour les données de recherche impliquant des êtres humains.

Risques et préjudices

La  divulgation de renseignements personnels est un risque qui peut survenir lorsqu’il est possible d’isoler des individus dans un jeu de données et d’associer leurs renseignements à des sources externes, ce qui, avec un effort raisonnable, permet d’identifier les personnes. L’ampleur des préjudices causés à des participantes et participants de recherche dépend de la population et du sujet des données. Généralement, les risques plus élevés sont faciles à identifier et à définir (p. ex., si des renseignements sur la santé d’un individu étaient rendus publics). Les enfants sont considérés comme une population vulnérable puisqu’ils ne peuvent donner eux-mêmes leur consentement. Les recherches impliquant des enfants représentent donc un niveau élevé de risque puisque la divulgation de leurs renseignements peut causer de graves préjudices. Des sujets jugés tabous par la société peuvent aussi comporter des risques de préjudices importants pour les gens qui participent à des recherches. Ce qui constitue un sujet tabou peut varier d’une culture ou d’une situation à l’autre. Les éléments suivants peuvent néanmoins être considérés comme extrêmement sensibles, ce qui augmente le risque de préjudices potentiel qu’une participante ou un participant de recherche pourrait subir si ses renseignements sont divulgués :

• usage de drogues ou d’alcool (y compris la cigarette);
• pratiques sexuelles / MTS;
• questions familiales privées;
• violence conjugale / familiale;
• perte ou décès dans la famille;
• statut de victime;
• comportements criminels / délinquants;
• questions et problèmes de santé physique / mentale.

Les populations vulnérables, telles que les communautés suivantes, sont plus susceptibles d’être affectées par une divulgation de renseignements, et ce indépendamment du sujet de recherche :

• les communautés autochtones;
• les communautés racisées;
• les groupes à faibles revenus;
• les enfants/adolescents;
• les opprimés politiques.

Les recherches impliquant des êtres humains issus de populations vulnérables et/ou abordant des sujets sensibles peuvent nécessiter l’ajout de mesures de protection supplémentaires en matière de stockage et de sécurité des données. Certaines données peuvent être partagées sans se préoccuper du risque de divulgation, comme dans le cas de personnes qui participent à une recherche et consentent au partage de leurs renseignements identificatoires (p. ex., des partages d’histoires orales lors d’entrevues) ou dans le cas de renseignements recueillis de sources publiques sans attentes particulières liées à la vie privée (p. ex., une liste des membres d’un conseil d’administration). Autrement, les données doivent être évaluées pour déterminer leur risque de divulgation et elles ne pourront être partagées que si elles tombent en deçà d’un seuil de risque acceptable. Des mesures courantes de curation et de statistiques permettent d’évaluer quantitativement les risques et ainsi de réduire le potentiel de divulgation de données confidentielles. Les premières étapes comprennent l’analyse du caractère unique des données de chaque personne à l’intérieur d’un jeu de données plus large.

Les identificateurs

Plusieurs personnes peuvent consentir à ce que leurs renseignements soient utilisés à des fins de recherche sans vouloir que leur identité soit divulguée. Les données de recherche peuvent comporter des identifiants directs, tels que les coordonnées des personnes participantes, leur numéro d’étudiant ou autre type de renseignements identificatoires. Les données de recherche sans identifiants directs sont quand même susceptibles de porter atteinte à la confidentialité en raison des identifiants indirects ou quasi-identifiants – des détails personnels qui, utilisés en combinaison avec d’autres, peuvent mener à l’identification d’une personne. Ces données peuvent inclure des sondages ou des entrevues avec des personnes participantes qui ont consenti à fournir des renseignements à des fins de recherche. Les données des personnes participantes peuvent également comprendre des renseignements issus de dossiers médicaux, de déclarations d’impôts, des médias sociaux ou de toute autre source de renseignements de nature personnelle.

Les identifiants directs

Les identifiants directs mettent immédiatement les participantes et participants d’une recherche à risque d’être réidentifiés. On parle d’éléments tels que le nom, le numéro de téléphone, mais aussi d’autres détails moins évidents. Par exemple, la loi américaine Health Insurance Portability and Accountability Act (HIPAA) considère toute zone géographique de moins de 20 000 personnes comme un identifiant direct. Des dates précises liées à des événements personnels, telles que les dates de naissance, sont également considérées comme identificatoires.

Le HIPAA a établi une liste de 18 identifiants personnels tandis qu’un ensemble de lignes directrices du British Medical Journal contient une liste de 14 identifiants directs et 14 indirects basés sur des lignes directrices internationales. À partir de ces sources et d’autres, nous avons compilé une liste d’identifiants directs pour la recherche canadienne. Ils devraient toujours être éliminés des données avant de rendre celles-ci publiques, à moins que les participantes et les participants de recherche n’aient autorisé le partage de leur identité (à quelques exceptions près).

1. nom entier ou partiel ou initiales
2. dates précises d’événements personnels tels que la naissance, la graduation, l’admission à l’hôpital (seul le mois ou l’année peut être acceptable)
3. adresse complète ou partielle (de grandes zones géographiques, telles que des villes, appartiennent à la catégorie d’identifiants indirects et doivent être révisées)
4. code postal complet ou partiel (les trois premiers chiffres peuvent être acceptables)
5. numéros de téléphone ou de télécopieur
6. adresse courriel
7. identifiants ou noms d’utilisateurs Web ou de médias sociaux tels que le pseudonyme Twitter
8. numéros de protocole Internet ou IP; renseignements précis relatifs au navigateur Web ou au système d’exploitation (ces informations peuvent être recueillies par certains types d’outils de sondage ou de formulaires Web)
9. identifiants de véhicule tels que la plaque d’immatriculation
10. identifiants liés à des dispositifs médicaux ou autres
11. tout autre numéro d’identification unique lié directement ou indirectement à un individu tel que le numéro d’assurance sociale, numéro d’étudiant ou numéro d’identification d’un animal de compagnie
12. photos d’individus ou de leur domicile ou emplacement; des enregistrements vidéos les montrant; des images médicales
13. enregistrements audio de personnes (Han et al., 2020)
14. données biométriques
15. tout attribut personnel unique ou reconnaissable (p. ex., maire de Kapuskasing ou gagnant du prix Nobel)

De plus, tous les fichiers numériques partagés, tels que des photos ou documents, doivent être vérifiés au cas où des renseignements comme un nom ou un emplacement y seraient intégrés (voir Henne et al., 2014.)

Les identifiants indirects

Les risques de violation de la confidentialité posés par les identifiants directs sont évidents – si vous détenez l’adresse ou le numéro d’assurance sociale d’une personne, sa vie privée peut être compromise. Mais quels sont les identifiants indirects et pourquoi sont-ils problématiques? Les identifiants indirects (aussi désignés comme quasi-identifiants) se rapportent à des attributs qui ne peuvent pas en soi identifier une personne, mais qui, combinés, peuvent révéler l’identité de quelqu’un. Une variable a le potentiel d’être un identifiant (direct ou indirect) seulement si elle peut être liée à des renseignements d’autres sources pour identifier une personne.

Il est impossible de dresser une liste complète des quasi-identifiants, mais on devrait toujours tenir compte des éléments suivants:

• âge (peut être un identifiant direct dans le cas de personnes très âgées);
• identité de genre;
• revenu;
• emploi ou secteur d’activité;
• variables géographiques;
• variables ethniques ou d’immigration;
• appartenances à des organismes ou utilisation de services particuliers.

Ces variables doivent être considérées en relation avec tout renseignement contextuel d’un jeu de données – par exemple, la documentation d’un sondage ou d’une recherche publiée peut indiquer de façon claire que les personnes qui ont participé à la recherche habitent un endroit particulier ou pratiquent un métier particulier.

Les autres variables d’un jeu de données constituent des renseignements non identificatoires (peu susceptibles d’être reconnus comme provenant d’individus spécifiques ou qui n’apparaissent pas dans des bases de données externes). Celles-ci peuvent comprendre des opinions, des notes sur l’échelle de Likert, des mesures temporaires (telles que le rythme cardiaque au repos) et autres. Ces renseignements ne font pas partie de l’évaluation de la confidentialité, mais doivent quand même être pris en compte dans l’évaluation globale des risques. Une des questions en lien avec les variables non identificatoires se rapporte au niveau de sensibilité des données; un jeu de données qui contient des renseignements confidentiels sur la santé ou un sondage qui pose des questions de nature délicate sur des comportements antérieurs doit être traité avec plus de soins qu’un jeu de données qui évalue des produits.

Un ensemble d’enregistrements qui comporte les mêmes valeurs de quasi-identifiants s’appelle une classe d’équivalence. Une classe d’équivalence de 1 se rapporte à une personne dont les attributs sont uniques dans le jeu de données. Cette personne risque donc d’être identifiée et elle est désignée comme étant unique à l’échantillon. Si une étude contient un échantillon complet d’une population quelconque (p. ex., tous les employés d’un endroit particulier), cette personne est aussi unique à la population en fonction de ces attributs (son identité peut donc être évidente pour les gens qui connaissent la population). Parallèlement, les membres d’une classe d’équivalence plus importante – avec 10, 20 ou 50 membres – sont indissociables les uns des autres et ne peuvent donc pas être identifiés en fonction de leurs quasi-identifiants; ils ne sont donc pas considérés comme étant à risque d’être identifiés.

Vous connaissez maintenant les quasi-identifiants et comprenez de quelle façon ils peuvent être utilisés pour identifier les personnes qui participent à des sondages. Alors, que faites-vous avec? Vous pouvez tout simplement les retirer de vos données comme vous le feriez pour les identifiants directs. Par contre, ce procédé pourrait avoir de sérieux impacts sur la capacité des autres membres de la communauté de recherche à utiliser ce jeu de données. Vous devriez plutôt évaluer les quasi-identifiants pour en déterminer le niveau de risque.

Comme première étape, une curatrice ou un curateur des données peut isoler les variables et les étudier dans le contexte d’autres informations sur les données. Les variables quasi-identifiantes qui contiennent des groupes avec un petit nombre de personnes répondantes (p. ex., une variable sur la religion avec trois réponses de « Bouddhisme ») peuvent représenter un risque élevé. Des valeurs peu courantes (p. ex., plus de six enfants) peuvent aussi comporter un risque élevé. Ces valeurs peuvent être évaluées en effectuant un calcul de fréquence sur les données. Toutefois, la grosseur des groupes identifiables tant dans l’enquête que dans la population en général doit être prise en compte. Il n’y a peut-être qu’une seule personne de Winnipeg dans votre sondage téléphonique à composition aléatoire, mais si l’enquête ne cherche pas à cibler davantage, la personne ne risque pas d’être identifiée.

Une approche pratique et sensée à la dépersonnalisation des données est de décrire une personne en n’utilisant que les valeurs des variables démographiques dans un jeu de données :

« Je pense à une personne mariée de sexe féminin, vivant en Ontario, détentrice d’un diplôme universitaire qui est âgée de 40 à 55 ans. »

Cette personne ne semble pas être à risque à moins que l’information contextuelle fournisse des indices supplémentaires – par exemple, s’il s’agit d’une enquête sur les gens qui exercent la profession d’arbitre de hockey.

Des valeurs à combinaison inhabituelle ou atypique pour les variables peuvent être problématiques. L’âge, le niveau d’éducation ou l’état civil ne sont pas forcément identifiants, mais que se passe-t-il si, par exemple, une personne dans le jeu de données est dans le groupe d’âge de moins de 17 ans et qu’elle indique être divorcée ou diplômée universitaire? Cette personne peut alors être identifiée et représente un exemple de valeur extrême cachée qui n’apparaît pas en examinant la fréquence de toutes les variables d’un jeu de données. Plus il y a d’identifiants indirects dans les données, plus il y a de chances de combinaisons atypiques cachées et plus elles sont difficiles à déceler. Le besoin d’une méthode formelle d’évaluation des quasi-identifiants et de quantification de leur niveau de risque s’impose. Ce processus s’appelle l’évaluation statistique des risques de divulgation.

L’évaluation statistique des risques de divulgation

Il existe différentes techniques pour évaluer et limiter les risques de réidentification, mais la plus connue d’entre elles est la k-anonymisation. Il s’agit d’une approche permettant de démontrer mathématiquement qu’un jeu de données a été anonymisé. Elle a d’abord été avancée en 1998 par des informaticiens (Samarati et Sweeney) et constitue depuis lors la base de tous les efforts formels d’anonymisation des données. L’approche part du principe que ce ne devrait pas être possible d’isoler moins de « k » cas individuels dans votre jeu de données et ce, pour toutes les combinaisons possibles de variables identificatoires – « k » correspond au numéro établi par la chercheuse ou le chercheur; dans la pratique, il correspond généralement à cinq.

Imaginons un sondage sur le personnel d’une usine d’outils et de matrices avec trois variables démographiques : le groupe d’âge, le genre et le groupe ethnique. Prenons, par exemple, une personne dans le jeu de données qui n’est pas une minorité visible et qui est de sexe masculin entre 25 et 30 ans. Pour que les données soient k-anonymes avec k=5, au moins quatre autres personnes dans le jeu de données doivent avoir le même ensemble d’attributs. Cela doit également être vrai pour tous les autres individus dans le jeu de données; chaque personne doit avoir au moins quatre jumeaux de données.

Dans la figure 1, les cas 1, 6 et 13 représentent une classe d’équivalence où k=3. Chaque cas de cette classe d’équivalence a deux jumeaux de données. Même si un pirate informatique savait qu’une personne ciblée se trouvait dans le jeu de données et qu’il pouvait faire correspondre ses attributs aux données, il ne pourrait identifier cette personne parmi les trois cas. Le cas 14 quant à lui, n’a aucun jumeau de données – il est unique à l’échantillon.

Pour réussir la k-anonymisation où la valeur de « k » d’un jeu de données correspond à cinq, vous pouvez utiliser des techniques de réduction des données, dont la réduction globale des données et la suppression locale. La réduction globale des données implique de modifier certaines variables de tout un jeu de données, tel que de regrouper certaines réponses en catégories (p. ex., regrouper l’âge en tranches de 10 ans). La suppression locale se rapporte à l’élimination de réponses ou de cas individuels (p. ex., supprimer la réponse sur l’état civil de la personne participante de moins de 17 ans plutôt que de regrouper les variables sur l’état civil et l’âge qui sont autrement inoffensives).

La k-anonymisation est facile à vérifier en utilisant des logiciels standards de statistiques, même si la plupart de ces progiciels n’ont pas de fonctionnalités intégrées pour faire ces vérifications. La ressource Directives sur la dépersonnalisation des données de l’Alliance de recherche numérique du Canada (L’Alliance) fournit du code pour faire les vérifications dans R et Stata.

La k-anonymisation a pour but de garantir l’anonymisation des données, c’est-à-dire que chaque enregistrement des données anonymisées ne pourra être distingué de « k » moins un autre enregistrement d’un même jeu de données. Toutefois, les personnes qui participent à une recherche ne sont généralement pas informées qu’il sera impossible de savoir quelle ligne d’un fichier de données correspond à leurs renseignements personnels. On leur dit plutôt que leurs réponses resteront confidentielles. Même si les enregistrements d’une personne ne sont pas uniques aux données, la possibilité de trouver quand même des renseignements personnels les concernant n’est pas exclue.

Quelques années après la publication sur la k-anonymisation comme solution à l’enjeu de la vie privée, des chercheurs ont remarqué une potentielle lacune importante : l’attaque par homogénéité. Lorsque tous les membres d’une classe d’équivalence (un jeu de jumeaux de données) partagent les mêmes valeurs d’attributs sensibles, des pirates informatiques pourraient déduire les attributs des personnes qui ont répondu à un sondage sans les identifier. Reprenons comme exemple l’échantillon de l’enquête sur le personnel d’une usine. La figure 2 illustre les variables démographiques accompagnées d’une question sensible, si les travailleuses et travailleurs sont pour ou contre la mise en place d’un syndicat. Les cas 1, 6 et 13 forment toujours une classe d’équivalence de k=3. Alors même si vous connaissez les personnes qui correspondent à ces attributs, vous ne pouvez savoir quelle personne correspond à quel cas. Par contre, ces trois personnes ont donné la même réponse à la question sur le syndicat. Vous connaissez donc la réponse de toutes ces personnes. Il y a donc une atteinte à la confidentialité.

Des techniques qui affinent la k-anonymisation, telles que la k-anonymisation p-sensible et la l-diversité (Domingo-Ferrer et Torra, 2008) ont été élaborées pour aborder la question de la divulgation des attributs. Toutefois, leur mise en œuvre est difficile et tend à dégrader la valeur de recherche du jeu de données. Examinons une des variantes les plus simples.

La l-diversité est appliquée à un jeu de données quand chaque groupe d’enregistrements qui partage une même série d’attributs démographiques comporte au moins « l » valeurs différentes pour chacune des variables confidentielles. Dans notre exemple, chacun des groupes de jumeaux de données devrait comporter les deux réponses, oui et non, à la question sur le syndicat; deux représente donc la valeur maximale possible de « l » pour cette question. La valeur établie de « l » doit s’appliquer pour toute réponse confidentielle dans le jeu de données. Imaginez maintenant un sondage typique avec une douzaine de questions – la l-diversité doit être considérée pour chaque réponse dans chaque classe d’équivalence. Autrement dit, l’application des techniques comme la l-diversité n’est pratique que pour les jeux de données avec peu de variables.

La plus grande menace d’une attaque par homogénéité survient lorsqu’un jeu de données représente l’échantillon d’une population entière. Imaginez que le jeu de données du sondage à l’usine n’implique que 25% de la population. Cela signifie qu’il y a possiblement d’autres personnes qui ne font pas partie du jeu de données et qui possèdent les mêmes quasi-identifiants que les cas 1, 6, et 13; leur position sur l’établissement d’un syndicat est inconnue. En ignorant quelles personnes font partie du jeu de données, impossible de connaître leur opinion, et ce, même si elles appartiennent à la même classe d’équivalence. Cette supposition ne peut être faite que si le jeu de données représente un petit échantillon d’une population plus large et que si le principe de la k-anonymisation a été appliqué. Inversement, si le jeu de données représente l’échantillon d’une population entière ou d’une proportion importante de celle-ci, il doit être traité avec beaucoup de précautions – il est presque impossible de garantir la dépersonnalisation d’un tel jeu de données.

Les identifiants cachés

En évaluant le risque, il faut tenir compte de l’ampleur du jeu de données (nombre de personnes participantes et nombre de variables). Dans le cas de jeux de données plus importants, les pirates informatiques peuvent utiliser des approches d’apprentissage automatique. Les cotes et classements personnels ne sont pas considérés comme des éléments identifiants. Malgré cela, Zhang et al. (2012) ont fait la description d’un cas où un système d’apprentissage artificiel a été entraîné à traiter une importante collection de profils qui incluaient des classements de films; le système a pu déduire avec une certaine fiabilité quels comptes étaient liés à de multiples personnes utilisatrices. Il est facile d’imaginer d’autres attaques avec des approches semblables – par exemple, faire la comparaison de critiques de livres publiées sur des sites comme Goodreads à des réponses de sondage incluant des classements de livres utilisés dans les thérapies axées sur les traumatismes.Thompson et Sullivan (2020) ont démontré une autre approche où des variables inattendues étaient susceptibles de réidentifier des personnes ayant répondu à un sondage par le biais d’une attaque utilisant des renseignements géographiques. Elles ont démontré qu’une variable indiquant la distance de la grande ville la plus proche pouvait être combinée au renseignement sur le domicile d’une personne ayant répondu au sondage et habitant une réserve autochtone; cette combinaison permettait de localiser certaines personnes ayant répondu au sondage. Le procédé est difficile à faire à la main, mais très facile à l’ordinateur.

Ces cas sont la preuve qu’il n’y aura jamais une seule mécanique simple pour encadrer la dépersonnalisation des jeux de données. Vous devrez toujours évaluer à quel point des sources externes de renseignements ou de données peuvent chevaucher les données de votre population de recherche et partager certains renseignements identiques. Il y a risque de réidentification quand des informations externes auxquelles des pirates informatiques ont accès peuvent être combinées à des informations d’un jeu de données archivé; chaque jeu de données doit être évalué de façon individuelle.

La dépersonnalisation des données qualitatives

Nous utilisons généralement des méthodes statistiques d’anonymisation de données sur des données structurées comme celles d’un tableur ou d’une feuille de calcul. Toutefois, les données qualitatives sont souvent stockées et analysées dans des formats non structurés (p. ex., des entrevues, des groupes de discussion ou transcriptions d’histoires orales en format texte, audio ou vidéo, des observations ethnographiques notées sur le terrain, etc.). L’anonymisation de données qualitatives non structurées demeure possible, de nombreux logiciels ou outils numériques existent pour faciliter ou automatiser certains des processus (pour un excellent aperçu, visionnez cette discussion entre spécialistes sur la dépersonnalisation des données qualitatives (en anglais uniquement) : https://youtu.be/MbKw3LR2rVo).

Il arrive parfois qu’un individu qui participe à une recherche s’identifie lui-même par inadvertance en répondant à des questions d’entrevue ou en discutant d’une expérience vécue. Prenons par exemple une étude où un bibliothécaire mène des entrevues avec des bibliothécaires d’autres universités; si une personne répond qu’elle travaille pour tel établissement (McGill) et occupe tel poste (spécialiste en gestion des données de recherche), ces renseignements utilisés en combinaison avec d’autres peuvent l’identifier. Le défi des données qualitatives repose sur le fait que les informations identificatoires ne se retrouvent pas dans des catégories prédéterminées (p. ex., l’âge, la religion, le genre) de sorte qu’il n’est pas possible de prédire la quantité de renseignements identificatoires contenus dans un jeu de données avant la collecte et l’analyse de celui-ci.

La chercheuse ou le chercheur peut supprimer les informations identificatoires – une approche similaire à celles utilisées avec les données structurées – cependant, les informations contextuelles sont souvent essentielles aux recherches qualitatives. Par conséquent, la chercheuse ou le chercheur pourra attribuer des codes pour remplacer les catégories d’informations identificatoires. Le Finnish Social Science Data Archive (FSD) recommande l’utilisation de crochets dans les transcriptions pour indiquer les éléments qui ont été dépersonnalisés afin d’éviter la ponctuation couramment utilisée (Finnish Social Science Data Archive, 2020). Par exemple, une chercheuse peut remplacer un nom d’individu par [Participant1], ou un endroit précis comme Pohénégamook (un petit village au Québec) par [village]. Si le contexte géographique est important, le code peut alors être modifié pour représenter un endroit en général plutôt qu’un village précis tel que [région du Bas-Saint-Laurent].

Lorsque vous dépersonnalisez des informations qualitatives ou rassemblez des informations plus détaillées en catégories, il est important de documenter les décisions et les catégories dans un guide de codification qui accompagnera le jeu de données. Par exemple, la chercheuse peut décider d’éliminer le nom des villages dont la population est inférieure à 1000 habitants. La documentation doit détailler les motifs et les définitions afin de permettre la réutilisation potentielle du jeu de données.

Les transcriptions d’entrevues devraient être anonymisées même si la chercheuse ou le chercheur n’envisage pas de publier ses données. Ainsi, le risque de préjudices est réduit en cas de fuite. L’anonymisation devrait être irréversible; en anonymisant, la chercheuse ou le chercheur doit tenir compte à la fois du préjudice potentiel pour les personnes participantes si des informations identificatoires étaient rendues publiques et de sa capacité à analyser les données sans perdre de nuances. Si l’objectif d’une recherche est d’analyser un sujet sensible, les données ne devraient peut-être pas être dépersonnalisées, elles auront donc besoin de mesures supplémentaires de protection.

Le langage de consentement et l’ETPC 2

Lors de la curation de données d’êtres humains, vous devez être au courant des mesures de protection offertes aux personnes participantes et sous quelles conditions les comités d’éthique de la recherche (CÉR) ont autorisé la recherche. Au Canada, c’est la politique de l’EPTC 2 qui établit les lignes directrices éthiques pour les recherches avec des êtres humains. Dans la plupart des établissements, le CÉR examinera le langage de consentement plus que toute autre composante de la demande afin d’assurer la confidentialité et la protection de la vie privée des personnes participantes, en plus de s’assurer que celles-ci aient été bien informées de la portée et de la nature de leur participation dans la recherche. En vertu des lignes directrices de l’EPTC 2, les formulaires de consentement devraient comprendre les informations suivantes :

• la participation est volontaire;
• les personnes participantes peuvent se retirer de la recherche et ce, même si elle est en cours;
• un énoncé en langage clair (p. ex., sans jargon) qui décrit l’étude de façon sommaire et qui énumère les risques et bénéfices potentiels pour les personnes participantes – cette information est particulièrement importante pour les études qui impliquent des populations vulnérables, des sujets jugés tabous, de la coercition (p. ex., des incitations) et/ou de la duperie quand les personnes participantes ne connaissent pas le but véritable de la recherche;
• dans l’éventualité où les données seraient accessibles à d’autres chercheuses ou chercheurs ou au public, sous quelles conditions, est-ce qu’elles seront stockées dans des dépôts particuliers*, sous quels formats et avec quels renseignements (p. ex., si les données peuvent comporter des identifiants directs ou indirects).

*Les CÉR peuvent exiger que les chercheuses et chercheurs identifient le dépôt où seront stockées ou publiées les données sur des personnes participantes. Par exemple, un CÉR peut exiger que les données soient uniquement stockées ou publiées dans des dépôts dont les serveurs sont au Canada ou dont l’accès est contrôlé (p. ex., la possibilité de limiter l’accès à certaines personnes particulières).

Les formulaires de consentement devraient préciser les détails entourant le dépôt ou la publication éventuelle de données sur des êtres humains; quelques chercheuses ou chercheurs peuvent avoir l’intention ou l’obligation (p. ex., par les organismes subventionnaires ou les politiques d’un périodique) de rendre leurs données accessibles à la suite de la publication d’une recherche connexe. Autrement, si une chercheuse ou un chercheur est tenu ou choisit de partager ses données, le consentement des personnes participantes devra possiblement à nouveau être demandé par le biais d’un formulaire de consentement amendé, ce qui peut s’avérer difficile, voire impossible, si tous les identifiants directs ont été anonymisés de façon permanente.

Certaines ressources fournissent des modèles ou des exemples de langage pour les formulaires de consentement et les demandes de CÉR en lien avec le stockage et le partage de données d’êtres humains. L’Alliance de recherche numérique du Canada (l’Alliance) a publié une Boîte à outils pour les données sensibles – destinée aux chercheurs (Groupe d’experts sur les données sensibles du réseau Portage, 2020b) dans laquelle vous pouvez puiser pour rédiger vos formulaires de consentement et bien expliquer les éléments suivants aux personnes participantes : la différence entre l’anonymat et la confidentialité; les obstacles au retrait de l’étude; les paramètres de l’utilisation future des données y compris les processus de supervision (p. ex., l’établissement d’ententes de réutilisation des données ou l’obligation pour les prochains projets de recherche d’obtenir l’autorisation d’un CÉR avant de pouvoir accéder aux données); si les données peuvent être utilisées à d’autres fins que celles du sujet de recherche original et si les données sont ouvertes au public soit entièrement ou en partie. Vous trouverez ci-dessous un texte passe-partout (adapté à partir de plusieurs sources) que vous pouvez modifier et utiliser dans des formulaires de consentement advenant que vos données soient susceptibles d’être partagées. La Boîte à outils pour les données sensibles – destinée aux chercheurs (Groupe d’experts sur les données sensibles du réseau Portage, 2020b) contient des exemples supplémentaires pour d’autres types de cas :

Les organismes subventionnaires et les maisons d’édition demandent souvent aux chercheuses et chercheurs de rendre leurs données de recherche accessibles une fois leur étude terminée. L’accès aux données permet à la communauté de recherche de reproduire les conclusions scientifiques et encourage l’exploration des jeux de données existants. Afin d’assurer la confidentialité et l’anonymat, toute donnée partagée sera dépouillée des renseignements pouvant identifier une personne participante.

Pour plus de ressources et des exemples de langage pour les formulaires de consentement, veuillez vous référer aux guides très complets fournis (en anglais uniquement) par le Inter-university Consortium for Political and Social Research (ICPSR) et le Finnish Social Science Data Archive.

Le Qualitative Data Repository (QDR) basé à l’Université Syracuse à New York propose un guide pour le consentement éclairé (en anglais uniquement) en lien avec les études qualitatives, notamment pour des entrevues et des histoires orales où les identifiants directs sont conservés dans la publication du jeu de données (Qualitative Data Repository, s.d.-b). Le QDR propose aussi des modèles (en anglais uniquement) pour la publication de documents d’archives et pour l’obtention du consentement pour la diffusion de données dépersonnalisées ou identificatoires (Qualitative Data Repository, s.d.-a). L’exemple suivant provient du QDR pour le dépôt d’informations potentiellement identificatoires :

Les données générées à partir de l’information que vous avez fournie dans le cadre de notre échange pourront être partagées avec la communauté de recherche (généralement sous forme numérique via Internet) afin de faire progresser les connaissances scientifiques. En raison de la nature des informations, une dépersonnalisation complète des données peut s’avérer impossible. Conséquemment, d’autres mesures seront appliquées avant le partage. Je prévois déposer les données dans le DÉPÔT X, ou dans un dépôt similaire dans le domaine des sciences sociales. Vos données NE SERONT ACCESSIBLES QUE SOUS LES CONDITIONS SUIVANTES. Malgré ces mesures, il n’est pas possible de prédire comment les personnes qui accèdent aux données les utiliseront"Data generated from the information you provide in our interaction may be shared with the research community (most likely in digital form via the Internet) to advance scholarly knowledge. Due to the nature of the information, full de-identification of those data might not be possible. As a result, other measures will be taken before sharing. I plan to deposit the data at REPOSITORY X, or at a similar social science domain repository. Your data will BE MADE AVAILABLE UNDER THE FOLLOWING ACCESS CONDITIONS. Despite my taking these measures it is not possible to predict how those who access the data will use them." [traduction].

Le Data Curation Network fournit un guide complet pour la curation des données d’êtres humains (en anglais uniquement), y compris pour la révision du langage de consentement. Le guide d’introduction sur la curation des données avec des êtres humains offre du soutien aux responsables de la curation et des dépôts de données sur les bonnes questions à poser en lien avec, notamment, le processus de consentement, le langage de consentement et les lacunes potentielles entre le jeu de données et le langage de consentement.

Autres catégories de données sensibles

Les données d’êtres humains sont souvent considérées sur un pied d’égalité avec les données sensibles. Toutefois, d’autres catégories de données sensibles qui n’impliquent pas des êtres humains sont tout aussi importantes. Dans le cas de chercheuses et chercheurs qui travaillent en collaboration avec des partenaires d’industrie pour développer des technologies et des inventions, les données peuvent être considérées comme relevant du « secret commercial » et doivent alors être protégées conformément aux obligations contractuelles (Gouvernement du Canada, 2019). La poursuite du profit comme principal objectif d’une recherche est, en théorie, contraire aux vocations universitaires. Par contre, ce type de partenariat permet un plus large accès à des ressources et des infrastructures que celles qui sont disponibles par l’entremise de sources de financement universitaires ou publiques. Par exemple, les vaccins de la COVID-19 ont été développés beaucoup plus rapidement en raison des partenariats entre la communauté de recherche universitaire et les compagnies pharmaceutiques privées.

Voici d’autres catégories de données sensibles :

• la propriété intellectuelle;
• les données à double usage;
• les données assujetties à un contrôle des importations/exportations;
• les données sous licence tierce;
• la localisation d’espèces en péril.

Des préoccupations en matière de propriété intellectuelle peuvent survenir lorsque des données sont associées à des demandes de brevet en instance, à des recherches brevetées ou à d’autres informations protégées par le droit d’auteur. Les gens qui détiennent les droits sur les données peuvent décider d’accorder l’accès et permettre leur réutilisation. Si la propriété intellectuelle est liée à une source potentielle de revenus, le partage et l’accès aux données sont peu courants. Voici quelques considérations importantes en matière de propriété intellectuelle : qui est propriétaire des données, quelles sont les conditions d’utilisation (ou la licence) des données ainsi que toute autre condition liée à l’utilisation ou la réutilisation des données. Le chapitre 12 « Planification de la gestion des données pour les processus de travail en science ouverte » aborde plus en détail les considérations en matière de propriété intellectuelle.

Les données à double usage se rapportent aux données développées à des fins civiles qui peuvent également être utilisées pour des applications militaires. Par exemple, la technologie de reconnaissance faciale peut avoir été développée pour des applications de téléphones intelligents, mais les jeux de données sous-jacents peuvent être utilisés pour former des modèles d’apprentissage automatique afin de suivre des dissidents politiques ou de déployer des drones armés. Un autre exemple de données sensibles à double usage comprend des informations techniques sur des infrastructures essentielles. Le Canada a mis en place une réglementation et des procédures d’évaluation pour déterminer si la recherche est à double usage et quelles sont les mesures de protection à appliquer selon le niveau de risque.

Les données assujetties au contrôle des importations/exportations (marchandises contrôlées) sont liées aux données à double usage dans la mesure où elles ont des incidences sur les applications et renseignements militaires pouvant traverser les frontières canadiennes (Gouvernement du Canada, s.d.). Dans la définition des marchandises contrôlées sont incluses les armes en provenance des États-Unis. Ces règlements sont en place pour empêcher la participation des chercheuses et chercheurs, qu’elle soit intentionnelle ou non, dans le trafic d’armes ou de technologies de l’armement.

Les tiers se rapportent aux entités autres que la personne responsable de la recherche et son établissement. L’utilisation des données par un tiers nécessite une licence de l’entité propriétaire des données. Par exemple, les démographes peuvent acheter des jeux de données de Statistiques Canada à condition que les données soient utilisées ou partagées que par des chercheuses ou chercheurs du même établissement. Des ententes sur l’utilisation des données précisent plusieurs choses : qui peut accéder aux données, à quelle(s) fin(s), quand, où les données seront stockées, si une partie des données peut être déposée et si les données doivent être détruites ou préservées à la fin de l’étude. Dans la plupart des cas, ces ententes interdisent aux chercheuses et chercheurs le dépôt ou la publication des jeux de données sous-jacents utilisés pour leur recherche.

Les informations sur la localisation des espèces menacées sont considérées comme une catégorie de données sensibles en raison de leur possible utilisation malveillante qui pourrait nuire à ces espèces. Prenons l’exemple du projet d’un chercheur qui place des étiquettes numériques de géolocalisation sur des rhinocéros pour étudier leurs déplacements. Des braconniers qui accèdent à ces données pourraient les utiliser pour localiser et chasser les rhinocéros qui constituent une espèce en péril.

L’identification des personnes participantes n’est pas nécessairement une préoccupation aussi importante lorsque les chercheuses et chercheurs travaillent avec ces autres catégories de données sensibles mais les responsables de la recherche auront à se soucier davantage des mesures de protection et de cybersécurité, des responsabilités légales et de la conformité. La gestion des données de recherche (GDR) pour ce type de données implique d’autres éléments comme des accès chiffrés ou protégés par mot de passe (p. ex., l’authentification multifactorielle, la transmission sécurisée de données via un réseau privé virtuel (VPN)), des procédés sécurisés de stockage et de sauvegarde, l’interdiction d’utiliser des appareils personnels pour interagir avec les données et des vérifications robustes de sécurité pour l’identification potentielle de fuites.

La préservation et le partage de données sensibles

Certains dépôts de données numériques acceptent les données sensibles, notamment le Inter-university Consortium for Political and Social Research (ICPSR), le Qualitative Data Repository (QDR), et le Finnish Social Science Data Archive. Toutefois, aucun dépôt canadien ne les accepte.

L’Alliance travaille actuellement sur un projet pilote pluriannuel visant à établir un partenariat avec des universités canadiennes dans le but de soutenir la mise en œuvre d’une infrastructure qui permettrait de contrôler l’accès à des données sensibles. La technologie doit se conformer aux politiques et lois institutionnelles, provinciales et fédérales et doit dépendre d’une infrastructure située au Canada. Le projet a débouché sur un outil intégrant le cryptage à divulgation nulle de connaissance afin que les jeux de données sensibles puissent être transférés d’un environnement de dépôt sécurisé vers les chercheuses ou chercheurs ou vice versa. La divulgation nulle de connaissance signifie que les gens qui administrent un système ne possèdent pas la clé pour déchiffrer les fichiers dans leur système. Les clés de déchiffrement des données sont stockées sur une plateforme indépendante. La chercheuse ou le chercheur qui souhaite accéder à un jeu de données sensibles doit télécharger les données chiffrées du dépôt de données pour ensuite recevoir le mot de passe de la plateforme de gestion de la clé.

Plusieurs dépôts de données d’établissements universitaires canadiens ont accès à une instance de Dataverse, et plusieurs utilisent Borealis, une instance de Dataverse gérée par Scholar’s Portal. Les conditions d’utilisation de Borealis ne permettent pas le dépôt de données sensibles. Toutefois, le consortium responsable du développement et de la maintenance de Borealis a choisi de s’en remettre aux CÉR pour déterminer si un jeu de données est de nature sensible. La sensibilité n’est pas un concept binaire – une donnée peut être plus ou moins sensible – le processus pour déterminer le niveau de sensibilité des données peut exiger des calculs complexes. Les dépôts de données peuvent accepter les jeux de données anonymisées d’êtres humains sans nécessairement les définir comme étant de nature sensible.

Pour préserver et partager des données sensibles, une chercheuse ou un chercheur peut parfois garder ses données localement tout en publiant une documentation et des métadonnées dans la collection Dataverse de son établissement pour que d’autres chercheuses et chercheurs puissent y découvrir les renseignements et les procédures pour accéder aux données. Les bibliothèques peuvent soutenir ce type d’initiative en créant des espaces sûrs et isolés du réseau pour assurer une préservation et une sauvegarde sécurisée, particulièrement dans le cas de données stockées à long terme. La bibliothèque doit alors travailler de concert avec la personne qui dépose des données pour assurer la mise en place de protocoles d’accès appropriés. Dans l’encadré ci-dessous, vous trouverez un exemple de langage pour le formulaire de dépôt :

Conclusion

En évaluant les risques et les préjudices potentiels, les chercheuses et chercheurs doivent tenir compte d’une foule d’éléments : les politiques, lois et règlements au niveau institutionnel, provincial, fédéral; les exigences des organismes subventionnaires, les normes disciplinaires ainsi que les obligations contractuelles. Les préjudices peuvent atteindre plusieurs parties concernées, y compris les personnes participantes, les établissements, la chercheuse ou le chercheur, la communauté, le pays et toutes autres entités associées.

Voilà pourquoi plusieurs établissements mettent en place de façon formelle un classement pour les données sensibles avec une échelle de niveaux de risques (p. ex., très élevé, élevé, modéré et faible). Les établissements doivent tenir compte de différents facteurs locaux et de la gouvernance dans l’évaluation des risques, ce qui entraîne parfois quelques difficultés. Par exemple, le classement des données de recherche dans plusieurs établissements se fait selon les mêmes balises que les données administratives ou d’entreprise, complexifiant l’application des différents niveaux de risques dans certains contextes – notamment à l’Université de la Colombie-Britannique (2021) où toutes les informations électroniques sont classées uniformément avec seulement une référence générale aux données de recherche. D’autres universités ont établi des lignes directrices qui comprennent des exemples précis en lien avec la recherche comme l’Université de Calgary (2015) qui inclut les recherches « avec des êtres humains identifiables » comme un exemple de situations comportant des risques très élevés. L’Université Harvard (2020) a mis en place un système consacré à l’identification des niveaux de risques et de préjudices dans les données de recherche. Les données comportant des risques mortels pour le sujet appartiennent à la catégorie de risques la plus élevée. Cette catégorie est définie ainsi : « toute donnée sensible qui est susceptible d’entraîner de graves préjudices pour le sujet ou toute donnée comportant des exigences contractuelles en matière de mesures de sécurité exceptionnelles"sensitive data that could place the subject at severe risk of harm or data with contractual requirements for exceptional security measures." » [traduction].

Les bibliothèques fournissent les outils, l’information et la formation nécessaires aux gens qui font de la recherche pour qu’ils puissent préserver et partager leurs données de façon éthique et responsable. Mais c’est aux personnes responsables de la recherche qu’il incombe de faire preuve de diligence raisonnable en lien avec les risques.

Lectures et ressources supplémentaires

Alder, S. (2023, 16 mai). What is Considered PHI Under HIPAA? The HIPAA Journal. https://www.hipaajournal.com/what-is-considered-phi-under-hipaa/

Groupe en éthique de la recherche. (2022). Énoncé de politique des trois conseils : Éthique de la recherche avec des êtres humains – EPTC 2 (2022). Gouvernement du Canada. https://ethics.gc.ca/fra/policy-politique_tcps2-eptc2_2022.html

Krafmiller, E. et Prasad, R. (2021, 16 juin). Dataverse and OpenDP [Présentation]. Dataverse Community Meeting 2021. https://youtu.be/q3irpQ4rOyU?t=250

Réseau Portage, Groupe de travail sur la COVID-19. (2020). Directives sur la dépersonnalisation des données (Version 2). Zenodo. https://zenodo.org/record/4452825#.Y-Wj7xOZPao

Sweeney, L. (2000). Simple demographics often identify people uniquely (Data Privacy Working Paper 3). Carnegie Mellon University. http://ggs685.pbworks.com/w/file/fetch/94376315/Latanya.pdf

Thorogood, A. (2018). Canada: will privacy rules continue to favour open science? Human Genetics, 137(8), 595–602. https://doi.org/10.1007/s00439-018-1905-0

Bibliographie

Centre de gouvernance de l’information des Premières Nations. (s.d.). FAQ sur les principes de PCAP®. https://fnigc.ca/fr/les-principes-de-pcap-des-premieres-nations/

Commissariat à la protection de la vie privée au Canada. (s.d.). Aperçu des lois sur la protection des renseignements personnels au Canada.  https://www.priv.gc.ca/fr/sujets-lies-a-la-protection-de-la-vie-privee/lois-sur-la-protection-des-renseignements-personnels-au-canada/02_05_d_15/

Commissariat à la protection de la vie privée au Canada. (2020). Questions et réponses – projet de loi no 64. https://www.priv.gc.ca/fr/nouvelles-du-commissariat/nouvelles-et-annonces/2020/qa_20200924/

Domingo-Ferrer, J. et Torra, V. (2008). A critique of k-anonymity and some of its enhancements. Dans S. Jakoubi, S. Tjoa, et E. R. Weippl (dir.), ARES 2008: Third International Conference on Availability, Reliability and Security Proceedings, March 4-7, 2008. (pp. 990-993). IEEE  Computer Society. https://doi.org/10.1109/ARES.2008.97

Finnish Social Science Data Archive. (2020). Anonymisation and personal data. https://www.fsd.tuni.fi/en/services/data-management-guidelines/anonymisation-and-identifiers/

Gouvernement du Canada. (s.d.). Quelles sont les marchandises contrôlées. https://www.tpsgc-pwgsc.gc.ca/pmc-cgp/quellessont-whatare-fra.html

Gouvernement du Canada. (2019). Lignes directrices sur la sécurité nationale pour les partenariats de recherche. https://science.gc.ca/site/science/fr/protegez-votre-recherche/lignes-directrices-outils-pour-mise-oeuvre-securite-recherche/lignes-directrices-securite-nationale-pour-partenariats-recherche

Groupe d’experts sur les données sensibles. (2020a). Boîte à outils pour les données sensibles — destiné aux chercheurs Partie 1: Glossaire terminologique sur l’utilisation des données sensibles à des fins de recherche. Zenodo.  https://doi.org/10.5281/zenodo.4088986

Groupe d’experts sur les données sensibles. (2020b). Boîte à outils pour les données sensibles — destiné aux chercheurs Partie 3 : Langage en matière de gestion de données de recherche pour le consentement éclairé. Zenodo. https://doi.org/10.5281/zenodo.4107186

Han, Y., Li, S., Cao, Y., Ma, Q. et Yoshikawa, M. (2020). Voice-indistinguishability: Protecting voiceprint in privacy-preserving speech data release. 2020 IEEE International Conference on Multimedia and Expo (ICME), 1-6, https://doi.org/10.1109/ICME46284.2020.9102875

Henne, B., Koch, M. et Smith, M. (2014). On the awareness, control and privacy of shared photo metadata. Dans N. Christin et R. Safavi-Naini (dir.), Financial Cryptography and Data Security. FC 2014. Lecture Notes in Computer Science (pp. 77-88). Springer. https://doi.org/10.1007/978-3-662-45472-5_6

Qualitative Data Repository. (s.d.-a). Templates for researchers. https://qdr.syr.edu/guidance/templates#informed%20consent

Qualitative Data Repository. (s.d.-b). Informed consent. https://qdr.syr.edu/guidance/human-participants/informed-consent

Ross, M. W., Iguchi, M. Y. et Panicker, S. (2018). Ethical aspects of data sharing and research participant protections. American Psychologist, 73(2), 138-145. http://dx.doi.org/10.1037/amp0000240

Samarati, P. et Sweeney, L. (1998). Protecting privacy when disclosing information: k-anonymity and its enforcement through generalization and suppression (Technical Report SRI-CSL-98-04). Computer Science Laboratory, SRI International. https://epic.org/wp-content/uploads/privacy/reidentification/Samarati_Sweeney_paper.pdf

Thompson, K. et Sullivan, C. (2020). Mathematics, risk, and messy survey data. IASSIST Quarterly, 44(4), 1-13. https://doi.org/10.29173/iq979

Université Harvard. (2020, 22 avril). Data Security Levels – Research Data Examples. https://security.harvard.edu/data-security-levels-research-data-examples

Université de la Colombie-Britannique. (2021). Security classification of UBC electronic information. https://cio.ubc.ca/information-security-standards/U1

Université de Calgary. (2015, 1 janvier). Information Security Classification Standard. https://www.ucalgary.ca/legal-services/sites/default/files/teams/1/Standards-Legal-Information-Security-Classification-Standard.pdf

Wolford, B. (2018, 5 novembre). Everything you need to know about the ‘Right to be forgotten’. GDPR.EU. https://gdpr.eu/right-to-be-forgotten/

Zhang, A., Fawaz, N., Ioannidis, S. et Montanari, A. (2012). Guess who rated this movie: identifying users through subspace clustering. Proceedings of the Twenty-Eighth Conference on Uncertainty in Artificial Intelligence, 944-953. https://dl.acm.org/doi/10.5555/3020652.3020750

Dr. Joel T. Minion

Introduction

Une saine gestion des données est essentielle pour l’excellence en recherche. La plupart des établissements d’enseignement supérieur appuient les initiatives dans ce domaine, mais peu s’attardent sur les données qualitatives et leurs chercheuses et chercheurs. Si vous participez à des formations typiques, on devra vous pardonner de penser que la gestion des données de recherche s’applique surtout aux données comprenant des chiffres ou des images géospatiales. À quelques exceptions près (p. ex., les principes de PCAP® des Premières Nations – propriété, contrôle, accès et possession), la reconnaissance des données de recherche qualitatives semble souvent secondaire. C’est sans doute en raison de la nature des données qualitatives. Elles sont souvent textuelles ou orales, plutôt que numériques, et recueillies uniquement de l’être humain. Cette qualité rend les données qualitatives particulièrement identifiables. Les données qualitatives obligent également les chercheuses et chercheurs à tenir compte des relations et contextes sociaux et les données sont communément générées par des études qui traitent de questions sensibles ou de communautés marginalisées. De tels défis peuvent expliquer pourquoi les données de recherche qualitatives ne réussissent que rarement à s’insérer dans les structures actuelles de GDR.

Dans ce chapitre, nous examinerons les raisons qui expliquent le peu d’études dans ce domaine de GDR et nous proposerons des moyens de pallier ces lacunes. Le contenu reflète mes 25 dernières années d’expérience en tant que bibliothécaire, chercheur qualitatif en santé, gestionnaire de données et formateur au Canada et en Europe. Comme la majorité de mes collègues en recherche qualitative, j’ai du mal à m’insérer dans les principes, les politiques, les stratégies et les pratiques existantes en GDR. Les spécialistes sont peu nombreux et les ressources, limitées; le chapitre n’est donc pas un guide pratique en la matière.

Les données qualitatives existent sous plusieurs formes et il existe une multitude de moyens de les générer, les analyser, les archiver, les partager, et parfois, les réutiliser. Nous aborderons de quelle façon la gestion des données de recherche qualitatives s’insère dans le processus de recherche. Pour la chercheuse ou le chercheur, cela implique d’explorer la façon de penser à ses données et comment mieux les organiser. Pour les bibliothécaires, archivistes ou autres types de spécialistes des données, la discussion devrait améliorer vos compétences en gestion de l’information avec une compréhension plus approfondie des origines des données qualitatives.

Le chapitre est divisé en trois sections : (1) la nature des données de recherche qualitatives; (2) la façon dont ces données se reflètent dans le processus de recherche qualitative; et (3) les défis de GDR au niveau de la collecte des données qualitatives. Pour terminer, nous discuterons des moyens à employer pour améliorer la gestion des données de recherche qualitatives.

La nature des données qualitatives

Les données qualitatives ne sont pas créées et analysées de la même façon que les données quantitatives ou que celles des humanités numériques. Toutefois, il ne faut pas croire que les différents types de données de recherche soient incompatibles et qu’elles ne peuvent être utilisées ensemble. Plusieurs chercheuses et chercheurs emploient une variété de méthodes dans leur recherche, par exemple une combinaison d’entrevues et d’évaluations psychométriques pour répondre à des questions du genre « Comment un trouble dépressif clinique est-il vécu par des individus qui soignent leur partenaire de vie en phase initiale de démence? » Les approches de ce genre démontrent bien l’interdépendance des différents types de données de recherche.

Qu’est-ce qui fait qu’une donnée de recherche est qualitative?

Les données qualitatives ne partagent pas entre elles une seule et unique philosophie ou un seul ensemble de principes méthodologiques. Elles sont générées par des recherches qui examinent des aspects sociaux de la condition humaine en utilisant des méthodes descriptives plutôt que des mesures. Les chercheuses et chercheurs peuvent observer des individus ou communiquer avec eux par une multitude de façons afin de mieux comprendre comment ils interagissent entre eux et comment ils conçoivent leur environnement soit à la maison, au travail, dans la communauté, en recevant des soins de santé, etc. La recherche qualitative trouve ses origines dans les sciences sociales, particulièrement en anthropologie, sociologie et psychologie, bien que la perspective qualitative puisse aussi être adoptée dans d’autres disciplines. Les chercheuses et chercheurs en sciences infirmières, par exemple, utilisent couramment des données qualitatives pour étudier certaines expériences vécues par des patientes et patients.

Les données qualitatives peuvent être recueillies au cours d’un seul contact ou par le biais d’interactions sur une plus longue période. Ce qui est retenu est toujours filtré à travers le prisme de l’expérience des chercheuses et chercheurs et de leur interprétation des interactions avec les personnes participantes. Les responsables de la recherche eux-mêmes font donc partie des données. Les données qualitatives sont importantes parce qu’elles fournissent des informations qui ne peuvent être mesurées ou comptées autrement, par exemple, comment la population afghane réfugiée interprète-t-elle les services gouvernementaux en arrivant au Canada ou quelle est l’expérience de compétition d’athlètes paralympiques ou qu’est-ce qui attire certains individus vers des mouvements d’extrême droite.

À quoi ressemblent les données qualitatives ?

Les méthodes les plus courantes pour générer des données qualitatives se font par le biais d’entrevues, de groupes de discussion et d’observations (p. ex., vous pouvez vous entretenir avec des personnes réfugiées sur leurs expériences par le biais d’entrevues individuelles, mener des groupes de discussion avec des athlètes ou observer ce qui se passe lors d’évènements d’extrême droite). Ces méthodes sont courantes parce que les techniques sont assez simples à apprendre et à mettre en pratique. D’autres méthodes comprennent des histoires orales, des journaux personnels de personnes participantes, des photographies/vidéos, des analyses de documents, des artéfacts (p. ex., de la nourriture, des vêtements) et des réponses ouvertes aux questions de sondages.

Ces méthodes peuvent être utilisées en combinaison avec d’autres, entraînant ainsi une interdépendance des jeux de données. Une chercheuse qui s’intéresse à la nature des collaborations entre climatologues peut effectuer des observations lors d’une conférence où elle peut aussi mener des entrevues avec des personnes présentes et recueillir les documents des présentations. Les chercheuses et chercheurs en recherche qualitative tiennent souvent un journal réflexif pour réfléchir à leur positionnement au sein du projet, pour noter de nouvelles idées et pour identifier de nouvelles pistes de questionnement. Les chercheuses et chercheurs peuvent aussi se tourner vers les médias sociaux, en parcourant par exemple les discussions en ligne où les interactions se font librement, sans intervention de leur part. Même si cette méthode est de plus en plus appliquée pour relever une perspective qualitative, le présent chapitre traite plutôt des données recueillies par la chercheuse ou le chercheur.

Bien que les données qualitatives prennent plusieurs formes, l’écrit est la forme la plus courante. Les entrevues et groupes de discussion sont généralement enregistrés avec des appareils audios portatifs; les enregistrements sont ensuite retranscrits pour l’analyse.

Les enregistrements vidéo sont moins courants parce que certaines personnes participantes les considèrent comme plus intrusifs; leur utilisation peut nécessiter plus de démarches pour assurer le consentement des gens. Les vidéos peuvent aussi être plus exigeantes à analyser. Selon les circonstances et les versions, la capture de données d’observation est généralement faite à l’aide de notes écrites à la main ou à l’ordinateur et/ou de notes audios enregistrées sur le terrain (p. ex., les notes écrites peuvent être prises sur les lieux en même temps que des notes audios qui seront retranscrites plus tard).

Le traitement des formes moins courantes de données qualitatives varie énormément. Les copies papier, telles que des procès-verbaux ou des documents de présentation de conférence, ont souvent besoin d’être numérisées avant l’entreposage ou l’analyse. Les journaux personnels des personnes participantes peuvent nécessiter une transcription avant qu’ils puissent être analysés. Les photos numériques peuvent être stockées sous différents formats, selon les besoins ou les préférences de la chercheuse ou du chercheur. Pour ce qui est des artéfacts, la chercheuse ou le chercheur peut décider de les photographier ou de prendre des notes directement à partir des objets eux-mêmes.

Comment les données qualitatives se traduisent-elles en nouvelles connaissances?

Une gestion efficace des données qualitatives exige une compréhension du processus d’analyse. Le biologiste qui mesure les populations de poissons dans les lacs du nord utilisera probablement un logiciel pour faire une analyse statistique des données (p. ex., SPSS, Stata, R). Mais comment la sociologue peut-elle extraire le sens contenu dans une transcription d’entrevue? Il faut souvent travailler de façon inductive, remonter aux données pour identifier des concepts et des tendances plus larges. L’objectif est de regarder au-delà de ce qui a été dit, entendu, observé, photographié, etc. pour relever les idées transversales dans un jeu de données complet. L’analyse des données sous forme textuelle peut comprendre le codage ou l’utilisation de logiciels d’analyse de données qualitatives (p. ex., NVivo, Quirkos). Ces logiciels peuvent traiter de grandes quantités de données, mais ils ne peuvent pas les analyser. C’est le travail de la chercheuse ou du chercheur. De plus, ce n’est pas l’ensemble des chercheuses et chercheurs qui veulent coder ou utiliser des logiciels; quelques personnes préfèrent utiliser des transcriptions papier, des surligneurs, des stylos et des fiches.

À certains égards, les données peuvent représenter ce qu’il y a de plus simple dans le processus de recherche qualitative. Après tout, les transcriptions de discussions de groupe peuvent se ressembler d’une étude à l’autre; des pages de textes sur lesquelles a été consigné ce qui a été dit et par qui. Toutefois, le contenu des discussions est un reflet de la personne qui a mené chacune des études et des raisons qui l’ont poussée à s’engager dans la recherche. Les psychologues et anthropologues sont susceptibles d’aborder le même sujet autrement et de poser des questions différentes. Les données ne prennent leur sens qu’une fois analysées. Ce processus est complexe car il n’existe pas d’ontologie, d’épistémologie, de théorie ou de mode d’analyse unique pour toutes les formes de recherche qualitative. Les chercheuses et chercheurs travaillent à partir de leur propre point de vue; les mêmes données peuvent donc être interprétées de façons différentes selon qui mène l’analyse et à quelles fins.

Comprendre la recherche qualitative

Pour gérer les données qualitatives de façon efficace, vous devez comprendre comment la recherche qualitative est menée. Nous allons considérer les pratiques de recherche qualitative en fonction des données. Le but est de faire le lien entre les données qualitatives et trois éléments clés du processus de recherche : la structure des équipes de recherche, les répercussions de ces structures dans la production des données et le rôle des personnes participantes dans la recherche qualitative.

Contrairement à son équivalent quantitatif qui utilise souvent des processus bien établis (p. ex., des essais cliniques randomisés en recherche médicale, des instruments de sondage validés en psychologie), la recherche qualitative est plus souple et évolutive. Par exemple, les questions d’entrevues peuvent évoluer de façon importante au fil des multiples échanges avec différentes personnes participantes et mener à de nouvelles pistes de questionnement. Il est même possible, en cours de recherche, d’avoir à ajouter ou à éliminer certains types de données (ce serait le cas, par exemple, si les photos s’avéraient moins utiles que prévu). De telles décisions sont rarement prises à la légère, mais le fait que ces décisions puissent être prises reste une caractéristique propre aux recherches qualitatives.

Les équipes de recherche qualitative

La composition des équipes de recherche qui utilisent des approches qualitatives pour recueillir leurs données peut varier considérablement. Elle peut prendre l’une ou l’autre des formes suivantes :

• Une personne responsable de la recherche avec une étudiante ou un étudiant de cycle supérieur (p. ex., un individu ayant reçu une petite subvention pour mener 20 entrevues sur la façon dont les parents monoparentaux gèrent les défis de garde d’enfants);
• Un groupe de recherche au sein d’une université ou d’un département (p. ex., une chercheuse de haut niveau et deux boursiers en recherches postdoctorales qui mènent des groupes de discussion et utilisent des documents de planification urbaine pour étudier les changements proposés aux configurations de circulation urbaine);
• Une équipe plus large de multiples universités qui regroupe différentes disciplines (p. ex., six chercheuses et chercheurs à mi-carrière en techniques énergétiques, en affaires et en psychologie organisationnelle qui utilisent des observations et des entrevues pour explorer les réseaux de communication des équipes chargées de l’installation de parcs éoliens en mer);
• Un groupe composé de chercheuses et chercheurs internationaux et multidisciplinaires dont la collaboration s’étend sur plusieurs pays et terrains d’enquête (p. ex., une trentaine de chercheuses et chercheurs, des membres de la communauté étudiante des cycles supérieurs, du personnel clinique et des malades partenaires qui étudient les impacts de la COVID-19 longue sur la santé au Canada, aux États-Unis et au Royaume-Uni, en utilisant des entrevues, des analyses d’archives médicales et une enquête longitudinale).

Les chercheuses et chercheurs peuvent s’impliquer dans l’un ou plusieurs de ces types d’équipes au fil de leur carrière, mais la plupart finissent par développer une préférence ou des compétences spécialisées pour une ou deux approches précises.

Lorsque la composition d’une équipe de recherche implique plus d’une chercheuse ou d’un chercheur, il y a presque toujours une hiérarchisation des relations et une variété de niveaux de compétences menant à l’attribution de rôles et responsabilités particulières. Comme pour les recherches quantitatives, une personne est désignée chercheuse principale ou un chercheur principal pour diriger le projet et elle peut être appuyée par une ou plusieurs cochercheuses ou cochercheurs. La chercheuse principale ou le chercheur principal détient l’autorité sur l’étude et est redevable aux établissements, aux organisations subventionnaires et aux comités d’éthique à toutes les étapes du projet. Pour les équipes plus importantes, la personne responsable du projet peut avoir que très peu d’implications directes sur les activités de recherche au quotidien, notamment en matière de production et de gestion des données. Les chercheuses et chercheurs en début de carrière (p. ex., les membres de la communauté étudiante des cycles supérieurs et postdoctoraux) sont fréquemment chargés de la collecte, du traitement, de l’organisation et de la protection des données.

Le rapport entre les équipes de recherche et les données

La structure d’une équipe de recherche a des conséquences sur la façon dont la recherche qualitative est menée et sur le type de données générées. Dans ce rapport entre les équipes et les données, deux éléments valent la peine d’être soulignés.

Le premier élément concerne la nature itérative des recherches qualitatives et son impact sur les données. Les données qualitatives sont souvent analysées dès qu’elles sont recueillies, ce qui implique que les données du présent peuvent influencer celles de l’avenir. Par exemple, une chercheuse pourra utiliser ce qu’elle a appris lors d’une entrevue pour déterminer les questions de l’entrevue suivante. Les modifications peuvent être minimes (p. ex., la reformulation d’une question pour la rendre plus claire) ou importantes (p. ex., l’ajout ou le retrait d’une série complète de questions). Les études plus importantes dépendent souvent de séances de récapitulation entre collègues tout au long du processus de collecte des données afin de générer de nouvelles idées, de discuter des défis d’ordre pratique ou d’améliorer les compétences de la chercheuse ou du chercheur. Ainsi, les données qualitatives sont recueillies progressivement et de façon réflexive.

Le deuxième élément de ce rapport entre équipe et données implique l’attribution des rôles et responsabilités à l’intérieur des équipes et la façon dont cette attribution peut influencer les données. Puisque les données qualitatives sont intimement liées aux circonstances de leur collecte, celle ou celui  qui recueille les données aura un impact sur le choix de ce qui est recueilli. À défaut de capturer des détails sur le processus de collecte, les données qualitatives peuvent perdre leur capacité à soutenir des analyses rigoureuses. Par exemple, la transcription des échanges d’un groupe de discussion nécessite l’ajout de détails particuliers sur les personnes participantes (p. ex., l’âge, le travail, le niveau d’éducation) et de notes sur le ton de la discussion et sur la nature des interactions entre les personnes participantes (p. ex., un roulement des yeux ne peut être perçu dans un enregistrement audio).

Si chaque membre d’une équipe de recherche capture et traite les données selon ses propres balises, certaines variations peuvent survenir ou certains détails critiques, être omis. Pour éviter ces dérapages, certains individus peuvent être désignés pour agir à titre de personne responsable de l'intendance des données (idéalement, plus d’une personne devrait être responsable de l’intendance des données au cas où l’une d’elles quitte le projet). Ces gens seront chargés d’assurer une uniformité dans la gestion des données (p. ex., la désignation des fichiers, la structure des dossiers).

Une piste de vérification est une autre pratique utile en recherche qualitative. Cette documentation fait le suivi des activités et de la prise de décisions pendant toute la durée du projet, précisant ce qui s’est passé, à quel moment et pourquoi. Certaines informations seront capturées à même les données, mais pour les projets plus importants, un document distinct accessible par plusieurs membres de l’équipe peut s’avérer nécessaire. L’information enregistrée fait le lien en temps réel entre ce qui se passe au niveau de l’équipe et de la collecte des données. Par exemple, une piste de vérification permet à une équipe de ne pas avoir à se rappeler quand et pourquoi elle a décidé, à mi-parcours d’un projet, d’introduire un nouveau site ou une nouvelle méthode de collecte de données. Malheureusement, peu de normes existent sur la façon de créer et de gérer de tels documents en recherche qualitative. Comme nous le verrons en fin de chapitre, ce genre de défi peut être abordé en réunissant des chercheuses et chercheurs et des spécialistes des données.

La dimension sociale de la recherche qualitative

Un survol du processus de recherche qualitative ne peut être complet sans discuter du rôle des personnes qui participent à une étude. La recherche qualitative est de nature relationnelle, c’est-à-dire que les chercheuses et chercheurs doivent souvent interagir directement avec les gens qui prennent part à l’étude. La relation peut être passagère, comme dans le cas d’entrevues uniques menées par téléphone. Cela dit, même ces échanges peuvent nécessiter des efforts pour qu’un bon rapport soit établi au cours de l’étape de recrutement.  L’établissement de bons rapports est essentiel pour les études qui impliquent des contacts réguliers et prolongés. Il est d’autant plus critique lorsque les chercheuses ou chercheurs doivent interagir avec des personnes de communautés marginalisées ou stigmatisées qui hésitent à participer à des recherches de peur que des informations sensibles soient divulguées ou que leurs données soient utilisées contre elles ou leur communauté. Bien que des mécanismes éthiques de surveillance soient en place pour régir ce type de relation, la complexité des rapports demeure réelle dans la pratique. Quand un rapport étroit devient-il trop étroit? À quel point faut-il croire les informations transmises par les personnes participantes? Un témoin privilégié est-il représentatif de sa communauté ou est-il un cas particulier? Pour bien aborder ces préoccupations, les chercheuses et chercheurs doivent poser un regard critique sur leur rôle dans le processus de recherche et sur leur impact sur les données.

La production des données

La production des données qualitatives comporte son lot de défis. Les chercheuses et chercheurs doivent se conformer à diverses exigences (p. ex., éthiques, institutionnelles, professionnelles) qui gouvernent leurs choix et leurs actions, sans compter les nombreux défis inhérents à l’étude de l’être humain dans un contexte naturaliste. Nous discuterons de la gouvernance en matière de production des données qualitatives et nous aborderons trois questions particulières qui influent sur la façon dont les données sont recueillies : le recrutement des personnes participantes, le lieu du terrain d’enquête et l’évolution du rapport entre les personnes qui participent à l’étude et leurs données.

La gouvernance liée à la production des données

Pour toute recherche qualitative, les données ne sont jamais générées sans une quelconque forme d’autorisation ou d’exemption. Outre l’obtention du consentement éclairé des personnes participantes, l’approbation éthique est l’autorisation la plus importante. Pour l’obtenir, les chercheuses et chercheurs doivent soumettre les détails de l’étude à un comité d’éthique indépendant, précisant notamment le type de données à recueillir, les moyens prévus pour l’organisation et le stockage ainsi que les mesures pour assurer que la décision des personnes de contribuer aux données soit prise de façon éclairée. Lorsque les études impliquent des êtres humains, les chercheuses et chercheurs au Canada (y compris la communauté étudiante de premier cycle et des cycles supérieurs) doivent généralement suivre le cours EPTC 2 : FER-2022 avant de recevoir une approbation éthique. La formation présente les obligations des chercheuses et chercheurs lors de la collecte et de la manipulation des données, en plus des droits des gens qui participent à l’étude.

Lorsqu’une étude a reçu son approbation éthique, les chercheuses et chercheurs doivent respecter leurs engagements. Toute modification (p. ex., aux méthodes de recrutement ou à l’ampleur des données recueillies) doit être soumise et approuvée avant d’être mise en œuvre. L’approbation éthique accompagne aussi d’autres exigences en matière de données, dont celles en place dans les universités (p. ex., la durée de conservation des données). Les données générées à l’extérieur de ces balises sont inutilisables.

Dans certains cas, la collecte des données ne nécessite pas d’approbation éthique, par exemple lorsqu’une étude qualitative est menée pour évaluer un service ou pour mettre en place une initiative d’amélioration de la qualité. Cette approche peut être utilisée dans des recherches en santé qui n’implique pas des gens du public et qui comporte peu de risques pour les personnes participantes (p. ex., le personnel clinique) comme dans le cas d’une étude sur l’expérience des physiothérapeutes dans le traitement de leur clientèle en fauteuil roulant. Un outil d’évaluation peut être utilisé pour déterminer si une évaluation éthique complète est nécessaire (p. ex., ARECCI). Bien que la production des données soit moins rigide dans le cas d’évaluations de service (p. ex., le consentement éclairé n’est pas toujours exigé), elle est rarement moins rigoureuse. Les données ressemblent à celles de toute autre étude qualitative et sont généralement analysées et rapportées de la même façon.

Les défis courants

La production des données n’est pas toujours sans embûches. Deux défis particuliers reviennent souvent – le recrutement et l’emplacement du terrain d’enquête – tandis qu’un troisième est en évolution : le rapport des personnes participantes avec leurs données de recherche.

Le recrutement

Les données qualitatives ne peuvent exister sans participantes ou participants. Les méthodes mises en place pour le recrutement et le suivi des individus dans l’étude se traduisent dans leurs données. Les personnes participantes doivent d’abord être identifiées, un processus parfois long et exigeant. Les échantillons d’une étude doivent parfois tenir compte de facteurs tels que l’âge, le genre ou l’éducation. La collecte des détails liés au processus de recrutement peut aider à donner un sens aux données. Le choix des détails recueillis peut varier d’une étude à l’autre, mais les éléments suivants seront probablement inclus :

• la personne qui a été contacté, combien de fois et comment elle ou il a répondu;
• les renseignements personnels/professionnels de l’individu (p. ex., le rôle clinique, ses pronoms);
• les dates, heures et détails de la collecte des données (p. ex., le nom de la chercheuse ou du chercheur, le lieu du terrain d’enquête);
• l’état des données (p. ex., transcrites, anonymisées, prêtes pour l’analyse);
• les restrictions liées à l’utilisation des données (p. ex., si un participant ne veut pas être directement cité);
• la possibilité d’un contact subséquent.

Tous les registres de recrutement doivent demeurer confidentiels et conservés séparément des données afin de prévenir la réidentification. Les détails de recrutement ne sont généralement pas considérés comme des données, mais ils peuvent constituer une forme importante de métadonnées. De telles informations peuvent mettre en lumière, par exemple, le moment où un témoin privilégié s’est joint à l’étude ou si l’entrevue a eu lieu avec une professeure ou son assistant. Ce type de détail n’est pas toujours recueilli dans les données.

Le lieu du terrain d’enquête

Le deuxième défi en production des données concerne le lieu du terrain d’enquête. Les chercheuses et chercheurs se rendent souvent là où sont les personnes participantes, ce qui comporte son lot d’obstacles. Imaginez que vous êtes chercheuse ou chercheur dans un lieu insolite (p. ex., une communauté isolée de l’Arctique, un campement urbain sous la tente, le département des urgences d’un hôpital à deux heures du matin) et posez-vous les questions suivantes:

• Comment vais-je recueillir les données? (p. ex., avec une enregistreuse audio, du papier et un stylo, des photos)
• Quels sont mes recours si mon moyen de collecte ne fonctionne pas? (p. ex., les piles s’épuisent, le stylo n’écrit plus dans le froid)
• Comment vais-je numériser, sécuriser et/ou faire une sauvegarde de mes données? (p. ex., l’envoi d’enregistrements pour la transcription nécessite une connexion Internet sécurisée)
• Comment vais-je partager mes données avec les autres membres de l’équipe?
• Les données auront-elles besoin d’être traduites? Comment puis-je assurer la confidentialité et l’intégrité des données tout au long du processus?

Certes, les chercheuses et chercheurs en recherche quantitative font face à des défis semblables, mais leurs homologues qualitatifs ont la difficulté supplémentaire d’avoir à recueillir des données personnelles identifiables et potentiellement sensibles, ajoutant ainsi à la complexité du travail sur le terrain.

Les personnes participantes et leurs données

Les données ne sont plus perçues comme un élément sur lequel les personnes participantes ont peu de contrôle. Quelques participantes et participants (p. ex., du personnel clinique ou des fonctionnaires qui prennent part aux recherches dans l’exercice de leurs fonctions) demandent de réviser ou de modifier leurs données avant de consentir à leur utilisation. Ces demandes restent peu fréquentes, ce qui explique pourquoi le suivi des modifications aux données (p. ex., des révisions apportées à une transcription d’entrevue) s’avère compliqué et pourquoi il y a si peu de meilleures pratiques.

Ce lien entre la personne participante et ses données évolue de façon importante. L’idée que l’individu qui participe à une recherche a le droit d’être informé des conclusions résultant de ses données se répand de plus en plus dans les débats éthiques. Des questions sur l’accès aux données qualitatives pour une analyse secondaire sont également soulevées. Dans quelle mesure les personnes participantes  devraient-elles avoir leur mot à dire sur la manière dont leurs données sont utilisées aujourd’hui ou à l’avenir? Et quelles sont les implications éthiques, juridiques et sociales de ces choix pour les chercheuses et chercheurs?

Une des approches proposées est le consentement dynamique; il permet aux participantes et participants de recherche de maintenir un lien avec leurs données sur une plus longue période et de revenir sur leur décision de consentir (selon leur souhait). Quand des transcriptions d’entrevues sont déposées dans des dépôts de données (p. ex., Borealis au Canada, Qualitative Data Repository à l’Université Syracuse et UK Data Service au Royaume Uni), l’accès est souvent réduit étant donné la nature identifiable du matériel. Le consentement dynamique permet à d’autres chercheuses ou chercheurs de communiquer avec des gens qui ont participé à d’anciennes études pour leur demander la permission de réutiliser leurs données à de nouvelles fins. Les patientes et patients ainsi que les familles qui ont participé à une quelconque étude (p. ex., les maladies rares) cherchent souvent à maximiser l’utilisation de leurs données, dans l’espoir que leurs efforts puissent contribuer à une percée médicale. Bien que le consentement dynamique soit principalement utilisé pour les données quantitatives, le concept sous-jacent reflète des changements plus larges dans la relation entre les personnes qui participent à la recherche et toutes les formes de données.

Les données de recherche qualitative dans le contexte de la GDR

Cette dernière section nous rappelle la discussion du début : la nécessité de tenir compte des spécificités des données qualitatives dans les principes, les politiques, les stratégies et les pratiques de GDR.

Le traitement des données d’entrevues

Les données qualitatives n’arrivent pas d’emblée prêtes à être analysées. Un traitement considérable est presque toujours nécessaire et chacune de ces étapes peut créer des versions supplémentaires d’une même donnée principale; les pratiques de GDR peuvent donc être aussi itératives que la recherche qu’elles appuient.

Dans l’exemple suivant, le tableau fait le suivi des modifications d’une seule entrevue, entre le moment où la discussion est enregistrée et celui où les données sont prêtes à être analysées (dans ce cas-ci, elles sont codifiées en utilisant le logiciel NVivo). Chaque rangée représente la création d’un nouveau fichier.

Ce tableau illustre les différentes versions d’une seule transcription. La plupart ne sont que des versions transitoires, bien que cet exemple soit assez sommaire. Plusieurs différents facteurs peuvent ajouter à la complexité du traitement de données d’entrevues. Il s’agit notamment des facteurs suivants :

• les personnes participantes qui sont rencontrées plus d’une fois;
• les entrevues qui doivent être traduites pendant ou après la transcription;
• les transcriptions qui doivent être accompagnées d’autres fichiers de données (p. ex., des notes ou des photos prises sur le terrain, associées à la même personne participante).

Le traitement des données n’est pas toujours aussi complexe que dans l’exemple de travail ci-haut. Pendant des décennies, les recherches qualitatives ont intégré des approches à la fois simples et efficaces. Cela dit, il y a toujours place à l’amélioration, particulièrement avec l’émergence de nouvelles exigences en GDR. Le savoir ouvert (open scholarship) exige des chercheuses et chercheurs que leur gestion des données qualitatives se fasse, dans la mesure du possible, selon des modalités compatibles avec l’excellence en recherche, mais aussi avec la perspective du partage et de la réutilisation des données. Cette transition peut avoir des conséquences sur deux pratiques encore peu courantes en recherche qualitative : les métadonnées et l’archivage des données.

Joindre des métadonnées aux données de recherches qualitatives peut être problématique puisque ce type de données nécessite des détails contextuels. Cependant, le contexte peut mener à l’identification des personnes participantes. Comment les données peuvent-elles être adéquatement décrites sans compromettre la confidentialité? Des métadonnées qui indiquent, par exemple, que des données proviennent d’une étude sur les perspectives de cliniciennes et cliniciens qui fournissent des soins de compressothérapie dans une clinique communautaire sont probablement trop simples. Indiquer que les personnes participantes font partie du corps infirmier ayant suivi la même formation spécialisée, que la clinique joue un rôle de premier plan dans le développement d’une approche innovante pour les vêtements de compression et que les patientes et les patients souffrent tous de diabètes de type 2 accroît l’utilité des données. Toutefois, de tels détails augmentent les risques de divulgation et de réidentification. Le problème est moins grand dans le cas de métadonnées utilisées par des chercheuses ou chercheurs en solo ou à l’intérieur des équipes de recherche lors de la collecte et l’analyse de données primaires. Mais qu’en est-il des métadonnées utilisées pour faciliter l’analyse secondaire par la communauté de recherche externe? Les normes spécifiques aux métadonnées dans le contexte des recherches qualitatives sont difficiles à trouver. En 2023, la question est moins pressante, puisque les données qualitatives sont encore rarement conservées dans des dépôts de données et encore moins accessibles sans restriction.

Plusieurs chercheuses et chercheurs en recherche qualitative hésitent à archiver leurs données et à les ouvrir pour la réutilisation. En plus, les organismes subventionnaires ne les y obligent pas. Le partage des données qualitatives soulève aussi des questions liées au recrutement; la majorité des chercheuses et chercheurs s’engagent auprès de leurs participantes et participants à rendre leurs données accessibles uniquement aux membres de l’équipe de recherche. Ces pratiques sont susceptibles d’évoluer à mesure que les principes d’ouverture des données s’intègrent dans des disciplines plus qualitatives et que les attentes des organismes subventionnaires changent. Nous constatons déjà ce phénomène dans le mouvement de souveraineté des données autochtones, ce qui suscite des questions fondamentales sur les métadonnées et leur propriété (pour plus d’informations, consultez le chapitre 3, « Souveraineté des données autochtones » ). De nombreuses préoccupations semblables sont soulevées par et au sujet d’autres groupes identifiables de la société. Qui faut-il consulter, par exemple, quand des décisions de GDR doivent être prises sur la collecte de données auprès de communautés religieuses ou de minorités ethniques? Qui décide de la façon dont ces données seront décrites, archivées, et possiblement réutilisées? Lisez le chapitre 12 « Planification de la gestion des données pour les processus de travail en science ouverte » pour en savoir plus sur les données ouvertes.

Pour terminer, le plus important des défis illustrés avec l’exemple de travail précédent est de déterminer laquelle des versions des données constitue la version définitive. Les enregistrements originaux sont les plus fidèles et descriptifs, mais ils sont plus susceptibles de mener à la réidentification des personnes participantes. Les transcriptions vérifiées et anonymisées semblent donc le choix le plus sûr, mais comment s’assurer du retrait complet de tout détail identifiant? Les versions intermédiaires sont-elles conservées et si oui, pendant combien de temps? Si un établissement hôte oblige que les données soient conservées pendant une période de cinq ans suivant la fin de l’étude, est-ce obligatoire pour l’ensemble des versions ou certaines d’entre elles peuvent être supprimées? Ce type de questionnement peut s’appliquer à tout type de données générées en recherche qualitative, rendant ainsi la gestion des données qualitatives extrêmement complexe.

Un modèle de coproduction de GDR et de données qualitatives

L’exemple de travail vu plus tôt incite à se demander : est-ce que la gestion efficace des données qualitatives est réaliste dans le contexte des principes, des politiques, des stratégies et des pratiques de GDR. L’apparition de certaines initiatives suggère que oui, notamment les principes de PCAP® des Premières Nations, une structure significative d’envergure dont la mise en pratique est en cours et dont les détails sont précisés dans le chapitre 3, « Souveraineté des données autochtones. » Comment atteindre l’objectif d’une gestion efficace des données qualitatives? Règle générale, les chercheuses et chercheurs en recherche qualitative n’ont pas les compétences nécessaires en gestion de l’information pour l’établissement de meilleures pratiques en GDR. Inversement, les bibliothécaires, archivistes et gestionnaires de données sont souvent moins versés sur les complexités des données qualitatives et les processus de recherche qui y sont associés.

En 2020, alors que je travaillais sur une étude portant sur la coproduction dans le domaine de la santé, j’ai assisté à une session de formation en GDR qui, une fois de plus, ne tenait pas compte de mon type de recherche ou de mes préoccupations en matière de gestion des données. Toutefois, je me suis rendu compte à quel point les champs de compétences des chercheuses et chercheurs et des spécialistes des données/de l’information étaient complémentaires. En faisant équipe, un meilleur système de gestion des données qualitatives pourrait être créé.

Pour être efficace, la coproduction doit être hautement collaborative et faire appel à ce qui se fait de mieux dans chacun des domaines. Terminons donc notre discussion sur les avenues potentielles d’une telle coopération :

• Les chercheuses et chercheurs qualitatifs seraient responsables des éléments suivants:
  • s’assurer que les partenaires en GDR comprennent bien les données qualitatives et les processus de recherche;
  • garantir l’uniformité des pratiques de gestion des données à travers les équipes de recherches et maximiser la valeur analytique des données;
  • trouver les fonds nécessaires pour couvrir les coûts du projet associé à la GDR (p. ex., l’embauche d’une personne qualifiée en archivistique ou en recherche);
  • faire la promotion du partage des données dans la culture de recherche;
  • faire appel à leur propre réseau et statut professionnel pour informer les organismes subventionnaires et les établissements de la nature des défis et des coûts inhérents à la gestion de données qualitatives;
• Les bibliothécaires, archivistes et autres spécialistes des données seraient responsables des éléments suivants :
  • appliquer les principes de bibliothéconomie, de sciences des données / de l’information et des meilleures pratiques à la gestion des données qualitatives;
  • soutenir les chercheuses et chercheurs dans la création de jeux de données finaux (avec les métadonnées qui y sont associées) qui répondent ou dépassent les exigences d’excellence en recherche;
  • faire appel à leurs relations professionnelles pour rester au courant et pour faire circuler des développements en matière de pratiques de GDR qualitatives;
• Les deux groupes seraient conjointement responsables des éléments suivants:
  • établir et promouvoir des normes efficaces en gestion des données qualitatives;
  • développer et dispenser des formations en GDR;
  • faire la promotion d’une plus grande inclusivité de toutes les formes de données de recherche dans les futurs principes et futures politiques, stratégies et pratiques de GDR.

Conclusion

L’époque actuelle est à la fois excitante et frustrante pour les personnes impliquées dans la gestion de données de recherche qualitatives. Les opportunités d’avancement de nouveaux principes, politiques, stratégies et pratiques ne manquent pas. En même temps, la plupart des chercheuses et chercheurs en recherche qualitative peinent à se retrouver dans les structures actuelles de GDR. Les établissements, les organismes de financement et les spécialistes de GDR doivent s’atteler à trouver des moyens de répondre aux besoins de la communauté de recherche. Même si les données qualitatives ne sont pas particulièrement uniques (après tout, elles sont régulièrement utilisées en collaboration avec d’autres types de données de recherche), elles sont quand même distinctes à plusieurs égards. De telles complexités font ressortir non seulement les limites des approches plus globales de GDR, mais aussi la nécessité d’élargir la gestion des données pour mieux intégrer toutes les disciplines, les domaines de recherche et les méthodes d’enquête.

Remerciements

Le Dr Minion remercie sincèrement la Dre Naomi Adelson et la Dre Tamara McCarron pour leurs précieux commentaires sur les versions antérieures de ce chapitre.

Lectures et ressources supplémentaires

Adelson, N. et Mickelson, S. (2022). The Miiyupimatisiiun research data archives project: Putting OCAP® principles into practice. Digital Library Perspectives, 38(4), 508-520.

Budin-Ljøsne, I., Teare, H. J. A., Kaye, J., Beck, S., Bentzen, H. B., Caenazzo, L., Collett, C., D’Abramo, F., Felzmann, H., Finlay, T., Javaid, M.K., Jones, E., Katić, V., Simpson, A. et Mascalzoni, D. (2017). Dynamic consent: A potential solution to some of the challenges of modern biomedical research. BMC Medical Ethics, 18(1), 1-10. https://doi.org/10.1186/s12910-016-0162-9

Chauvette, A., Schick-Makaroff, K. et Molzahn, A. E. (2019). Open data in qualitative research. International Journal of Qualitative Methods, 18, 1-6. https://doi.org/10.1177/160940691882386

Corti, L. (2019). Archiving qualitative data. Dans P. Atkinson, S. Delamont, A. Cernat, J.W. Sakshaug et R.A. Williams (dir.), SAGE Research Methods Foundations. SAGE Publications. https://dx.doi.org/10.4135/9781526421036813114

Cummings, J. (2018, 11 mars). The double lives of gay men in China’s Hainan province. The Conversation. https://theconversation.com/the-double-lives-of-gay-men-in-chinas-hainan-province-153945

Diaz, P. (2021). Introduction: Archiving qualitative data in practice: Ethical feedback. Bulletin of Sociological Methodology, 150(1), 7-27. https://doi.org/10.1177/0759106321995678

DuBois, J. M., Strait, M. et Walsh, H. (2018). Is it time to share qualitative research data? Qualitative Psychology, 5(3), 380-393. https://doi.org/10.1037/qup0000076

Mannheimer, S., Pienta, A., Kirilova, D., Elman C. et Wutich, A. (2019). Qualitative data sharing: Data repositories and academic libraries as key partners in addressing challenges. American Behavioral Scientist, 63(5): 643-664. https://doi.org/10.1177/0002764218784991

Moon, K. et Blackman, D. (2014). A guide to understanding social science research for natural scientists. Conservation Biology, 28(5), 1167-1177. https://doi.org/10.1111/cobi.12326

Pels, P., Boog, I., Florusbosch, J. H., Kripe, Z., Minter, T., Potsma, M., Sleeboom-Faulkner, M., Simpson, B., Dilger, H., Schönhuth, M., Poser, A., Castillo, R. C. A., Lederman, R. et Richards-Rissetoo, H. (2018). Data management in anthropology: The next phase in ethics governance? Social Anthropology, 26(3), 391-396. https://doi.org/10.1111/1469-8676.12526

Saunders, B., Kitzinger, J. et Kitzinger, C. (2015). Anonymising interview data: Challenges and compromise in practice. Qualitative Research, 15(5), 616-632. https://doi.org/10.1177/1468794114550439

Steinhardt, I., Fischer, C., Heimstädt, M., Hirsbrunner, S. D., Ikiz-Akinci, D., Kressin, L., Kretzer, S., Möllekamp, A., Porzelt, M., Rahal, R., Schimmler, S., Wilke, R. et Wünsche, H. (2021). Opening up and sharing data from qualitative research: A primer. https://www.ssoar.info/ssoar/bitstream/handle/document/74039/ssoar-2021-steinhardt_et_al-Opening_up_and_Sharing_Data.pdf

Suter, W. N. (2012). Qualitative data, analysis, and design. Introduction to Educational Research, 2, 342-386.

Van den Eynden, V. et Chatsiou, K. (2011). Data management for qualitative data: Using NVivo 9. https://dam.ukdataservice.ac.uk/media/622387/ukda-datamanagement-nvivo.pdf

Wang, C. et Burris, M. A. (1997). Photovoice: Concept, methodology, and use for participatory needs assessment. Health Education & Behavior, 24(3), 369-387. https://doi.org/ 10.1177/109019819702400309.

Dr. Alisa Beth Rod et Dr. Biru Zhou

Introduction

La première étape dans la gestion des données de recherche quantitatives en sciences sociales est de revoir la conception générale de la recherche et d’identifier où les pratiques de gestion des données de recherche (GDR) peuvent être appliquées pour faciliter la recherche et renforcer les résultats de la recherche. La plupart des recherches quantitatives en sciences sociales suivent la conception des études scientifiques. Ces conceptions aident les chercheuses et chercheurs à générer des questions, à formuler des hypothèses et des prédictions concrètes, à concevoir le projet de recherche, à recueillir et analyser les données de recherche et à documenter les résultats pour communiquer les conclusions au public. Pour contextualiser la GDR dans le monde de la recherche quantitative en sciences sociales, il est important de bien comprendre le processus et le flux de travail de ce genre de projets de recherche. La prochaine section donnera un aperçu des études quantitatives en sciences sociales, ce qui servira de contexte pour les sections suivantes qui traiteront de la gestion des données quantitatives en sciences sociales.

Aperçu des recherches quantitatives en sciences sociales

Les chercheuses et chercheurs qui font de la recherche quantitative en sciences sociales utilisent deux approches générales fondamentales qui peuvent avoir des incidences sur la collecte et la gestion des données. Une de ces approches est la conception descriptive qui vise à explorer un phénomène ou une observation pour décrire un effet (de Vaus, 2001). Les recherches descriptives courantes comprennent des études menées par des gouvernements (p. ex., les niveaux de revenu des ménages, l’utilisation des bibliothèques municipales, les plaintes liées au bruit, le trafic à proximité des centres urbains au fil du temps, etc.). L’objectif des recherches descriptives est de décrire des phénomènes sociaux, économiques ou politiques sans s’attarder sur les causes de ces phénomènes. Des questions de recherche qui utilisent la conception descriptive peuvent comprendre :

• Quel est le niveau de pauvreté des communautés rurales?
• Le niveau d’inégalité sociale est-il en croissance ou en déclin à travers Montréal?
• À Toronto, à quel endroit les gens sont-ils plus susceptibles d’être arrêtés et reconnus coupables d’une infraction?
• Qui est le plus susceptible d’être arrêté et reconnu coupable d’une infraction en Alberta?

Une autre approche utilisée par les chercheuses et chercheurs pour étudier des phénomènes sociaux est la conception explicative qui vise à expliquer un phénomène ou une observation afin de comprendre un effet (de Vaus, 2001). Les études explicatives se préoccupent de comprendre la ou les cause(s) d’un phénomène social, économique ou politique. Les études explicatives sont la suite logique des recherches descriptives établies. Par exemple, si une étude descriptive établit que le taux d’expulsion d’un quartier particulier est nettement plus élevé que celui de tous les autres quartiers, on pourrait vouloir mener une étude explicative pour mieux comprendre les raisons ou les causes de cet écart. Des questions de recherches qui utilisent la conception explicative peuvent comprendre :

• Pourquoi le taux d’expulsion de la Ville Y est-il plus élevé que toute autre ville canadienne?
• Pourquoi les autobus scolaires de la Communauté Z sont-ils considérablement en retard?
• Pourquoi le taux de pauvreté de la Communauté X est-il le plus élevé du Manitoba?

Peu importe l’approche utilisée dans l’étude, la première étape du processus de recherche est de formuler une question ou un ensemble de questions de recherche. La question de recherche exprime l’objectif de l’étude sous forme interrogative. La liste suivante énumère certains exemples de structure pour une question de recherche potentielle (avec x, y et z qui remplacent les concepts) :

• Quel est le lien entre x et y?
• De quelle façon l’emplacement de x a-t-il un effet sur y?
• Quels facteurs structurels ou démographiques peuvent prédire x, y et z?
• Pourquoi x a-t-il un effet sur y?

Voici quelques exemples de ces mêmes questions en y intégrant des concepts sociaux réels :

• Quel est le lien entre la pauvreté et l’éducation?
• De quelle façon l’emplacement des bibliothèques municipales a-t-il un effet sur la cohésion d’une communauté?
• Quels facteurs structurels ou démographiques peuvent prédire le chômage, l’insécurité économique et les besoins en logements sociaux?
• Pourquoi la personnalité a-t-elle un effet sur la susceptibilité à l’effet de cadrage?

La question de recherche encadrera les étapes suivantes dans la conception et dans la mise en œuvre d’une étude quantitative en sciences sociales, comme indiqué dans le tableau ci-dessous. Cliquez sur les titres pour explorer les différentes étapes d’un processus typique de recherche quantitative en sciences sociales :

Processus de recherche quantitative en sciences sociales

De bonnes pratiques de GDR sont pertinentes pour toutes les étapes d’un projet typique de recherche quantitative en sciences sociales, de la planification jusqu’à la publication des résultats de la recherche. Les plans de gestion des données sont des outils importants qui aident les chercheuses et chercheurs à réfléchir au traitement de leurs données de recherche tout au long des différentes étapes du processus de recherche. Dans la section suivante, nous partagerons les considérations de GDR qui s’appliquent particulièrement au travail avec les données quantitatives en sciences sociales.

La gestion des données de recherche quantitatives en sciences sociales : fichiers, formats et documentation

Les données quantitatives en sciences sociales ne comportent pas de différences inhérentes aux autres types de données quantitatives sauf en ce qui concerne leur(s) source(s) et l’objet des données. Les données quantitatives correspondent à des données numériques qui sont mesurées selon une échelle d’intervalles ou de rapport, ou des variables catégoriques qui sont codées avec des variables factices ou converties selon une échelle ordinale. La méthode la plus courante de collecte de données quantitatives originales en sciences sociales se fait par le biais d’outils de sondage.

Un outil de sondage, ou questionnaire se rapporte à une série de questions posées à une certaine population.  Le but est de mesurer un ou plusieurs concepts. Un questionnaire de sondage peut inclure des items ou des questions qui opérationnalisent les différents concepts – c’est-à-dire qui transforment des concepts abstraits en variables et en indicateurs mesurables et quantifiables.

En plus des données de sondage, plusieurs chercheuses et chercheurs en sciences sociales dépendent de données administratives. Les données administratives sont des données recueillies par des organismes ou des agences gouvernementales à des fins administratives (c’est-à-dire, qui n’ont pas d’objectifs de recherche, mais qui visent plutôt à administrer ou à évaluer des services, des produits ou des biens). Des exemples de données administratives peuvent comprendre des statistiques d’état civil (p. ex., les taux de natalité et de mortalité), des dossiers de ressources humaines, des renseignements fiscaux personnels ou municipaux, des budgets, des emplacements de services publics et des bénéficiaires de programmes de services sociaux. Il est important de noter que les données administratives qui ne sont pas accessibles au public sont généralement régies par des licences ou des contrats qui peuvent avoir un impact sur le partage et/ou le dépôt des données. Cette question a été examinée plus en détail au chapitre 13, « Les données sensibles. »

Dans votre pratique de GDR, vous devez tenir compte des licences sur les jeux de données lorsque vous planifiez la manière dont ils pourraient être partagés ou déposés à la fin du projet. Par exemple, certains contrats ou licences peuvent déterminer si, à la fin de la recherche, le jeu de données utilisé peut être partagé pour un processus d’évaluation par les pairs à des fins de vérifications des conclusions ou s’il peut être déposé à des fins de réutilisation par d’autres chercheuses ou chercheurs. Rappelez-vous ce que vous avez appris au sujet des licences et du partage des données dans le chapitre 12, « Planification de la gestion des données pour les processus de travail en science ouverte. »

Que les données soient issues d’enquêtes originales ou de sources administratives, les spécialistes en sciences sociales quantitatives recueillent et entreposent leurs données, la plupart du temps, dans un format tabulaire.

En règle générale, les données tabulaires sont organisées de telle façon que chaque rangée représente une observation (p. ex., un participant, un quartier, un immeuble, une année) et chaque colonne représente une variable (p. ex., l’information qui varie à travers les différentes observations). Nous discuterons de formats alternatifs de données tabulaires (p. ex., long versus large) dans la section suivante.

Il existe plusieurs bonnes pratiques en lien avec l’organisation d’un jeu de données tabulaires. L’une d’entre elles est l’élimination des espaces dans les variables, les fichiers et les noms des observations puisque les ordinateurs peinent à interpréter les espaces vides lors de l’automatisation des tâches. Une autre bonne pratique en matière d’attribution de noms est de limiter la longueur du nom des variables; l’utilisation de huit caractères ou moins empêche que le nom soit coupé ou abrégé par les logiciels d’analyse des données. Définir ainsi le nom des variables, vous permettra d’améliorer l’interopérabilité et la réutilisation éventuelle des données par d’autres logiciels.

Il arrive souvent que le nettoyage des données soit nécessaire avant d’analyser, partager ou déposer des données; ce sujet est abordé dans les chapitres 7 (« Le nettoyage de données dans le processus de gestion des données de recherche » ) et 8 (« Nouvelles aventures en nettoyage des données » ). En nettoyant vos données, vous allez aussi vouloir créer une documentation pour les accompagner, y compris une version codée des noms de vos variables et/ou de vos observations ainsi qu’un guide de codification connexe dans un document distinct. Les espaces dans les noms de fichiers ou dans les en-têtes de tableaux peuvent causer certains logiciels ou applications à planter ou peuvent entraîner des erreurs lors de l’ouverture ou de l’utilisation des fichiers. Par exemple, dans un environnement de ligne de commandes, les espaces sont utilisés comme séparateurs. Pour éviter les espaces vides, utilisez la notation chameau (ChaqueMotCommenceParUneMajuscule) ou le trait de soulignement (entre_les_mots) afin de créer des codes qui peuvent être lus par ordinateur.

Prenons par exemple le cas d’une chercheuse qui mène une enquête auprès de la communauté étudiante au premier cycle pour en savoir plus sur les coûts associés au matériel de cours. Le sondage comprend un des items suivants : « Au cours du semestre précédent, étiez-vous inscrit à des cours qui impliquaient des dépenses liées à des déplacements à l’intérieur de la grande région de Calgary? » Ce ne serait pas utile d’inscrire intégralement cette question dans la colonne du tableau. La chercheuse peut donc créer une version codée ou abrégée telle que « FraisTransport » qui remplacera la question intégrale dans l’en-tête de colonne et le nom de la variable dans le jeu de données. Pour garder la trace de ces remplacements ou codes, la meilleure pratique prône la création d’un guide de codification sous forme de document textuel distinct qui fait le lien entre les codes abrégés et les questions originales complètes du questionnaire.

En plus de faire le lien entre les codes et les noms complets des variables ou les items de questionnaire, un guide de codification peut aussi contenir des informations sur les données manquantes et les étiquettes ou valeurs de l’étendue des réponses pour une question particulière. Par exemple, si les réponses potentielles d’une question sont « oui », « non » et « je ne sais pas », la chercheuse pourrait utiliser des codes numériques avec des étiquettes de valeurs pour faire une analyse quantitative des réponses. Le guide de codification peut contenir ces informations en indiquant que « oui » est codé comme 3, « non » est codé comme 2 et « je ne sais pas » comme 1.

Le tableau suivant représente un exemple des informations pouvant se retrouver dans le guide de codification de ce sondage :

Lorsque plusieurs variables ont les mêmes options de réponses – telles que « FraisTransport » et « FraisManuels » dans l’exemple ci-dessus – il est important d’uniformiser les valeurs pour les choix de réponses de ces variables afin d’éviter toute confusion au cours de la phase d’analyse du projet.

Il n’est pas rare que des laboratoires ou des équipes de recherche mènent simultanément plusieurs projets de recherches sur des sujets semblables en utilisant des mesures semblables. Prenons comme exemple deux études semblables qui sont menées en parallèle sur l’impact de la violence en milieu de travail sur des membres du personnel atteints de symptômes du trouble de stress post-traumatique (TSPT). L’une des recherches peut explorer l’intimidation en milieu de travail comme cause des symptômes du TSPT chez les membres du personnel et l’autre peut se pencher sur la violence physique de la part de la clientèle comme cause des symptômes du TSPT chez les membres du personnel. Dans ce cas-ci, les deux études mesurent les symptômes du TSPT. Pour améliorer l’interopérabilité à l’intérieur de l’équipe de recherche, il est important de maintenir à travers les deux études une uniformité dans  l’attribution des noms et des codes des mesures du TSPT. Le guide de codification – qui fait partie de la documentation associée au jeu de données, idéalement accompagné d’un fichier LISEZ-MOI et/ou de métadonnées – est essentiel quand une chercheuse ou un chercheur prévoit de partager ou déposer son jeu de données auprès de la communauté de recherche ou de l’ouvrir au public. Il serait impossible d’utiliser le jeu de données sans connaître les définitions de chacune des variables (pour de plus amples exemples, consultez la ressource What is a Codebook du Inter-university Consortium for Political and Social Research (ICPSR), qui donne une description sommaire d’un guide de codification et présente quelques exemples de structures typiques).

Nommer les variables et les fichiers ainsi que définir des versions quantitatives de constructions sociales ou comportementales abstraites peut être complexe. Un des éléments clés dans la GDR pour les disciplines quantitatives, dont les sciences sociales, implique l’établissement de conventions pour le nommage des fichiers et la hiérarchie des répertoires de fichiers en utilisant un plan de gestion des données (PGD). Un PGD est un important outil de gestion de projet pour la documentation des conventions de nommage de fichiers, surtout lorsqu’il est question de données quantitatives qui peuvent comporter plusieurs versions différentes d’un jeu de données en format tabulaire avec des fichiers de code ou des scripts qui peuvent être nécessaires au nettoyage ou à l’analyse des jeux de données.

Les conventions de nommage des fichiers en sciences sociales quantitatives ne diffèrent pas forcément de celles des autres disciplines. Il est nécessaire d’y inclure suffisamment d’informations pour permettre d’identifier un fichier de façon précise et de bien distinguer les différentes versions d’un même jeu de données. Par exemple, il pourrait être important d’inclure « raw » (ou « brut ») dans le nom d’un fichier qui contient des données recueillies avant le nettoyage ou l’analyse. Une bonne pratique implique la création d’une copie du fichier de données brutes, avant toute intervention sur les données, comme fichier de travail et conserver celle-ci en tant que version authentique des données. La copie de travail du fichier de données devrait porter un nom qui la distingue clairement du fichier de données brutes, en plus des autres versions potentielles du jeu de données (p. ex., une version du jeu de données nettoyé ou une version du jeu de données nettoyé qui intègre des variables calculées à partir des données brutes). Au fil d’un projet, plusieurs fichiers peuvent être créés pour un même jeu de données. Un PGD peut être utilisé pour prévoir la création des différents types de fichiers et l’attribution de noms uniques qui permet à ces fichiers d’être bien identifiés. L’ICPSR basé à l’Université du Michigan aux États-Unis, généralement considéré comme étant le dépôt de données en sciences sociales le plus connu, a produit un modèle de PGD (en anglais uniquement) pour les sciences sociales qui comporte des conseils associés aux types de données que les chercheuses et chercheurs en sciences sociales ont généralement à recueillir et à gérer.

Il y a des considérations supplémentaires à prendre en compte dans la gestion de projets quantitatifs en sciences sociales lorsqu’il s’agit d’études longitudinales. L’enquête longitudinale est une méthode courante en sciences sociales où les chercheuses et chercheurs vont recueillir ou comparer des données des mêmes personnes participantes sur une période de plusieurs années. Les défis de ce genre d’enquête sont au niveau de la fusion des données d’une personne participante à une période particulière avec celles de la même personne à une autre période ainsi que de la préservation de l’intégrité de ces données sur toute la période de l’enquête et à travers les différentes itérations des jeux de données. Pour ajouter à la complexité, certaines personnes participantes peuvent délaisser l’enquête au fil du temps – il y aura un certain degré d’abandon et par conséquent des variations dans le nombre de personnes participantes au fil des années.

La GDR comprend les pratiques liées à l’établissement d’un flux de travail ou d’un processus permettant de suivre la façon dont les fichiers sont fusionnés et les changements entre les différentes versions d’un jeu de données. La GDR concerne également les décisions quant au choix des versions du fichier à partager ou à déposer à long terme. Les chercheuses et chercheurs devraient-ils déposer chacune des vagues (p. ex., chaque jeu de données pour une période de temps particulière) comme un jeu de données distinct avec des instructions sur la façon de fusionner les fichiers? Ou devraient-ils partager un seul jeu de données fusionnées qui comprend plusieurs années? Il n’y a pas de bonnes ou de mauvaises réponses à ces questions. La GDR permet d’assurer la prise d’une décision, quelle qu’elle soit, idéalement en fonction de la version du jeu de données nécessaire à la reproductibilité des conclusions publiées ou des normes générales de la discipline, pourvu que la documentation soit recueillie et rendue accessible selon l’option choisie par les chercheuses ou chercheurs.

Des enjeux de GDR associés aux outils et logiciels numériques pour la collecte de données quantitatives en sciences sociales

La recherche par sondage est une méthode courante et peu coûteuse qui est utilisée pour les recherches aussi bien qualitatives que quantitatives en sciences sociales. La plupart des sondages sont de nature non expérimentale. Ils sont utilisés pour décrire et évaluer la prévalence d’un phénomène et/ou pour identifier des liens particuliers entre différents facteurs.

Les renseignements recueillis en sciences sociales par le biais de sondages en ligne peuvent être de nature sensible et contenir des renseignements personnels (p. ex., l’âge, le genre, l’ethnicité, l’adresse courriel, l’adresse IP) et/ou des renseignements personnels de santé (p. ex., des diagnostics antérieurs autodéclarés de problèmes de santé). Comme établi par l’Énoncé de politique des trois conseils sur l’éthique de la recherche avec des êtres humains (EPTC 2), chaque chercheuse et chercheur a le devoir de protéger ses données de recherche et les renseignements des personnes participantes contre les accès non autorisés et illégaux. À cet effet, l’établissement du niveau de sensibilité des données de recherche et des options qui s’imposent pour le stockage, la collecte et l’analyse des données actives constitue un autre aspect clé de la GDR pour tout projet qui implique des êtres humains. Pour en savoir plus, consultez le chapitre 13, « Les données sensibles. »

Par contre, la plupart d’entre nous ne sont pas des spécialistes en cybersécurité. Il est excessivement difficile de vérifier si un fournisseur agit conformément aux lois et règlements en vigueur, s’il dispose de mesures de contrôle de sécurité externes certifiées ou si les données sont chiffrées alors qu’elles sont en transit et au repos. Lorsque possible, l’utilisation d’outils de sondage approuvés par l’établissement ou sous licence institutionnelle peut épargner aux chercheuses et chercheurs de nombreux maux de tête causés par la conformité avec les politiques institutionnelles ou gouvernementales de cybersécurité. En préparant le PGD pour un projet quantitatif en sciences sociales, vous avez la chance de décrire les méthodes de collecte des données ainsi que les outils ou logiciels que vous prévoyez utiliser dans le processus. Il s’agit d’un aspect important dans l’étape de la planification et celui-ci vient confirmer l’utilité d’un PGD dans le contexte de la recherche quantitative en sciences sociales.

Par exemple, si vous aviez à utiliser un outil de sondage en ligne géré par un tiers externe (probablement un service infonuagique), il est important d’enquêter afin de déterminer  l’emplacement physique du serveur principal et des serveurs des sous-traitants. Bien que plusieurs outils de sondage infonuagiques soient fiables et sécuritaires, les pratiques de leurs sous-traitants ou leur emplacement physique (p. ex., si le serveur est situé à l’extérieur du Canada) pourraient mettre à risque la sécurité de vos données en raison de leur non-conformité aux lois et règlements canadiens en matière de protection de la vie privée. Si le serveur qui héberge la plateforme de sondage en ligne se trouve aux États-Unis, les données qui y sont stockées sont assujetties au Patriot Act des États-Unis. De plus, certaines ententes de financement particulières pourraient empêcher le stockage des données de recherche à l’extérieur du Canada. Ce genre de considération peut être examiné et résolu d’avance en utilisant un PGD.

La curation des données quantitatives en sciences sociales à des fins de reproductibilité

La dernière étape d’un projet de recherche typique en sciences sociales quantitatives implique la prise de décisions en lien avec le dépôt (c’est-à-dire, la publication) et/ou l’archivage des données qui sous-tendent les publications issues de l’étude. Les normes disciplinaires en sciences sociales associées au partage ouvert des données peuvent varier selon les disciplines ou les champs d’études particuliers, mais le partage devient tranquillement une pratique courante. De plus, les bailleurs de fonds comme les trois organismes subventionnaires du Canada et les publications savantes d’une variété de domaines de sciences sociales exigent de plus en plus l’accès ou le dépôt des données de recherche dans un dépôt public. Toutefois, le moteur derrière cette pression à publier les données de recherche, y compris toute la documentation ou les métadonnées associées, est la crise de la reproductibilité (Turkyilmaz-van der Velden et al., 2020).

La crise de la reproductibilité se rapporte à l’incapacité des chercheuses et chercheurs à répéter ou à reproduire les conclusions des recherches publiées. La répétition est une méthode clé pour assurer la validité ou l’intégrité des conclusions de recherche. Dans la plupart des cas, la raison pour laquelle une étude ne peut être vérifiée par répétition est attribuable à un problème avec les données originales, l’indisponibilité des données ou le manque de détails dans la description des étapes entreprises pour l’analyse des données, ce qui empêche de produire les mêmes résultats (Baker, 2016). Les sciences sociales quantitatives n’ont pas été épargnées par la crise de la reproductibilité et plusieurs rétractations très médiatisées, en raison de problèmes ou de fraudes liés aux données sous-jacentes de la publication, ont unifié les efforts qui visent à soutenir une plus grande transparence dans les pratiques d’accès aux données (Figueiredo et al., 2019). Par exemple, deux politologues ont mené une étude charnière, du moins en apparence, sur les convictions politiques qui a ensuite été publiée en 2015 dans la revue Science. Toutefois, au cours des cinq mois suivants, deux étudiants de troisième cycle ayant fait une demande d’accès aux données à des fins de répétition, ont découvert des preuves de fraude délibérée; la publication a ensuite été rétractée (Konnikova, 2015). Retraction Watch et PubPeer sont deux sites Web populaires qui, par production participative, font le suivi des rétractations et des préoccupations relatives aux données sous-jacentes des recherches publiées dans les publications savantes. Ainsi, la communauté savante se responsabilise pour produire des recherches qui peuvent être reproduites.

En plus du ICPSR, les chercheuses et chercheurs en sciences sociales quantitatives peuvent faire appel à plusieurs dépôts de données publiques pour publier leurs données. Ces dépôts répondent aux normes disciplinaires en matière de transparence et de reproductibilité des recherches, ainsi qu’aux mandats des organismes subventionnaires et des publications savantes qui exigent que les données de recherche soient Faciles à trouver, Accessibles, Interopérables et Réutilisables (FAIR). Une instance Borealis, basée sur le logiciel ouvert Dataverse, est disponible dans la plupart des établissements canadiens en tant que dépôt institutionnel des données. Cette offre s’insère dans un cadre plus large de ressources d’infrastructures en gestion des données de recherche fournies par consortium. Les chercheuses et chercheurs affiliés à ces établissements peuvent déposer leurs jeux de données dans leur dépôt institutionnel de Dataverse. Bien que la plateforme de dépôt soit ouverte à toutes disciplines, le logiciel Dataverse a d’abord été développé pour les données quantitatives en sciences sociales, il est donc bien adapté aux types de fichiers couramment produits par les chercheuses et chercheurs en sciences sociales quantitatives, notamment les petits fichiers tabulaires et les fichiers script qui y sont associés.

Déposer ses données dans un dépôt public représente une étape vers un plus grand accès aux données, mais la pratique ne suffit pas pour assurer la reproductibilité d’une étude ou le respect des principes FAIR. Des étapes de curation supplémentaires devraient être prises, généralement par des bibliothécaires ou d’autres professionnelles ou professionnels de l’information qui peuvent agir comme intermédiaires dans le dépôt des données en convertissant les fichiers d’un format propriétaire – tels que les fichiers SPSS ou STATA – à un format ouvert – tels que R ou CSV. De plus, une documentation est nécessaire pour permettre la réutilisation d’un jeu de données quantitatives ou la reproductibilité des résultats. La documentation d’un jeu de données quantitatives en sciences sociales peut inclure la description de l’étude, le guide de codification, les métadonnées sur la collecte des données (p. ex., les systèmes de pondération utilisés pour les données de sondage, les périodes de collecte des données, les logiciels utilisés pour recueillir et analyser les données, etc.), les scripts ou codes nécessaires pour nettoyer les données ou reproduire les éléments relatifs à une publication, ainsi que la licence pour la réutilisation ou les conditions d’utilisation des données. Les personnes qui effectuent la curation doivent s’assurer que les données quantitatives en sciences sociales et tout outil de collecte des données (p. ex., des outils de sondage) détiennent les licences appropriées. Dans le contexte des sciences sociales quantitatives, les outils de collecte des données d’un projet de recherche peuvent avoir tout autant, sinon plus, de valeur que les résultats provenant des données de cette recherche. Les chercheuses et chercheurs qui utilisent des données administratives (des données municipales ouvertes, des données de Statistiques Canada, etc.) doivent s’assurer que les licences gouvernementales ouvertes permettent le dépôt des jeux de données dérivés et quelles sont les exigences en matière d’attribution pour les sources originales des données.

Le schéma de métadonnées le plus couramment utilisé pour les données en sciences sociales est le Data Documentation Initiative (DDI), qui comprend des champs tels que la taille de l’échantillon, la couverture géographique, l’unité d’analyse (p. ex., un ménage, un individu, etc.) et plusieurs autres champs qui s’appliquent aux sciences sociales. Généralement, les dépôts de données conçus pour héberger des jeux de données en sciences sociales intègrent des champs du DDI dans l’interface de dépôt des données et peuvent ensuite produire automatiquement un fichier de métadonnées lisible par machine (p. ex., XML) comme partie intégrante du processus de téléversement.

Conclusion

Règle générale, la gestion des données de recherche quantitative en sciences sociales implique des processus et considérations similaires aux pratiques de GDR  appliqués aux données spécifiques des autres disciplines. Les sujets qui sont propres au cycle de gestion des données quantitatives en sciences sociales se rapportent aux outils logiciels particuliers utilisés pour la collecte des données (p. ex., l’utilisation de plateformes infonuagiques de sondages) et à la production ultérieure de multiples fichiers tabulaires au cours du processus de collecte, de nettoyage et d’analyse des données. Les principaux aspects pratiques dans la gestion des données quantitatives en sciences sociales impliquent généralement : le suivi des différentes versions des jeux de données tabulaires par le biais de conventions de nommage de fichiers uniformément appliquées; des noms de fichiers et de variables qui utilisent du texte ou des abréviations lisibles par machine; l’utilisation d’un outil de collecte des données qui permet la personnalisation du formatage des sondages et le maintien d’une documentation exhaustive (p. ex., un guide de codification et des métadonnées) pour s’assurer que les données respectent le plus possible les principes FAIR.

Lectures et ressources supplémentaires

Alliance de recherche numérique du Canada

• Exemples de PGD en sciences sociales:
  • Plan de gestion des données pour personnes, places, politiques et perspectives
  • Plan de gestion des données pour utilisation des sites Web de profils universitaires

Consortium of European Social Science Data Archives (CESSDA)

• Data Management Expert Guide

Data Curation Network

• Microsoft Excel
• SPSS

ICPSR

• What is a Codebook
• Guide to Social Science Data Preparation and Archiving
• Sample Data Management Plan for Depositing Data with ICPSR

Pour des exemples en lien avec l’application de la GDR dans le contexte des sciences sociales, consultez Emmerlhainz, C. (2020). Tutorials on Ethnographic Data Management. Data in the Disciplines IMLS Grant. https://library.lclark.edu/dataworkshops/ethnography-modules

Bibliographie

Baker, M. (2016). 1,500 scientists lift the lid on reproducibility. Nature, 533, 452-454. https://doi.org/10.1038/533452a

de Vaus, D. (2001). Research design in social research. Sage Publications

Figueiredo, D., Lins, R., Domingos, A., Janz, N. et Silva, L. (2019). Seven reasons why: A user’s guide to transparency and reproducibility. Brazilian Political Science Review, 13(2). https://doi.org/10.1590/1981-3821201900020001

Konnikova, M. (2015, 22 mai). How a gay-marriage study went wrong. The New Yorker. https://www.newyorker.com/science/maria-konnikova/how-a-gay-marriage-study-went-wrong

Turkyilmaz-van der Velden, Y., Dintzner, N. et Teperek, M. (2020). Reproducibility starts from you today. Patterns, 1(6), 1-6. https://doi.org/10.1016/j.patter.2020.100099

Martin Chandler; Kara Handren; Stéfano Biondo; Amber Leahey; Sarah Rutley; et Rhys Stevens

Introduction

Les bibliothèques au Canada offrent une variété de services pour la découverte, l’accès et la préservation des données de recherche géospatiales. Les infrastructures et services ont été développés au niveau régional, principalement par les établissements universitaires, pour soutenir la gestion des collections et des ressources de données géospatiales, créant ainsi une mosaïque de services de données de recherche à travers le pays. Ce chapitre fera un survol des approches et des principaux projets d’infrastructures dans la gestion des données de recherches géospatiales au Canada.

Les données spatiales/géospatiales (ci-après désignées « géospatiales ») n’ont pas toujours été perçues comme des données auxquelles une attention particulière doit être accordée du point de vue de la gestion des données de recherche (GDR). Toutefois, en raison des aspects uniques de leur création, utilisation et accès, les données géospatiales nécessitent des considérations particulières de gestion qui se distinguent des autres domaines de la GDR.

Règle générale, la curation des données géospatiales tombe sous la responsabilité des bibliothécaires ou gestionnaires de données géospatiales qui possèdent une expertise en la matière, puisque ces deux groupes sont mieux outillés pour répondre aux défis associés aux données géospatiales. Ce chapitre vise justement à préciser les défis qui sont propres à la GDR géospatiales; à énumérer les nombreux projets régionaux actuellement en cours ou en développement qui cherchent à répondre aux défis en matière de préservation et d’accès aux données de recherche géospatiales et à discuter des tendances futures pour la GDR géospatiales au Canada.

Les données géospatiales et les SIG

Que sont les données géospatiales? Et qu’est-ce qui distingue les données de recherche géospatiales des données de recherche dans leur ensemble? Toutes données relatives à des objets ou à des événements associés à un lieu sont des données géospatiales. Elles peuvent inclure des instances où le lieu est statique (dans un lieu défini sur une période donnée comme un immeuble ou un tremblement de terre) ou dynamique (qui manifeste un changement ou un mouvement sur une période donnée tel que la croissance urbaine ou les effets d’une sécheresse sur les nappes phréatiques environnantes). Les données géospatiales combinent des informations de localisation avec les caractéristiques d’un objet, d’un événement ou d’un concept (les données descriptives) et aussi parfois, mais pas toujours, avec des informations temporelles (Stock et Guesgen, 2016).

Les données géospatiales dépendent souvent de l’utilisation d’un système d’information géographique (SIG) tel que QGIS, ArcGIS ou Google Earth. Ce système offre de nombreux moyens et méthodes de développer, d’utiliser et d’exporter des données géospatiales, y compris la création et le partage de jeux de données. Les données de recherche géospatiales combinent ou relient des points de données spatiales (ou caractéristiques) avec d’autres données sources et variables pour faciliter l’utilisation des données. Ces variables peuvent souvent inclure des données de nature géographique telles que les données de recensement au niveau des secteurs de recensement ou des codes postaux.

Étant donné la nature de la GDR géospatiales, de son utilisation dans les SIG et de la façon dont les données y sont traitées, une connaissance préalable de la gestion des données est souvent nécessaire. Une introduction à l’utilisation des données géospatiales est disponible dans le guide Learn QGIS de Anita Graser ou des ouvrages de Esri Press, Getting to know ArcGIS ou sa série GIS Tutorial for… Bien qu’il soit possible de créer des données dans un SIG, l’outil est plus souvent utilisé pour faire des liens entre des données géospatiales et d’autres types de données (p. ex., des données tabulaires avec des données géospatiales préexistantes).

D’autres chapitres de ce manuel abordent des sujets de GDR plus généraux, dont la gestion des fichiers. Avec les projets décrits ci-dessous, la création de données géospatiales et la gestion des données de recherche géospatiales sont mises de l’avant. Ce chapitre abordera principalement les différents projets régionaux qui ont été entrepris ou qui sont en cours dans les bibliothèques universitaires canadiennes pour gérer et préserver les données de recherche géospatiales au pays.Parmi ces projets, l’accent sera mis sur ceux qui visent à rendre les données de recherche géospatiales repérables, accessibles et réutilisables pour une grande variété de publics et de personnes susceptibles d’utiliser les données.

La gestion et la réutilisation des données de recherche géospatiales nécessitent une réflexion sur les espaces physiques à partir desquels les données ont été recueillies ou auxquels elles se rapportent. Il y a une tendance vers la découverte géospatiale qui intègre des cartes de base avec une recherche utilisant les mots-clés. Un affichage géographique et un aperçu des jeux de données sont souvent offerts (consultez, par exemple, Scholars GeoPortal de l’OCUL ou CarrefourGéo de l’Information sur les terres de l’Ontario). Les données sont ensuite affichées dans un format réduit directement sur la carte de base ou elles sont représentées par une étendue géographique (bounding box) qui illustre leur ampleur géographique. Il est important de noter que la gestion des données de recherche géospatiales nécessite une infrastructure robuste; il en sera question dans quelques-uns des projets régionaux décrits plus loin dans le chapitre. Puisque cette infrastructure est généralement plus coûteuse, la gestion de données géospatiales pour le stockage à long terme et la découverte implique souvent des projets consortiaux plutôt qu’individuels.

Les formes de données géospatiales

Bien que de nombreuses formes de données puissent comprendre des éléments géospatiaux (p. ex., une variable de ville, de division de recensement ou d’adresse), les données géospatiales peuvent aussi comprendre des formats distincts sous forme de données matricielles ou vectorielles. Les données matricielles (ou raster) sont des  matrices de cellules organisées en rangées et en colonnes, dont chaque cellule comporte une information et une représentation visuelle. Par exemple, une carte ou un dessin numérisé ainsi qu’une image satellite constituent des données matricielles (Esri, 2016).

Les données vectorielles sont une représentation de caractéristiques ou de phénomènes réels dans un SIG avec des données sous-jacentes qui permettent de faire des liens entre la(les) caractéristique(s) et d’autres formes de données. Les données vectorielles peuvent être divisées en point, ligne ou polygone. Les points de données sont des endroits uniques dans l’espace (p. ex., l’emplacement d’un arbre); les lignes de données ou polylignes sont deux ou plusieurs de ces points, des sommets, dont le premier et le dernier ne sont pas égaux, montrant une ligne ou une série de lignes (p. ex., une route) et les données en polygone sont trois ou plus sommets dont le dernier est équivalent au premier, formant ainsi une figure fermée (p. ex., les frontières d’une propriété, d’une région ou d’une province) (QGIS Documentation, s.d.).

Les données géospatiales tabulaires existent souvent dans un tableau ou un format où les valeurs sont séparées par des virgules (CSV). Elles peuvent être aussi simples qu’une adresse ou le nom d’un lieu géographique (p. ex., Unama’ki) ou aussi complètes qu’un ensemble de points, d’étendues, d’identifiants spatiaux et de hiérarchies de noms ou d’identifiants géographiques.

Les données géospatiales comme interaction

Puisque les données géospatiales impliquent une représentation de l’espace, elles sont rarement créées en tant que jeu de données unique. Elles dépendent plutôt d’interactions avec d’autres jeux de données spatiales dont les données spatiales sous-jacentes qui servent à les localiser à l’intérieur d’un SIG et/ou qui impliquent le développement de données spatiales supplémentaires pour commencer, faire avancer ou conclure une analyse des données en question. La GDR peut nécessiter une planification des interactions avec des données abstraites. Mais la GDR géospatiales nécessite une attention particulière à la planification des interactions entre les données aussi bien abstraites que physiques, aux différents modes et méthodes nécessaires à ces interactions et à la façon dont le logiciel d’analyse traitera ces interactions. L’utilisation d’un SIG implique en soi une planification soigneuse de la gestion des données puisque le logiciel monte les données à partir d’un endroit numérique plutôt que de les copier dans le logiciel. En faisant la sauvegarde d’un projet dans un SIG, l’emplacement des données est sauvegardé. Ainsi, le déplacement d’un jeu de données peut rendre le projet intraitable à moins que la personne responsable corrige l’emplacement du jeu de données.

Il est important de préciser que la création de données géospatiales est aussi bien une fin en soi qu’un développement vers d’autres fins, dont l’analyse, la visualisation ou l’analyse préalable avant la conception d’un projet. Les données géospatiales peuvent être créées en guise de résultats de recherche ou comme appui pour la préparation, l’analyse ou la visualisation d’une autre source de données. Elles représentent donc une fin et un intermédiaire. Autrement dit, elles servent comme résultat de recherche (comme peut l’être tout autre jeu de données), comme outil d’analyse (avec SPSS, NVivo, Voyant, etc.) et comme outil de présentation des données (avec Tableau, ggplot, etc.). De plus, tandis qu’un jeu de données numériques peut se présenter comme un fichier unique à utiliser, le jeu de données géospatiales nécessite des données géospatiales d’appui, des projections de cartes (p. ex., la variété de moyens utilisés pour représenter un globe tridimensionnel dans une représentation en deux dimensions) et des systèmes de référence des coordonnées (p. ex., les différents systèmes qui déterminent où et comment un jeu de données géospatiales doit être affiché sur une carte).

Les données en tant qu’objet ou en tant que processus

Enfin, en raison de la nature interconnectée et interactive des données géospatiales en recherche, il faut  tenir compte de la GDR géospatiales aussi bien en matière de données produites par la recherche qu’en termes de données utilisées au cours du processus de recherche. Par exemple, une chercheuse peut avoir besoin d’une partie de fichier des limites de recensement de Statistiques Canada. Dans son analyse, elle pourrait alors extraire une partie du fichier des limites. Ce faisant, ces données constituent un produit de recherche au même titre que l’extraction des données de recensement constituerait des données de recherche. L’extrait du fichier des limites peut alors représenter une étape préalable à l’analyse et peut être modifié en utilisant différents systèmes de référence des coordonnées et/ou différentes projections (p. ex., une projection conforme de Lambert modifiée en une projection Web Mercator).  La frontière entre les données préparées pour une utilisation en recherche et les données créées en raison d’une utilisation en recherche devient alors plus floue pour les données géospatiales. Ainsi, la GDR géospatiales inclura – du moins pour les besoins de ce chapitre – la gestion aussi bien des jeux de données préparés que des données issues de la recherche.  La suite de ce chapitre présente des projets réalisés dans diverses régions du Canada qui répondent à l’un ou l’autre de ces trois objectifs :

1. Contribuer actuellement à la GDR géospatiales;
2. Contribuer dans le futur à la GDR géospatiales;
3. Identifier les difficultés liées à la GDR géospatiales.

Les projets géospatiaux régionaux

Tels que noté plus tôt, les besoins en gestion des données géospatiales impliquent que l’accès et la préservation soient surtout réalisés par le biais de solutions en consortium plutôt que par des établissements individuels. Nous discuterons ci-dessous de la variété de solutions de différents consortiums régionaux pour la gestion des données de recherche géospatiales.

Les provinces de l’Atlantique

En date de 2023, les provinces de l’Atlantique n’ont toujours pas accès à des méthodes partagées ou consortiales pour le stockage et la livraison des données, malgré le rôle de premier plan des bibliothèques de la Nouvelle-Écosse en matière de systèmes partagés (Marshall, 1999, p.134). Toutefois, les bibliothécaires de données des établissements universitaires ont discuté de cette problématique et l’ont identifiée comme étant un besoin. De plus, des discussions ont été entamées avec des organisations ayant des systèmes consortiaux, particulièrement celui de Scholars GeoPortal en Ontario. Il y a un certain optimisme vis-à-vis de l’établissement d’un système national qui serait géré soit par un système partagé en consortium, soit par les bibliothèques universitaires associées à l’Alliance de recherche numérique du Canada. Ces discussions préliminaires demeurent informelles, mais il importe de soulever qu’elles ont lieu (IDD-Atlantique, communications personnelles, fév-mars 2022).

Comme il n’existe pas de systèmes partagés au niveau provincial ou régional, la mise en œuvre de la GDR géospatiales est entièrement entre les mains des établissements locaux dans les situations où les données de recherche géospatiales ont été reconnues. Chaque établissement a développé une approche de la gestion des données de recherche qui lui est propre, déterminée surtout en fonction des capacités de l’établissement ou de la bibliothèque à soutenir leur communauté. De la même manière, chaque établissement a développé son approche en matière de GDR géospatiales. Souvent, surtout dans le cas d’établissements plus petits, le traitement de ces questions se fait selon les besoins (p. ex., si la bibliothèque reçoit une demande d’un membre du corps professoral, le personnel cherchera des solutions appropriées selon ce qui est réalisable, souvent sous la forme d’un dépôt Dataverse ou d’un jeu de données hébergé localement). Bien que de tels systèmes ad hoc ne constituent pas des solutions idéales pour le stockage, l’utilisation et la découverte de données de recherche géospatiales, ils demeurent les meilleures options quand les ressources sont limitées (IDD-Atlantique, communications personnelles, fév-mars 2022).

Plusieurs établissements ont choisi d’utiliser des instances de Borealis (anciennement Dataverse de Scholars Portal) en tant que dépôt de données pour héberger les données créées par ses chercheuses et chercheurs. (Consultez Lunaris (s.d.) pour la liste des dépôts de données des établissements et des plateformes d’hébergement.) Lunaris (anciennement le service de découverte du DFDR) est distinct de Borealis, mais moissonne les dépôts des établissements pour offrir un outil qui permet d’accéder aux données et de naviguer les dépôts locaux). Les instances de Dataverse offrent une bonne découvrabilité. Toutefois, Dataverse n’offre pas d’outil robuste d’affichage géospatial ou de plateforme de découverte. L’outil Geodisy a pallié en partie ce manque (consultez ubc-library (2022) et autres références dans ce chapitre), mais il a été remplacé par Lunaris. Le système dans sa forme actuelle ne permet pas l’affichage des données et le découpage de zones précises; il ne permet qu’un affichage de base de la couverture des données. Il y a d’importantes lacunes au niveau de la recherche et de l’utilisation de données géospatiales ainsi que du stockage et des services de données de recherche géospatiales.

Le centre du SIG de l’Université Dalhousie est le système le plus développé de la région des provinces atlantiques. Construit à partir du ArcGIS Hub d’Esri, le portail est en cours de développement et vise à donner accès à tous les jeux de données détenus par ou avec une licence de l’Université. Ainsi, il permet les recherches géospatiales et des méthodes de visualisation, en plus du découpage préliminaire avant le téléchargement. Toutefois, comme il héberge des jeux de données sous licence, le portail est uniquement réservé à la communauté  de Dalhousie et n’est pas accessible aux autres établissements. Cette situation ne peut que décevoir la communauté externe qui voudrait accéder à ces données.

Le Québec

Au Québec, chaque bibliothèque universitaire assurait la gestion et la diffusion des données géospatiales de façon indépendante, et ce de manière plus ou moins automatisée jusqu’en 2019. En 2015, une entente historique entre le Bureau de coopération interuniversitaire (BCI) et le ministère de l’Énergie et des Ressources naturelles (MERN) a ouvert la porte à un nouveau mode de gestion et de diffusion des données géospatiales au sein du réseau universitaire québécois.

Jusqu’en 2015, toutes les universités québécoises devaient acheter les données gouvernementales individuellement et ne pouvaient se les prêter entre elles en raison des contrats de licence. Du jour au lendemain, grâce à l’entente BCI-MERN, les universités ont pu utiliser et se partager plus de 250 couches qui représentent 50 téraoctets (To). Comment gérer et partager cette masse de données? Ce ne sont pas toutes les universités qui possèdent une plateforme adéquate pour organiser et diffuser ces données géospatiales au profit de l’enseignement et de la recherche.

Dans une vision de collaboration interuniversitaire et de mutualisation des processus et des ressources, la Bibliothèque de l’Université Laval s’est montrée ouverte à partager son expertise et son savoir-faire dans le domaine géospatial via la création d‘une plateforme partagée, gérée par l’Université Laval et accessible aux bibliothèques participantes. Leur solution intégrerait l’ensemble des fonctionnalités nécessaires à la découverte, la visualisation et l’extraction des données géospatiales, ainsi que leur chargement dans un environnement sécuritaire et performant.

Le résultat est Géoindex, une infrastructure unique accessible aux 18 établissements universitaires québécois via 18 portes d’entrée paramétrées par chacun d’eux selon leurs préférences. Grâce à son moteur de recherche spatial et textuel performant, cette plateforme permet de facilement découvrir, de visualiser et d’extraire des données géospatiales et des photographies aériennes pour appuyer l’enseignement et la recherche. Géoindex se décline en deux modules : le module Géospatial et le module Géophoto, qui sont décrits ci-dessous.

L’entente BCI-MERN a servi de levier pour développer Géoindex, mais cette nouvelle plateforme permet d’héberger et diffuser d’autres données géospatiales provenant de sources diverses gérées selon différentes licences. On retrouve donc dans Géoindex des données sous licences provenant de l’entente, dont des données LiDAR qui offrent aux chercheuses et chercheurs de nouvelles interprétations du territoire. Mais il comprend aussi des données issues de projets de recherche comme celles de L’Atlas des vulnérabilités, qui illustre entre autres l’indice de sensibilité face aux vagues de chaleur, ou encore les données bathymétriques de l’Arctique recueillies par le brise-glace scientifique Amundsen.  Chaque couche d’information est décrite selon un profil de métadonnées (Profil UL) qui répond aux critères du Profil nord-américain (PNA) de la norme ISO 19115. L’utilisation du Répertoire de vedettes-matière de l’Université Laval (RVM) est mise à profit pour la standardisation des descriptions des sujets utilisés.

Les données sont accessibles à l’ensemble du réseau universitaire, mais certaines sont aussi ouvertes et accessibles au grand public, dont plus de 250 cartes topographiques datant de 1909 à 2000. Géoindex permet aussi de mettre en valeur des documents historiques provenant des collections des bibliothèques, comme les cartes topographiques, mais aussi des documents encore plus anciens comme cette carte relatant la première expédition de John Franklin dans le Grand Nord canadien en 1819, que la bibliothèque de l’Université Laval a numérisée et géoréférencée afin de lui donner une seconde vie.

Toujours dans une perspective de soutien à l’enseignement et à la recherche en facilitant la découverte d’information géographique, le module Géophoto dédié au repérage des photographies aériennes intégré à Géoindex, a été bonifié au cours de l’année 2022. En basculant vers ce module, les usagers peuvent consulter l’ensemble des inventaires de photographies aériennes détenues par les universités québécoises, soit plus de 1 200 000 photographies aériennes datant du 20^e siècle. Il s’agit d’une information primaire, ou donnée brute, d’une grande importance pour comprendre le territoire tel qu’il était à un moment précis. Une entente signée de nouveau entre le BCI et le MERN permettra également d’ajouter d’ici 2026 plus d’un million de photographies aériennes numérisées par le MERN. En février 2023, on dénombrait 400 000 exemplaires numérisés disponibles dans le module Géophoto.

Bien que la plateforme Géoindex puisse héberger et diffuser des données géospatiales issues de projets de recherche, elle n’a pas été conçue spécifiquement pour ce type de données. Par exemple, il n’y a pas d’émission de DOI et les métadonnées de ce géocatalogue ne sont pas exposées sur le Web, elles ne peuvent donc pas être moissonnées par d’autres moteurs de recherche. Il est prévu, lors d’une future mise à jour, de rendre les métadonnées se trouvant dans Géoindex ouvertes et accessibles aux autres moteurs de recherche.

Pour l’instant, les cas de données géospatiales issues spécifiquement de projets de recherche sont peu fréquents dans Géoindex. Toutefois, ses fonctionnalités de découverte, de visualisation et d’extraction feront probablement augmenter ce nombre au cours des prochaines années sans toutefois remplacer les dépôts de données de recherche traditionnels comme Dataverse. Géoindex doit être perçu comme un complément aux dépôts traditionnels avec des liens entre eux pour faciliter la découverte et la consultation.

L’Ontario

Les bibliothèques en Ontario collaborent depuis longtemps à la mise en place de systèmes de découverte et de gestion pour des collections partagées, coordonnée par le biais de l’Ontario Council of University Librairies (OCUL). Tel que précisé dans le chapitre 4, « Historique et paysage canadien de la gestion des données de recherche, » l’OCUL a été établi en 1967 et représente un consortium des vingt et une bibliothèques universitaires dans la province de l’Ontario. L’organisme s’implique dans les activités collectives telles que l’achat, le stockage et la fourniture de  ressources et de services aux bibliothèques. L’infrastructure derrière ces systèmes partagés est soutenue par Scholars Portal, le fournisseur d’infrastructure numérique de l’OCUL qui regroupe des bibliothécaires, des personnes responsables de l’administration des systèmes et d’autres du développement. Le personnel de Scholars Portal est à l’emploi des bibliothèques de l’Université de Toronto. Cette infrastructure provinciale, gérée par le consortium, héberge une variété de collections partagées. Elle a été impliquée dans l’établissement, le maintien et le soutien d’une panoplie de plateformes d’accès pour la collection et la livraison des données ainsi que dans le soutien à la clientèle. Ces initiatives comprennent des collections de publications, telles que Scholars Portal Périodiques et Scholars Portal Livres, ainsi que des plateformes axées sur les microdonnées et les données géospatiales, dont Scholars GeoPortal, Odesi et Borealis. Une variété de collections sous licence partagée, de collections numériques ouvertes et de collections d’archives sont hébergées et accessibles aux chercheuses et chercheurs universitaires des établissements membres participants.

L’OCUL Geo Community (anciennement le Map Group de l’OCUL) a joué un rôle déterminant dans le développement de Scholars GeoPortal en 2012. Scholars GeoPortal est un outil Web de découverte des données qui fournit un accès aux données commerciales et à celles sous licence, aux collections nationales de données brutes, aux données des gouvernements régionaux, aux données ouvertes et aux données d’imagerie matricielles (notamment les projets, acquisitions et cartes numérisées issus des gouvernements). L’application est une construction personnalisée qui utilise une combinaison des technologies d’Esri et d’autres logiciels déjà en usage chez Scholars Portal. Elle exploite ArcGIS Server comme base de données et serveur en arrière-plan et elle utilise les outils API fournit par Esri pour la visualisation et le téléchargement des données stockées dans ces serveurs par le biais d’un SIG frontal personnalisé. Ce SIG sert également de catalogue partagé et d’outil de découverte des données et est soutenu par un robuste éditeur de métadonnées qui produit des métadonnées conformes à la norme ISO 19115 stockées dans une base de données MarkLogic XML. Actuellement, un nouveau projet de développement est en cours pour remettre à jour le GeoPortal afin de garantir la pérennité de la plateforme et d’assurer qu’elle continue de répondre aux besoins de la communauté. Dans le cadre de ce travail de refonte, des intégrations à Borealis sont explorées (le sujet est abordé  au chapitre 4 dans un contexte national et régional).

Les bibliothèques de l’OCUL ont travaillé à faciliter l’accès aux données géospatiales rendues disponibles grâce au développement d’infrastructures et de licences partagées. Elles ont également activement participé à des projets spéciaux et des initiatives, aussi bien en Ontario que dans le contexte canadien plus large. Le projet des cartes topographiques historiques a mené à la numérisation de plus de 1000 cartes topographiques aux échelles de 1:25 000 et 1:63 360, couvrant les années 1906 à 1977. Les bibliothèques travaillent actuellement sur un projet plus important qui vise à réutiliser ces processus de travail sur la collection de cartes à 1:50 000 du Système national de référence cartographique (SNRC) et d’intégrer ces cartes au GeoPortal et à Borealis, fournissant ainsi une plus grande intégration de la collection avec l’infrastructure de données de recherche nationale du Canada (p. ex., Lunaris). À ce jour, plus de 6000 cartes de la collection à 1:50 000 ont ainsi été rendues disponibles.

L’Ontario Library Research Cloud (OLRC) est une collaboration entre les bibliothèques universitaires de l’Ontario visant à construire un réseau de stockage infonuagique à grande capacité et géographiquement distribué en utilisant des technologies à code source libre. L’OLRC est conçu pour héberger d’importants volumes de contenus numériques permettant la préservation à long terme économique et durable ainsi que le soutien aux outils de recherche en matière d’exploration de données et de textes (text and data mining). Cette ressource est actuellement exploitée par de nombreux établissements de l’OCUL pour la préservation de leurs données géospatiales afin d’assurer un accès à long terme. Permafrost s’appuie sur l’OLRC en soutenant les processus de travail pour la création de paquets d’informations archivés (AIP) en utilisant une instance d’Archivematica qui est gérée et appuyée par le consortium. Archivematica est une suite d’outils en source libre qui a été développée par Artefactual pour appuyer le versement et la préservation des objets numériques. Dans certains cas, Permafrost est connecté aux dépôts. L’instance de Islandora de la bibliothèque de l’Université McMaster, qui comprend plus de 12 000 cartes, plans et photos aériennes de la collection de cartes de Lloyd Reeds, représente un bon exemple de l’importance de cette infrastructure. Les données sont copiées de façon automatique et régulière dans l’OLRC et stockées en tant que AIP dans leurs archives numériques.

En raison de l’augmentation continue du volume des données, Scholars Portal a identifié le besoin de fournir de nouvelles solutions techniques pour soutenir le transfert de jeux de données volumineux au sein des services de données des bibliothèques universitaires. Cette recherche de solutions numériques est devenue d’autant plus pressante au cours de la pandémie de COVID-19; les restrictions en matière de contact rendaient impossibles les processus de travail existants dans un environnement à distance. Scholars Portal a développé une solution grâce à l’utilisation de Globus, un outil de transfert des données qui soutient les processus de travail pour les transferts de fichiers lourds et le stockage directement dans les environnements de recherche. L’OCUL explore actuellement une intégration plus approfondie dans le cadre de la refonte de Scholars GeoPortal.

Des métadonnées normalisées sont également essentielles pour faciliter l’accès à la recherche et la découverte de données géospatiales. Au cours du développement de GeoPortal, l’OCUL a réalisé d’importantes transformations en recommandant et en adoptant la norme ISO 19115 et des vedettes-matière canadiennes issues des agences gouvernementales fédérales et provinciales. Ces normes pour la création de jeux de données et de métadonnées au niveau des séries ont mené à une amélioration de la découverte, des capacités de recherche et de l’accès aux collections. L’expertise de Scholars Portal à fournir des formations sur les métadonnées géospatiales a également permis une plus grande compréhension de l’importance des normes pour les métadonnées géospatiales à travers la communauté de l’OCUL. Ces normes ont été appliquées aussi bien aux collections locales qu’aux projets spéciaux.

Les Prairies

Le Council of Prairie and Pacific University Libraries (COPPUL) est une association des bibliothèques universitaires des provinces de l’Ouest canadien qui comprend douze membres des Prairies – l’Alberta, la Saskatchewan et le Manitoba – qui sont énumérés dans le tableau 1. La capacité du personnel de ces bibliothèques de répondre aux besoins pour les services spécialisés en données géospatiales varie de façon considérable. Nombreuses sont les bibliothèques qui n’offrent aucun service géospatial ou de SIG, tandis que les plus grands établissements universitaires (p. ex., Calgary, Alberta, Manitoba) sont en mesure d’offrir un plus large éventail de services de données géospatiales. Les bibliothèques du COPPUL desservent des populations étudiantes et professorales très disparates en grosseur et soutiennent différents programmes académiques avec des exigences en GDR très variées. Ainsi, il existe d’importantes variations dans les types de services offerts par ces bibliothèques. De façon plus précise, ces services impliquent (1) de fournir un accès aux données géospatiales offertes par des agences externes; (2) de créer des produits liés au domaine géospatial et aux SIG utiles à la production de nouvelles recherches; et (3) de gérer les données géospatiales qui ont été produites par les chercheuses et chercheurs de leurs établissements respectifs dans le cadre de leurs activités de recherche.

Les bibliothèques membres du COPPUL ont été activement impliquées dans la création de produits en lien avec le domaine géospatial et les SIG pour aider leurs clientèles à repérer et utiliser des jeux de données géospatiales présents dans leurs collections. Les types les plus courants de matériel géospatial inclus dans ces produits comprennent des cartes historiques, des cartes topographiques, des images aériennes, des modèles numériques d’altitude (MNA) et des documents sur le climat et l’environnement. Voici quelques exemples d’initiatives particulières :

• Spatial & Numeric Data Services (SANDS) de la bibliothèque de l’Université de Calgary a participé au développement de nombreuses applications cartographiques (en anglais uniquement) qui donnent accès à des cartes historiques rares (p. ex., des cartes sériées des régions des Prairies canadiennes (Three-Mile Sectional Maps of the Canadian Prairies), des plans des cantons de l’Alberta, des plans d’assurance contre les incendies de Calgary). Les cartes originales ont été numérisées et géoréférencées pour permettre la visualisation d’emplacements géographiques sur une carte Web Esri qui peut être téléchargée.
• La sixième phase du Shared Print Archive Network (SPAN) (site en anglais uniquement) du COPPUL a été mandatée pour identifier des cartes topographiques et historiques de l’Ouest canadien (à l’échelle approximative de 1:25 000 et 1 :63 360) pour la préservation et la recherche. L’identification de ces cartes ouvre la voie à de nouvelles possibilités de numérisation et de visualisation semblables aux cartes topographiques disponibles dans SANDS et Scholars GeoPortal de l’Ontario.
• La collection de photographies aériennes du sud de l’Alberta (site en anglais uniquement) affiche les emplacements géographiques de photos aériennes verticales téléchargeables en utilisant une carte en ligne de Leaflet et le logiciel de bibliothèque numérique CONTENTdm. Le service de bibliothèque,archives et collections spéciales de l’Université de la Saskatchewan a créé une carte en ligne semblable qui localise les photographies obliques de la collection de photos aériennes de Howdy McPhail (site en anglais uniquement).

Les bibliothèques membres du COPPUL se sont impliquées, à des degrés différents, dans la gestion et la curation des données (y compris les données géospatiales) produites par les chercheuses et chercheurs de leur université respective. Actuellement, huit des douze bibliothèques membres du COPPUL utilisent des dépôts Dataverse pour héberger et partager leurs jeux de données au nom des membres de leur communauté savante (voir le tableau 1). Sept bibliothèques utilisent Borealis comme service d’hébergement externe, tandis que l’Université du Manitoba gère sa propre instance de Dataverse. Le nombre global de jeux de données déposés et disponibles dans les dépôts Dataverse des Prairies (un total de 1099 en date de mars 2022) est relativement modeste, mais continue de croître.

Les universités des Prairies publient aussi leurs jeux de données dans des dépôts de données propres à certains domaines (p. ex., Dryad pour les biosciences) ou dans le DFDR du Canada qui a été créé en partenariat avec l’Université de la Saskatchewan et plusieurs autres universités canadiennes. Des recherches peuvent être effectuées dans le DFDR par le biais de Lunaris qui fournit une fonctionnalité importante optimisée par Geodisy qui permet aux gens qui l’utilisent de faire une « recherche sur la carte » pour explorer et localiser, par le biais d’une carte en ligne, les jeux de données issus de régions particulières du Canada.

En mai 2022, les bibliothèques de l’Université du Manitoba ont lancé leur dépôt GISHub pour les données géospatiales. Le projet a été conçu à l’origine comme solution de stockage local sécurisé pour les données géospatiales, mais il a éventuellement été élargi pour y inclure des outils disponibles avec une licence d’exploitation Esri. Il vise à permettre la découverte et l’accès aux données aussi bien propriétaires qu’ouvertes de chercheuses et chercheurs, en plus de fournir un environnement local sécurisé pour une utilisation active des jeux de données géospatiales.

Pour les établissements sans instance de Dataverse, les données de recherche géospatiales créées localement peuvent être partagées dans le DFDR ou ailleurs. Par exemple, bien qu’il ne soit pas un dépôt de données, le dépôt institutionnel de l’Université de la Saskatchewan, HARVEST, héberge un petit nombre de jeux de données de recherche géospatiales. Au fur et à mesure que les bibliothèques du COPPUL mettent en œuvre leurs stratégies de GDR pour répondre aux exigences de la Politique des trois organismes sur la gestion des données de recherche, il est raisonnable de s’attendre à une plus grande uniformité au niveau du comment, quand et où les données de recherche géospatiales seront partagées.

La Colombie-Britannique

L’écosystème des données de recherche géospatiales en Colombie-Britannique est déterminé en fonction des services offerts par les établissements universitaires et organismes publics de la province. Les politiques de la Colombie-Britannique en matière de partage des données ont permis aux utilisatrices et utilisateurs de faire des recherches et d’accéder à une grande variété de données ouvertes en utilisant le BC Data Catalogue ainsi que plusieurs autres plateformes spécialisées conçues pour obtenir des données géospatiales à l’échelle de la province, notamment ParcelMap BC produit par BC Land Title and Survey ainsi que LidarBC. À un niveau plus granulaire, plusieurs districts et municipalités régionales de la Colombie-Britannique ont rendu leurs données disponibles par le biais de plateformes plus locales de découverte des données, telles que le catalogue de données ouvertes de la ville de Surrey et le portail de données ouvertes du Grand Vancouver (sites en anglais uniquement).

Dans le milieu universitaire de la Colombie-Britannique, les établissements postsecondaires utilisent des politiques indépendantes de collecte de données géospatiales fondées sur les exigences locales en matière d’administration, d’enseignement et de recherche. Les bibliothèques de quatre établissements sont les principaux propriétaires des collections de données géospatiales qui font partie du Abacus Data Network : l’Université Simon-Fraser, l’Université de la Colombie-Britannique (UBC), l’Université du nord de la Colombie-Britannique et l’Université de Victoria. L’infrastructure nécessaire au fonctionnement d’Abacus est maintenue par la bibliothèque de UBC. À chacune des universités membres d’Abacus est confié un sous-ensemble du réseau; la communauté de chacun des établissements est authentifiée pour n’utiliser que les données ayant les licences d’utilisation propres à son campus. Il s’agit donc d’une solution locale pour le développement des collections et la curation des données.

Entre 20% à 30% des données stockées dans Abacus sont des données géospatiales. Toutefois, le logiciel sous-jacent qui prend en charge Abacus – Dataverse – n’est pas conçu pour offrir du soutien spécialisé pour le repérage et l’utilisation des données géospatiales. Consciente de cette situation, la bibliothèque de UBC a créé un logiciel intermédiaire qui permet à Dataverse de se connecter à une pile géospécifique de logiciels libres, dont GeoServer et GeoBlacklight. Appelé Geodisy (Phase 1), ce projet a été subventionné par CANARIE entre octobre 2018 et mars 2020. À ce moment-là, une deuxième phase du projet a été entamée sous le financement de la Nouvelle organisation d’infrastructure de recherche numérique (NOIRN, désormais l’Alliance de recherche numérique du Canada ou simplement « l’Alliance ») et est administrée par le service de découverte canadien, Lunaris. Le service est maintenant utilisé pour exploiter la recherche sur la carte Geodisy de Lunaris.

Les orientations futures

La gestion actuelle des données de recherche géospatiales dépend de solutions régionales, développées en fonction des besoins, avec l’aide de bibliothécaires qui travaillent à anticiper les besoins futurs. Les restrictions en matière de temps et de charge de travail impliquent que le domaine n’évolue qu’en réaction à la GDR dans son ensemble. Le domaine géospatial comporte des besoins particuliers qui nécessitent toujours des solutions créatives de gestion des données pour assurer leur utilisation actuelle et future. Les solutions à la majorité des problèmes tendent vers des initiatives partagées ou en consortium et elles semblent continuer à aller en ce sens pour l’avenir, menant possiblement à un dépôt national de données de recherche géospatiales. Des discussions concertées sur les métadonnées géospatiales seront nécessaires ainsi qu’un travail approfondi sur les plateformes d’accès géospatiales; ces solutions seront vraisemblablement développées par le biais de méthodes régionales.

Si les défis actuels et des solutions envisagées ont été examinés, il importe de noter que certaines lacunes dans le contenu sont liées aux données biaisées. Des ateliers de cartographie autochtone, présentés par le Firelight Group, ont encouragé le développement des SIG et des données géospatiales auprès de nations autochtones. Le travail se poursuit dans les milieux universitaires sur les relations colons-autochtones, mais le développement du domaine reste lent. Les données géospatiales souffrent aussi des mêmes biais systémiques envers les communautés noires et non blanches dans la création et l’utilisation générale des données; là aussi, les avancées sont lentes. Au niveau linguistique, le Québec a fait preuve de leadership en matière d’accès multilingue aux données en s’engageant dans la traduction bilingue de métadonnées. Toutefois, les autres provinces tardent à créer et diffuser des métadonnées qui ne sont pas en anglais. Pour terminer, l’environnement canadien a longtemps favorisé le sud et bien qu’on ait tenté de faire appel à des expertises nordiques en matière de GDR géospatiales, le Grand Nord canadien demeure largement sous-exploré.

Il peut sembler banal de décrire le domaine des données de recherche géospatiales comme étant à la fois émergent et développé. Toutefois, un effort concerté est fait pour développer le travail déjà accompli et pour aligner la GDR géospatiales avec les besoins des chercheuses et chercheurs et des bibliothèques à travers le pays. Le travail se poursuit, particulièrement grâce à l’Alliance de recherche numérique du Canada et aux consortiums universitaires mentionnés plus tôt.

Lectures et ressources supplémentaires

L’Alliance de recherche numérique du Canada a de nombreuses ressources sur la gestion des données et les meilleures pratiques, ainsi que des groupes de discussion sur ces domaines. Pour plus d’informations, consultez le Réseau d’experts de l’Alliance numérique du Canada et le Guide des pratiques exemplaires sur les métadonnées de Dataverse Nord.

Un livre blanc a été rédigé par la NOIRN (maintenant intégrée à l’Alliance) faisant état des besoins actuels et futurs de l’infrastructure des données géospatiales au Canada. Ce document précise quelques-uns des besoins et particularités relatives aux données géospatiales :

Brodeur, J., Handren, K., Berish, F., Chandler, M., Fortin, M., Leahey, A. et Stevens, R. (2020). Enabling broad reuse of Canada’s geospatial data and digitized cartographic materials. A response to the NDRIO Call for White Papers on Canada’s Future DRI. https://alliancecan.ca/sites/default/files/2022-03/final-enabling-broad-reuse-of-canadas-geospatial-data-and-digitized-cartographic-materials.pdf

Pour une introduction aux SIG, consultez le matériel de formation disponible du QGIS.

Bibliographie

Bellin, J. (1764). Port de Louisbourg. J.N. Bellin.

Esri. (2016). Que sont les données raster? ArcMap. https://desktop.arcgis.com/fr/arcmap/10.3/manage-data/raster-and-images/what-is-raster-data.htm

Lunaris. (s.d.). Dépôts sources. https://www.lunaris.ca/fr/source_repositories

Marshall, P. (1999). Novanet, Inc.–Nova Scotia, Canada. Information Technology and Libraries, 18(3), 130-134. https://www.proquest.com/docview/215830105

OpenStreetMap. (2023). Planet OSM [Jeu de données]. https://planet.openstreetmap.org

QGIS Documentation. (s.d.). Vector data: Overview. https://docs.qgis.org/2.8/en/docs/gentle_gis_introduction/vector_data.html

Statistiques Canada. (2019). Fichiers des limites du recensement de 2016: Aires de diffusion. https://www12.statcan.gc.ca/census-recensement/alternative_alternatif.cfm?l=fra&dispext=zip&teng=lda_000b16a_e.zip&k=%20%20%20%2090414&loc=http://www12.statcan.gc.ca/census-recensement/2011/geo/bound-limit/files-fichiers/2016/lda_000b16a_e.zip

Stock, K. et  Hans G. (2016). Geospatial Reasoning With Open Data. Dans R. Layton et P. A. Walter (dir.), Automating Open Source Intelligence (p. 171–204). Syngress. https://doi.org/10.1016/B978-0-12-802916-9.00010-5

ubc-library. (2022). Geodisy. Github. https://github.com/ubc-library/geodisy

Cynthia Lisée et Édith Robert

Introduction 

Le mouvement international en faveur de l’ouverture de la science n’est pas étranger à l’intérêt accordé par nos décideuses et décideurs politiques aux pratiques de gestion des données de recherche (GDR) et participe à l’élaboration de nouvelles pratiques dans la conduite de la recherche. Cette effervescence autour des données de recherche invite tout un chacun à valoriser ses résultats de recherche. Il est de mise de clarifier la place de la GDR dans ce grand mouvement de la science ouverte et de soulever au passage quelques enjeux. À cette fin, en première partie nous résumerons les diverses écoles de pensée qui façonnent la science ouverte et mettrons en évidence les grands axes et principes d’élaboration de pratiques de science ouverte en signalant leur lien avec la GDR. La deuxième partie exposera quelques vertus qu’on attribue à la science ouverte tout en les liant auxdites écoles de pensée. Nous poursuivrons la contextualisation de la GDR. La dernière partie cherchera à dépasser le discours dominant résolument optimiste sur les bienfaits de la science ouverte. Nous proposons de faire deux petits pas de côté pour explorer un territoire de controverses : 1) ce que nous enseigne l’expérience historique du libre accès à la publication 2) ce que l’angle de la recherche qualitative révèle de la pertinence du discours positif sur le partage de données de recherche. Nous conclurons ce chapitre par une invitation aux praticiennes et praticiens de la GDR à considérer comment les composantes de ce chapitre viennent éclairer les pratiques professionnelles courantes et comment ces composantes peuvent offrir de nouvelles perspectives pour revisiter ces pratiques.

Positionnement de la GDR dans la science ouverte

À la suite d’une analyse conceptuelle sur un corpus de 75 études sélectionnées rigoureusement, Vicente-Saez et Martinez-Fuentes (2018, p. 434) proposent la définition suivante pour la science ouverte :

« La science ouverte est un savoir transparent et accessible qui est partagé et développé au travers des réseaux de collaboration"Open Science is transparent and accessible knowledge that is shared and developed through collaborative networks" » [traduction].

La qualité de transparence fait référence à la façon de présenter les résultats de l’activité scientifique d’une manière qui favorise sa réutilisation et couvre toutes les phases d’un processus de recherche scientifique. C’est un peu comme si la production des connaissances devait être menée de façon à permettre sa vérification, sa reproductibilité et un contrôle qualité par les pairs.

Le caractère accessible des connaissances implique leur diffusion rapide auprès de tous les publics, gratuitement, normalement sur le Web. Les produits de connaissance concernés sont variés : articles, opinions scientifiques, données, communication dans les conférences, manuels, codes. Le caractère repérable de ces produits constitue également une facette qui caractérise l’accessibilité.

La notion de partage est à considérer sous l’éclairage de la transparence et de l’accès : le partage englobe tant les étapes intermédiaires de la recherche scientifique que l’étape de publication. L’accès et la transparence soutiennent le partage. Ainsi, l’accès concerne diverses modalités, comme les personnes qui auront accès aux contenus, selon quel modèle de sécurité, par consultation in situ ou transfert de fichiers, etc. La transparence est relative à la mise à la disposition du public approprié des contenus pour des fins de reddition de compte, de validation de la recherche (p. ex., publication du protocole de recherche) et de partage de connaissances (p. ex., prépublication, rapport d’évaluation).

Finalement, le caractère collaboratif de la science ouverte engage principalement le recours à des technologies pour faciliter la collaboration entre scientifiques, mais embrasse aussi le dialogue entre nations, disciplines et rôles.

Ces clarifications ayant été établies, nous retenons cette définition de la science ouverte comme socle commun pour comprendre comment la GDR s’inscrit dans la science ouverte.

Écoles de pensée de la science ouverte

Les pratiques de la science ouverte couvrent un large spectre de pratiques influencées par plusieurs écoles de pensée que Fecher et Friesike (2014) ont proposées pour comprendre les divers points de vue des parties prenantes : la communauté de recherche, les gens en politique, les organismes de financement, les éditeurs commerciaux, la population citoyenne. Bien que leur analyse de la documentation remonte déjà à une dizaine d’années, ce découpage est toujours d’actualité dans le domaine si l’on prend en considération les nombreuses citations dont elle fait encore l’objet. Ils résument ainsi les développements de la science ouverte en cinq écoles de pensée.

École publique

L’école publique milite pour que la science soit accessible aux citoyennes et citoyens et que les responsables de la recherche entretiennent une conversation, voire une collaboration, avec la population. L’interaction citoyenne est possible à deux niveaux : soit par la vulgarisation du produit final afin qu’il soit compréhensible par toutes et tous, soit en rendant le processus de recherche accessible en y intégrant la citoyenne et le citoyen.

École démocratique

L’école démocratique milite pour que les produits de la recherche comme les articles, les livres, les données de recherche, les codes logiciels soient accessibles librement et gratuitement par toutes et tous.

École pragmatique

L’école pragmatique veut que la science soit plus efficace et mise sur le développement du travail collaboratif.

École des infrastructures

L’école des infrastructures concentre ses efforts sur l’amélioration des technologies, si possible, non propriétaires, et de leur interopérabilité pour mieux soutenir la recherche. C’est l’idée que, grâce aux technologies, la science progressera différemment.

École des indicateurs

Finalement, les adeptes de l’école des indicateurs cherchent à évaluer l’impact de la recherche selon d’autres normes qui s’éloignent des dérives bibliométriques actuelles (Gingras, 2014) et en tenant compte du contexte numérique dans lequel s’insère la recherche.

Chaque école de pensée offre sa propre conjecture sur les développements de la science, ce qui mène à des travaux répondant à une variété d’objectifs. L’ensemble de ces travaux induisent des pratiques dans la conduite et l’administration de la recherche et forment ce que l’on appelle le mouvement de la science ouverte. La section suivante présente une catégorisation de ces différents travaux, ou domaines d’activités.

Domaines d’activités de la science ouverte

Le portail Foster Open Science est une plateforme d’apprentissage en ligne couvrant l’ensemble des thématiques relatives à la science ouverte. Il est destiné aux personnes qui souhaitent intégrer des pratiques de science ouverte à leurs processus de travail. Il est le fruit du projet européen Fostering the practical implementation of Open Science in Horizon 2020 and beyond financé par Horizon 2020 de 2017 à 2019. Dans sa section What is Open Science ? Introduction, on trouve une représentation des facettes d’activités de la science ouverte conçue par Gema Bueno de la Fuente (s.d.). La science ouverte dissémine ses principes d’ouverture, de transparence, de partage et de collaboration dans des domaines d’activités couvrant l’ensemble de la démarche de recherche, de sa conception à sa diffusion. Le tableau ci-dessous résume les faits saillants de ces facettes de la science ouverte auxquels nous ajoutons la facette « Protocole de recherche ouvert » au début de la phase de conception pour mieux rendre compte des développements récents. Pour chaque facette, nous proposons l’école de pensée qui semble davantage orienter ce domaine d’activité. Nous fournissons également quelques actions de GDR pour illustrer qu’elle est bien présente dans toutes les sphères de la science ouverte.

Comme on le comprend désormais grâce aux chapitres précédents, les pratiques de GDR sont utiles tout au long des phases d’un projet de recherche. Il est intéressant de relever que les domaines d’activités spécifiques de la science ouverte sont tous interpellés également par des actions de GDR. Par ailleurs, on constate qu’aucune pratique en émergence n’est directement associée à l’école des indicateurs alors que la majorité d’entre elles sont plus fortement influencées par l’école pragmatique (quatre catégories sur neuf). Rappelons que l’école pragmatique vise essentiellement à rendre la science plus efficace, notamment en favorisant la collaboration.

Les vertus de la GDR en contexte

On prête aux pratiques de science ouverte de nombreuses vertus, notamment ce qu’illustre la Feuille de route pour la science ouverte du Canada. Le tableau ci-dessous accompagne d’une question quelques-uns des avantages des pratiques de science ouverte souvent mis de l’avant par les gens qui en font la promotion. Chaque question est une invitation à prendre le temps de réfléchir.

Il faut éviter de voir dans les pratiques de science ouverte une panacée à des problématiques qui existent depuis toujours. Même si ces pratiques et les activités de GDR connexes participent à une certaine redéfinition des façons de faire et ouvrent la voie vers de nouvelles solutions, les réalités structurelles à la source de certains problèmes ne sont pas nécessairement prises en compte; par conséquent, ces derniers ne peuvent pas être réellement endigués. Voici quelques exemples de réflexion suscitée par les questions du tableau 3.

1. Faciliter la reddition de compte : d’après la Feuille de route pour la science ouverte du Canada, « [le] libre accès aux résultats de la recherche scientifique permet une plus grande reddition de comptes aux contribuables et aux bailleurs de fonds de la recherche » (Bureau du conseiller scientifique en chef du Canada, 2020). En revanche, la reddition de compte nécessite une politique de GDR forte des paliers gouvernementaux, ce dont on peut douter étant donné le peu de suivi de demandes effectué dans le cas de la politique fédérale sur le libre accès (Paquet et al., 2022).
2. Augmenter la confiance des citoyennes et citoyens en la science : cette confiance ne peut s’établir qu’en fournissant simplement plus de données (et plus d’articles). Il faut aussi travailler au rehaussement de la littératie de données (et informationnelle) de la population. Le risque de mettre en œuvre des pratiques de GDR en vase clos, sans arrimage avec les objectifs de science ouverte et des enjeux de littératie, est encore bien présent et pourrait nuire au potentiel d’amélioration de cette confiance.
3. Accélérer l’innovation : la science ouverte prône une pratique du partage et de réutilisation des données qui peuvent soutenir l’innovation. Voilà une proposition louable, particulièrement si elle comprend l’innovation sociale qui répondrait, selon nous, aux plus grands besoins de la société, et qui bénéficierait de données probantes alimentant les décisionnaires. Cependant, il existe des défis méthodologiques et épistémologiques à la production des données probantes en sciences humaines et sociales ainsi que dans le développement d’infrastructures permettant leur exploitation par les gens qui prennent les décisions. Le Canada, ainsi qu’une douzaine d’autres pays, travaille à établir des mécanismes et des flux d’information qui rendraient accessibles les données probantes aux décideuses et décideurs (Commission mondiale sur les données probantes pour relever les défis sociétaux, 2023).

Au-delà du discours optimiste sur l’ouverture

Mirowski (2018) croit que la science ouverte prendrait ses racines dans le présent régime néolibéral de la science. Il postule que la reconfiguration de nos institutions et de la nature des connaissances est due aux impératifs du marché plutôt qu’à de réels nouveaux problèmes dans la conduite de la recherche. Pour celles et ceux qui sont moins familiers avec ce courant politique, nous vous suggérons l’article de McKeown (2022) qui énumère quelques caractéristiques de l’université néolibérale.

Dans cette section, nous proposons d’accepter d’un œil plus critique ces nouveaux développements en nous penchant sur deux situations. La première cherche à dégager un enseignement de l’évolution historique de la publication en libre accès; la deuxième, à relever des défis relatifs au partage de données en contexte de recherche qualitative, particulièrement s’il est compris selon des normes étrangères à ce type de recherche.

Ce que nous enseigne le libre accès à la publication

Les éditeurs commerciaux ont joué un rôle non négligeable dans l’évolution des pratiques de communication savante des dernières décennies. De fait, le contexte de la récente pandémie de Covid a permis de démontrer le rôle qu’ils pouvaient jouer dans l’accès libre à la connaissance. Au cours de l’année 2020, une impressionnante augmentation de l’accessibilité aux publications scientifiques sur les coronavirus a été rapportée comparativement aux deux décennies précédentes, et ce, grâce à la coopération des éditeurs commerciaux (Belli et al., 2020). Il reste toutefois à voir si cette ouverture se maintiendra, car cette forte croissance du libre accès a été de type bronze, c’est-à-dire qu’une bonne partie de ces articles n’ont pas de licence garantissant la pérennité de ce libre accès. L’accessibilité à ce matériel est encore dépendante de la bonne volonté des éditeurs commerciaux.

Plusieurs organismes de financement se sont rassemblés pour exercer une pression dans le but d’inciter fortement les éditeurs commerciaux de revues à transitionner leur modèle d’affaires vers le libre accès. Lors de la 14e conférence de Berlin sur le libre accès, en 2018 (Max Planck Digital Library), des organisations de 37 pays réparties sur les 5 continents ont fait une déclaration commune de soutien au Plan ScOAlition S définit ainsi le Plan S : "le Plan S est une initiative lancée en septembre 2018 soutenant la publication en libre accès. Il repose sur cOAlition S, un consortium international d’organisations de financement de la recherche d’organisations de recherche. Le Plan S exige que les publications scientifiques qui résultent de recherches financées par des subventions publiques soient publiées en libre accès dans des revues ou sur des plateformes se conformant à certaines exigences" [traduction] (Coalition S, s.d.).. Il s’agit d’une stratégie soutenue par un consortium d’organismes de financement, cOAlition S, qui vise à faire du libre accès aux publications une réalité. Les Fonds de recherche du Québec (FRQ) est l’un des premiers organismes de financement nord-américains à avoir rejoint cOAlition S en 2021. Ce vaste mouvement évolutif dans l’écosystème de l’économie de l’information savante signifie qu’à terme, les bibliothèques ne géreront que très peu d’abonnements. Selon toute vraisemblance, ils seront remplacés par des ententes financières avec les éditeurs commerciaux, et ce, jusqu’à payer les frais de traitement d’articles des chercheuses et chercheurs provenant de leurs établissements respectifs.

Fort est de constater que les éditeurs commerciaux de revues savantes tirent encore largement leur épingle du jeu, car selon une étude de 2017 rapportée par Zhang et ses collègues (2022), les frais de traitement d’article évoluent plutôt à la hausse, davantage que l’indice des prix à la consommation. Un écho familier rappelant comment l’évolution des coûts d’abonnement avait pris à la gorge les bibliothèques universitaires partout dans le monde. Case départ : comme à l’époque où les fonds publics servaient à payer des abonnements dont le coût était devenu intenable pour les bibliothèques universitaires, ces fonds vont maintenant en large partie se retrouver dans les poches des éditeurs commerciaux qui contrôlent cette augmentation – au détriment de l’essor des modèles de type diamant. Ces derniers permettent « aux scientifiques de publier en accès ouvert et sans frais » (Institut Pasteur, 2021) et sont plus cohérents avec les principes de science ouverte, car les revues sont financées par des fonds publics, des fonds d’universités, ou par des fondations. Les modèles de type diamant sont aussi en parfaite harmonie avec les motivations initiales des premières initiatives de libre accès comme la Déclaration de Bethesda et la Déclaration de Berlin (site en anglais uniquement) en 2003 : redonner aux communautés de recherche le pouvoir sur la diffusion de leurs produits de connaissance.

De nombreuses parties prenantes participent à l’économie de l’information savante; certaines ont des intérêts corporatistes plus axés sur le profit que sur le soutien à la conduite même de la recherche. Si l’on considère l’état de balbutiement actuel du partage de données en tant qu’acte de communication savante, c’est-à-dire avec ses propres « coutumes » de publications, on peut se demander si des forces économiques similaires ne cherchent pas à en configurer les normes et usages et à en contrôler les infrastructures. L’expérience du libre accès aux publications renseignera-t-elle les nouvelles pratiques en matière de partage de données ?

L’angle de la recherche qualitative sur le partage des données

Les chercheuses et chercheurs œuvrant dans le domaine de la recherche qualitative s’interrogent sur l’impact de la science ouverte sur les conditions de production des savoirs dans leur discipline. Ce questionnement découle à la fois de la définition souvent attribuée aux données de recherche ainsi que par la tendance observée dans plusieurs pays de favoriser la libre circulation des données de recherche. Par exemple, les Principes et les lignes directrice de l’OCDE pour l’accès aux données de la recherche financée sur fonds publics indiquent que :

L’accès ouvert aux données de la recherche financée sur fonds publics et leur partage contribuent non seulement à maximiser l’impact des nouvelles technologies et des nouveaux réseaux numériques sur le potentiel de recherche, mais permettent aussi un retour plus important sur l’investissement public dans la recherche. (OCDE, 2007, p. 12)

Les organismes de financement qui encouragent le partage de données en ont souvent une définition sommaire. Les trois organismes subventionnaires définissent les données de recherche comme étant « des faits, des mesures, des enregistrements ou des observations recueillies par des chercheurs et d’autres personnes, assortis d’une interprétation minimale de leur contexte. » (Gouvernement du Canada, s.d.)

Nous présentons quelques explications quant à la manière dont la définition et le partage des données soulèvent des préoccupations.

Question du contexte et reproductibilité

Comme indiqué dans le tableau 3, une des vertus attribuées à l’ouverture de la science est qu’elle accroît la reproductibilité. Cependant, une des inquiétudes soulevées par de nombreuses parties prenantes du milieu de la recherche qualitative est l’importance du contexte avant de pouvoir envisager toute possibilité de reproductibilité des résultats d’un projet de recherche. Dans la perspective positiviste du secteur des sciences de la nature ou biomédicales, les données sont généralement considérées comme indépendantes du contexte, comme en fait foi la définition ci-dessus. En contrepartie, dans la recherche qualitative, qui utilise souvent une perspective constructiviste, le contexte est indissociable de la problématique de recherche (Hesse, 2019, p. 566). Ainsi, la question de la reproductibilité des résultats de la recherche ne se pose pas de la même façon qu’en sciences pures. Avec une telle toile de fond, comment des données issues de projets de recherche qualitatifs pourront-elles être partagées et réutilisées? Sera-t-il concrètement possible de tenir compte du contexte de production des données ?

Mythe de la donnée brute et de la donnée neutre

En contexte de recherche qualitative, il importe d’être conscient que les données partagées auront préalablement fait l’objet d’un travail d’interprétation. Un jeu de données, peu importe la discipline, est une construction qui ne peut s’abstraire des sujets humains qui la conçoivent. Avant d’être déposé dans une plateforme, le jeu de données a fait l’objet de délibérations, de négociations et de décisions d’inclusion et d’exclusion bien ancrées dans des discours dominants, dans des réalités historico-socioéconomiques. Par conséquent, il est impossible de prétendre à la neutralité des données partagées (Neff et al., 2017). La documentation des jeux de données révèle particulièrement toute son importance tout en laissant ouverte la question des connaissances tacites pouvant échapper à cet effort de documentation, connaissances précieuses pour bien comprendre un jeu de données. Dans cette perspective, le partage des données se présente comme un exercice éminemment complexe.

Type de recherche favorisé et hiérarchisation des méthodologies

Selon l’OCDE, pour qu’un jeu de données soit partageable, il doit correspondre à certains critères, dont celui d’être idéalement numériquement exploitable (OCDE, 2007). Ce caractère numérique des données peut tendre à une valorisation de l’utilisation du Big Data, puisque ces données massives, produites rapidement et dans divers formats, se multiplient et sont faciles d’accès. Cette valorisation de la recherche sur de gros corpus de données soulève le risque que les méthodologies qualitatives soient subordonnées aux méthodologies quantitatives. De plus, un glissement pourrait s’opérer pour que les techniques privilégiées par les analyses qualitatives servent uniquement à confirmer les résultats apportés par les méthodes quantitatives (Hesse et al.,  2019). Finalement, Hesse et al. rapporte aussi la crainte que les recherches utilisant de petits échantillons soient moins reconnues que celles qui utilisent de gros corpus (2019).

Conclusion : ouverture sur l’ouverture

Nous avons vu comment les activités de la GDR imprègnent les pratiques de science ouverte et avons abordé comment le discours dominant, enthousiaste et résolument optimiste sur l’adoption de ces propositions visant à ouvrir la science fait l’économie de la complexité du réel. L’espace accordé pour ce chapitre et l’objectif général de formation de ce manuel limitent le traitement approfondi des fondements idéologiques de cet appel à ouvrir la science. Il est toutefois intéressant de noter que les préoccupations suscitées par ces nouvelles pratiques ont donné naissance à un nouveau domaine d’étude, soit les études de données critiques (critical data studies). Ce domaine de recherche récent propose des pistes de solutions favorables à des pratiques de GDR prenant en compte des particularités disciplinaires. Plus particulièrement, puisque la conduite de la recherche qualitative commence à changer avant même que d’importants consensus disciplinaires n’aient émergé, nous sommes d’avis qu’éclairer la pratique professionnelle en GDR par ce courant des études de données critiques outillera ses praticiennes et praticiens à éviter d’acculturer ces communautés de recherche.

Une approche critique ou sociopolitique pour lire les développements de la science ouverte permettrait de faire plus facilement un pas de côté pour éclairer différemment le discours enthousiaste autour du mouvement de la science ouverte et de ses pratiques. Nous sommes ravies de conclure ce chapitre avec une invitation aux praticiennes et praticiens de la GDR à responsabiliser leurs pratiques professionnelles en creusant les discours, en écoutant les diverses voix qui s’expriment dans ce vaste mouvement de la science ouverte pour ainsi tenter d’élaborer des réponses potentielles aux questions suivantes : quel(s) systèmes économiques et politiques produisent les structures sociales, valeurs, normes, idéologies, biens et produits financiers? Pour qui? Avec quelle technologie? Pourquoi celle-là? Où se trouvent les infrastructures de science ouverte ? Dans les faits, qui bénéficie de l’ouverture de la science ?

Lectures et ressources supplémentaires

• Portail Foster Open Science, une plateforme d’apprentissage en ligne couvrant l’ensemble des thématiques relatives à la science ouverte
• Iwasiński, Łukasz. (2020). Theoretical Bases of Critical Data Studies. Teoretyczne podstawy critical data studies, 115A(1A), 96-109.

Bibliographie

Belli, S., Mugnaini, R., Baltà, J. et Abadal, E. (2020). Coronavirus mapping in scientific publications: When science advances rapidly and collectively, is access to this knowledge open to society? Scientometrics, 124(3), 2661-2685. https://doi.org/10.1007/s11192-020-03590-7

Bueno de la Fuente, G. (s.d.). What is Open Science? Introduction. Foster. https://web.archive.org/web/20181229190240/https:/www.fosteropenscience.eu/content/what-open-science-introduction

Bureau du conseiller scientifique en chef du Canada. (2020). Feuille de route pour la science ouverte. Gouvernement du Canada. https://science.gc.ca/site/science/fr/bureau-conseillere-scientifique-chef/science-ouverte/feuille-route-pour-science-ouverte

Coalition S. (s.d.) About Plan S. https://www.coalition-s.org/

Commission mondiale sur les données probantes pour relever les défis sociétaux (2023). Renforcer les systèmes nationaux d’appui aux preuves. https://www.mcmasterforum.org/networks/evidence-commission/domestic-evidence-support-systems

Fecher, B. et Friesike, S. (2014). Open Science: One Term, Five Schools of Thought. Dans Bartling S. et Friesike S. (dir.) Opening Science: The Evolving Guide on How the Internet is Changing Research, Collaboration and Scholarly Publishing (pp. 17-47). Springer. https://doi.org/10.1007/978-3-319-00026-8_2

Gingras, Y. (2014). Les dérives de l’évaluation de la recherche. Du bon usage de la bibliométrie. Raisons d’agir.

Gouvernement du Canada. (s.d.). Politique des trois organismes sur la gestion des données de recherche – Foire aux questions. https://science.gc.ca/site/science/fr/financement-interorganismes-recherche/politiques-lignes-directrices/gestion-donnees-recherche/politique-trois-organismes-gestion-donnees-recherche-foire-aux-questions#1a

Hesse, A., Glenna, L., Hinrichs, C., Chiles, R. et Sachs, C. (2019). Qualitative Research Ethics in the Big Data Era. American Behavioral Scientist, 63(5), 560–583. https://doi.org/10.1177/0002764218805806

Institut Pasteur. (2021, 23 avril). La voie diamant de l’Open Access. Open science: évolutions, enjeux et pratiques. https://openscience.pasteur.fr/2021/04/23/la-voie-diamant-de-lopen-access/

McKeown, M. (2022). The View from Below: How the Neoliberal Academy Is Shaping Contemporary Political Theory. Society, 59(2), 99-109. https://doi.org/10.1007/s12115-022-00705-z

Mirowski, P. (2018). The future(s) of open science. Social Studies of Science, 48(2), 171203. https://doi.org/10.1177/0306312718772086

Neff G., Tanweer A., Fiore-Gartland B. et Osburn L. (2017). Critique and Contribute: A Practice-Based Framework for Improving Critical Data Studies and Data Science. Big Data. 5(2), 85-97. https://doi.org/10.1089/big.2016.0050

OCDE – Organisation de coopération et de développement économique. (2007). Principes et lignes directrices pour l’accès aux données de la recherche financée sur fonds publics. https://www.oecd.org/fr/science/inno/38500823.pdf

Paquet, V., van Bellen, S. et Larivière, V. (2022). Measuring the prevalence of open access in Canada: A national comparison. The Canadian Journal of Information and Library Science / La Revue canadienne des sciences de l’information et de bibliothéconomie, 45(1), 1–21. https://doi.org/10.5206/cjilsrcsib.v45i1.14149

SPOR Evidence Alliance. (2021). Vaccine Effectiveness Over Time in Vaccinated Individuals: A Living Review. https://sporevidencealliance.ca/wp-content/uploads/2021/10/COVIDEND_MBMC_rapidreview_VE_infographic_final.pdf

Vicente-Saez, R. et Martinez-Fuentes, C. (2018). Open Science now: A systematic literature review for an integrated definition. Journal of business research, 88, 428-436. https://doi.org/10.1016/j.jbusres.2017.12.043

Zhang, L., Wei, Y., Huang, Y. et Sivertsen, G. (2022). Should open access lead to closed research? The trends towards paying to perform research. Scientometrics, 127, 7653–7679.  https://doi.org/10.1007/s11192-022-04407-5

Dr. Joel T. Minion

Introduction

Comme vous le savez, la gestion et la supervision systématiques des données de recherche sont en train de devenir des compétences essentielles pour les chercheuses et chercheurs des établissements d’enseignement supérieur au Canada et de partout dans le monde, tout comme pour les bibliothécaires et autres spécialistes des données qui les soutiennent. Si les progrès au chapitre de la gestion des divers types de données profitent à la recherche en général à long terme, ce changement ne cesse de soulever des inquiétudes pratiques chez les personnes responsables de la gestion des données de recherche (GDR). Un des principaux défis de la GDR : il s’agit d’un domaine de pratique émergent. Les attentes en matière de gestion des données varient selon le type de données, le domaine d’étude, l’établissement, la source de financement et le ressort territorial. Les initiatives pour gérer et partager les données génomiques, par exemple, sont plus avancées que celles relatives aux données ethnographiques. De même, chaque pays n’accorde pas la même urgence à mettre en œuvre des stratégies pour faire progresser la GDR.

Par conséquent, les chercheuses et chercheurs et autres spécialistes ayant besoin de gérer des données ne disposent pas toujours d’une voie claire à suivre avec des indications fiables; dans certains cas, il s’agit même de défricher le terrain. Tous les travaux en GDR ont ceci en commun qu’ils doivent réfléchir de manière critique aux tâches à réaliser. Aucune approche unique ne fonctionnera à grande échelle. Ce chapitre a pour but de vous aider à développer une perspective critique à l’égard de la gestion des données de recherche, quel que soit votre rôle dans le processus. Comme vous le constaterez, la capacité à réfléchir à ces défis en lien avec la GDR exige un ensemble de compétences dans plusieurs domaines : se familiariser avec les éléments complexes des données de recherche; mettre en application les approches actuelles dans de nouveaux contextes; déterminer où et quand chercher des réseaux de pratique externes pour obtenir du soutien et affiner votre ingéniosité et créativité.

Il est essentiel de retenir que le travail de gestion des données relève à la fois de l’art et de la science. S’il existe plusieurs principes et pratiques pour vous guider, la GDR n’est souvent rien de plus que des chercheuses et chercheurs qui commencent en GDR, dont le temps est limité, qui tentent de traiter leurs données selon leur niveau de connaissance.

La réflexion repose sur trois questions.

• Pourquoi insister sur la GDR? Cette partie examine ce qui stimule les nouvelles exigences pour gérer les données de manière systématique et pourquoi la réponse est importante pour vous;
• À qui la responsabilité? Le travail de GDR comprend divers groupes. L’expertise et les responsabilités des gens ont une incidence sur la manière dont le travail est effectué et comment le soutien est offert;
• Où se trouve l’avant-garde? Parce que la GDR n’en est encore qu’à ses débuts, nos efforts doivent être encadrés par la pratique actuelle tout en restant à l’affût des changements en cours, au Canada et ailleurs.

Fort de ces questions, nous conclurons le chapitre avec des étapes pratiques à prendre en considération lorsque nous gérons des données de recherche, quel que soit le projet. Ensemble, questions et étapes devraient améliorer vos compétences en résolution de problèmes et optimiser votre capacité à réaliser des travaux en lien avec la GDR.

Pourquoi insister sur la GDR?

Si vous êtes nouvelle ou nouveau dans le monde des données de recherche, vous aurez peut-être la surprise d’apprendre à quel point l’approche de la GDR, systématique et contrôlée de l’extérieur de la recherche, est novatrice. Généralement, les chercheuses et chercheurs, en collaboration avec leur établissement, sont responsables de la gestion des données de recherche : la manière de les organiser, de les archiver et la décision de les partager. Souvent, les données de recherche sont perçues comme étant la propriété de la chercheuse ou du chercheur qui les ont créées. Elles sont le produit d’un investissement substantiel en temps, en effort personnel, en formation et en perfectionnement professionnel de la part de la chercheuse ou du chercheur. Les données constituent la pierre angulaire de sa carrière et la base de publications scientifiques. Elles ont peut-être été partagées avec des collègues proches, mais il n’y a que peu d’incitatifs, et encore moins d’exigences, à organiser les données selon des normes externes ou à les rendre accessibles à autrui.

Dans ces circonstances, il y a eu très peu de motivation à adopter une approche plus systématique de la GDR. Qu’est-ce qui a changé? Jusqu’à un certain point, la culture a changé dans diverses communautés de recherche afin de reconnaître l’impact possible de la collaboration sur la progression des disciplines et la production de connaissances. Si cette évolution se poursuit (plus rapidement dans certains domaines que dans d’autres), elle n’explique pas, à elle seule, pourquoi des concepts comme les principes FAIR et des outils comme les plans de gestion de données (PGD) ont vu le jour. Deux facteurs ont été particulièrement percutants : 1) les attentes qui évoluent de la part des sources de financement, 2) les progrès technologiques et la puissance des données massives.

Attentes en évolution

Pendant plus d’une décennie, les principaux organismes de financement (p. ex., les trois organismes fédéraux de financement de la recherche au Canada et des organismes semblables ailleurs dans le monde) ont commencé à optimiser la production de connaissances issues des recherches qu’ils soutiennent. Ils exigent des données bien organisées et (idéalement) ouvertes, et ce, pour plusieurs raisons. D’abord, des données bien gérées réduisent le dédoublement, car elles permettent à la communauté de recherche de cerner les études déjà réalisées sur un sujet. La GDR donne un accès plus complet aux données de recherche, bien au-delà de ce qui est inclus dans les articles ou les livres qu’une chercheuse ou un chercheur choisit de publier (ou peut publier). Ensuite, un meilleur accès aux données historiques signifie de meilleures occasions de réaliser une analyse secondaire, ce qui maximise les résultats de recherche pour chaque dollar, peso, livre, euro investi. Enfin, les organismes de financement conviennent qu’une meilleure gestion des données et une plus grande ouverture protègent la robustesse et la transparence de la recherche qu’ils appuient (Pinfield et al., 2014).

Progrès technologiques

Les progrès en matière de technologies informatiques stimulent, eux aussi, la GDR. Pensons notamment à la capacité à stocker des jeux de données massifs et de travailler avec eux, l’arrivée de l’infonuagique et du partage de données par Internet ainsi que la réduction des coûts des technologies informatiques. À l’origine, de telles améliorations constituaient les principaux avantages pour les domaines qui travaillent avec des données massives (p. ex., l’astronomie, la génomique, la cartographie géospatiale), ce qui explique, en partie, pourquoi la GDR a progressé plus rapidement dans certaines disciplines que dans d’autres (la nature des données en question – quantitative – constitue un autre facteur). De tels progrès technologiques ont façonné les possibilités dans d’autres domaines d’étude, comme la numérisation des ressources en sciences humaines et la capacité d’analyser les données des médias sociaux. Des améliorations apportées aux logiciels d’analyse ont également permis de relier des données de recherche de manière sécuritaire à d’autres types de données (p. ex., les dossiers médicaux, les sources météorologiques) pour créer d’encore plus gros jeux de données.

Autres facteurs

Bien entendu, d’autres facteurs stimulent également la GDR. Une gestion plus cohérente des données rend le processus de recherche plus efficace et peut mener à des résultats plus solides. Comme mentionné dans le chapitre sur la GDR et la recherche qualitative, une meilleure organisation des données d’entrevues améliore l’analyse, car il devient possible d’établir plus facilement des liens dans de grands jeux de transcription. De plus en plus, la recherche est transdisciplinaire, ce qui signifie qu’elle dépasse les limites et méthodologies épistémologiques, réunissant ainsi des groupes variés de chercheuses et chercheurs. La GDR soutient de tels efforts et facilite la collaboration. Enfin, quelques universitaires en fin de carrière veulent laisser à la postérité des produits fondés sur des données qui expliquent ces dernières au-delà de ce qui est inclus dans les métadonnées habituelles, comme pourquoi et comment une méthodologie ou une théorie en particulier a été choisie pour générer les données. Une pratique améliorée de GDR permet également aux chercheuses et chercheurs d’expérience de relier des données provenant d’études connexes, parfois à travers des décennies. Une meilleure gestion (particulièrement de la documentation) fait en sorte que l’utilisation future de telles données respecte ce qui se peut – et ne se peut pas – en matière d’analyse secondaire.

Reconnaître les moteurs de la GDR nous aide à comprendre pourquoi la gestion des données est importante et quels sont nos propres objectifs en matière de données. Si vous êtes chercheuse ou  chercheur, votre priorité est-elle simplement de satisfaire aux exigences de GDR de votre organisme de financement? Ou cherchez-vous également à définir un programme de recherche exhaustif au fil du temps? Si vous êtes bibliothécaire de données et aidez les chercheuses et chercheurs à préparer leurs données pour les verser dans un dépôt, que devez-vous savoir au sujet des différentes attentes disciplinaires en GDR? Quel est le niveau de service que vous voulez offrir? Plusieurs raisons motivent la GDR et plusieurs degrés de gestion sont possibles. Par conséquent, il est essentiel que la stratégie de GDR et la finalité d’un projet précis soient harmonisées avec des facteurs contextuels plus vastes.

Qui est responsable?

La volonté d’adopter davantage des approches systématiques en GDR s’accompagne d’une interrogation sur la responsabilité des gens impliqués. Qui organise les données? Comment? Qui décide des normes de métadonnées à respecter? Qui choisit le dépôt? La liste des tâches et des décisions est longue. En principe, la chercheuse ou le chercheur ayant le plus d’ancienneté est responsable de gérer les données, nommément la chercheuse principale ou le chercheur principal. Dans la pratique, la personne responsable délègue régulièrement les travaux en lien avec la GDR (p. ex., la collecte de données, le nettoyage, l’organisation, l’archivage) à d’autres membres de son équipe, surtout aux chercheuses ou chercheurs au postdoctorat et les associées ou associés de recherche. C’est là que s’effectue la plus grande partie de la gestion des données.

La délégation de la responsabilité s’accompagne d’au moins deux complications. La première, c’est que les personnes les plus près des données et qui, souvent, les connaissent le mieux, sont employées en vertu de contrats à court terme. Lorsqu’elles passent à autre chose (comme c’est souvent le cas), leurs connaissances partent avec elles à moins que des mesures aient été prises pour documenter celles-ci le mieux possible. Malheureusement, ceci ne se produit pas toujours, ce qui a des répercussions sur la gestion efficace et uniforme des données pour la durée d’une étude. La deuxième, c’est que selon l’expérience et la formation des membres de l’équipe, il s’agit soit d’adeptes de la GDR qui requièrent peu de surveillance, soit de novices en matière de principes et de bonnes pratiques en GDR. Dans ce dernier cas, ces personnes auront besoin d’un suivi serré, d’une formation efficace et de soutien en gestion des données par des spécialistes ne faisant pas partie de l’équipe de recherche.

Sur la scène internationale, deux modèles sont apparus pour offrir des services de soutien en GDR : celui dirigé par les bibliothécaires puis celui mené par les chercheuses et chercheurs. Tous deux tentent d’améliorer les compétences des chercheuses et chercheurs à tous les paliers et à faciliter la gestion des données conformément aux attentes des organismes subventionnaires, aux exigences des périodiques,  et à l’évolution des pratiques spécifiques à chaque discipline. Ce qui distingue principalement les deux modèles? La personne qui offre son soutien.

L’approche de la GDR menée par les bibliothécaires est courante en Amérique du Nord. La responsabilité des services de GDR incombe alors aux bibliothèques universitaires où les bibliothécaires de données, entre autres spécialistes, aident à former et à soutenir les chercheuses et chercheurs dans la gestion de leurs données de recherche et participent à la stratégie de GDR à l’échelle de l’établissement.

L’approche de la GDR menée par les chercheuses et chercheurs est courante en Europe où les services de GDR sont affectés aux nouvelles divisions créées à cette fin au sein des universités. Ces bureaux se trouvent dans la bibliothèque universitaire, sans nécessairement en faire partie. Ceci signifie que les services de GDR sont mis sur pied et gérés indépendamment des services de la bibliothèque. Généralement, les travaux de soutien à la GDR sont assurés par la communauté étudiante des cycles supérieurs (avec un doctorat ou, à tout le moins, une maîtrise fondée sur la recherche).

Chaque modèle a ses forces et ses limites. Les bibliothécaires universitaires ont de l’expertise en gestion de l’information et, en Amérique du Nord, ont généralement une qualification commune (c’est-à-dire, diplôme de MLIS avec agrément d’ALA). Par conséquent, les bibliothécaires ont une base commune en ce qui a trait aux principes et aux pratiques de gestion de l’information. Si quelques bibliothécaires universitaires effectuent de la recherche ou détiennent un doctorat, leur rôle professionnel principal est de soutenir la recherche, ce qui signifie une expérience limitée dans la réalisation de projets de recherche de plus grande envergure ou dans la collecte et l’analyse de données complexes.

Les chercheuses et chercheurs développent une expertise en données en progressant vers l’obtention de leur doctorat. Tout au long de leur carrière, les personnes qui font de la recherche passent des années ancrées dans des cultures de recherche particulières, à travailler directement avec des données. Du même souffle, ces mêmes chercheuses et chercheurs ont probablement moins de compétences au chapitre des manières normalisées de gérer et d’organiser l’information et les données. Il n’est pas rare dans le milieu de la recherche que des systèmes singuliers qui fonctionnent parfaitement pour un individu ou une équipe soient créés.

Les différents modèles et leur efficacité sont peu étudiés dans la littérature. C’est probablement le reflet d’une élaboration et d’une intégration des services de GDR encore en cours dans les structures et cultures universitaires. Cependant, les modèles indiquent que la GDR exige la participation de plusieurs groupes. Si la responsabilité ultime de la GDR repose sur les épaules des chercheuses principales ou chercheurs principaux, la gestion courante des données ainsi que la supervision et les services de soutien est l’affaire d’autres personnes. Il est important de souligner que les chercheuses et chercheurs, bibliothécaires et autres spécialistes des données apportent une expertise particulière et leurs perspectives quant à la manière dont les données peuvent être gérées et la forme que devrait prendre la GDR à l’avenir.

Où se trouve l’avant-garde?

Bien que la GDR soit un phénomène relativement récent, il est important de rappeler que la recherche et les données évoluent. De nouveaux sujets à découvrir et de nouvelles technologies de recherche ne cessent de voir le jour (p. ex., la crise des opioïdes, l’édition de gènes), tout comme les nouveaux types de données et les manières de les analyser (p. ex., les données des médias sociaux, l’analyse augmentée). De tels progrès permettent la réalisation de recherches qu’il aurait été impossible de mener il y a à peine quelques années. Si le rythme de ce changement varie au fil du temps et des domaines d’étude, il a une incidence sur la manière dont nous abordons la GDR, y compris les services de soutien disponibles et la manière dont ils sont offerts. Cette section met en évidence deux exemples de l’importance de réfléchir de manière critique à la pratique actuelle et de rester à l’affût des progrès réalisés ailleurs.

Le premier exemple porte sur l’utilisation fréquente en formation sur la GDR d’infographie du cycle de vie pour illustrer le processus de recherche et la gestion des données qu’elle contient (voir le chapitre 1). De telles images ont pour but de jeter une lumière sur les étapes standards en recherche, de la planification initiale à l’archivage et à la réutilisation des données. Les modèles de cycle de vie sont efficaces, car ils sont accessibles; toutefois, une telle représentation ne concorde pas toujours bien à la manière dont certaines formes de recherche se déroulent. Ceci peut mener à des compréhensions erronées du fonctionnement – réel ou potentiel – de la GDR. Par exemple, la plupart des données des sciences sociales sont recueillies de manière itérative, ce qui signifie que les chercheuses et chercheurs entreprennent une réflexion en temps réel et une modification méthodologique tout au long du processus de collecte de données. Par exemple, un sociologue peut ajouter de nouvelles questions ou de nouvelles personnes participantes peuvent se joindre à des groupes de discussion. De telles études ne se déroulent pas de la même manière que la recherche en laboratoire.

Malgré la circularité de l’image, les modèles de cycle de vie sont bizarrement linéaires et supposent un processus du début à la fin qui ne se superpose pas bien à certaines méthodologies. De tels modèles ne mettent pas en évidence l’importance des relations dans la collecte des données entre des études connexes ou sur des périodes données (p. ex., en recherche longitudinale). Ils peinent à représenter comment les données historiques sont utilisées de plus en plus pour générer de nouvelles données par le biais d’analyses secondaires et de liens entre les données; le résultat ainsi obtenu accroît la capacité d’effectuer davantage de recherche. Le défi en matière de pratique et de prestation de service en GDR consiste à suivre l’évolution des méthodes de recherche  et des types de données générées.

Le deuxième exemple démontre la nécessité de garder un œil sur l’avant-garde en matière de GDR en ce qui a trait aux structures administratives et de gouvernance. Un refrain fréquemment entendu au chapitre du partage des données, surtout lorsqu’il est question des dépôts, dit que les données doivent être les plus ouvertes possibles, mais aussi limitées que nécessaires. Comment cela se traduit-il, concrètement? Habituellement, les approches actuelles comprennent un accès ouvert, l’imposition d’une période d’embargo (c’est-à-dire, l’accès est refusé pendant un certain temps), ou exigent peut-être une permission de la part de la chercheuse ou du chercheur d’origine. Quelles autres options sont possibles?

Dans certains domaines de recherche, des infrastructures ont été mises en place pour examiner les utilisations suggérées des données avant de publier ces dernières. De tels systèmes de gouvernance aident à veiller à la conformité aux restrictions éthiques d’origines, empêchent d’endommager la propriété intellectuelle de la chercheuse ou du chercheur original (ou de l’équipe de recherche originale) et préviennent les risques, comme la réidentification, pour les personnes qui ont participé à l’étude (Murtagh et al., 2018). La révision accrue des données peut également aider les gens hors de la sphère de la recherche à accéder aux données (p. ex., les journalistes, les groupes politiques, les citoyennes et citoyens scientifiques) tout en faisant en sorte que le travail de la chercheuse ou du chercheur ne soit pas discrédité, intentionnellement ou non (Murtagh et al., 2018).

Les comités d’accès aux données (CAD) représentent une forme de gouvernance. Présents surtout en Europe et aux États-Unis, il s’agit d’organismes décisionnaires indépendants ayant pour but de superviser l’accès aux jeux de données à des fins de recherche, un peu comme un comité d’éthique, mais à la conclusion de la recherche. Ils réglementent l’accès aux données déjà recueillies. Les CAD sont plus présents dans des domaines comme la recherche biomédicale humaine où la combinaison de données permet une analyse plus poussée d’un plus grand nombre d’échantillons. Par exemple, une équipe peut souhaiter regrouper les données provenant de plusieurs biobanques internationales afin d’étudier le lien entre un variant génomique et un état de santé en particulier. Parce que de telles données sont grandement confidentielles, il y a très peu de chances qu’elles soient un jour accessibles librement. Certains CAD ont recours à des outils de prise de décision par ordinateur pour prendre des décisions en fonction du niveau de risque; d’autres s’en remettent aux examens de spécialistes dans le domaine. Des comités composés de personnes sont généralement préférés lorsqu’il s’agit de recherches d’avant-garde, où les données sont utilisées de manières novatrices, ou lorsque le domaine d’étude est particulièrement sensible.

Il est important d’être au courant de travaux importants, comme celui de Cox et Tam, ou de nouvelles infrastructures d’accès aux données, comme METADAC, car une telle connaissance aide à orienter la manière dont les données sont gérées et comment les services de soutien à la GDR sont organisés. L’objectif de la GDR évoluera à mesure que la gestion des données se développera pour englober davantage de disciplines et de types de données et en même temps que la nature de la recherche et des données évoluera. Votre travail dans ce domaine doit être dirigé par les pratiques exemplaires actuelles et une nécessité de s’adapter au changement et de rester au fait des progrès réalisés ailleurs.

Les réalités en matière de gestion des données de recherche

Même lorsque des processus bien systématisés sont en place, la gestion des données ne deviendra jamais un exercice qui consiste à cocher des cases d’une liste. Il faudra toujours prendre des décisions et il y aura toujours des données qui ne correspondent pas tout à fait à la pratique existante. Dans cette dernière section, nous étudions la réalité de la GDR sur la ligne de front  de la recherche. Comment les chercheuses et chercheurs (et les personnes qui les appuient) recueillent les données de recherche, y accèdent, les traitent, les organisent, les analysent et les archives de façon à satisfaire aux exigences des organismes subventionnaires et des établissements hôtes tout en s’inscrivant de manière pragmatique dans le travail de l’équipe de recherche?

Selon la complexité d’un projet, la gestion méthodique des données de recherche peut s’avérer accablante, désorganisée ou simplement négligée à une étape ou l’autre du processus. Les choses peuvent mal tourner qu’il s’agisse de planifier la GDR au début de l’étude, lors de la résolution de problèmes au milieu d’une étude, lorsque vous tentez de trouver un sens à des données existantes ou pendant que vous aidez d’autres personnes dans l’une ou l’autre de ces situations. En dépit des embûches, les données de recherche peuvent être gérées efficacement, même dans les situations les plus complexes, si vous faites preuve d’un esprit critique, que vous êtes conséquent, que vous documentez ce que vous faites et que vous recherchez les pratiques exemplaires ainsi que du soutien, le cas échéant.

Vous trouverez ci-après les grandes lignes de ce que vous devriez prendre en considération lorsque vous gérez activement des données de recherche sur le terrain. Elles ressemblent vaguement à un PGD, bien qu’elles aient été conçues du point de vue d’effectuer la GDR au lieu de la planifier. Si les PGD constituent des documents évolutifs, rien n’est plus immédiat pour les chercheuses et chercheurs que de devoir gérer des données en même temps qu’un certain nombre d’autres tâches urgentes. Le fait est que la GDR est casée dans un monde où le temps est déjà une denrée rare. Les idées formulées ici sont issues de ce que j’ai appris moi-même et de ce que des collègues ont appris au cours de leur carrière de chercheuse et chercheur et de gestionnaire de données pendant plus d’une décennie. Les sept éléments qui suivent mettent l’accent sur les chercheuses et chercheurs; toutefois, ils devraient être aussi utiles aux bibliothécaires de données et à d’autres spécialistes pour leur donner un meilleur aperçu de la GDR.

1. La GDR repose autant sur la réflexion et la résolution de problèmes que sur l’action. La gestion des données est une activité à grande échelle. Elle ne porte pas uniquement sur les données et leur gestion. Il s’agit d’un élément (relativement nouveau) d’un processus de recherche plus large. Inversement, au moment d’entreprendre une recherche précise, il peut y avoir très peu d’informations sur la manière de gérer les données. Pour utiliser une analogie fondée sur la recherche, les logiciels d’analyse comme SPSS et NVivo simplifient le travail avec des données. En revanche, de tels programmes ne les analysent pas. C’est le travail de la chercheuse ou du chercheur. Si les approches en GDR peuvent guider la gestion des données, les chercheuses, les chercheurs et les personnes qui les soutiennent doivent réfléchir de manière critique aux données en question et à la manière de mettre en application les principes et pratiques de façon pragmatique (et souvent novatrice) qui améliorent les processus et les résultats de recherche. En d’autres termes, en situation de GDR, en plus d’agir, il faut s’accorder suffisamment d’espace pour réfléchir de manière critique.
2. Rédigez un plan de gestion des données. Les PGD sont utiles, car ils forcent les chercheuses et chercheurs à réfléchir aux aspects essentiels de la manière dont les données seront gérées au cours de l’étude. Même si une demande de subvention n’exige pas la présence d’un PGD, pensez à en créer un. Lorsque vous avez terminé, demandez-vous ce qu’il comprend et ce qu’il ne comprend pas. Souvenez-vous que les PGD sont à la fois ambitieux et orientés vers un objectif : ils vous indiquent votre destination et la manière dont vous souhaitez y arriver. Ils ne prennent pas en considération les réalités de la gestion quotidienne des données de recherche, comme composer avec une personne dans l’équipe de recherche qui ne nomme pas les fichiers correctement ou éprouver de la difficulté à trouver un dépôt convenable. C’est alors que le point 1 ci-dessus entre en jeu.
3. Réfléchissez à ce qui stimule vos efforts en GDR. De nos jours, la plupart d’entre nous qui participons à la recherche améliorons nos compétences en GDR, car nous croyons que nous devons le faire, surtout depuis que les organismes subventionnaires exigent de plus en plus une bonne gestion des données. Quels autres facteurs entrent en jeu dans votre projet? En tant que chercheuse ou chercheur en milieu de carrière, vous pourriez constater qu’une meilleure organisation de vos données peut avoir une incidence positive sur vos résultats de recherche ou sur votre capacité à collaborer avec d’autres personnes. En tant que membre de la communauté étudiante des cycles supérieurs, vous pourriez remarquer que la personne responsable de votre étude est nouvelle en GDR, elle aussi, ce qui vous permet d’étoffer vos compétences afin de jouer un rôle de premier plan dans ce domaine. Si vous entreprenez une analyse secondaire, vous pourriez devoir retourner vos données à la personne responsable de l’étude originale et devrez connaître quel niveau de gestion des données est attendu. Peu importe la situation, il est avantageux pour vous de définir pourquoi la GDR compte pour vous.
4. À quoi ressemblerait le résultat idéal? Cette étape est importante pour toute personne qui travaille dans une discipline où il y a peu de lignes directrices ou de pratiques exemplaires bien définies en GDR. Prenez le temps de réfléchir à l’approche idéale relativement à la gestion et à l’archivage de vos données. Si vous êtes une chercheuse ou un chercheur en quête de données pour réaliser une analyse secondaire, à quoi ressemblerait le jeu de données idéal au chapitre de l’organisation, de la documentation, des métadonnées, des ententes d’accès, et ainsi de suite? Si une solution parfaite n’existe pas, il existe sûrement des exemples qui s’en approchent quelque part dans le monde. Réfléchissez de manière critique à l’endroit où vous pourriez les trouver et commencez à les chercher. Posez des questions jusqu’à ce que vous obteniez des réponses avec lesquelles vous pouvez travailler.
5. Préparez-vous à aborder vos données et leur gestion de manière itérative. Les données de recherche ne sont presque jamais recueillies dans leur état définitif. Elles ont besoin d’être nettoyées, reformatées, anonymisées, agrégées, entre autres, avant d’atteindre un état convenable pour l’analyse et l’archivage. En tant que chercheuse ou chercheur, vous devez décider si toutes vos données ont une importance égale (pour le projet, pour la communauté de recherche). Il est essentiel que vous documentiez vos données et leur provenance, car ces détails offrent à d’autres personnes (les membres de l’équipe, les utilisatrices et utilisateurs secondaires) des renseignements importants, notamment sur l’analyse que les données peuvent ou ne peuvent pas supporter. De tels efforts évoluent au fil du temps : ce que vous croyez et faites au début de l’étude peut changer en cours de projet. La GDR est rarement une entreprise unique. Le simple protocole pour nommer les fichiers, à lui seul, peut ne plus fonctionner adéquatement à l’étape de l’analyse.
6. Qui fait quoi? Une gestion des données efficaces, surtout lorsqu’il est question d’équipes de recherche, exige que les rôles et responsabilités soient définis et qu’ils soient continuellement examinés pour vérifier que ce qui est prévu correspond à ce qui se produit. Pour certains membres de l’équipe, voire l’ensemble des membres de l’équipe, il peut s’avérer nécessaire d’améliorer des compétences; par conséquent, évaluez la situation et déterminez les ressources externes en début de processus. Les réunions peuvent gruger un temps précieux, mais le fait de vous rencontrer régulièrement pour échanger de l’information au sujet de la GDR sur un projet vous permettra d’aborder les défis qui surviendront, à coup sûr, comme une postdoctorante ou un postdoctorant qui quitte le projet pour occuper un poste menant à la permanence. Comme toujours, faites en sorte que vous et votre équipe documentiez systématiquement vos efforts de GDR avec des ressources comme les pistes de vérification et les procédures opérationnelles standards.
7. Convenez que tout ne se déroulera peut-être pas sans heurts; néanmoins, vous pourriez obtenir un résultat raisonnable. La GDR ressemble aux processus de recherche qu’elle soutient : en constante évolution et jamais parfaite. Faites de votre mieux et mettez vos apprentissages en application au fur et à mesure que vous allez les acquérir.

Conclusion

Ce manuel constitue un excellent point de départ quant aux enjeux principaux en gestion des données de recherche au Canada. Les divers chapitres présentent un large éventail de principes, de politiques, de stratégies et de pratiques très utiles que vous devriez connaître en tant que chercheuse ou chercheur, bibliothécaire universitaire ou spécialiste des données. Le principal point à retenir de ce chapitre est simple : la gestion des données requiert toujours de la réflexion et une ouverture pour les nouvelles idées et pratiques. Essentiellement, la GDR demeure la responsabilité des chercheuses et chercheurs qui travaillent en première ligne, dont la plupart sont encore novices, non pas tant en ce qui concerne la gestion des données de recherche que la gestion de ces données conformément aux nouvelles exigences externes. Malheureusement, de telles exigences ne se transposent pas facilement en pratique de recherche, ce qui crée plusieurs défis continus. Les bibliothécaires et d’autres spécialistes des données offrent un soutien précieux à ce travail, bien que leurs efforts doivent être évalués d’un point de vue critique alors que divers modèles de service émergent. La GDR n’est pas un élément unique ni une entreprise statique. L’apprentissage à partir de ce manuel est essentiel, mais il faut aussi garder une perspective critique et faire preuve de curiosité quant à la manière dont les choses peuvent être faites ailleurs.

Lectures et ressources supplémentaires

Cheah, P. Y. et Piasecki, J. (2020). Data access committees. BMC Medical Ethics, 21(12), 1-8. https://doi.org/10.1186/s12910-020-0453-z

Kruse, F. et Thestrup, J. B. (2017). Research data management – A European perspective. De Gruyter Saur. https://www.degruyter.com/document/doi/10.1515/9783110365634

Pasek, J. E. (2017). Historical development and key issues of data management plan requirements for National Science Foundation grants: A review. Issues in Science and Technology Librarianship, 87. https://doi.org/10.5062/F4QC01RP

Rice, R. et Southall, J. (2016). The data librarian’s handbook. Facet Publishing.

Thompson, K. et Kellam, L. M. (dir.). (2016). Introduction to databrarianship: The academic data librarian in theory and practice. Dans  L. M. Kellam et K. Thompson (dir.), Databrarianship: The academic data librarian in theory and practice. Association of College and Research Libraries. https://scholar.uwindsor.ca/cgi/viewcontent.cgi?article=1047&context=leddylibrarypub

Whyte, A. et Tedds, J. (2011). Making the case for research data management. Digital Curation Centre.

Bibliographie

Cox, A. M. et Tam, W. W. T. (2018). A critical analysis of lifecycle models of the research process and research data management. Aslib Journal of Information Management, 70(2), 142-157. https://doi.org/10.1108/AJIM-11-2017-0251

Murtagh, M. J., Blell, M. T., Butters, O. W., Cowley, L., Dove, E. S., Goodman, A., Griggs, R. L., Hall, A., Hallowell, N., Kumari, M., Mangino, M., Maughan, B., Mills, M. C., Minion, J. T., Murphy, T., Prior, G., Suderman, M., Ring, S. M., Rogers, N. T., … Burton, P. R. (2018). Better governance, better access: practising responsible data sharing in the METADAC governance infrastructure. Human Genomics, 12(1), 1-12. https://doi.org/10.1186/s40246-018-0154-6

Pinfield, S., Cox, A. M. et Smith, J. (2014). Research data management and libraries: Relationships, activities, drivers and influences. PLoS ONE, 9(12), e114734. https://doi.org/10.1371/journal.pone.0114734

Plomp, E., Dintzner, N. J. R.,. Teperek, M. et Dunning, A. (2019). Cultural obstacles to research data management and sharing at TU Delft. Insights, 32(1). https://doi.org/10.1629/uksg.484