État de l’art de l’open data dans l’édition scientifique (1/3)

Dresser un panorama des politiques open data d’acteurs l’édition scientifique compléter par des entretiens pour explorer la conduite et l’impact de projets open data dans les organisations

Méthode et outils

La réalisation de l’état de l’art s’est faite en deux temps. La première étape a consisté à réaliser des entretiens exploratoires auprès d’acteurs publics francophones qui ont ou ont été amenés à réaliser des projets d’open data dans leur structure :

• Bruno Marmol et Bénédicte Kuntziger du CCSD
• Vincent Larivière, Erudit
• Stéphane Pouyllau, Huma-Num

L’objectif était de comprendre les conditions dans lesquels se sont déroulés des projets open data dans des institutions similaires à OpenEdition. La grille d’entretien a été la suivante :

• Les données gérées par la plateforme
• Modalités de stockage et d’accès, volume, contenu des données :  
  • métadonnées
  • texte intégral
  • citations
  • médias
  • statistiques d’usage / métriques
  • référentiels
  • cas d’usage des données hors de leur finalité initiale (projets data science…) 
• Gouvernance des données
  • projets existants de partage de données
  • acteurs ayant déjà demandé des données
  • partage en interne des données
• État des lieux de l’ouverture des données 
  • licence actuelle des données
  • les formats de libération des données (pdf, csv, excel, RDF etc.)
  • le coût induit de la libération des données
  • implication des tutelles dans la stratégie d’ouverture des données ?
  • les tutelles sont-elles même engagées dans une stratégie d’ouverture de leurs données ?
  • la mise en œuvre d’un projet d’ouverture des données a-t-elle un impact sur l’activité et la pratique professionnelle (envers les professionnels et envers les usagers) ?
  • consentement explicite des auteurs à open access
  • contexte loi Lemaire : travaux en cours open data ?
• Relation avec des réutilisateurs 
  • demandes de réutilisation des données
  • réutilisation hors de la recherche 
  • part des réutilisations en France ou à l’étranger
  • demandes CADA ?
  • existence de communautés mobilisées autour de leurs données ? 
• Usages visés / usages réels 
  • usages que souhaiteraient développer l’organisation à partir de ses données
  • usages qui se sont développés suite à l’ouverture ou partage des données

La seconde étape a été la comparaison des politiques d’open data de plateformes d’édition scientifique francophones, européennes et internationales :

Pour dresser notre tableau, nous avons retenus ces éléments de comparaison :

• les types de données ouvertes (métadonnées, référentiels, texte intégral, etc. ;
• les modalités d’accès aux données ;
• la licence ;
• la documentation des données ;
• les points positifs et négatifs.

Résultats

Les entretiens ont permis de mettre en avant trois aspects importants pour mener un projet open data :

• les projets s’inscrivent dans une démarche partenariale et doivent s’appuyer sur les premiers usagers et demandeurs de données ;

Démarche pas guidée par la loi pour une République numérique mais besoin d’utilisateurs avancés avec lesquels on a envie de travailler.

Bruno Marmol et Bénédicte Kuntziger, CCS

La demande n’est pas immense : informaticiens, linguistes, sociologue des sciences. Reçoit une dizaine de demandes par année d’accès aux données.

Vincent Larrivière, Erudit

• favoriser le développement des usages en utilisant des protocoles faciles d’utilisation. Les protocoles OAI-PMH sont peu compréhensibles et l’utilisation des standards du web sémantique demande un travail considérable mais génère très peu d’usages ;

RDF rendait explicite un graphe de données et pouvoir jouer toute la carte de l’analyse des données. Rendre explicite la structuration de l’information. Ça nous permettait d’avoir une structure assez riche pour faire des structures pauvres : on peut toujours faire du CSV à partir du RDF. On peut toujours dégrader les données si les gens ont besoin.

Stéphane Pouyllau, Huma-Num

• le besoin de documentation et d’accompagnement des usagers doit être pris en compte afin de développer une communauté d’usagers autour des jeux de données.

Quelques utilisateurs se servent du triple store de N… pour récupérer des jeux de données pour les éditer dans des chaines éditoriales au cas par cas et on leur fabrique. Nous demandent de faire la requête Sparql : « je voudrais croiser mon corpus avec un autre, aidez moi ». 4-5 demandes par an.

Stéphane Pouyllau, Huma-Num

Le second volet de cet état de l’art a été de réaliser un tableau comparatif des plateformes d’édition scientifique pour nous en apprendre plus sur les pratiques de chacun :

• la plateforme HAL met en avant des données standardisées tout le travail d’alignement avec des ontologies mais une faible documentation sur le SPARQL Endpoint pour les futurs utilisateurs
• Erudit travaille actuellement à l’ouverture de son corpus en texte intégral mais se limite à l’usage de la recherche
• le portail de Persée a été pensé selon les besoins des publics avec un vrai souci de documentation de la démarche et des données. Cependant peu d’usages sont actuellement référencés, à l’exception de quelques prototypes réalisés dans le cadre de son 1er hackathon (juin 2018)
• Cairn propose son entrepôt OAI-PMH accompagné d’une documentation succincte. À noter l’usage du scrapping pour accéder aux données du portail
• le DOAJ propose plusieurs modalités d’accès aux métadonnées des revues et des articles adaptées à la variété des usages, accompagnée d’une documentation très complète
• la plateforme OAPEN propose les métadonnées des livres dans plusieurs formats et sous licence CC-0, mais la documentation est très succincte
• les métadonnées des livres de Knowledge Unlatchated sont proposées au format MARC records, plutôt destinées aux bibliothèques
• F1000 Research a ouvert les métadonnées des données ainsi que le texte intégral seulement accessible par API. On peut aussi regretter l’absence d’une licence d’utilisation clairement indiquée
• PubMedcentral rend accessible une variété de données (métadonnées, citations, texte intégral) selon différents modes d’accès accompagnée d’une documentation complète et de cas d’usage. Point négatif, la licence est variable selon les contenus
• incitant à fouiller le texte, la plateforme PlosOne a ouvert les métadonnées de ces articles et le texte intégral des documents en open access sous licence CC BY. De nombreux points d’accès sont proposés mais la documentation reste légère (mis à part l’API) et dispersée
• le corpus d’Hindawi propose les métadonnées des documents et le texte intégral des articles en open access sous licence a priori CC-BY. Cependant la documentation est très légère pas de fichier bulk pour les métadonnées

Enseignements pour OpenEdition Data

De la comparaison des plateformes et des entretiens menés, il en ressort que très peu d’acteurs n’ont vraiment fait un portail dédié à l’open data. À l’exception des métadonnées où les standards et les protocoles sont orientés vers la dissémination, il n’existe pas de portail open data centralisé (hors SPARQL et API), malgré de nombreuses initiatives visant à répondre aux besoins des communautés. On observe en effet, que les principes de l’open data ne sont pas toujours respectés et qu’il y a très peu d’usage sur les données sémantiques. Enfin, le text and data mining se fait essentiellement à la demande.

Un portail OpenEdition Data serait intéressant à la fois pour valoriser les contenus et les données liées aux plateformes et une vitrine qui valoriserait les réutilisations existantes.

---

---