Archives par étiquette : culturomics

‘Culturomics’: prendre un bazooka et ne même pas tuer une mouche

Depuis quelques années, notamment depuis la mise en ligne de Google Ngram Viewer en 2010, est apparu un nouveau champ de recherche appelé “culturomics”, c’est-à-dire une logique de Big Data (y compris dans sa dimension mythique1) appliqué à l’histoire culturelle. Lancé par des chercheurs proches de google, ce champs de recherche estime pouvoir analyser par des démarches quantitatives des tendances culturelles, de manière neutre2. On est pleinement dans la logique décrite par Chris Anderson dans Wired3 et dénoncée par danah boyd et Kate Crawford4. Le premier article sur ce domaine de recherche a été publié dans le très réputé (et souvent très décevant) Science5.

Ce même journal, dans sa livraison d’août, a publié un article dans cette mouvance: “A network framework of cultural history”6. Les auteurs, en compilant des données de plusieurs sources touchant aux lieux et dates de naissance et décès de “notable individuals” (personnalités éminentes), y décrivent un réseau des centres culturels les plus importants sur 2000 ans. Si un lieux attire plus d’artistes (qui sont le cœur de l’étude) qu’il n’en perd (plus d’artistes y sont décédés que d’artistes n’y sont nés), il est considéré comme un centre d’attraction. Il s’agit de savoir quels sont les grands centres d’influence culturelle en Europe et en Amérique du Nord sur 2000 ans.

Les biais discutés par les auteurs

Les auteurs ont utilisé quatre bases de données et Google Ngram (pour associer des lieux à des événements, permettant de comprendre certains phénomènes observables dans la modélisation du réseau complexe issue de leur recherche). Ils détaillent dans les documents en annexe les biais connus de chacune des bases de données.

Les bases de données utilisées sont freebase.com (base de données collaborative), Allgemeines Künstlerlexicon, Getty Union List of Artist names, Winckelmann Corpus (bases de données d'”autorité” – curated). Les auteurs discutent largement des biais connus de ces bases de données. ils en ont identifié de différentes sortes:

  • Biographique: seulement une partie (12 à 28%) des individus sont références avec une  date et un lieu de naissance et de décès. Il est en outre impossible de savoir de manière fiable ce qui se passe entre les deux pour tous les artistes d’où le fait que les auteurs n’aient pris en comte que la naissance et le décès.
  • Temps: Ce que je retiens de leur remarque est le manque de fiabilité de leur étude pour la période précédant 1200.
  • Espace: Certains lieux sont mieux renseignés que d’autres, mais, comparé à des bases de données démographiques plus généralistes, les sources utilisées n’ont pas plus de biais que les autres types de source.
  • Curated vs. crowdsourced: Freebase recense plus d’individus lié au présent, les autres en recensent plus du passé. Les deux démarches sont donc complémentaires.
  • Still alive: étant donné que de nombreux artistes du 20e siècle sont encore en vie (et donc n’ont pas de lieux de décès), les données ne sont pas très valables après 1930, et sous-estiment l’importance culturelle actuelle de certaines villes – Istanbul, par exemple.
  • Biais liés à l’agrégation: les noms avec des variantes, les lieux qui changent de noms, etc. Il est assez facile de résoudre ces problèmes pour les lieux très connus (Moscou, Constantinople puis Istanbul, etc), plus difficile pour les lieux moins connus. Dans certains cas, les auteurs précisent qu’ils ont pu détailler les quartiers (Londres, Paris)
  • Langue: “A logic next step would be to engage in a comparative analysis of further datasets in different languages, striving for a world-wide coverage of the birth-death macroscope.”

Les auteurs ont développé des tests statistiques, détaillés dans le document méthodologique, pour montrer que ces biais n’ont pas ou pas beaucoup d’effets sur le résultat de leur étude. Le problème, me semble-t-il, est qu’il y a un biais majeur qui n’est pas discuté et qui mine potentiellement l’ensemble de l’étude.

Qu’est-ce qu’une “personnalité éminente”?

L’étude repose sur l’inclusion dans son jeu de données de notable individuals, c’est-à-dire de personnalités dites “éminentes”. Qui est une personnalité éminente? La réponse des auteurs est simple: une personnalité est éminente si elle est incluse dans les bases de données utilisées. Ils ne se penchent pas sur les critères d’inclusion d’un individu dans chacune des bases de données.

En clair, les personnes inclues dans le jeu de données vont du roi David à… Poppy Barlow. Qui est cette dernière? La fille malheureusement mort-née d’un membre du groupe de pop anglaise TakeThat. Autant dire que cette notion de “personnalité éminente” est tellement large qu’elle regroupe des individus de fonction, de nature, de rôle “éminemment” différents.

Ce n’est pas en soi nécessairement problématique, mais il y a simplement derrière cette non-définition des personnalités éminentes un biais d’ordre culturel non explicité par les auteurs, en tout cas pour le XXe siècle: est un artiste quelqu’un qui est reconnu comme tel par l’industrie du divertissement. C’est une vision très nord-américaine du domaine culturelle (mais pas moins légitime que d’autres visions). On peut émettre l’hypothèse que pour les siècles précédents le XXe, d’autres biais culturels implicites existent, liés vraisemblablement à la nature des bases de données utilisées. Il est dommageable que les auteurs n’aient pas plus travaillé sur ce point, qui n’invalide pas nécessairement leur résultat, d’ailleurs, mais risque de jeter un discrédit sur leur étude. Toutefois, le principal problème de cette étude ne réside pas nécessairement dans ces biais non explicités.

La maigreur des résultats

La faiblesse essentielle de cette étude réside dans ses résultats. Nous pouvons en énumérer quelques-uns:

  • Rome est un centre culturel majeur, dépassé par Paris au XVIIIe siècle, elle-même concurrencée par New York, notamment, dans la seconde moitié du XXe;
  • Il existe en Europe deux modèles, l’un plus fédéral, l’autre plus centralisé;
  • Le Royaume-Uni est l’objet d’une tension entre un système centralisé sur Londres et une sorte de concurrence fédérale (en Écosse notamment).

En clair, la France est centralisée et l’Allemagne fédérale. Les États-Unis dominent désormais culturellement le monde. Le Royaume-Uni est habité par une tension entre l’Angleterre et les autres pays constituant l’Union. Rome est un centre culturel d’une longévité exceptionnelle. Tout ceci est largement étudié et su depuis un siècle, sans que l’on ait eu besoin de moyens informatiques délirants pour le démontrer.

On est dans le cadre du “problème russe”7. Si l'”histoire numérique” ou les “culturomics” veulent montrer leur pertinence, ce n’est certainement pas avec ce type d’étude. Le seul point positif – et c’est finalement le résultat essentiel de cette recherche – est la publication des jeux de données, qui permettra peut-être à d’autres chercheurs de voir des éléments plus originaux, de regarder, également, ce qui se passe dans les marges – ce qui est susceptible de donner des résultats plus intéressants que la liste de banalités énoncée ci-dessus.

  1. cf. danah boyd et K. Crawford, « CRITICAL QUESTIONS FOR BIG DATA: Provocations for a cultural, technological, and scholarly phenomenon », Information, Communication & Society, vol. 15, no 5, p. 662‑679, juin 2012. []
  2. J.-B. Michel, Y. K. Shen, A. P. Aiden, A. Veres, M. K. Gray, The Google Books Team, J. P. Pickett, D. Hoiberg, D. Clancy, P. Norvig, J. Orwant, S. Pinker, M. A. Nowak, et E. L. Aiden, « Quantitative Analysis of Culture Using Millions of Digitized Books », Science, vol. 331, no 6014, p. 176‑182, déc. 2010. []
  3. C. Anderson, « The End of Theory: The Data Deluge Makes the Scientific Method Obsolete », WIRED, 23-juin-2008. []
  4. op. cit. []
  5. J.-B. Michel et alii, op. cit., http://www.sciencemag.org/content/331/6014/176.abstract []
  6. M. Schich, C. Song, Y.-Y. Ahn, A. Mirsky, M. Martino, A.-L. Barabási, et D. Helbing, « A network framework of cultural history », Science, vol. 345, no 6196, p. 558‑562, janv. 2014. En libre accès: http://www.sciencemag.org/content/345/6196/558.full?ijkey=vY7vVRI0FczsQ&keytype=ref&siteid=sci ; consulter également les documents complémentaires (y compris la méthodologie): http://www.sciencemag.org/content/345/6196/558/suppl/DC1 ; et le site web: http://www.cultsci.net/ []
  7. D. Cohen, « It’s About Russia », Dan Cohen’s Digital Humanities Blog, 06-mars-2007. http://www.dancohen.org/2007/03/06/its-about-russia/ []