Trouver des données externes

Réaliser votre propre étude pour collecter des données n’est pas le seul ou le meilleur moyen de démarrer votre analyse de données. Utiliser le jeu de données de quelqu’un d’autre et partager ses données se fait de plus en plus souvent et a aidé à avancer la plupart des recherches récentes. Utiliser des données externes offre plusieurs avantages différents :

Où trouver des données externes

Tous ces bénéfices parlent d’eux-mêmes ! Alors comment trouver des données externes ? Pour vous aider à réduire votre recherche, posez-vous les questions suivantes :

Données publiques

Une fois que vous avez une idée claire de ce que vous recherchez dans un jeu de données externe, vous pouvez commencer votre recherche au sein des sources de données publiques qui vous sont rendues disponibles, grâce au mouvement contenu ouvert et accès qui a gagné en popularité sur Internet. De nombreuses institutions gouvernements et organisations ont établi des politiques qui favorisent la diffusion des données au public afin de fournir plus de transparence et de responsabilité et d'encourager le développement de nouveaux produits et services. Voici une liste de sources de données publiques par catégorie:

Si vous décidez d’utiliser un moteur de recherche (tel que Google) pour rechercher des jeux de données, n’oubliez pas que vous ne trouverez que des choses qui sont indexées par le moteur de recherche. Parfois un site web (et les ressources associées) ne sera visible que pour les utilisateurs authentifiés et sera paramétré pour bloquer le moteur de recherche, donc ces types de site web n’apparaîtront pas dans les résultats de la recherche. Internet est un grand terrain de jeu, épargnez-vous la fastidieuse tâche de faire défiler de nombreux résultats de recherche non pertinents en étant clair et précis sur ce que vous recherchez.

Si vous ne savez pas trop quoi faire d’un type particulier de données, essayez de naviguer à travers le site Information is Beautiful awards pour inspiration. Vous pouvez également assister à des événements tels que l’Open Data Day pour voir ce que d’autres ont fait avec les données ouvertes.

Les référentiels de données ouvertes bénéficient à la fois aux contributeurs et aux utilisateurs en fournissant un forum pour partager et réfléchir aux moyens d’étudier et discuter des données. Dans certains cas, la production participative de données (data crowdsourcing) a conduit à de nouvelles conclusions qui se seraient développées à un rythme beaucoup plus lent ou n’auraient pas été possibles en premier lieu. L’un des projets de production participative de données les plus médiatisés est Foldit de l’Université de Washington, un jeu de puzzle en ligne permettant à n’importe qui de présenter des variations de repliement de protéines qui sont utilisés par les scientifiques pour construire de nouvelles solutions innovantes en bioinformatique et en médecine. Et récemment, la Recherche contre le Cancer du Royaume-Uni a publié un jeu mobile appelé Genes in Space qui assigne aux utilisateurs la tâche d’identifier des cellules cancéreuses dans les diapositives de biopsies ce qui en retour aide les chercheurs à réduire le temps d’analyse de données.

Données non publiques

Bien sûr, toutes les données ne sont pas publiques. Il peut arriver un moment où vous avez accès à une collection spéciale de données en raison de votre statut au sein d'un réseau particulier ou par une relation existante. Ou bien peut-être êtes-vous tombé sur un jeu de données que vous pouvez acheter. Dans les deux cas, vous devez généralement accepter et signer une licence pour obtenir les données, vous devez donc vous assurer d’avoir passé en revue les Termes d’Utilisation avant d’acheter. Si aucune condition n’est fournie, insistez sur le fait d’avoir une autorisation écrite pour utiliser le jeu de données.

Évaluer les données externes

Disons que vous avez trouvé un jeu de données qui correspond à vos critères. Mais est-ce que la qualité est suffisamment bonne ?

Evaluer la qualité des données consiste à examiner tous les détails fournis à propos des données (notamment les metadonnées, ou les “données à propos des données”, telles que l’heure et la date de création) et le contexte dans lequel celles-ci sont présentées. Les bons jeux de données fourniront des détails à propos de la finalité du jeu de données, la propriété (appartenance), les méthodes, le périmètre, les dates et d’autres informations. Pour les jeux de données en ligne, vous trouverez souvent ces informations en consultant les pages web “A propos” ou “Plus d’information” ou en suivant un lien de type “Documentation”.

N’hésitez pas à utiliser les techniques générales d’évaluation de l’information lors de l’examen des données. Par exemple, une méthode populaire utilisée par les bibliothèques universitaires est le test CRAAP, qui est un jeu de questions vous aidant à déterminer la qualité d’un texte. L’acronyme signifie : Période de validité, Pertinence, Auteurity, Précision, Finalité.

Enfin, lorsque vous passez en revue le jeu de données dans le détail, faites attention aux drapeaux rouges suivants :

• Les détails de la méthode de collecte des données ne sont pas connus
• Aucune information de contact
• Vague propriété (appartenance) des données
• Aucune entité ou pouvoir autoritaire associé au collecteur de données ou aux données
• Terms of use or license includes details that raises questions (e.g. data can’t be used for scientific study)
• Les métadonnées sont manquantes ou incohérentes
• De larges pans de données sont manquants sans aucune explication ou points de référence
• Les données brutes semblent “trop parfaites”
• Des articles publiés contestent ou remettent en question le jeu de données

Utiliser des données externes

Donc maintenant vous avez un jeu de données de qualité qui répond à vos critères, et vous avez la permission de l’utiliser. Que devriez-vous envisager avant de commencer à travailler ?

Vos réponses à ces questions peuvent changer le périmètre de votre analyse ou vous amener à rechercher des données supplémentaires. Elles peuvent même vous amener à penser à un tout nouvel angle de recherche.

La liste de contrôle vous encourage à documenter (beaucoup). Une documentation minutieuse est importante pour deux grandes raisons. D’abord, dans le cas où vous avez à refaire votre analyse, votre documentation vous aidera à retracer ce que vous avez fait. Ensuite, votre documentation fournira des preuves aux autres chercheurs que votre analyse a été correctement menée et leur permettra de construire sur les enseignements issus de vos données.

Créditer les sources de données externes

Dit autrement, créditer les sources de données externes est la bonne chose à faire. Elle est également obligatoire. Les directives éthiques de recherche indiquent que le crédit des sources est nécessaire pour tout type de recherche. Donc assurez-vous toujours de créditer correctement les données extérieures que vous utilisez en fournissant leur référence.

De bonnes références donnent au lecteur suffisamment d’information pour trouver les données auxquelles vous avez eu accès et que vous avez utilisées. Vous vous demandez à quoi ressemble une bonne référence ? Essayez d’utiliser un manuel de style de référence existant provenant de APA, MLA, Chicago, Turabian, ou Harvard. Contrairement aux références pour des éléments publiés (tels que des livres), les références pour un jeu de données varient énormément d’un style à l’autre.

En règle générale, tous les styles exigent l’auteur et le titre. En plus de cela, l’éditeur, le producteur ou le distributeur de l’information (lieu, date de publication), la date d’accès (lorsque vous avez vu la première fois les données), les détails à propos du jeu de données (identifiant unique, édition, support), et l’URL peuvent être nécessaires. Pour les jeux de données gouvernementaux, utilisez le nom du département, du comité ou de l’organisme comme nom d’auteur groupe ou institutionnel.

Par exemple, disons que vous utilisez U.S. Census Annual Survey of Public Employment and Payroll (enquête annuelle des Etats-Unis de recensement de l’emploi et de la paie).

Le manuel de style APA (Manuel de Publication de l’Association Américaine de Psychologie, 6ème édition) vous citerait de la manière suivante :

alors que le manuel de style MLA (Manuel MLA pour les Ecrivains-Chercheurs, 7ème édition) référence les même données de recensement comme :

Les répertoires de données et les organisations ont souvent leurs propres directives de référence et fournissent des références prêtes à l’emploi que vous pouvez utiliser “telles quelles”. Le Consortium Interuniversitaire pour la Recherche Politique et Sociale (The Interuniversity Consortium for Political and Social Research (ICPSR)), le Centre National des Statistiques de Santé (The National Center for Health Statistics), Dryad, Dryad, PANGAEA, et le Centre de Données Roper (Roper Center Data) fournissent tous des directives pour faire référence à leurs jeux de données.

Ce chapitre vous a donné un bref aperçu des données externes : la chose importante à retenir, c’est que nous ne sommes qu’au début d’une croissance significative des données grâce aux technologies qui rendent désormais le stockage et le traitement de données massives une réalité abordable. Les jeux de données ouvertes en particulier ont le potentiel pour devenir la norme de facto pour toute personne cherchant des données à analyser.