#dlc2017

[mindhost]

Three disarms by Arto Fama in a single competitive longsword bout at the DLC (source video)

[adpiucf]

[mindhost]

A selection of exchanges from the Dutch Lions Cup

[mindhost]

Registration opens on 01.03.2017 20:00 CET

[aurialiej]

Compte-rendu des interventions de la conférence Data Literacy 2017

(Compte-rendu établi à partir des notes collaboratives)

Résumé : 

Emmanuel Didier, sociologue, chercheur à l'EHESS et professeur à l'ENSAE a fait un rappel historique de la récolte des données et de la façon dont la population non experte a pris part à cette collecte, demandée par l’État, mais l’a ensuite utilisé à ses propres fins. 

Amelia McNamara, professeure assistante de statistiques et science des données au Smith College de Northampton (Etats-Unis), s'est intéressée à la façon dont nous nous référons aux données (rôle du logiciel, expérience d'enseignement) et comment nous pouvons mettre en capacité les non-experts dans le domaine des statistiques. 

Heather Krause, Data-Scientist et fondatrice de Datassist (un service pour aider à mettre en histoire des données), pense que pour rendre utiles et accessibles à divers publics des analyses de données qui peuvent être complexes, il faut qu’elles soient exprimées en termes simples et compréhensibles et qu’elles soient visuellement attractives. 

 - - - - - -

La récolte de données en très grand nombre (ce que l’on appelle le « big data » de nos jours) n’est pas une nouveauté, elle existe depuis le début du XIXe siècle, a rappelé Emmanuel Didier. Elle n’est pas sans lien avec l’apparition du rôle prévisionnel des statistiques, arrivée à la fin du XVIIIe siècle. L'argument "avalanche de données" est même un argument récurrent dans l'histoire : on entendait déjà cette expression au XIXème siècle, lorsque l'on a automatisé la lecture des cartes perforées. De tout temps, la donnée a été partout, seul le référentiel propre à chaque époque a changé. C’est pourquoi, l’articulation entre savoirs experts et savoirs profanes a toujours été essentielle : on ne peut pas limiter le travail de ces données à un petit nombre d'experts. 

Par exemple, dans le milieu rural des Etats-Unis du XIXe siècle, un journaliste a demandé aux fermiers de faire une estimation de la production agricole autour d'eux, afin d'avoir des arguments pour pouvoir vendre au plus juste prix leur production (évaluation de la production moyenne globale). Les fermiers ont mené eux-mêmes une enquête d'estimation, qui a ensuite été publiée dans le journal. Les fermiers ont donc produit des données pour l'État, mais aussi pour eux-mêmes. Un siècle plus tard en 1929, au moment du New Deal, alors que les Etats-Unis avaient la volonté de relancer l'économie via l’investissement étatique, les ministères ont eu besoin de statisticiens pour analyser la société. Le gouvernement a financé des projets statistiques et embauché deux types de personnes : des enquêteurs (personnes qui savaient lire et qui connaissaient les questions booléennes (O/N) et des tabulateurs (pour compiler les donner sous forme de tableau et agréger les statistiques). Au minimum 2.500.000 emplois ont été créés à cette époque, dont de nombreuses femmes pour les postes de tabulateurs. Plus près de chez nous, est apparue dans les années 90 en France, la "politique du chiffre", notamment dans la police. En fixant des objectifs à atteindre, a débuté la statistisation de la police. 

Dans chacun des cas, l’articulation de la participation profane avec l'expertise se pose et à chaque époque, ces deux mondes s'articulent de façon différente. La participation profane a en tout cas toujours des compétences utiles, réparties dans la population, autres que celles des experts. 

Par ailleurs, ces données et statistiques peuvent être également utiliser par les citoyens à d’autres fins, c’est ce qu’Emmanuel Didier, Isabelle Bruno et Julien Prévieux, ont appelé le statactivisme, mot valise formé de « stat » pour statistique et « activisme ». En partant du constat que les « statistiques nous gouvernent, qu’elles mettent en nombres le réel et maquillent les choix politiques en vérités nimbées d’une aura mathématique » (tableaux chiffrés, courbes, diagrammes et autres camemberts), ils ont rassemblé les contributions de sociologues, de journalistes, d’artistes et de militants, qui ont repris le principe du judo : prolonger le mouvement de l’adversaire afin de détourner sa force et la lui renvoyer en pleine face. En d’autres termes, faire de la statistique, instrument du gouvernement des grands nombres, une arme critique. Militer avec des chiffres, voilà ce qu’est le statactivisme. Mais pour cela, il est nécessaire d'avoir un objectif concret, une cause à défendre. "No issue, no data" : si il n'y a pas de problème, difficile de générer l'énergie pour avoir de la donnée. (Cette expression reprend l’expression de Noortje Suzanne Marres « No issue, no public » au sujet des déficits démocratiques après le déplacement de la politique). 

Par exemple, sur l’expulsion des personnes sans papier, le sociologue Damien de Blic a pensé qu’une façon efficace de lutter contre cette politique était d’utiliser des chiffres, notamment de connaître le cout des reconduites, chiffre qui n'avait jamais été calculé avant 2003 par les services de police, alors même qu’une « culture du résultat » était fortement mise en avant pour les justifier. Il a été cherché des données auprès de la Cour des Comptes, la police, etc. et il a estimé que le cout global de cette politique était en moyenne de 26.000€ par reconduite à la frontière (pour en savoir plus, n’hésitez pas à lire cet article « Quantifier contre les chiffres ? Une estimation du coût des expulsions des sans-papiers ».) 

Le statactivisme, ce sont donc des individus concernés, des militants, qui, pour défendre leur cause, ont besoin de data et s'allient souvent à des experts pour les appuyer dans leur démarche. Cela permet de faire 2 choses : 1) amasser et centraliser des data existantes ; 2) en produire de nouvelles. La plupart du temps, ces chiffres permettent de s'opposer à d'autres données (souvent élaborées par des institutionnels). 

Amelia McNamara, professeure assistante de statistiques et science des données au Smith College de Northampton (Etats-Unis), s'intéresse à la façon dont nous nous référons aux données (rôle du logiciel, expérience d'enseignement) et comment nous pouvons habiliter les novices dans les statistiques. Elle regrette le manque de recherche sur la science des données en tant que science. Elle pense que nous devrions étudier ce qui fonctionne pour les statistiques et pour la science des données (pour les personnes qui apprennent et les personnes qui font de la science des données). Elle a créé une formation intitulée « Introduction à la science des données », qui a donné lieu à la publication d’un document de 400 pages. 

Le Smith College, où elle enseigne, offre par ailleurs de nombreux cours liés aux données : communiquer avec des données, analyse visuelle, journalisme de données, apprentissage automatique. 

Elle focalise ses recherches sur les moyens de faciliter l'analyse des données par les gens, et en particulier les enseignants et les étudiants, et la compréhension des résultats de ces analyses. Selon elle, cela doit être à la fois accessible (sur de nombreux systèmes d'exploitation), facile à démarrer, flexible et interactif. Elle cite par exemple le projet CODAP, un outil d’analyse des données gratuit, conçu comme une plateforme Web pour les développeurs et comme une application pour les élèves du collège et du lycée. 

Elle cite également l'initiative DataFest, une sorte de hackathon pendant lequel des groupes d'étudiants de premier cycle travaillent sur un ensemble de données qu'ils n'ont jamais vu auparavant, pour trouver et partager un sens dans un ensemble de données volumineux, riche et complexe. Le ASA DataFest (événement organisé par l’American Statistical Association) est de plus en plus populaire et se répand dans tous les Etats-Unis et même en Allemagne. 

Il faut toujours garder à l'esprit que le choix que nous faisons dans la façon dont nous concevons les outils et la façon dont nous enseignons aux étudiants a un impact réel. Il faut donc comprendre comment les gens pensent et conceptualisent les données, et avoir à l’esprit l'impact que les outils et les programmes peuvent avoir sur les étudiants. Amelia McNamara a également écrit avec Aran Lunzer un essai sur les histogrammes, en voyant l’énorme fossé entre l’apprentissage des outils et leur utilisation. 

Dans le prolongement, Heather Krause, Data-Scientist et fondatrice de Datassist (un service pour aider à mettre en histoire des données), pense que pour rendre utiles et accessibles à divers publics des analyses de données qui peuvent être complexes, il faut qu’elles soient exprimées en termes simples et compréhensibles et qu’elles soient visuellement belles. 

Mais la première chose à faire est de rendre les gens vraiment excités par l’utilisation des données et donc créer des endorphines (comme lorsqu’on le fait du sport). Ensuite, il faut créer des gains immédiats pour les gens. La raison d’utiliser des données est essentielle et une fois de plus, nous retrouvons l’idée de « No issue, no Data ». Mais rendre les données intéressantes à ceux qui ont en besoin est aussi un des vrais enjeux de l’utilisation des données. Par ailleurs, être à l’aise avec les données, savoir les utiliser peut donner un vrai sentiment de puissance ! C’est pourquoi la question de l’empowerment est également importante quand il est question de manipuler des données. 

Mais il faut avoir un point de vue éthique et critique. Il y a une grande recherche de certitude à travers les données, mais les données ne peuvent pas la fournir. Le travail d’Heather Krause n'est pas de fournir une certitude, mais d’aider les gens à comprendre les types de données avec lesquelles ils travaillent.