Les lieux de collecte des données

synthèse rédigée par Pauline Leplongeon, mise en ligne par Stella Mulas, stagiaires sur le projet EVEille en 2022 et 2023

POURQUOI COLLECTER DES DONNÉES ? QUESTIONNEMENT INTRODUCTIF

De manière générale et comme le disent les définitions du concept de données de la recherche, celles-ci sont nécessaires pour répondre à la problématique de recherche et pour valider le discours scientifique.
Ce discours peut prendre plusieurs formes :

  • un mémoire de recherche
  • une thèse
  • un article scientifique
  • une conférence, un colloque
  • un cours

Ces formes de discours ne s’excluent pas les unes les autres et un même lot de données peut être utilisé pour rédiger une thèse à partir de laquelle sera monté un cours ou encore préparé une intervention à un colloque.
Dans le cadre d’un projet de recherche, on peut collecter des données pour :

  • établir un état de l’art. Dans ce cas, on pense en premier lieu à une collecte de données bibliographiques
  • constituer un corpus de données à partir duquel effectuer l’analyse du sujet de recherche.

Dans ce cadre, les données du corpus peuvent être de plusieurs natures :

  • écrites
    • manuscrites
    • imprimées
    • numérisées
    • numériques
  • iconographiques
    • manuscrites
    • imprimées
    • analogiques
    • numérisées
    • numériques
  • orales et vidéo
    • produites par le chercheurs : enregistrements analogiques ou numériques
    • collectées autrement dit, déjà constituées par d’autres chercheurs,
      institutions, infrastructures : enregistrements analogiques ou numériques.

LIEUX DE COLLECTE

QUESTIONNEMENT INTRODUCTIF

Les lieux de collecte de données dépendent du type de données que le chercheur souhaite obtenir.

On peut distinguer les données non numériques des données numériques.

Où trouver des données non numériques

Au sein des données non numériques, il existe entre autres :

  • les livres, périodiques papiers collectés dans des bibliothèques et les centres de documentation des laboratoires de recherche,
  • les archives papiers collectées dans les centres d’archives,
  • les objets archéologiques collectés sur les chantiers de fouilles,
  • les entretiens, enquêtes, sondages, observations collectés sur des terrains, eux-mêmes définis selon la discipline et le sujet de recherche (panel de population, zone géographique, etc.)

Même si ces données sont non numériques, elles peuvent être trouvées et collectées, grâce à des outils numériques (quand ils existent) comme les catalogues de bibliothèque ou les inventaires d’archives.
Ces données sont créées par le chercheur ou organisées pour la recherche et la collecte.
Ces données peuvent être numérisées. On passe alors à une phase de traitement de données.

Où trouver des données numériques ?

Elles peuvent être collectées sur le web.
Dans ce cas, on distingue les lieux/sites non dédiés à la recherche d’informations et les lieux/sites dédiés à la recherche d’informations.

[voir ci-après méthodes de collecte> web scraping]

Les lieux non dédiés à la recherche

Ce sont des lieux qui ne sont pas conçus pour la recherche a priori. Ainsi, les données qu’ils fournissent ne sont pas toujours faciles à collecter, notamment parce qu’elles ne sont pas forcément structurées ni indexées.
Exemple de lieux non dédiés à la recherche : les sites du web 2.0 (ou web participatif) comme les forums ou les réseaux sociaux.

Les lieux dédiés à la recherche d’informations

Ils sont conçus pour faciliter la recherche et la collecte des données. Ils fournissent des métadonnées et des éléments d’indexation.
Exemple de lieux dédiés à la recherche :

  • les bases de données spécialisées,
  • les entrepôts de données,
  • les annuaires d’entrepôts,
  • les catalogues de données,
  • les bibliothèques numériques,
  • les archives numériques.

BASE DE DONNÉES

Définition

Il s’agit d’un conteneur stockant une collection d’informations ou de données structurées, semi-structurées ou brutes.
Une base de données sert à stocker, organiser, localiser, analyser et mettre à jour facilement et rapidement des données.
Les bases de données peuvent être classées en deux typologies :

  • Une typologie des bases de données selon le contenu : bibliographique, texte, image, nombre, audio, vidéo.
  • Une typologie selon l’approche organisationnelle de la base de données : hiérarchique, réseau, relationnelle ou SQL, NoSQL, distribuée, cloud, orientée texte, orientée objet, orientée graph.

LOADB : Listing of Open Database

LOADB recense les bases de données en libre accès et offre un portail d’accès unique à ces bases de données. Il est pour le moment orienté sciences technologiques et médicales mais entend inclure à terme tous les champs disciplinaires. On y trouve déjà des bases de données spécialisées en géographie et en archéologie.
[pour plus d’info, voir fichier “Traitements et analyses”].

Sources & ressources

  • Bastien L., “Base de données : qu’est-ce que c’est ? Définition et présentation”, dans Le Big Data, 24 janvier 2019.
    Lien
  • Site Oracle, Qu’est-ce qu’une base de données ?.
    Lien
  • Wikipédia, Base de données, mis à jour le 12 mai 2022.
    Lien
  • Rigaux (Philippe), Cours de bases de données – Modèles et langages, mars 2022. Licence CC BY-NC-SA.
    Lien
  • Rigaux (Philippe), Cours de bases de données – Aspects systèmes, Septembre 2020. Licence CC BY-NC-SA.
    Lien
  • L’informatique c’est fantastique, Cours sur les bases de données, Lycée Blaise Pascal, Clermont-Ferrand, mis à jour le 30 octobre 2020.
    Lien
    LOADB
  • Marcoux (Yves), Scénario type de création d’une base de données documentaire, Université de Montréal, EBSI, 2000.
    Lien
  • Site de l’ENSSIB, base de données/banque de données, 17 mars 2017.
    Lien

BANQUE DE DONNÉES

La différence entre base de données et banque de données fait débat. L’ENSSIB propose la distinction suivante :

“la base de données décrit la structure informatique, le contenant, tandis que la banque de données représente le contenu de la base, c’est à dire un ensemble de données relatif à un domaine de connaissance.”

Toutefois, elle cite également les deux définitions extraites du Vocabulaire de la doc (proposé par l’association des professionnels de l’information et de la documentation) :

Banque de données : “Ensemble de données relatif à un domaine défini des connaissances, généralement organisé et structuré en base de données pour être offert aux utilisateurs (JO). On distingue les banques de données bibliographiques (références de documents primaires, avec ou sans résumé), les banques de données iconographiques (images fixes ou animées ; à ne pas confondre avec le mode image), les banques de données textuelles (texte intégral complet ou partiel de documents primaires) ou de type GED (document complet au format original), les banques de données numériques (données chiffrées, plus ou moins structurées) et multimédias (1) (documents comprenant des textes, des images et des sons).”
Base de données :
“Ensemble de données structuré, généralement en champs, organisé en vue de son utilisation par des programmes correspondant à des applications distinctes (JO) (gestion, recherche, tri, cartographie, etc.). Ce regroupement structuré de données, géré par un système de gestion de base de données (SGBD), se réalise de manière à faciliter l’évolution indépendante des données et des programmes.”

(Source : Site de l’Enssib)

Sources & ressources

  • Bastien L., “Base de données : qu’est-ce que c’est ? Définition et présentation”, dans Le Big Data, 24 janvier 2019.
    Lien
  • Site Oracle, Qu’est-ce qu’une base de données ?.
    Lien
  • Wikipédia, Base de données, mis à jour le 12 mai 2022.
    Lien
  • Rigaux (Philippe), Cours de bases de données – Modèles et langages, mars 2022. Licence CC BY-NC-SA.
    Lien
  • Rigaux (Philippe), Cours de bases de données – Aspects systèmes, Septembre 2020. Licence CC BY-NC-SA.
    Lien
  • L’informatique c’est fantastique, Cours sur les bases de données, Lycée Blaise Pascal, Clermont-Ferrand, mis à jour le 30 octobre 2020.
    Lien
  • Marcoux (Yves), Scénario type de création d’une base de données documentaire, Université de Montréal, EBSI, 2000.
    Lien
  • Site de l’ENSSIB, base de données/banque de données, 17 mars 2017.
    Lien

ENTREPÔT DE DONNÉES

Base de données en ligne permettant le dépôt, la recherche, la collecte, la description, la conservation et la diffusion des jeux de données. Une fois déposés, les jeux se voient attribuer un DOI et, très souvent, une licence de réutilisation. Les jeux de données sont accessibles sur l’entrepôt, et peuvent être réutilisés, éventuellement après une période d’embargo.
Les entrepôts sont de plusieurs types :

  • généralistes et multidisciplinaires : Archive.org, Nakala, MediHAL, Zenodo.
  • disciplinaires : bibliothèques virtuelles humanistes, Ortolang, CNRTL, CocoOn, ArkeoGIS, Geoportail (IGN), Archipolis pour les sciences politiques.
  • liés à une institution : Data.gouv, DataBNF, Hal.

[Pour plus de détails sur les fonctionnalités des entrepôts de données, voir le fichier “Pérennisation”]

Sources & ressources

  • URFIST Méditerranée, Rechercher des données, DoRANum, mis à jour le 28 mai 2018.
    Lien
  • URFIST Méditerranée, Dépôt et entrepôts, DoRANum, mis à jour le 16 août 2021.
    Lien
  • Dardenne (Nadine), DARIAH : une infrastructure numérique au service des sciences humaines et sociales, billet du blog d’Huma-Num et de ses consortiums, mis à jour le 14 février 2014.
    Lien
  • Laube (C.), “Entrepôts” de données en SHS, présenté lors de l’Atelier des Humanités Numériques de l’ENS Lyon du 20 mars 2018.
    Lien
  • Réseau ISORE, Carte mentale “Quels outils et services pour la pérennisation des données SHS ?” décembre 2017. Licence CC-BY.
    Lien
  • Aventurier (Pascal), Cocaud (Sylvie), Les entrepôts de données de recherche, Action Nationale de Formation RENATIS, 3/6-07-2017. Licence CC-BY.
    Lien

ANNUAIRE D’ENTREPÔTS

Ils peuvent être multidisciplinaires :

  • Re3data.org : possibilité de chercher des entrepôts par disciplines, par types de données, par pays.
  • OAD : Open Access Directory. Liste des entrepôts et des bases de données d’open data.
  • CatOpidor

Ils peuvent être disciplinaires :

  • Biosharing (STM)

Ils peuvent être mixtes c’est-à-dire constituer à la fois une archive ouverte et un entrepôt :

  • ROAR : annuaire qui répertorie les entrepôts en libre accès ou les archives ouvertes. Recherche possible par nom, région du monde, pays, logiciel, type de contenu, disciplines.
  • OpenDOAR : annuaire recensant à l’échelle internationale les entrepôts de données en libre accès et les archives ouvertes. Recherche possible par nom, région du monde, pays, logiciel, type de contenu, disciplines.
  • FAIRsharing : annuaires d’entrepôts de données et de bases de données de connaissances respectant les principes FAIR.

Sources & ressources

  • URFIST Méditerranée, Rechercher des données, DoRANum, mis à jour le 28 mai 2018.
    Lien
  • URFIST Méditerranée, Dépôt et entrepôts, DoRANum, mis à jour le 16 août 2021.
    Lien
  • Dardenne (Nadine), DARIAH : une infrastructure numérique au service des sciences humaines et sociales, billet du blog d’Huma-Num et de ses consortiums, mis à jour le 14 février 2014.
    Lien
  • Laube (C.), “Entrepôts” de données en SHS, présenté lors de l’Atelier des Humanités Numériques de l’ENS Lyon du 20 mars 2018.
    Lien
  • Réseau ISORE, Carte mentale “Quels outils et services pour la pérennisation des données SHS ?” décembre 2017. Licence CC-BY.
    Lien
  • Aventurier (Pascal), Cocaud (Sylvie), Les entrepôts de données de recherche, Action Nationale de Formation RENATIS, 3/6-07-2017. Licence CC-BY.
    Lien

CATALOGUE DE DONNÉES

Ce sont des méta-moteurs cherchant dans plusieurs entrepôts.
On peut citer :

  • openAIRE : structure européenne créée en 2010 dédiée au développement du libre accès en Europe. Elle est à l’origine de l’entrepôt Zonodo.
  • Réseau Quetelet.
  • Humanities Data : Structure cherchant à favoriser la collecte et la diffusion d’informations sur les données publiques particulièrement dignes d’intérêt pour les humanités numériques.
  • B2FIND, le catalogue d’EUDAT (infrastructure européenne de services et ressources multidisciplinaires dédiés aux données de la recherche).
  • DataCite Search : 2680 entrepôts moissonnés, donne accès à des jeux de données mais aussi à des data papers, des articles de revues.
  • Dataset Search : le catalogue de données de Google.
  • CESSDA Data Catalog : catalogue de données du Consortium des archives de données européennes en sciences sociales. Recherche par sujet, année, pays, éditeur.
  • Opendatasoft : plateforme de recherche, de dépôt et de publication de jeux de données produits par les administrations publiques.
    Autre accès.

Sources & ressources

  • URFIST Méditerranée, Rechercher des données, DoRANum, mis à jour le 28 mai 2018.
    Lien
  • URFIST Méditerranée, Dépôt et entrepôts, DoRANum, mis à jour le 16 août 2021.
    Lien
  • Dardenne (Nadine), DARIAH : une infrastructure numérique au service des sciences humaines et sociales, billet du blog d’Huma-Num et de ses consortiums, mis à jour le 14 février 2014.
    Lien
  • Laube (C.), “Entrepôts” de données en SHS, présenté lors de l’Atelier des Humanités Numériques de l’ENS Lyon du 20 mars 2018.
    Lien
  • Réseau ISORE, Carte mentale “Quels outils et services pour la pérennisation des données SHS ?” décembre 2017. Licence CC-BY.
    Lien
  • Aventurier (Pascal), Cocaud (Sylvie), Les entrepôts de données de recherche, Action Nationale de Formation RENATIS, 3/6-07-2017. Licence CC-BY.
    Lien

PUD

“Les plateformes universitaires de données (PUD) visent à stimuler l’utilisation des données mises à disposition par PROGEDO. Centrées sur le développement des compétences, les PUD prolongent l’action de PROGEDO au niveau régional et apportent un soutien direct aux utilisateurs de données d’enquêtes par :
l’aide à la recherche, à l’acquisition et à la mise en œuvre des fichiers de données,
la formation à la compréhension, à l’utilisation et au traitement de ces données,
la formation à l’utilisation d’outils informatiques et statistiques.”

(Source : Site de PROGEDO, page dédiée au PUD.
Lien)

RÉSEAU QUETELET

Historique

La diffusion de données est progressive depuis les années 1980. D’abord, des chercheurs du laboratoire Lasmas ont demandé d’accéder à certaines données.
Puis dans les années 1990, la diffusion des données (INSEE) s’est étendue au sein du CNRS.
Dans les années 2000, la diffusion s’est généralisée via le réseau Quetelet et elle s’est étendue aux services statistiques ministériels et aux autres producteurs public avec un accès disponible pour l’ensemble de la communauté scientifiques (universités, EPST, etc.).
En 2012 est créé PROGEDO avec pour objectif de développer la culture des données et d’assurer la coordination du réseau Quetelet.

Précisions sur les types de fichiers disponibles

Trois niveaux de fichiers :

  • Les données confidentielles non anonymisées, variables très détaillées. Elles ne sont pas diffusées en l’état et sont accessibles via des accès sécurisés et contrôlés. De ce fait, elles ne permettent pas forcément des travaux de recherche très évolués.
  • Les données FPR (Fichiers Productions et Recherche) ou Scientific Use Files : elles sont pseudonymisées, ont des variables détaillées, créées par le producteur à destination de la communauté scientifique.
  • Les données standards : publiques, anonymisées, variables agrégées. Diffusées en Open data via ou sur les sites des producteurs comme insee.fr, data.gouv.fr.

Les trois diffuseurs de données du réseau de diffusion QUETELET et leur catalogue :

  • ADISP : Archives de Données Issues de la Statistique Publique
  • INED : Institut National d’Études Démographiques, service des enquêtes
  • CDSP : Centre de Données Socio-Politiques

Le catalogue de l’ADISP.
Il diffuse des données d’enquêtes ponctuelles ou régulières et des données de diverses natures (recensement, panel, localisées, récentes, historiques, etc.)
Il diffuse les données des producteurs suivants :

  • l’INSEE
  • les services statistiques des ministères :
  • DARES : Direction de l’Animation de la Recherche, des Études et des Statistiques –
    Ministère du Travail
  • DEPP : Direction de l’Évaluation, de la Prospective et de la Performance – Ministère
    de l’Éducation
  • DEPS : Département des Études de la Prospective et des Statistiques – Ministère de la
    Culture
  • DGFIP : Direction Générale des Finances Publiques – Ministère des Finances
  • DREES : Direction de la Recherche, des Études, de l’Évaluation et des Statistiques –
    Ministère de la Santé
  • DSED : Département des Statistiques, des Études et de la Documentation – Ministère de
    l’Intérieur
  • MEDES : Mission enquêtes, données et études statistiques – INJEP, Ministère des Sports
  • SIES : Systèmes d’Information et des Études Statistiques – Ministère de l’Enseignement
    Supérieur
  • SDES : Service de l’Observation et des Statistiques – Ministère des Transports
  • d’autres institutions publiques :
  • CEPREMAP : Centre pour la Recherche Économique et ses applications
  • CEREMA : Centre d’Études et d’expertise sur les Risques, l’Environnement, la Mobilité
    et l’Aménagement
  • CEREQ : Centre d’Études et de Recherche sur les Qualifications
  • CNISF : Conseil National des Ingénieurs et Scientifiques De France
  • CREDOC : Centre de Recherche pour l’Étude et l’Observation des Conditions de vie
  • DRIEA : Direction Régionale et Interdépartementale de l’Équipement et de l’Aménagement
    d’Île-de-France
  • INCa : Institut National du Cancer
  • INSERM : Institut National de la Santé Et de la Recherche Médicale
  • ISSP-France : International Social Survey Programme
  • IRDES : Institut de Recherche et de Documentation en Économie de la Santé
  • OCEMO : Office de Coopération Économique pour la Méditerranée et l’Orient
  • OVE : Observatoire de la Vie Étudiante

Il compte environs 1500 jeux de données.
Il s’agit uniquement des données quantitatives.
On y trouve une certaine profondeur historique car la plus ancienne enquête date de 1954.
Les données couvrent le territoire français (métropole et dom-tom)
Les données sont individuelles ou agrégées

Le catalogue de l’ADISP est organisé en dix thèmes :

  • population et démographie
  • travail et emploi
  • salaire et revenus
  • conditions de vie et société
  • santé et protection sociale
  • éducation et formation
  • opinions
  • entreprises
  • données localisées
  • données historiques

L’ADISP produit et diffuse également des produits sur mesure à partir de vingt sources de l’INSEE. Cela permet de faire des tableaux plus détaillés par rapport à ce qu’il y a de directement accessible sur le catalogue.
L’ADISP donne accès à des projections de populations à moyen/long terme sur tout territoire continu de plus 50 000 habitants (à partir de l’outil Omphale).
L’ADISP fournit également des tableaux agrégés prédéfinis sur les hôtels et les campings.

Le catalogue du service des enquêtes de l’INED.
Il produit et diffuse ses enquêtes. Il y a 245 données d’enquête disponibles en 2022 autour de 8 thématiques :

  • couples, familles, sexualité
  • naissance, fécondité, contraception
  • espérance de vie, mortalité, santé
  • migrations, discrimination, intégration
  • habitat, environnement, territoire
  • genre, inégalités hommes-femmes
  • âge de la vie, vieillissement
  • populations du monde

Le catalogue du CDSP.
Plus de 300 références sont disponibles à la fin de l’année 2018 avec deux types de données :

  • les données quantitatives : résultats électoraux et enquêtes quantitatives
  • les données qualitatives : via beQuali : enquêtes qualitatives en sciences humaines et sociale

La commande de données

Pour demander des données au réseau Quetelet, il faut s’inscrire en créant un profil utilisateur, puis faire une demande de données avec une présentation de son projet de recherche. Il faut signer les formulaires associés et les envoyer. Tout est ensuite vérifié et validé en fonction du projet et de l’appartenance institutionnelle. Ensuite, il est possible de télécharger les données voulues.
Pour s’inscrire, aller sur ce lien.

Sources & ressources

  • Zolotoukhine (Eric), Catalogue de données de PROGEDO, Tutoriel MATE-SHS, 4 février 2019.
    Lien
  • Site de PROGEDO.
    Lien
  • Site de l’ADISP.
    Lien
  • Le catalogue de l’INED.
    Lien
  • SITE DU CDSP (centre de données socio-politiques).
    Lien

CASD – Centre d’accès sécurisé aux données

Après habilitation du Comité du Secret statistique ou par convention, on peut travailler directement sur des fichiers très détaillés et des données confidentielles à distance à partir de terminaux sécurisés (SD-Box). Les exports de résultats sont contrôlés.
Historiquement, ce centre fournit trois types de sources :

  • les données individus et ménages
  • les données entreprises
  • les données agriculture.

L’accès à ces données est payant et contrôlés.

Sources & ressource

  • Zolotoukhine (Eric), Catalogue de données de PROGEDO, Tutoriel MATE-SHS, 4 février 2019.
    Lien
  • Site de PROGEDO.
    Lien
  • Site du CASD.


Citer ce billet
Équipe EVEille (2023, 24 juin). Les lieux de collecte des données. Eveille. Consulté le 19 juin 2024, à l’adresse https://doi.org/10.58079/omnm

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.