Compte rendu du rapport : Bizien L., Cohoner V., Edmond F., Natal A. & Peraldi-Mittelette P. (2024). Rapport d’enquête : Création d’une revue d’articles sur des jeux de données. Data Journal SHS. MSH Lorraine. URL : https://hal.univ-lorraine.fr/hal-04541094
Cet article propose une étude comparative de quatre projets de recherche lauréats du Prix Science Ouverte 2025 issus des sciences humaines et sociales (humanités numériques, linguistique, sociologie quantitative et longitudinale), en se concentrant sur leurs pratiques de gestion des données de recherche. À partir d'entretiens qualitatifs, l'étude examine les types de données produites, les modalités de gestion, les responsabilités, ainsi que les stratégies de partage et de valorisation. L'analyse est structurée selon les principes FAIR (Findable, Accessible, Interoperable, Reusable). Les résultats mettent en évidence une forte hétérogénéité des pratiques, mais aussi une convergence vers une professionnalisation accrue de la gestion des données et une intégration progressive des exigences de la science ouverte. Une attention particulière est accordée à l'impact du Prix Science Ouverte des Données de la Recherche, dont les effets se manifestent principalement en termes de reconnaissance, de visibilité et de consolidation des pratiques.
Sandra Fontanaud, Mélissa Arneton, Thomas Venet, Bertrand Geay
Dans le cadre de l’étude longitudinale française depuis l’enfance (Elfe), des informations relatives aux outils à disposition des élèves ainsi que ceux à disposition des enseignant·es pour la préparation et la réalisation des cours en moyenne section de maternelle (en 2016) puis en cours préparatoire (en 2018) ont été collectées. Concernant les apprentissages liés au langage et à la lecture, 9148 précisions (manuels, sites internet, cahiers d’exercices, logiciels) ont été fournies dans des champs ouverts. L’apurement et le traitement des outils mobilisés par 2743 enseignant·es en moyenne section puis par 2675 enseignant·es en cours préparatoire (CP) ont été menés dans le cadre d’un projet de recherche sur les conditions de vie, la littératie et les apprentissages de la lecture en début d’école primaire. La méthodologie mise en œuvre est présentée. Comparativement à des travaux basés sur la seule déchiffrabilité des ressources pédagogiques, ces données inédites permettent d’accéder aux usages et pratiques enseignantes dans toutes leurs complexités. À terme, ces variables recodées et anonymisées seront incluses dans le catalogue des données de la cohorte Elfe.
Le Répertoire National des Associations (RNA) recense toutes les associations qui relèvent de la loi 1901 et dont le siège ou l’établissement principal se situent en France. Les associations de tous les départements français, hormis la Moselle, le Bas-Rhin et le Haut-Rhin, y figurent. Les informations que ce jeu de données contient sont celles que toute association doit indiquer lors de sa création en préfecture ou de modifications ultérieures, telles que le nom de l’association, son adresse, son objet déclaré, etc. Ces données sont mises à jour tous les mois et disponibles sur le site data.gouv.fr. Les plus anciennes associations figurant dans le dossier ont été créées juste après la loi de 1901 tandis que les plus récentes sont nées le mois précédent la publication des données, ce qui offre une grande amplitude temporelle.Ce data paper vise à présenter l’intérêt et les limites de telles données pour la recherche en Sciences Humaines et Sociales (SHS) en s’appuyant sur un projet de recherche précis : le projet Datasile, financé par l’Institut Convergences Migrations, qui visait à recenser, mutualiser et visualiser des données utiles à la recherche sur l’asile et l’exil. La méthode présentée consiste à compiler les jeux de données d’association au niveau national, à sélectionner sur la base de requêtes lexicales les associations pertinentes, à géocoder les sièges d’associations puis à représenter sur une carte interactive les résultats obtenus. Mon objectif ici est de présenter quelques utilisations possibles de ce jeu de données pour en rendre l’usage réplicable dans d’autres thématiques. Je décris la méthode de compilation des données, puis la structure du jeu de données, avant d’explorer les intérêts scientifiques et les précautions éthiques et légales d’utilisation.
Le doctorat honoris causa est une récompense honorifique remise par les universités à des personnalités en remerciements de services rendus. En France, il est remis depuis 1918 sans qu’il existe d’inventaire complet et homogène pour l’ensemble des universités. Ce jeu de données vient compléter ce manque en listant plus de 5000 prix d’une centaine d’établissements différents de 1918 à 2025. Réalisé à travers plusieurs sources ici présentées, il a été construit sur et avec la base de connaissance en libre accès Wikidata. Déjà utilisé sur Wikipédia et pour des projets pédagogiques, cet inventaire ouvre la voie à des analyses historiques et sociologiques qui sont ici détaillées.
Le data paper présente les principes de constitution d'une petite treebank annotée en dépendances syntaxiques en moyen français et en français préclassique. Ce petit corpus gold CAMFR a été élaboré à partir d'un échantillon de 10 romans en prose écrits aux 16 e et 17 e siècles. Lors de l'annotation manuelle, le choix des étiquettes s'est porté sur le standard du consortium Universal Dependencies. Le guide d'annotation joint en annexe 1 précise les choix réalisés en termes d'analyses morphologiques et syntaxiques (lemmes, parties du discours, traits, dépendances) et les analyseurs/parseurs consultés sont détaillés dans la seconde annexe.
Cet article décrit la plateforme NAHAN (pour North African Heritage Archives Network), dédiée à l'exposition d'archives sur le patrimoine archéologique nord-africain. Fruit d'un vaste réseau interinstitutionnel et international, elle rassemble et met à disposition des collections d'archives qui, issues de bases de données et de systèmes d'indexation variés, sont ici consultables et décrits selon un schéma de métadonnées simple et unifié, conforme aux principes FAIR et aux logiques de science ouverte. Plus de deux ans après sa mise en production, il s'agira de présenter la plateforme sous une double perspective : en amont, celle des institutions du réseau, pour lesquelles l'infrastructure NAHAN constitue un outil mutualisé inédit, clé-en-main, pour l'exposition et la valorisation de leurs fonds d'archives ; en aval, celle des utilisateurs de l'application web de NAHAN, appartenant à la communauté scientifique ou au grand public, à la recherche de documents disponibles en ligne.
Cet article présente une méthodologie hybride pour la création d’un corpus multilingue des-tiné à faire émerger des termes associés à des concepts nouveaux en sciences humaines et so-ciales (SHS), en prenant pour cas d’étude « l’innovation non technologique ». Le corpus repose surdeux sources textuelles complémentaires : (1) des contenus extraits automatiquement des sitesweb d’entreprises, nettoyés pour le français et l’anglais, et (2) des rapports annuels collectés etfiltrés automatiquement selon des critères documentaires (année, format, duplication). Le pipelineintègre la détection automatique des langues, le filtrage des contenus non pertinents, l’extraction desegments pertinents et l’enrichissement en métadonnées structurelles.À partir de ce corpus initial, un dataset dérivé en anglais est construit pour des usages en appren-tissage automatique. Il regroupe, pour chaque occurrence d’un terme du lexique expert, un bloccontextuel de cinq phrases (deux précédant et deux suivant la phrase contenant le terme). Chaqueoccurrence est annotée avec la catégorie thématique associée au terme, permettant de structurerles données pour des tâches de l’apprentissage automatique.Cette approche produit une ressource reproductible, extensible et adaptée à l’analyse de la varia-bilité lexicale autour de concepts nouveaux, ainsi qu’à la création de jeux de données destinés auxapplications de traitement automatique des langues.
Compte rendu de l'ouvrage : Kosmopoulos C., Schöpfel J. (dir.). (2025). Publier, partager, réutiliser les données de la recherche : les data papers et leurs enjeux. Presses Universitaires du Septentrion. URL : https://www.septentrion.com/fr/book/?GCOI=27574100316700
Le corpus ESLO-FLEU est un sous-ensemble des Enquêtes Sociolinguistiques à Orléans (ESLO), corpus de français parlé collecté en deux étapes (ESLO1 1968-1970 et ESLO2 2008-), selon une méthodologie similaire. Élaboré par des sociolinguistiques et conçu comme le portrait sonore d'Orléans par ses habitants, ESLO contient 422h d'enregistrements sonores transcrits collectés dans différentes situations de communication et auprès d'un panel de locuteurs socialement diversifié. Ces données, qui permettent de documenter le français tel qu'il se parle et son évolution en l'espace de 40 ans, revêtent un intérêt particulier non seulement en linguistique, mais aussi en didactique du français langue étrangère. Le jeu de données présenté ici, ESLO-FLEU (ESLO -Fle et Linguistique pour l'Enseignement Universitaire) est une sélection de 150 extraits de 2 à 4 minutes, choisis pour valoriser la dimension patrimoniale du corpus et mettre en lumière des sujets de conversation correspondant à des thématiques pertinentes pour des activités de compréhension orale en cours de FLE (conversation ordinaire, activités quotidiennes, sujets de société, témoignages sur les quartiers, les loisirs, les métiers, etc.). Indexés par thèmes et enrichis d'annotations linguistiques, ces extraits, regroupés en thèmes, sous-thèmes et modules pour l'initiation à la linguistique, peuvent être consultés en ligne ou téléchargés sur Ortolang dans différents formats selon les besoins des utilisateurs, qu'ils soient enseignants ou chercheurs en linguistique et didactique.
Cet article présente la base de données Jean Nicolas, une ressource exhaustive recensant environ 8 516 rébellions survenues en France entre 1661 et 1789. Fondée sur une enquête menée par Jean Nicolas du début des années 1980 à la fin des années 1990, la base de données consigne pour chaque événement sa typologie, sa chronologie, son lieu, les caractéristiques de ses participants, les formes de confrontation et de violence, les conséquences judiciaires, les sources et l’auteur de la notice. En plus de détailler la méthodologie de construction de la base, l’article en évalue de manière critique sa fiabilité en analysant les biais introduits lors de la collecte initiale des données. Il fournit également des conseils méthodologiques aux utilisateurs finaux afin d’en atténuer les limites.
Depuis le début des années 2000, la Bibliothèque nationale de France (BnF) collecte au titre du dépôt légal des sélections de sites internet à l’occasion des grandes échéances électorales. Ces collections sont une opportunité de capturer la façon dont les enjeux sociétaux du moment sont débattus en ligne. On y trouve des indicateurs sur la vie politique française des vingt-cinq dernières années sans pour autant être confronté au prisme déformant de la captation des espaces médiatiques par les élites. Ces données sont restées jusqu’à maintenant difficiles d’accès pour les chercheuses et les chercheurs en SHS du fait des nombreux défis techniques qu’elles soulèvent. Pour faire face à cette difficulté, un nouvel appareil méthodologique a récemment été déployé. Il repose d’une part sur la production d’un nouveau jeu de données par l’indexation plein texte des collections des archives électorales (jusqu’en 2010, avec pour objectif de rejoindre à terme le présent), et le déploiement du logiciel open-source PANDORÆ qui permet d’interroger ces index, d’en extraire des corpus, et de les explorer de façon exhaustive.Cet article de données détaille les étapes de constitution des archives du web électoral et de leur potentialisation comme données pour la recherche. Il présente la méthode de sélection d’URL de départs à collecter ; l’usage de robots crawlers pour récupérer les contenus ; la constitution de fichier au format ARC puis WARC pour stocker les données collectées ; la création d’index CDX rendant compte des collectes ; la reconstitution d’une version navigable des contenus archivés ; l’indexation en plein texte via WARC Indexer et la mise à disposition par Solr ; ainsi que la création de sous-corpus et leur exploration via PANDORÆ.
Afin d’examiner les relations entre socialisation enfantine et développement du langage oral en maternelle, l’équipe multidisciplinaire réunissant des linguistes, des éthologistes et des chercheurs en science des réseaux du projet ANR DyLNet a mis en place un recueil de données massives dans une école maternelle. Pendant 2 ans et demi, une semaine par mois, grâce à un dispositif portatif, ils ont enregistré les proximités entre individus (enfants et adultes de l’équipe pédagogique) ainsi que leurs paroles. Environ 35 000 heures d’enregistrements audio ont été collectées dont un peu plus de 800 ont été annotées et transcrites par des linguistes.Dans cet article, nous abordons les enjeux liés à l’enregistrement et au traitement des données audio massives. Dans un premier temps, nous exposons les démarches et précautions éthiques mises en place puis notre méthodologie de recueil ainsi que les pré et post-traitements automatiques des enregistrements que nous avons effectués. Nous rendons compte ensuite des procédures d’annotation et de transcription des enregistrements et présentons le logiciel d’enrichissement, d’extraction et de comptage de formes langagières que nous avons développé. Enfin, nous décrivons le corpus de 705 transcriptions issues des enregistrements de 96 enfants et 11 adultes que nous mettons à disposition de la communauté scientifique sur Ortolang. Ce corpus viendra étayer les recherches sur le développement langagier chez l’enfant entre 3 et 6 ans et permettra une description de leur environnement langagier à l’école maternelle.
Fanny Arnaud, Samuel Dunesme, Emilie Lerigoleur, Salomé Berthier-Laumond, Nicolas Jacob-Rousseau, Stéphane Frioux, Romain Vialle
La photographie aérienne est un support très utilisé par les géographes pour reconstituer les dynamiques de changement des territoires. Bien que les clichés verticaux soient largement exploités dans les études géo-historiques, les clichés obliques, moins connus, offrent une meilleure perception des formes qui composent le paysage (relief, végétation, bâtiments) car l'angle de vue est plus proche de celui de nos yeux. Une base de données d'archives a été constituée dans le cadre de l'Observatoire Hommes-Milieux Vallée du Rhône, rassemblant des photographies aériennes obliques du corridor fluvial rhodanien et de ses affluents, issues du portail Remonter le temps de l'IGN. Un ensemble de 377 photographies obliques a été collecté du lac Léman à la mer Méditerranée entre 1919 et 1961, enrichi par des métadonnées détaillées et publié dans une photothèque interactive. Cet article de données présente les étapes de construction, les potentialités et les limites de la base de données. Les possibilités de réutilisation des photographies obliques par différentes disciplines scientifiques sont nombreuses. Elles représentent une opportunité unique d'enrichir les connaissances sur la trajectoire socio-environnementale de l'hydrosystème fluvial au cours du XX e siècle, d'éclairer l'histoire des aménagements et de comprendre les transformations paysagères profondes induites par l'urbanisation et l'industrialisation de la vallée du Rhône. Cette base de données d'archives offre également des supports de communication inédits pour le grand public et les acteurs des territoires.
Maxime Crépel, Beatrice Mazoyer, Benjamin Ooghe-Tabanou, Guillaume Plique, Jean-Philippe Cointet, Sylvain Parasie, Dominique Cardon, Katharina Tittel, Kelly Christensen, Antoine Machut, Théophile Lenoir, Manon Berriche
Le maintien d’un espace médiatique diversifié est souvent présenté comme un enjeu démocratique important garantissant la pluralité de l'information et la tenue des débats contradictoires dans l’espace public. L'ensemble des traces générées par la numérisation des médias offre davantage de prises pour représenter les structures et les dynamiques d’un paysage médiatique en transformation permanente. Afin de cartographier l’espace médiatique français, nous avons constitué une base de données comprenant 747 sites web de médias actifs, traditionnels et alternatifs, auxquels sont associés un ensemble de métadonnées (topologie web, métriques Twitter, statut administratif, fact checking, etc.). Cet article de données vise à rendre compte du processus de constitution de ce corpus, de la description complète des jeux de données qui le composent, ainsi que des utilisations effectives et possibles de ces données dans le secteur de la recherche ou par des acteurs qui s’intéressent à observer et analyser la composition de l’écosystème médiatique français.
