Je trouve qu'il y a une différence considérable entre offrir la possibilité de consulter les données, et d'organiser leur publication.
Si on décide de publier les données de la même manière que les résultats scientifique, c'est une procédure qui demande beaucoup (voire énormément) de ressources : il faut mettre en place des serveurs consultables de l'extérieur, les accès autorisés en lecture et en écriture à des collaborateurs éparpillés partout dans le monde, mettre en place les sauvegardes qui vont bien, etc. Il faut aussi documenter les données, indiquer précisément les modalités des expériences, tenir à jour les adresses email des gens à contacter pour les questions, l'endroit où les documents papier (cahiers de laboratoire...) sont consultables, etc. Il faut formatter les données de manière à ce qu'elles puissent être extraites, et surtout, il faut fournir les scripts et outils d'analyse utilisés, souvent du code maison "one shot" non documenté. Il faut également documenter toutes les analyses qui ont été faites et qui n'ont jamais été publiées (du genre, on a regardé telle ou telle corrélation, et on n'a rien vu).
L'autre solution, c'est de rendre les données consultables, c'est à dire de garantir aux lecteurs des articles scientifiques que les auteurs s'engagent à leur fournir en vrac leurs données et leur code si on leur demande.
La deuxième solution est réaliste, et c'est déja comme ça que la recherche fonctionne actuellement, sauf exception (il y a toujours un chieur quelque part qui pense que ses données méritent d'être ultrasecrètes...). La première solution offre un rapport cout/bénéfice très défavorable, étant donné la faible probabilité que quelqu'un utilise réellement ces données, et la probabilité encore plus faible que ce quelqu'un produise quelque chose de scientifiquement valable (j'imagine bien que les données risquent d'être aspirées par des labos chinois désargentés qui vont les passer dans des moulinettes idiotes pour produire des articles écrits automatiquement en mauvais anglais et publiés dans des revues peu regardantes). Étant donné l'évolution très rapide des technologies en biologie par exemple, la durée de vie scientifique de certains jeux de données (type séquençage massif) est de quelques années au mieux. Si on autorise un embargo le temps de publier les données, la plupart des labos aura des données de meilleure qualité le jour de la publication de la base.
Bref, je pense que le temps passé à rendre les données réanalysables est perdu par le labo publiant (celui qui marche bien) sans aucun réel espoir de plus-value scientifique. Le plus simple pour réanalyser les données est de collaborer (en utilisant des transferts de compétences) plutôt que d'essayer de comprendre ce qu'a fait un labo inconnu à partir du titre des champs d'une base de données...
Bon, et puis, techniquement, ça ne peut pas marcher en France. Produire des données est finalement assez facile ; il suffit de demander des petits financements (10 k€ par ci, 15 k€ par là), la prod de données massive est à la mode, les organismes aiment bien filer de l'argent pour ça. L'analyse des données demande comparativement plus d'argent : il faut payer des salaires, et ça dure longtemps si on veut faire les choses bien. Au final, c'est la plupart du temps plus couteux de payer quelqueun plusieurs mois à récupérer des données publiées et à reproduire les résultats d'un autre labo que de refaire la manip. C'est absurde, mais c'est comme ça.
# Consulter ou ouvrir les données?
Posté par arnaudus . En réponse à la dépêche L'ouverture des données scientifiques : quid novi ?. Évalué à 4. Dernière modification le 10 décembre 2013 à 15:11.
Je trouve qu'il y a une différence considérable entre offrir la possibilité de consulter les données, et d'organiser leur publication.
Si on décide de publier les données de la même manière que les résultats scientifique, c'est une procédure qui demande beaucoup (voire énormément) de ressources : il faut mettre en place des serveurs consultables de l'extérieur, les accès autorisés en lecture et en écriture à des collaborateurs éparpillés partout dans le monde, mettre en place les sauvegardes qui vont bien, etc. Il faut aussi documenter les données, indiquer précisément les modalités des expériences, tenir à jour les adresses email des gens à contacter pour les questions, l'endroit où les documents papier (cahiers de laboratoire...) sont consultables, etc. Il faut formatter les données de manière à ce qu'elles puissent être extraites, et surtout, il faut fournir les scripts et outils d'analyse utilisés, souvent du code maison "one shot" non documenté. Il faut également documenter toutes les analyses qui ont été faites et qui n'ont jamais été publiées (du genre, on a regardé telle ou telle corrélation, et on n'a rien vu).
L'autre solution, c'est de rendre les données consultables, c'est à dire de garantir aux lecteurs des articles scientifiques que les auteurs s'engagent à leur fournir en vrac leurs données et leur code si on leur demande.
La deuxième solution est réaliste, et c'est déja comme ça que la recherche fonctionne actuellement, sauf exception (il y a toujours un chieur quelque part qui pense que ses données méritent d'être ultrasecrètes...). La première solution offre un rapport cout/bénéfice très défavorable, étant donné la faible probabilité que quelqu'un utilise réellement ces données, et la probabilité encore plus faible que ce quelqu'un produise quelque chose de scientifiquement valable (j'imagine bien que les données risquent d'être aspirées par des labos chinois désargentés qui vont les passer dans des moulinettes idiotes pour produire des articles écrits automatiquement en mauvais anglais et publiés dans des revues peu regardantes). Étant donné l'évolution très rapide des technologies en biologie par exemple, la durée de vie scientifique de certains jeux de données (type séquençage massif) est de quelques années au mieux. Si on autorise un embargo le temps de publier les données, la plupart des labos aura des données de meilleure qualité le jour de la publication de la base.
Bref, je pense que le temps passé à rendre les données réanalysables est perdu par le labo publiant (celui qui marche bien) sans aucun réel espoir de plus-value scientifique. Le plus simple pour réanalyser les données est de collaborer (en utilisant des transferts de compétences) plutôt que d'essayer de comprendre ce qu'a fait un labo inconnu à partir du titre des champs d'une base de données...
Bon, et puis, techniquement, ça ne peut pas marcher en France. Produire des données est finalement assez facile ; il suffit de demander des petits financements (10 k€ par ci, 15 k€ par là), la prod de données massive est à la mode, les organismes aiment bien filer de l'argent pour ça. L'analyse des données demande comparativement plus d'argent : il faut payer des salaires, et ça dure longtemps si on veut faire les choses bien. Au final, c'est la plupart du temps plus couteux de payer quelqueun plusieurs mois à récupérer des données publiées et à reproduire les résultats d'un autre labo que de refaire la manip. C'est absurde, mais c'est comme ça.