Formation doctorale : introduction à la gestion des données en sciences exactes

À • • • • • Les données de la recherche sont définies comme des enregistrements factuels (chiffres, textes, images et sons), qui sont utilisés comme sources principales pour la recherche scientifique et sont généralement reconnus par la communauté scientifique comme nécessaires pour valider les résultats de la recherche. Source : OECD Principles and guidelines for access to research data from public funding (2007) Agrégation (...) de données brutes ou dérivées présentant une certaine unité, rassemblées pour former un ensemble cohérent.(Gaillard, 2014) Ensemble cohérent d’informations ou de ressources (fichiers de données, fichiers d’explications, API, lien, etc.) et de métadonnées (présentation, date de publication, mots-clefs, couverture géographique/temporelle, etc.). source : portail Recherche Data Gouv Quelles données utilisez-vous pour votre doctorat ? Où se trouvent t-elles ? Image by storyset on Freepik Données que vous réutilisez ? Données que vous produisez ? Répondez dans ce pad : https://semestriel.framapad.org/p/sondagedoctorants-donnees-de-la-rechercheaahp?lang=fr Une grande diversité de données Image by stoyset on Freepik Selon leur mode d’obtention •Observation •Expérimentation •Simulation, modélisation •Dérivation, compilation Selon leur type •Données textuelles •Données audio-visuelles •Données numériques •Séquences génomiques •Imagerie (biomédicale, satellitaire...) •Données de référence (exemple sur data.gouv.fr) •... Une grande diversité de données Image by stoyset on Freepik Selon leur(s) format(s) •Ouverts : CSV, ODT, WAV... •Fermés : XLS, DOC, MP4... Privilégier les formats ouverts, et justifier l’utilisation de formats propriétaires Pour développer une science reproductible « Crise de la reproductibilité » depuis 2015 (cf. Monya Baker, 2016) Source : The Turing Way project (CC-BY 4.0) data:image/svg+xml;base64,PHN2ZyBpZD0iQ2FscXVlXzEiIGRhdGEtbmFtZT0iQ2FscXVlIDEiIHhtbG5zPSJodHRwOi8vd3d3LnczLm9yZy8yM DAwL3N2ZyIgdmlld0JveD0iMCAwIDUwIDI4LjE4Ij48cmVjdCB3aWR0aD0iNTAiIGhlaWdodD0iMjguMTgiI HJ4PSIxNC4wOSIgc3R5bGU9I mZpbGw6IzIxY2UyMSIv PjxwYXRoIGQ9I k0xOC45MywxNi40NWEuMzIuMzIsMCwwLDAtLjU0LjIy djJoLTRhNS4wOCw1LjA4LDAsMCwxLDAtMTAuMTZoNS4yMlY1LjQ0SDE0LjQ0YTguMTQsO C4xNCwwLDAsMCwwLDE2LjI4aDR2MmEuMzIuMzI sMCwwLDAsLjU0LjIzbDMuNTEtMy41M WEuMzQuMzQsM CwwLDAsMC0uNDZa IiBzdHlsZT0iZmlsbDojZmZmI i8+PHBhdGggZ D0iTTQyLjUyLDIxLjA3bC00Ljg0LTUuNjlhM CwwLDAsMCwxLDAsM Cw1LjMsNS4zLDAsMCwwLDIuNTk tNC45LDUuNDMsNS40MywwLDAsMC01LjQ4LTVIMjguNDhhMCwwLDAsMCwwLDAsMFYyMS 42OWEwLDAsMCwwLDAsMCwwaDMuMDVsMCwwVjguNTVzMCwwLDAsMEgzNWEyLjI0LDIuMjQsM CwwLDEsMi4yMiwyLjUzLDIuMywyLjMsMCwwLDEtMi4zMiwySDMyLjRhLjM2LjM2LDAsMCwwLS4yOC41OWw2LjYyLDcuNzlhLjkzLjkzLDAsMCwwLC42OC4zMWgyLjgxQS4zOS 4zOSwwLDAsMCw0Mi41MiwyMS 4wN1oiI HN0eWxlPS JmaWxsOiNmZmYiLz48Y2lyY2xlIGN4PSI yNC4yIiBjeT0iOC4yIiByPSIyLjc2IiBzdHlsZT0iZmlsbDojZmZ mIi8+PC9zdmc+ Plusieurs concepts et niveaux de reproductibilité à distinguer : •Répétition, répétabilité •Réplication, réplicabilité •Reproductibilité •Réutilisation, ré-utilisabilité Pour aller plus loin, voir le MOOC Inria : https://www.fun-mooc.fr/fr/cours/recherche-reproductibleprincipes-methodologiques-pour-une-science-transparente/ Pour être en conformité juridique Données à caractère personnel (selon la CNIL) Données permettant d’identifier une personne directement ou indirectement (par croisement d’informations) Régies par le Règlement Général sur la Protection des Données (RGPD) Données sensibles (selon la CNIL) Catégorie particulière des données personnelles touchant à l’intimité d’une personne. Incluant les données de santé Données protégées Par la propriété intellectuelle (œuvres), Ou industrielle (préparation d’un brevet) Par la PPST (Protection du Potentiel Scientifique et Technique de la Nation)... Pour en savoir plus Les fiches de la CNIL : https://www.cnil.fr/fr/recherche-scientifique-horssante-les-questions-reponses-de-la-cnil Anonymisation VS pseudonymisation : https://doranum.fr/aspects-juridiquesethiques/lanonymisation-et-lapseudonymisation_10_13143_sjqq-hc40 Escape Game « Données de recherche en ZRR » https://doranum.fr/aspects-juridiques-ethiques/lesdonnees-de-la-recherche-produites-en-zone-aregime-restrictif_10_13143_6f2r-8263/ Publiés dans Scientific data (2016), les principes FAIR sont des lignes directrices qui facilitent la réutilisation des données. Pour produire des données FAIR Rendez-vous sur le module interactif complet réalisé par DoRANUM : https://view.genially.com/5d64fbbd8352350fa3d22603/i nteractive-content-les-principes-fair Bonnes pratiques de stockage et sécurité Sont déconseillés : • Les supports fragiles (clé USB…) •Les solutions de clouds commerciaux (Dropbox, Google Drive…) Est recommandé : •Un chiffrement des fichiers en cas de données à caractère personnel ou confidentiellessonnelles Principe de la sauvegarde 3-2-1 •Au moins 3 sauvegardes •Sur au moins 2 supports distincts •Dont 1 copie à distance (hors site, cloud, datacenter…) Principe valable pour les fichiers de données ET pour le fichier de la thèse ! Bonnes pratiques de stockage et sécurité Exemple pour l’université de Rennes Bonnes pratiques d’organisation et nommage des fichiers Arborescence des dossiers •Pas plus de 5 niveaux de profondeur •Séparer les fichiers de données de recherche et les documents administratifs du projet •Séparer les données brutes et les données traitées Source : Nikola Vukovic, http://nikola.me/folder_structure.html Focus sur le nommage Les 5 règles de nommage des fichiers •Ni espace, ni caractère spéciaux, ni accents •Dates au format AAAA-MM-JJ • Déterminer l’ordre des éléments et s’y tenir ! • Indiquer la version de fichier (V1, … VF) •Le tout forme un nom court et explicite (32 caractères max) => mettre en place son propre système d’abréviations Correct ? Incorrect ? AXA 7654-6 POLICY 2024-15-09.odt 2024-09-15_Policy_7654.odt 2024-10-08_RéponsesQuestionnaireMédical_BriandGwenna 2024-10-08_reponses_P378 Bonnes pratiques de documentation Ressources & lecture •Modèle de Readme : https://recherche.data.gouv.fr/fr/categorie/33/guide/modele-de-readme •Exemple de problème lié notamment au manque de documentation des jeux de données : https://www.inrae.fr/actualites/declin-insectes-il-est-urgent-dameliorer-qualite-donnees-ecologie (consulté le 18/11/2025) Documenter ses données, c’est permettre à d’autres chercheurs de les comprendre et de les réutiliser. •Description des différentes données générées / réutilisées •Fichier « Readme » ou « Lisezmoi » •Dictionnaire des variables •Préparation de métadonnées Bonnes pratiques de partage et diffusion • Lors de la publication d’un article, fournir les fichiers de données en supplementary data •Valoriser son jeu de données dans un data paper Publication dont le but est de décrire un ou plusieurs jeux de données scientifiques, notamment à l’aide d’informations précises, appelées métadonnées (Dedieu, 2014) Un data paper peut être publié : •dans une revue scientifique dédiée à ce type de papier : un data journal •dans une revue scientifique classique qui accepte les data papers Focus sur les identifiants pérennes PID : Persistant Identifier = identifiant pérenne Rôle : permettre d’identifier les productions scientifiques, de les retrouver et de lier auteurs, institutions, publications, données & codes sources •Chercheurs, contributeurs : ORCiD, IdHal… •Institutions : identifiant ROR… •Jeu de données : DOI… •Code et logiciels : SWHID (identifiant sur Software Heritage) Conseil : se créer un ORCiD sur le site orcid.org, et le tenir à jour au fil de la carrière. Exemple : Luc Aquilina, chercheur à Géosciences : https://orcid.org/0009-0005-5019-4952 TP : découverte de jeux de données sur le portail Recherche Data Gouv Depuis le portail https://recherche.data.gouv.fr, chercher ce jeu de données : «Quand les PLU(i) régulent la pluie : évaluation du potentiel des Plans Locaux d'Urbanisme pour intégrer la gestion des eaux pluviales à la source » •De quoi est composé ce jeu de données ? • Qui en est l’auteur ? Quel est son statut ? A-t-il un ORCiD ? •Ce jeu de données est-il en open data ? •Sous quelle licence est-il publié ? Qu’est-ce qu’un PGD ou DMP ? → Document structuré en rubriques suivant le cycle de vie des données → Document évolutif : à construire dès le début du projet, puis à mettre à jour → Document collaboratif : à partager avec les membres de l’équipe de recherche Obligatoire pour les projets de recherche majoritairement financés sur fonds publics Et pour le doctorant ? Plateforme d’aide à la saisie : https://dmp.opidor.fr «Document formalisé explicitant la manière dont seront obtenues, documentées, analysées, disséminées et archivées les données produites au cours et à l’issue d’un processus de recherche » Source : Reymonet N., Moysan M., Cartier A., Délémontez R. Réaliser un plan de gestion de données “ FAIR ” : modèle (2018) Quelles thématiques aborde un PGD ? •Informations sur le projet •Origine des données produites ou réutilisées •Documentation et méthodes de contrôle de la qualité des données •Modalités de stockage et sauvegarde des données en cours de projet •Cadre légal, réglementaire et éthique des données •Ouverture des données •Conservation et archivage des données Utiliser un template « machine actionable » : modèle « Science Europe structuré » •Questions/réponses via un guichet unique •Accompagnement à la rédaction de PGD et de data papers • Administration de l’espace « Université de Rennes » dans l’entrepôt Recherche Data Gouv, curation des dépôts •Une gamme de services et des partenariats … pour les communautés scientifiques du site rennais ARDoISE est un projet financé avec le soutien du Fonds National pour la Science Ouverte guichet-ardois[email protected].fr Université de Bretagne Occidentale https://www.mshb.fr/ressources/datalab-brest + Service d’appui aux chercheurs : [email protected] Université de Bretagne Sud https://www.mshb.fr/ressources/datalab-vannes-lorient + Service aux chercheurs : https://www.univ-ubs.fr/fr/l-universite-enpratique/bibliotheque/services-aux-chercheurs.html