Technologie de l’intelligence Le numérique – au sens de technologie de l’information et de la communication - a envahi notre quotidien, que ce soit au sein de la sphère professionnelle ou privée. Cette invasion est à la fois technologique (Bertrand, 1991) mais aussi sociale et culturelle (Doueihi, 2013 ; Jeanneret, 2011) tant et si bien que l’on peut se demander s’il s’agit d’une prophylaxie ou d’une contagion, et questionne subséquemment la dualité inhérente aux technologies numériques (Verlaet, 2015). Comme nous l’évoquerons dans ce chapitre, nous pouvons craindre un changement de paradigme profond des technologies de l’intelligence, passant de technologies au service de l’homme à l’homme au service de la technologie<a href="#_ftn1" name="_ftnref1" style="color:blue; text-decoration:underline" title="">[1]</a> et en particulier dans le domaine scientifique. Quel que soit le pronostic, et comme l’affirment Xavier Delengaigne, Christophe Deschamps et Pierre Mongin (2011, p.2-3), l’utilisation intensive des TIC conduit à des bouleversements auxquels l’humanité va devoir faire face. Les auteurs avancent six caractéristiques types des problématiques relatives à la pensée du XXIème siècle ainsi que les aptitudes à acquérir pour les surmonter : la surinformation, la fragmentation du savoir, l’incertitude, les changements rapides, appréhender les dilemmes complexes et la compétitivité. Il s’agira dès lors de prendre en considération ces caractéristiques pour concevoir des technologies de l’intelligence. Sans refaire l’historicité du concept comme a pu le dresser Pascal Robert (2000), il convient néanmoins de préciser ce que nous entendons par technologie de l’intelligence, que nous retrouvons également dans la littérature scientifique sous la terminologie de « technologie intellectuelle ». Rappelons toutefois que ce concept a été popularisé par les recherches de Jacques Goody (2007) pour qui l’écriture est considérée comme une technologie de l’intellect, l’écrit comme innovation des moyens de communication, technologie fondée sur la « raison graphique », laquelle a pleinement participé à l’évolution culturelle de l’humain. Les travaux de Pierre Lévy (1991 ; 2011) y font également référence, c’est dès lors la « raison hypertextuelle » qui est à l’honneur dans ce nouvel espace d’information et de communication désigné par l’auteur de cyberespace. L’écriture hypertextuelle comme nouvelle métaphore de la communication et dont les principes, méthodes et outils sont mis à l’honneur au sein des conférences internationales H2PTM conduites par un consortium de laboratoires en Sciences de l’Information et de la Communication depuis la fin des années 80. Et nous ne pouvons que partager le point de vue de Jean Clément (2007) lorsqu’il souligne que l’hypertexte est une technologie intellectuelle particulièrement pertinente à l’ère de la complexité (Verlaet et al., 2013). Les préceptes de l’hypertexte ne sont d’ailleurs pas sans rappeler le modèle des réseaux de neurones artificiels particulièrement plébiscités en machine learning. Les technologies intellectuelles sont également présentes dans les travaux de Bruno Bachimont (2015 ; 2020a), qui soutient notamment la théorie des supports. Cette théorie part du postulat que tout objet technique est l’inscription matérielle d’une connaissance et que toute connaissance est d’origine technique, la connaissance étant, selon l’auteur, la capacité à l’agir téléologique (Bachimont, 2004). En ce sens, le support numérique introduit de nouvelles formes et de nouvelles dynamiques de représentation de l’information et des connaissances basées sur des manipulations calculatoires, ce que B. Bachimont (2007a) qualifie de « raison computationnelle ». Cette raison computationnelle repose sur les modèles inhérents à l’ingénierie des connaissances. En d’autres termes, les technologies de l’intelligence sont des solutions techniques et technologiques permettant à l’humain d’accroître ses propres facultés de raisonnement, de mieux comprendre la complexité de nos sociétés (Morin, 1996). Pour de nombreux courants théoriques, l’intelligence serait l’aptitude d’un acteur à résoudre les situations problématiques en les appréhendant sous de nouvelles perspectives à travers la réorganisation de son système de pertinence (Schütz, 1987), de son cadre de l’expérience (Goffman, 1991). Or, comme Madeleine Akrich, Michel Callon et Bruno Latour (2006) l’ont souligné dans leurs travaux, il est nécessaire d’anticiper les comportements et les usages lors de la conception d’artefacts techniques. Les technologies de l’intelligence ne visent en aucun cas à se soustraire à l’intelligence humaine, auquel cas il s’agirait de travailler sur l’intelligence artificielle. La frontière entre technologies de l’intelligence et technologies intelligentes est mince. L’une permet à son utilisateur de construire de nouveaux schèmes de pensée, la seconde se substitue à la raison humaine par le développement d’une intelligence artificielle et, de fait, une indépendance décisionnelle sur laquelle nous nous déchargerions de toute activité mémorielle (Dyens, 2008). L’écart entre les deux concepts est toutefois subtil car permettre aux machines d’assister l’humain, consiste à leur octroyer les paramétrages nécessaires à cette fin. Une large partie des travaux menés tentent donc de retranscrire le comportement humain en algorithmes. Nous pouvons et devons donc nous interroger sur les limites à ne pas dépasser dans la délégation décisionnelle à la machine. Pour reprendre les conclusions de l’ouvrage de B. Bachimont « Ingénierie des connaissances et des contenus, le numérique entre ontologie et document » : « Par conséquent, l’enjeu n’est pas de raisonner en imitant l’utilisateur pour assurer à sa place la relation au monde dans lequel résoudre le problème, mais de construire la représentation permettant à l’utilisateur d’effectuer lui-même les tâches qui lui reviennent, en abordant le réel à travers la médiation des représentations construites par les outils de l’ingénierie des connaissances. L’enjeu est de passer d’une représentation formelle des connaissances à une médiation formelle des expressions non formelles des connaissances. […] Dans l’ingénierie des contenus, on s’intéresse à la modélisation de la forme d’expression pour permettre leur manipulation et exploitation informatiques » (Bachimont, 2007a, p.243). B. Bachimont souligne que pour l’ingénierie des contenus, dans la plupart des cas, ces modélisations n’abordent pas la question du sens mais tentent d’appréhender la question de la forme en reproduisant numériquement les expressions. Or les technologies de l’intelligence doivent essentiellement être conçue en fonction des signifiances pour les utilisateurs de ces artefacts. Pour Sylvie Leleu-Merviel, la « signifiance » entend dépasser le sens rationnel généralement attribué à la « signification » tout en y intégrant la subjectivité des acteurs-interprétants, considérant que l’« on ne peut tenir pour négligeable l’intelligence ‘’émotionnelle’’ dont la portée est affective ou sensible, liée à un vécu et des souvenirs personnels »  (Leleu-Merviel, 2004, p.127). En ce sens, les technologies de l’intelligence sont l’émanation de co-constructions entre une intentionnalité forte portée sur l’accroissement des connaissances humaines, la prise en considération de la dimension sociale et bien sûr les dimensions techniques et technologiques. Il est également indispensable de respecter la mémoire de ces expressions à travers une posture « généalogique » (Bachimont, 2016) laquelle assure leur traçabilité. Cette posture généalogique entend réintroduire la notion de preuve et de légitimité, qui tendent à disparaître de par la virtualisation des données qui caractérise les ressources numériques (Leleu-Merviel, 2002, p.104). Car s’il est admis que le numérique obéit à une raison computationnelle et manipule un langage conventionnel (Bachimont, 2007a ; Jeanneret, 2019), il est d’autant plus prégnant de pouvoir, par les processus d’éditorialisation, réinstaurer la confiance dans l’écrit, l’auctorialité ou d’imaginer de nouvelles formes (Verlaet & Chante, 2017). La multimodalité des corpus voire leur transmédialité nécessite de réinterroger de manière profonde la façon dont ils sont ou pourraient être utilisés par différents publics. Les pratiques actuelles ou en devenir sont déterminantes pour concevoir des modèles de métadonnées adaptés aux usages afin que ceux-ci ne soient pas « hors sol ». Il ne s’agit pas seulement de penser à leur édition numérique (numérisation ou nativement numérique), laquelle nécessite de considérer les pratiques de production, de diffusion, de circulation, de partage, d’utilisation des ressources, d’utilisation des dispositifs, mais aussi d’envisager leur éditorialisation, leur réutilisation dans différents contextes et, ce faisant, d’explorer la reliance entre des informations hétérogènes et éparses dans la sphère numérique compte tenu de leur signifiance. Internet est devenu en quelques décennies le plus grand corpus multimodal jamais créé par l’humanité, or pour étudier les mégadonnées en découlant, il a été nécessaire de penser des technologies et techniques qui puissent les explorer, les collecter, les stocker, les traiter et les analyser. Le besoin d’un outillage technoscientifique propre à l’étude de corpus numériques a permis l’émergence des « Humanités numériques », lesquelles, si l’on mêle les définitions posées dans « A Digital Humanities Manifesto » de 2008 (Digitalhumanities, 2008) puis le « Manifeste des Digital Humanities » de 2010 (Dacos, 2011), peuvent être définies comme une transdiscipline unifiée par un ensemble convergent de pratiques et de méthodes spécifiques au support d’inscription qu’est le numérique et qui intègre l’ensemble des Sciences Humaines et Sociales, des Arts et des Lettres. Les Humanités numériques désignent donc des dispositifs technoscientifiques, des technologies de l’intelligence par excellence, qui s’appuient sur l’ensemble des paradigmes, savoir-faire et connaissances propres à ces disciplines, mais également à même de pouvoir les faire évoluer. La « révolution numérique » est intrinsèquement liée à l’essence même du numérique qui « n’est plus seulement un outil au service de la recherche mais aussi un objet de recherche à part entière. Il est à la fois instrument, méthode, terrain et objet de recherche. » (Bourdeloie, 2013, p.9). Ceci n’étant pas sans incidences épistémologiques, méthodologiques, éthiques et bien entendu techniques (Bourdeloie, 2013 ; Boullier, 2015 ; Bastin & Tubaro, 2018 ; Salvador, 2018 ; Bachimont, 2019 ; Milette & al., 2020). De plus, le paradigme de la mégadonnée corrélatif au numérique tend à supplanter les paradigmes précédents voire à les occulter en particulier dans les disciplines LLASHS. Les initiatives sont nombreuses pour développer des artefacts technoscientifiques, toutes porteuse de potentialités et d’avantages mais aussi de limites et de risques. Comme nous l’évoquions précédemment, il nous semble à cet égard intéressant de considérer la frontière fugace entre technologies de l’intelligence et technologies intelligentes (Gallot & Verlaet, 2016). Car, comme le souligne Bachimont (2020a), si les premières sont « à rapprocher des révolutions comme celle de l’écriture », les secondes laissent le calcul, soit  « la manipulation aveugle de symboles vides de sens », traiter des problèmes complexes qu’elles ne peuvent saisir.   Une tradition reposant sur l’agrégation des connaissances En premier lieu, il nous semble important de faire une distinction entre au moins deux types d’artefacts technoscientifiques. Le premier fait référence à une instrumentation « agrégatrice de connaissances », laquelle vise à construire des bases de données ou de connaissances spécialisées généralement à partir de corpus (re-)connus et scientifiquement validés afin d’en explorer et analyser plus aisément les contenus grâce aux fonctionnalités offertes par le numérique. Ce sont les instrumentations de type « agrégatrice de connaissances » que nous qualifions de technologies de l’intelligence puisqu’elles entendent permettre à l’homme d’accroître ses propres facultés de raisonnement, de mieux comprendre la complexité de nos sociétés (Morin, 1994). D’un point de vue technique, ces technologies s’appuient notamment sur les principes du Web sémantique (Berners-Lee & Al., 2001) et ses recommandations et standards (World Wide Web Consortium), lesquels proposent d’annoter les ressources numériques à l’aide de métadonnées permettant à la fois leur caractérisation, leur interopérabilité et leur manipulation. Cependant intégrer dans un projet d’Humanités numériques la dimension Web sémantique doit reposer sur un référentiel technique et normatif complexe et chronophage à mettre en &oelig;uvre qui nécessite l’implication de professionnels de l’information scientifique et technique et/ou d'informaticiens. Or, comme le relate Gilles Bastin et Paola Tubaro (2018) ces difficultés techniques et relationnelles sont trop souvent minimisées par les chercheurs. De fait, nombre de projets ne les ont pas pris en compte. Le « bricolage » technoscientifique en découlant, loin d’être inintéressant, empêche cependant de capitaliser à grande échelle sur l’ensemble des recherches et travaux conduits. Comme le pointe très justement le rapport EPRIST (2020), la révolution du Web sémantique peine à faire ses preuves, d’une part car ses principes sont peu voire pas connus des porteurs de projets, que les normes largement instituées de la diffusion scientifique sont largement bousculées par ces principes, et enfin, qu’il existe un manque de coordination au niveau national voire international des (grandes) infrastructures de recherche dont les tenants et aboutissants manquent de lisibilité au niveau méso ou ne sont pas encore adaptés aux projets souvent mis en &oelig;uvre au niveau micro. Le projet DEF19, acronyme de Dictionnaire des Éditeurs Français du XIXème siècle, est représentatif de ce constat (Geslot & Rebolledo-Dhuin, 2020). Outre le travail important de collecte via une approche empirique des données nécessaires à l’établissement d’une base de données exhaustive, la dimension technologique pour gérer cette base de données a très vite fait surface. DEF19 s’est alors tourné vers la TGIR Huma-Num pour trouver des solutions « clés en main » et ainsi contrer les difficultés rencontrées. Mais les solutions apportées, et par ailleurs créées dans d’autres cadres de recherche, ne correspondaient pas totalement aux enjeux propres à ce projet. Après de longs tâtonnements technologiques d’appropriation-accommodation, le projet DEF19 a fini par se plier aux potentialités offertes par ces solutions techniques. Il a trouvé d’autres fonctionnalités non envisagées, intéressantes et surtout nécessaires pour une pérennisation du projet, mais au détriment de certains de ses objectifs. Face à l’évolution constante des technologies et à l'émergence - somme toute récente - des technologies dédiées aux LLASHS, il est indéniable que tous les cas de figure sont très loin d’avoir été envisagés et que ces «bricolages» in situ concourent aux développements d’un nouvel outillage technoscientifique fécond même si insatisfaisant à l’heure actuelle tant les initiatives sont  riches en apport de connaissances et plurielles dans leurs visées, chaque discipline souhaitant interroger un aspect particulier voire singulier des corpus et interfère ce faisant sur le traitement, la diffusion et l’exploitation de ceux-ci (Galleron & Idmhand, 2020). C’est là toute la difficulté d’une instrumentation « agrégatrice de connaissances » : répondre à tous les usages souhaités et/ou que peuvent en faire les scientifiques selon la signifiance de leur spectre disciplinaire, et sous-tend de s’interroger sur l’éditorialisation et sur ce que Gérald Kembellec (2019) nomme la sémiotique du code. Comme le souligne B. Bachimont (2016, 2020b), le Web sémantique a en quelque sorte mis fin au paradigme inhérent aux bibliothèques et aux recherches documentaires pour s’intéresser aux recherches d’informations tout en mettant l’accent sur les techniques liées à l’éditorialisation des contenus. L’éditorialisation des contenus permettant à notre sens de penser les différents usages disciplinaires des corpus. Mais si le paradigme du Web sémantique (et donc de l’information) a supplanté celui des bibliothèques (et des documents), il en reste le digne représentant dans le sens où ils partagent plusieurs desseins notamment la capitalisation, l’organisation et la diffusion des connaissances et savoirs. Le paradigme du Web sémantique tend lui aussi à être mis à défaut par le paradigme de la donnée ou plus précisément de la mégadonnée (ou big data). Pour B. Bachimont, avec le paradigme de la (méga)donnée nous avons affaire à des enregistrements infra-informationnels. Or la donnée en elle-même n’apporte que le sens dont elle est porteuse, d’ailleurs, elle ne se lit pas à l’échelle de la donnée en elle-même, mais à partir de la masse de données à laquelle elle semble appartenir. De fait, avec le Web de données, nous faisons marche arrière puisqu’in fine nous revenons en quelque sorte à une indexation de niveau zéro – à laquelle le Web sémantique tendait à se soustraire – couplé au principe de proximité informatique (non nécessairement sémantique) propre à la clusterisation. Rétropédalage flagrant face à l’incommensurable tâche de sémantiser le Web et la facilité arrogante du chiffre et du calcul pour essayer d’y apporter une réponse.   Une modernité reposant sur la prédiction et les données C’est dans le paradigme de la donnée que s’inscrit le second type d’artefact technoscientifique, lequel correspond à une instrumentation « exploratrice de traces » soit un outillage qui va permettre de collecter, traiter et analyser les données. Ces données peuvent relever d’une démarche de big data ou de smart data<a href="#_ftn2" name="_ftnref2" style="color:blue; text-decoration:underline" title="">[2]</a>. Dès lors que l’on parle de mégadonnées, il est nécessaire de se remémorer le précepte des 5V. <ol start="1" type="1"> <li style="text-align:justify; font-size:12pt; font-family:Cambria, serif">Le Web a généré un Volume de données et d’information jusqu’alors jamais atteint. En 2018, cette masse était estimée à 33 zettaoctects et devrait être multipliée par 5 d’ici 2025 selon l’étude Data Age 2025<a href="#_ftn3" name="_ftnref3" style="color:blue; text-decoration:underline" title="">[3]</a>. </li> <li style="text-align:justify; font-size:12pt; font-family:Cambria, serif">Les sources et données numériques ne sont pas stables dans le temps, ce que l’on nomme la Vélocité des données numériques en référence à la vitesse à laquelle elles sont générées, déplacées, voire supprimées.</li> <li style="text-align:justify; font-size:12pt; font-family:Cambria, serif">Les sources et données numériques se caractérisent également par une grande Variété, tant de par leur hétérogénéité que leur multimodalité : mesures, données textuelles, signes, traces, images, sons…</li> <li style="text-align:justify; font-size:12pt; font-family:Cambria, serif">La Véracité des données collectées, soit la crédibilité que l’on peut accorder aux données. Derrière le volume se cache également des fakenews, des faux profils… L’authentification des données reste un point problématique, mais néanmoins considérée comme une marge d’erreur acceptable.</li> <li style="text-align:justify; font-size:12pt; font-family:Cambria, serif">Enfin, la Valeur des données, c’est-à-dire la valeur ajoutée, l’apport réel de la donnée en fonction du contexte de la recherche.</li> </ol>   Si l’on peut compenser ou limiter les défis sous-jacents aux « 5 V » : la vélocité par un enregistrement et stockage des données, la variété par le recours à différentes méthodes de traitements, la véracité par une vérification systématique et la valeur en sélectionnant avec attention les sources et données collectées ; c’est évidemment la notion de volume qui rend les autres tâches ardues si ce n’est irréalisable. Pour traiter cette masse de données, les outils statistiques et métriques peuvent apparaître comme des méthodes d’analyses toutes indiquées pour les traiter (semi)-automatiquement... Or – faut-il le rappeler – le sens n’est pas lié à une donnée, la donnée en elle-même n’a que peu d’intérêt, ce n’est que lorsqu’elles sont rassemblées, organisées et interreliées que le sens apparaît, que ces données deviennent une information (Mazza, 2009). Concernant les démarches liées aux instrumentations « exploratrice de traces », l’on va collecter des données brutes (raw data) de manière parfois très arbitraire en faisant fi de leur nature voire en les compilant (derived data) ou en procédant à diverse agrégations pour construire des jeux de données (dataset). Nous pouvons à cet égard nous interroger, à l’instar de Françoise Paquienséguy (2019), sur la pertinence de l’exploitation de ces données « brutes » puisque celles-ci ont d’ores et déjà été manipulées - parfois à plusieurs reprises - afin d’en permettre le traitement statistique. La méthodologie inhérente aux mégadonnées repose généralement sur 4 étapes (Gonzales, 2019) :   <ol> <li style="text-align: justify;">Identification et extraction des données, celles-ci peuvent être brutes, primaires ou secondaires (données existantes et collectées à d’autres fins que celles de l’étude).</li> <li style="text-align: justify;">Nettoyage et transformation des données, le nettoyage des données est un processus nécessaire pour détecter et éliminer les erreurs, les incohérences et les doublons des données (Gonzales, 2019). Ce nettoyage peut également consister à imputer des valeurs manquantes. Cette étape va assurer la qualité de la base de données et in fine des résultats de l’étude.</li> <li style="text-align: justify;">Analyse des données, il s’agit le plus souvent d’analyse statistique multivariée, d’analyse de réseaux, lexicométrique ou encore géomatique, voire un entremêlement d’analyses.</li> <li style="text-align: justify;">Présentation des données, l’on recourt de plus en plus aux techniques de la visualisation des données.</li> </ol>   Ces manipulations sont particulièrement chronophages (Flach, 2012) et l’on cherche ce faisant à en automatiser les processus (Berti-Équille, 2019), ajoutant ainsi une couche algorithmique potentiellement néfaste à l’intelligibilité des situations analysées. L’on peut également distinguer deux approches concernant le traitement des mégadonnées : le machine learning (ou apprentissage machine) et le deep learning (apprentissage profond). Le machine learning entend automatiser le caractère prédictif de tout comportement (Reigeluth, 2018) grâce aux variables détectées par le data-scientist, en repérant des patterns d’observations. Dans ce cas, nous restons dans une démarche alliant puissance algorithmique à l’intelligence humaine. En ce qui concerne le deep learning, la démarche vise à entraîner la machine sur des bases de données massives afin qu’elle puisse identifier par elle-même les variables par computation. Nous laissons ainsi les pleins pouvoirs aux algorithmes de ces technologies intelligentes ou intelligences artificielles. Ces technologies intelligentes manipulent ainsi des données dont elles ignorent le sens et dont les résultats parfois obscurs nécessitent que les data-scientists aient recours au storytelling pour les interpréter, les rendre compréhensibles et valider par là-même les attentes de l’auditoire (Bachimont, 2019). Au-delà des polémiques épistémologiques entourant des démarches inhérentes au paradigme de la donnée (Bigot & Mabi, 2017 ; Salvador, 2019), de nombreux auteurs mettent en garde les communautés scientifiques quant à leurs usages et aux résultats ainsi produits. Ainsi Guillaume Carbou (2017) fustige l’utilisation des outils statistiques pour l’étude des grands corpus de données textuelles, lesquels permettent au mieux d’avoir une lecture renouvelée pour le chercheur qui connaît son corpus. Mais il va sans dire que ces méthodes conviennent à d’autres usages. A ce titre, le dossier coordonné par G. Bastin et P. Tubaro (2018) se révèle précieux en termes d’exemples sur l’exploitation des big data en Sciences Sociales. Nous noterons à cet égard la référence faite à O’Reilly et al. (2012) quant à la pertinence du machine learning appliqué aux données de recherches cliniques, les algorithmes permettent grâce aux données patients d’avoir une lecture plus fine quant à l’efficacité des médicaments via l’analyse des caractéristiques sociodémographiques ou de santé. Ceci n’étant pas sans incidence d’un point de vue éthique et conforte notamment l’importance d’une législation sur les données personnelles (RGPD).   Changement de paradigme Prenant appui sur Kant et la science classique, B. Bachimont argue que la « loi scientifique n’appartient pas à la même construction scientifique que la donnée » (Bachimont, 2015, p.391). En effet, bien que le traitement des mégadonnées soit statistique et devrait légitimement s’inscrire dans les approches hypothético-déductives, il n’existe pas toujours d’hypothèse préalable à ce type d’étude qu’il s’agirait de vérifier. Dans certains cas, les démarches scientifiques liées aux mégadonnées s’apparenteraient même davantage aux approches empirico-inductives, il existe une problématique scientifique, un questionnement, que l’on va essayer sinon de solutionner tout au moins d’expliquer par l’observation et l’analyse, soit à travers un cadrage théorique et méthodologique, les faits et les phénomènes. Ce n’est qu’après traitements métriques et statistiques de cette masse de données que l’on va pouvoir extraire une information que l’on espère exploitable et intelligible. Au regard de la démarche scientifique inhérente aux mégadonnées, celle-ci relèverait d’une hybridation méthodologique, s’appuyant sur l’empirie pour la collecte et sur le déductif pour le traitement et l’analyse. En d’autres termes, le paradigme de la mégadonnée initierait les approches « empirico-déductives », du moins pour les formes les moins avancées de traitements algorithmiques. En effet, elles ne peuvent à notre sens être véritablement inductives car même si l’on part bien de faits et données observables, l’on ne part pas du particulier pour induire une généralité. Au contraire on se sert de la masse des redondances pour en déduire une « explication ». « L’enjeu et la révolution attendue des mégadonnées sont donc bien la compréhension nouvelle promise des activités humaines. Les mégadonnées pourraient constituer une révolution des sciences de la culture à l’instar de la révolution scientifique qui a permis, à l’orée de notre modernité, de transformer notre relation à la nature d’une description fondée sur le langage à un rapport de mesure expérimentale et de formalisation calculée. À l’instar de la nominalisation des sciences de la nature, les mégadonnées proposent la nominalisation des sciences de la culture » (Bachimont, 2015, p.395). Cette nominalisation des sciences de la culture est poussée à son paroxysme avec l’apprentissage machine ou le machine learning, lequel relève d’une autre forme d’approche scientifique. L’on parle de machine learning dès lors que l’algorithme repose sur les variables (features<a href="#_ftn4" name="_ftnref4" style="color:blue; text-decoration:underline" title="">[4]</a>) détectées par le data scientist pour influer sur la prédiction. Le deep learning quant à lui traite des données non-structurées, l’algorithme aura été entrainé, sur une base de données massives, à identifier par lui-même les variables par computation. À savoir que selon les experts-analystes des mégadonnées, environ 80 à 90% des données captées seraient non structurées. Ces variables s’apparentent à celles de la statistique classique mais s’opèrent sur des jeux de données hétérogènes lesquels n’ont pas nécessairement de relation de dépendance. Les features du machine learning vont plus loin et tentent à travers ces mégadonnées de repérer des patterns d’observations. Car comme le souligne Tyler Reigeluth « Il n’est plus seulement question, avec le machine learning, d’automatiser le geste du travail manuel, ou le traitement cognitif de l’information, mais d’automatiser le caractère prédictif de tout comportement. En tant que régime de production de prédictions, le machine learning nous intéresse en ce que son efficacité normative ne se réduit pas à l’efficacité d’une certaine forme discursive, mais s’insère dans une activité sociale » (Reigeluth, 2018, p.40). Cette notion de pattern nous renvoie aux modèles de la découverte (patterns of discovery) de Nordwood Russel Hanson (1958), c’est-à-dire des modèles structurants-organisateurs-configurateurs, d’organisations intelligibles révélées par la reliance<a href="#_ftn5" name="_ftnref5" style="color:blue; text-decoration:underline" title="">[5]</a> (Morin, 1986), utilisés comme le précise J.-L. Le Moigne (2008) pour décrire les démarches de la modélisation des processus complexes. Nous retrouvons également cette idée à travers la liction (Leleu-Merviel & Useille, 2008) et les schèmes organisateurs qu’Émilie Flon et Yves Jeanneret définissent comme suit : « Il s’agit d’une construction structurelle qui assure un lien entre les dimensions technique, sémiotique et phénoménologique de la représentation, définissant ainsi certaines conditions déterminantes de la construction du sens des informations au sein d’un dispositif. Le schème ne se réduit ni à une modalité sémiotique (comme l’écrit), ni à une forme (comme la liste), ni à une procédure cognitive (comme le classement) mais intègre ces différents niveaux en une construction singulière » (Flon & Jeanneret, 2010, p.4) En l’occurrence le machine learning s’intéresse à ces schèmes organisateurs produits par les lictions régulières de données en situation et à un moment T, ces patterns sont donc issus d’un cadre qui les contextualise. Les algorithmes sont programmés pour identifier les patterns issus de nos habitus (Bourdieu, 1986) repérables à travers nos traces d’activités dans le cyberespace. Comme le souligne Dominique Cardon, « la plupart du temps, les prédictions algorithmiques ne font que confirmer, en leur donnant une amplitude plus ou moins grande, des lois sociales bien connues » (Cardon, 2015, p.65). Emmanuel Souchier (Souchier et al., 2019, p.7) appelle ce phénomène la « textualisation des pratiques sociales », lequel consiste au recensement quasi exhaustif du monde notamment à travers la collecte et l’analyse des traces et des données qui permettrait d’aboutir à « une sorte de naturalisation de l’ensemble du social, de sorte qu’il existe désormais des calculs et des services pour tout ».   Ces traitements algorithmiques permettent ainsi à partir de mégadonnées de faire des prédictions, parfois sans que ceux-là même qui les ont programmés ne comprennent comment les machines en sont arrivées à de tels « résultats », en particulier dans le cas du deep learning. C’est ce qu’ils appellent la « boîte noire » du programme et se veut être le reflet de l’auto-apprentissage machine, d’une certaine Intelligence Artificielle. De fait, le machine learning et la quête de pattern ne coïncident pas véritablement avec les approches « empirico-déductives » énoncées plus avant, mais s’apparenterait à ce que N.R. Hanson appelle la « rétroduction » « Décrivant, en historien des scientifiques (plutôt que des sciences) le comportement cognitif des scientifiques transformant leurs théories par des observations et leurs observations par de nouvelles théories, N. Hanson souligne qu'ils ne procèdent guère par déduction ou par induction comme le prétendent les traités d'épistémologie. Ils adoptent une stratégie cognitive plus tâtonnante, moins linéaire, plus récursive, plus téléologique (la quête de quelque forme d'intelligibilité), qu'il appellera plus volontiers la 'retroduction' que 'l'abduction' empruntant les deux termes à C.S. Peirce. Ceci en conceptualisant plus audacieusement me semble-t-il, le sens du mot retroduction que ne le faisait Pierce : Le sens aristotélicien du terme 'abduction' (qu'utilisait souvent Peirce, privilégiant 'le raisonnement vraisemblable', alors que le mot 'retroduction' chez Hanson privilégie l'interprétation par le raisonnement récursif ou auto référentiel ou chiasmatique : 'la théorie engendre le fait qui engendre la théorie, qui…' ). » (Le Moigne, 2003b). Ainsi existe-t-il d’ores et déjà deux paradigmes de la mégadonnée correspondant à des programmations algorithmiques différentes. Le premier, s’appuyant sur des traitements statistiques et métriques classiques, pourrait constituer les approches « empirico-déductives ». Le second, inhérent à l’apprentissage machine et à l’identification de patterns, pourrait former les approches « empirico-retroductives ».   Conclusion Mais alors que penser de ces artefacts technoscientifiques ? Est-ce que cela fonctionne ? Tout dépend de ce que l’on cherche à connaître. L’intelligibilité d’une situation se mesure-t-elle au nombre de personnes qui y souscrivent ou à la singularité d’autres qui y restent marginales ? Comment percevoir et analyser les phénomènes émergents si l’on ne s’intéresse qu’à la masse ? Faudra-t-il attendre un choc des réalités si la communauté scientifique finit par se reposer uniquement sur l’exploitation de ces mégadonnées ? Je fais partie de ces autres, qui même s’ils apprécient la facilité de ces traitements quantitatifs, lesquels peuvent être instructifs dans certaines circonstances, privilégient le sens et la signifiance, considèrent davantage les signaux faibles que les signaux forts, pensent encore – et surtout en l’état de la technique – que le traitement algorithmique des machines ne peut rivaliser avec l’intellection humaine. Et même s’il faut reconnaître que l’évolution de ces traitements vers un type de « représentation détachée » tendent peu ou prou à travers la clusterisation/catégorisation permise par ces traitements algorithmiques, soit le niveau 3 de la hiérarchisation représentationnelle d’adaptation des machines énoncée par S. Leleu-Merviel (2003), ces représentations ne restent exploitables que par l’entendement humain. C’est d’ailleurs tout l’intérêt des travaux menés sur la data vizualisation, faire apparaitre des catégorisations que les machines à elles seules ne peuvent interpréter. Ceci soulève d’ailleurs une faille majeure dans la sacro-sainte donnée, la justesse de l’interprétation ne s’impose pas avec évidence, il est nécessaire d’avoir recours aux techniques du storytelling (Bachimont, 2019). Désormais appelées le data-storytelling, ces techniques vont permettre de « raconter les données », vont permettre procurer une émotion à une représentation en la recontextualisant. Néanmoins les partisans du cultural analytics (Manovich, 2009) n’ont généralement d’yeux que pour la culture de masse au sens quantitatif du terme. De plus, comme précédemment énoncé, il semble de rigueur de rester prudents face à ces prouesses algorithmiques et surtout à l’instar de D. Cardon d’être vigilants quant à leurs effets car « Les calculateurs fabriquent notre réel, l’organisent et l’orientent. Ils produisent des conventions et des systèmes d’équivalence qui sélectionnent certains objets au détriment d’autres, imposent une hiérarchisation des valeurs qui en vient progressivement à dessiner les cadres cognitifs et culturels de nos sociétés » (Cardon, 2015, p.14).     Références citées Akrich, M. (2006). Les objets techniques et leurs utilisateurs de la conception à l’action. Sociologie de la traduction. Textes fondateurs, p.179-199. Bachimont, B. (2004). Arts et sciences du numérique : ingénierie des connaissances et critique de la raison computationnelle. Mémoire de HDR. Université Technologique de Compiègne. Bachimont, B. (2007a). Ingénierie des connaissances et des contenus, le numérique entre ontologies et documents. Paris, Hermès Lavoisier. Bachimont, B. (2015). Le numérique comme milieu : enjeux épistémologiques et phénoménologiques. Principes pour une science des données. Interfaces numériques. Vol.4 n°3, 385-402. Bachimont, B. (2016). De l’éditorialisation à l’éditorialisation (2007-2017). Séminaire Sens Public « Écriture numériques et éditorialisation », Montréal, 17 novembre 2016. [En ligne]<a href="https://seminaire.sens-public.org/spip.php?article62" style="color:blue; text-decoration:underline"> </a><a href="https://seminaire.sens-public.org/spip.php?article62" style="color:blue; text-decoration:underline">https://seminaire.sens-public.org/spip.php?article62</a> Bachimont, B. (2019). Comment faire confiance aux données ? Questions épistémologiques et philosophiques. Culture et IA. Intelligence Artificielle Graph Alpes, La Clusaz, 21 au 24 mars 2019. [En ligne] https://youtu.be/JSEnI_FmFfM Bachimont, B. (2020a). L’IA, le brin d’herbe, la caresse et le regard. Interfaces numériques. Vol.9, n°1. DOI : 10.25965/interfaces-numeriques.4135 Bachimont, B. (2020b). Rhétorique de l’intelligibilité, vers des humanités du numérique. Séminaire NumeRev, MSH-Sud, Montpellier, 28 février 2020. [En ligne]<a href="https://youtu.be/Z9q5pijXp-E" style="color:blue; text-decoration:underline"> </a><a href="https://youtu.be/Z9q5pijXp-E" style="color:blue; text-decoration:underline">https://youtu.be/Z9q5pijXp-E</a> Bastin, G., Tubaro, P. (2018). Le moment big data des sciences sociales. Revue française de sociologie, vol. 59, n°3. 375-394. [En ligne]<a href="https://youtu.be/Z9q5pijXp-E" style="color:blue; text-decoration:underline"> </a><a href="https://www.cairn-int.info/revue-francaise-de-sociologie-2018-3-page-375.htm" style="color:blue; text-decoration:underline">https://www.cairn-int.info/revue-francaise-de-sociologie-2018-3-page-375.htm</a>.  Berners-Lee, T., Hendler, J., et Lassila, O. (2001). Le web sémantique. Scientific American , 284 (5), 34-43. Berti-Équille, L. (2019). Machine Learning – Based Data Cleaning : Current Solutions and Challenges. Actes du colloque CIDE21 “Économie(s) du document : pratiques et prospectives liées au numérique”, co-organisé par l’ESCT et GERIICO, Djerba, 3-4 avril 2019. Editions Europia Bertrand, Y. (1991). Culture organisationnelle, Québec, Presses de l’université du Québec. Bigot, J. & Mabi, C. (2017). Une instrumentation numérique des sciences humaines et sociales: Enjeux épistémologiques et communicationnels. Les Cahiers du numérique, vol. 13(3-4), 63-90. Boullier, D. (2015). Les trois humanités numériques et le positivisme algorithmique, Toulouse, 26 Nov 2015, Colloque Franco-québecois. URL : <a href="https://www.canal-u.tv/video/fmsh/humanites_numeriques_dominique_boullier.20859" style="color:blue; text-decoration:underline">https://www.canal-u.tv/video/fmsh/humanites_numeriques_dominique_boullier.20859</a> Bourdeloie, H. (2013). Ce que le numérique fait aux sciences humaines et sociales. Tic&société, vol. 7, n° 2. [En ligne] http://journals.openedition.org/ticetsociete/1500. <a name="_7znty1jaijoi"></a> Bourdieu, P. (1986). Habitus, code et codification, Actes de la recherche en sciences sociales, vol. 64, n° 1,  40-44. Carbou, G. (2017). Analyser les textes à l’ère des Humanités numériques: Quelques questions pour l’analyse statistique des données textuelles. Les Cahiers du numérique, vol. 13(3-4), 91-114. Cardon, D. (2015). À quoi rêvent les algorithmes. Nos vies à l’heure des big data. Paris : Éditions Seuil. Clément, J. (2007). L’hypertexte, une technologie intellectuelle à l’ère de la complexité. Humanités numériques, Vol.1, 183-194. Dacos, M. (2011). Manifeste des Digital humanities. ThatCamp Paris 2010. [En ligne]<a href="https://tcp.hypotheses.org/318" style="color:blue; text-decoration:underline"> </a><a href="https://tcp.hypotheses.org/318" style="color:blue; text-decoration:underline">https://tcp.hypotheses.org/318</a>. Delengaigne, X., Deschamps, C., & Mongin, P. (2011). Organisez vos données personnelles : l’essentiel du Personal Knowledge Management. Editions Eyrolles. Digitalhumanities (2008). A Digital Humanities Manifesto. [En ligne]<a href="http://manifesto.humanities.ucla.edu/2008/12/15/digital-humanities-manifesto/" style="color:blue; text-decoration:underline"> </a><a href="http://manifesto.humanities.ucla.edu/2008/12/15/digital-humanities-manifesto/" style="color:blue; text-decoration:underline">http://manifesto.humanities.ucla.edu/2008/12/15/digital-humanities-manifesto/</a>. Doueihi, M. (2011). Pour un humanisme numérique. Seuil, 17. ISBN 978-2-02-100089-4. Dyens, O. (2008). La condition inhumaine : essai sur l'effroi technologique. Flammarion. EPRIST. (2020). Le web sémantique. Analyse I/IST n°33 - novembre 2020. [En ligne] <a href="https://www.eprist.fr/le-web-semantique/" style="color:blue; text-decoration:underline">https://www.eprist.fr/le-web-semantique/</a> Escobar, A. (2018). Designs for the pluriverse. Durham and London: Duke University Press.    Flach, P. A. (2012). Machine Learning: The Art and Science of Algorithms That Make Sense of Data. Cambridge University Press. Flon, E., & Jeanneret, Y. (2010). La notion de schème organisateur, outil d’analyse sémio-pragmatique des écrits d’écran. Revue des Interactions Humaines Médiatisées, 11(1). [En ligne] <a href="http://europia.org/RIHM/V11N1/RIHM11(1-1)-Flon-Jeanneret.pdf" style="color:blue; text-decoration:underline">http://europia.org/RIHM/V11N1/RIHM11(1-1)-Flon-Jeanneret.pdf</a> Galleron, I., & Idmhand, F. (2020). De l’interopérabilité à la réutilisabilité des éditions électroniques », Humanités numériques 1 | 2020. [En ligne] http://journals.openedition.org/revuehn/350 ; DOI : https://doi.org/10.4000/revuehn.350 Gallot, S., & Verlaet, L. (2016). La transparence : l’utopie du numérique ?, Communication et organisation [En ligne] http://communicationorganisation.revues.org/5277.  Geslot, J.-C., & Rebolledo-Dhuin, V. (2020). Du livre imprimé au Web sémantique : le projet du dictionnaire des éditeurs français du XIXe siècle. Humanités numériques, 2 | 2020 [En ligne] Goffman, E. (1991). Les cadres de l’expérience, Paris : Les Éditions de Minuit. Gonzalez Aguilar, A. (2019). Visualisation interactive de la jurisprudence de la Cour de cassation. Les Cahiers de la Justice, 2(2), 243-255. <a href="https://doi.org/10.3917/cdlj.1902.0243" style="color:blue; text-decoration:underline">https://doi.org/10.3917/cdlj.1902.0243</a> Goody, J., & Lejosne, J.-C. (2006). La technologie de l'intellect. Pratiques, 131(1), 7-30. Hanson, N. R. (1958). Patterns of Discovery: An Inquiry into the Conceptual Foundations of Science. Cambridge University Press. Jeanneret, Y. (2011). Y a-t-il (vraiment) des technologies de l’information ?, Villeneuve d’Ascq, Presses universitaires du Septentrion. Kembellec, G. (2019). Semantic publishing, la sémantique dans la sémiotique des codes sources d'écrits d'écran scientifiques. Les Enjeux de l'information et de la communication, n°2/2019, 55-72. Leleu-Merviel, S. (2002). De la navigation à la scénation. Un grand pas vers une dramaturgie du numérique. Les Cahiers Du Numérique, 3, 97–120. Leleu-Merviel, S. (2003). Les désarrois des « Maître du sens » à l’ère numérique, H2PTM’03 Conférence international, Hypertextes et Hypermédias, Créer du sens à l’ère numérique, Paris : Edition Hermès. Leleu-Merviel, S. (2004). Effets de la numérisation et de la mise en réseau sur le concept de document. Revue I3 - Information Interaction Intelligence, Cépaduès, 4 (1). fsic_00001019 Leleu-Merviel, S., Useille, P. (2008). Quelques révisions du concept d’information. Problématiques émergentes dans les sciences de l’information, Hermès-Lavoisier, 25-56. Le Moigne, J.-L. (2008). Edgar Morin, le génie de la Reliance. Synergies Monde, n°4, 177-184. [En ligne] <a href="https://www.gerflint.fr/Base/Monde4/lemoigne.pdf" style="color:blue; text-decoration:underline">https://www.gerflint.fr/Base/Monde4/lemoigne.pdf</a> Lévy, P. (1990). Les technologies de l’intelligence. L’avenir de la pensée à l’ère informatique. Paris : La découverte. Manovich, L. (2009). Cultural analytics: visualising cultural patterns in the era of “more media”. Domus March. Mazza, R. (2009). Introduction to information visualization. Springer Science & Business Media. Milette, M., Millerand, F., Myles D., Lattzko-Toth (2020). Méthodes de recherche en contexte numérique. Une orientation qualitative. Québec : PUM. Morin, É. (1986). La méthode. 3. La connaissance de la connaissance. Paris : Éditions du Seuil. Morin, E. (1994). « Sur l’interdisciplinarité » Bulletin Interactif du Centre International de Recherches et Études transdisciplinaires n° 2 - Juin 1994 [En ligne, consulté en septembre 2018] <a href="http://ciret-transdisciplinarity.org/bulletin/b2c2.php" style="color:blue; text-decoration:underline">http://ciret-transdisciplinarity.org/bulletin/b2c2.php</a> O’Reilly, T, Steele, J., Loukides, M. & Hill, C. (2012). How Data Science Is Transforming Health Care. Solving the Wanamaker Dilemna. Sebastopol, O’Reilly Media. Paquienséguy, F. (2019). De l'opendata à l'information, vers de nouvelles pratiques professionnelles? Colloque international ISKO-France "Données et mégadonnées ouvertes en SHS : de nouveaux enjeux pour l’état et l’organisation des connaissances ?", co-organisé par le Chapitre Français de l'ISKO et le LERASS-Céric, Université Paul-Valéry Montpellier 3, 10 octobre 2019. Reigeluth, T. (2018). La prédiction algorithmique comme activité sociale. Réseaux, 211(5), 35-67. <a href="https://doi.org/10.3917/res.211.0035" style="color:blue; text-decoration:underline">https://doi.org/10.3917/res.211.0035</a> Rieffel, R. (2014). Révolution numérique, révolution culturelle ? Gallimard, collection folio actuel. Robert, P. (2000). Qu’est-ce qu’une technologie intellectuelle ? Communication & Langages, 123(1), 97–114. Salvador X.-L. (2018). Transformations disciplinaires en Littérature et Sciences Humaines à l’heure numérique », Quaderni [En ligne], 98 | Hiver 2018-2019, mis en ligne le 05 février 2019, consulté le 06 octobre 2020. URL : http://journals.openedition.org/quaderni/1399 ; DOI : <a href="https://doi.org/10.4000/quaderni.1399" style="color:blue; text-decoration:underline">https://doi.org/10.4000/quaderni.1399</a>. Schütz, A. (1987). Le chercheur et le quotidien. Paris : Librairie des Méridiens Klincksieck. Souchier, E., Candel, É., Jeanne-Perrier, V., & Gomez-Mejia, G. (2019). Le numérique comme écriture : théories et méthodes d'analyse. Armand Colin. Verlaet, L. (2017). Introduction : Enjeux et apports des recherches en humanités numériques. Revue Les Cahiers du numérique, Édition Lavoisier, vol.13, n°3-4/2017, p.9-18. Verlaet, L., & Chante, A. (2017). La notion d'autorité dans l’édition de la recherche : évolutions des formes, changements d’autorité ? Revue Communication & Langage, n°192, 27-46. <div>  <hr align="left" size="1" width="33%" /> <div id="ftn1"> <a href="#_ftnref1" name="_ftn1" style="color:blue; text-decoration:underline" title="">[1]</a> Dont les travailleurs de la donnée sont pour certains une des manifestations. </div> <div id="ftn2"> <a href="#_ftnref2" name="_ftn2" style="color:blue; text-decoration:underline" title="">[2]</a> Les smart data ou données intelligentes sont des données issues de sources préalablement identifiées et choisies, l’on parlera alors de données primaires (et non brutes) souvent liées à l’internet des objets, leur volume sera moins important ce qui permet un traitement en flux continu (en streaming). </div> <div id="ftn3"> <a href="#_ftnref3" name="_ftn3" style="color:blue; text-decoration:underline" title="">[3]</a> Notamment du fait de l’internet des objets. Source : <a href="https://www.lebigdata.fr/big-data-2025-idc#:~:text=A%20l'heure%20actuelle%2C%20en,soit%20175%20milliards%20de%20t%C3%A9raoctets." style="color:blue; text-decoration:underline">https://www.lebigdata.fr/big-data-2025-idc#:~:text=A%20l'heure%20actuelle%2C%20en,soit%20175%20milliards%20de%20t%C3%A9raoctets.</a> (consulté le 4 août 2020) </div> <div id="ftn4"> <a href="#_ftnref4" name="_ftn4" style="color:blue; text-decoration:underline" title="">[4]</a> Ces features déterminent le degré de dimensionnalité des données à traiter. </div> <div id="ftn5"> <a href="#_ftnref5" name="_ftn5" style="color:blue; text-decoration:underline" title="">[5]</a> « Cette faculté de l’esprit qui est d’articuler ce qui est séparé et de relier ce qui est disjoint’’, de distinguer des formes ou des ‘patterns’ sans pour autant les découper, et d’identifier les ‘tiers’ ou les ‘liants’ qui les interfacent, n’est-ce pas aussi cela que nous entendons maintenant par la faculté de reliance ? Faculté de reliance qui appelle l’exercice de l’ingenium, lequel nous épargne les navigations cognitives qui vont du réductionnisme qui sépare, au holisme qui fusionne ; la reliance révèle et organise des ‘patterns’ d’interactions possibles par lesquelles les ‘complexes’ nous deviennent intelligibles assez pour que nous puissions agir intentionnellement en ‘raison gardant’ : ‘En cela consiste notre dignité’. » (Le Moigne, 2008, p.181).   </div> </div>