Rédiger un Plan de gestion de données pour un projet ERC : l’expérience GRAPH-EAST

En quelques années, le Plan de gestion de données est devenu un document essentiel des programmes de recherche financés au niveau national (projets ANR) ou européen (projets H2020 puis ERC). Si les formations se multiplient pour apprendre aux chercheurs à rédiger ce nouveau type de document, les exemples en sciences humaines sont encore rares et nous semble utile de proposer une rapide synthèse sur les enjeux, avantages et difficultés de ce format à partir de la réflexion menée pour GRAPH-EAST.

Pour rappel : qu’est-ce qu’un PGD ?

Le Plan de gestion de données est souvent désigné par son acronyme français (PGD) ou anglais (DMP pour Data management plan).  Il s’agit d’un outil de planification de la recherche considéré par nos financeurs comme faisant partie des « livrables », c’est-à-dire des résultats attendus d’un projet de recherche. Son objectif est essentiellement de s’assurer que la gestion des données du projet respectera les principes FAIR, c’est-à-dire que les données produites seront Faciles à trouver, Accessibles, Interopérables et Réutilisables. En ce sens, il permet d’évaluer, mais aussi et surtout de favoriser, le développement de la politique de Science Ouverte soutenue par nos institutions de tutelle.

Principes FAIR mis en œuvre dans les PGD (source)

Concrètement, le PGD est un texte de 4 à 20 pages où l’on détaille les formats de fichiers et leur système de nommage, les solutions de sauvegarde, les licences de diffusion et de réutilisation, les choix d’archivage… Bref, la gestion des données du début à la fin du projet de recherche (voir la checklist de la ETH-Bibliothek et de la bibliothèque EPFL pour se faire une idée plus précise de l’éventail des décisions à prendre). Le PGD est donc un excellent moyen pour ne pas faire des choix à court terme, en s’obligeant à prendre un peu de recul pour développer une vision d’ensemble, à l’échelle du projet mais aussi à celle de la communauté scientifique en prévoyant l’archivage ainsi que la réutilisation des données par d’autres personnes. Loin d’être figé, il doit être mis en place dès le début du projet pour évoluer ensuite avec la recherche : dans le cas des financements ANR et ERC, une première version doit être rendue dans les 6 premiers mois du programme, une deuxième est conseillée à mi-parcours, et une dernière est à nouveau obligatoire en fin de projet.

Afin d’accompagner à la rédaction de ce document quelque peu aride, il existe de nombreux modèles généralement proposés par des institutions importantes (l’Union européenne, l’ANR, mais aussi quelques universités et laboratoires importants). Ces aides sont utilement centralisées sur le site de référence anglais dmponline et sa déclinaison française Opidor : on y trouve des modèles au format .doc ou .pdf, mais ils peuvent également être renseignés de manière collaborative via un formulaire en ligne. Ces modèles de plan de gestion de données sont en réalité des plans détaillés qui guident la réflexion : plus ils sont développés, plus ils sont contraignants. Celui de l’ANR est par exemple plus directif que celui de l’ERC, et tous ne suivent pas le même plan pour s’adapter à des contextes de recherche variés. A noter : celui proposé pour les projets en archéologie par le consortium Huma-Num MASA est apprécié jusque chez les anthropologues. Il a notamment l’avantage d’être systématiquement illustré par des exemples et renvoie ponctuellement à des ressources en ligne plus détaillées.

Comparatif de Marie Puren

Marie Puren, à la page 106 de son excellent support de cours sur la rédaction d’un PDG, suggère de se faire accompagner dans la rédaction et renvoie à une liste de personnes référentes pour ce type de document. Elle renvoie également à deux grilles de relecture : une pour le modèle de l’ANR et l’autre pour le modèle de l’Union européenne. Quant au site OPIDoR, on peut y trouver inspiration ou comparaison avec des liens vers une vingtaine d’exemples de plans de gestion de données rédigés pour différents projets ainsi que 11 primés en 2020. Leur licence d’utilisation permet en outre d’en copier les éléments pertinents dans son propre document, sans avoir à citer leur auteur.

Un changement de paradigme dans la recherche

On aurait tort de ne voir dans les Plans de gestion de données qu’une nouvelle exigence bureaucratique, car les chercheurs y trouvent aussi le plus souvent leur intérêt : 83% des répondants d’une enquête réalisée sur les projets européens « Horizon 2020 » considèrent que la préparation du PGD leur a été utile (Etude). En effet, la FAIRisation des données mise en œuvre dans ces documents nous aide à mieux organiser, valoriser et pérenniser nos données.

Contrairement à une idée reçue très fréquente, les 15 principes FAIR à mettre en œuvre dans les PGD n’imposent pas une publication des données en libre accès : la devise est de prévoir une diffusion « as open as possible, as closed as necessary », car certaines restrictions peuvent être dictées par diverses contraintes (non divulgation des données personnelles utilisées pour des recherches en sociologie, par exemple). Néanmoins, l’objectif des politiques publiques est bien d’améliorer sans cesse l’accessibilité des études scientifiques. Les publications scientifiques ont ainsi été les premières à faire l’objet d’incitations ou d’obligations à une diffusion en libre accès, au point qu’une publication nativement numérique et ouverte (« open access diamant ») est imposée pour les études financées par l’Europe depuis le programme-cadre de recherche « Horizon 2020 » (2014-2020). Le nouveau programme-cadre européen, « Horizon Europe » (2021-2027), ainsi en France que le Deuxième plan national pour la science ouverte (2021-2024) étendent désormais cette exigence aux données de la recherche et plus généralement aux codes sources. Mieux, depuis le 3 décembre 2021, le décret 2021-1572 sur l’intégrité scientifique précise que « les établissements publics et fondations reconnues d’utilité publique […] promeuvent la diffusion des publications en accès ouvert et la mise à disposition des méthodes et protocoles, des données et des codes sources associés aux résultats de la recherche afin d’en garantir la traçabilité et la reproductibilité ». Cette nouvelle étape dans le partage des données vise non seulement une plus grande visibilité de la recherche, mais aussi une plus grande transparence, une meilleure reproductibilité et de véritables possibilités de réutilisation des informations… le tout à long terme. Or, pour réussir cela, il est indispensable d’anticiper de « cycle de vie des données » : dans le cas contraire, les pertes de temps et de contenu sont inévitables (format de fichier obsolète après quelques années, fichiers corrompus ou introuvables faute de métadonnées et/ou d’un système de nommage efficace…).

Les plans de gestion de données s’inscrivent donc dans cette dynamique de science ouverte : ils permettent d’anticiper dès le début de chaque projet les besoins associés, mais aussi ceux de futurs recherches, qu’elles soient menées par les mêmes personnes ou de nouvelles. En ce sens, dans le contexte d’un financement de la science par projet, les PGD sont aussi des outils essentiels pour favoriser une continuité et une efficacité de la recherche au-delà du morcellement des programmes scientifiques financés.

L’expérience GRAPH-EAST

Les projets ERC ont 6 mois pour rendre une première version de leur PGD. Celui de GRAPH-EAST a été rédigé par moi-même, en tant qu’ingénieure de recherche en charge de l’infrastructure des données, en lien étroit avec la directrice du projet Estelle Ingrand-Varenne. Il s’agissait d’un nouveau format pour nous. J’ai d’abord renseigné le modèle détaillé de PGD de l’ANR, avec uniquement les informations dont je disposais, pour servir de support de réflexion. Cette première étape a permis de discuter précisément des choix de gestion de données à prendre (quelle licence d’utilisation pour les images produite dans le cadre du projet, quelle organisation de la documentation au sein de l’équipe…) et d’identifier les questionnements à approfondir :

– Faut-il attribuer un DOI par inscription, pour l’ensemble des inscriptions du projet, ou distinguer des sous-ensembles (un DOI pour le corpus réunissant toutes les inscriptions d’un même pays, par exemple) ?

– Comment gérer les métadonnées : le standard Dublin Core est-il trop généraliste ?

– Quel entrepôt de données prévoir pour l’archivage ?

– …

La caractérisation précise des besoins a permis de trouver des réponses dans les nombreuses ressources diffusées en accès ouvert sur la gestion des données. Les supports pédagogiques sont en effet à la fois nombreux et variés : conte humoristique sur les principes FAIR,  cours en ligne Basics of managing and sharing research data, documentation technique diverse, portail DoraNum sur l’apprentissage des données de la recherche … Ce complément de formation m’a ensuite permis de rédiger sans difficulté le plan de gestion de données selon le modèle requis par l’ERC. Après discussion avec la responsable du projet et vérification avec la grille d’évaluation de l’ERC, le texte a finalement été traduit en anglais.

Un joli conte illustré pour prendre le point de vue des personnes qui chercheront nos travaux

La rédaction du plan de gestion de données de GRAPH-EAST a été facilitée par plusieurs facteurs :

– La préparation en amont du projet. GRAPH-EAST a été pensé dès le départ par Estelle Ingrand-Varenne dans un esprit de partage et était en parfait accord avec les principes FAIR. L’enjeu était donc uniquement, même si ce n’est pas si simple, de faire les choix techniques nécessaires à leur mise en œuvre.

– L’utilisation d’une base de données commune à toute l’équipe de recherche. L’utilisation d’un outil centralisant toutes les données du projet facilite leur harmonisation et leur gestion. Le choix d’un SGBD libre, Heurist, a en outre permis l’utilisation d’un format de fichier de base de données à la fois ouvert et pérenne.

– L’utilisation des outils de la TGIR Huma-Num. Spécialisée dans l’accompagnement numérique des laboratoires en sciences sociales, Huma-Num est bien reconnue au niveau européen et propose une large offre de service parfaitement adaptée à de nombreux programmes de recherche et respectant les principes FAIR. Leur utilisation facilite donc aussi bien la mise en œuvre des projets que la rédaction des PGD. Outre l’hébergement de notre base de données par Huma-Num, nous avons choisi un partage de la documentation interne à l’équipe dans leur outil ShareDocs, et une diffusion des images avec Nakala.

– Le facteur humain. L’excellente communication entre les deux personnes impliquées a beaucoup contribué au bon déroulement du processus.

Au final, la préparation de ce plan de gestion de données aura pris environ un mois, ce qui reste raisonnable pour un projet de 5 ans. Elle a contribué à mettre la méthodologie de la recherche au cœur de la mise en place du projet et à mieux se rendre compte de la masse documentaire à gérer. Concrètement, elle a par exemple permis de mieux anticiper les licences d’utilisation des images produites par ou pour l’équipe. Elle a également été l’occasion d’affiner le planning de la diffusion des corpus qui seront édités : elle sera faite au fur et à mesure, plutôt que regroupée en fin de projet. La rédaction du PGD de GRAPH-EAST a donc été une expérience utile, à la fois pour le projet et pour les personnes qui s’en empareront à l’avenir, mais aussi pour la préparation de futurs projets de recherche : ce qui a été appris sur la gestion de données facilitera et accélèrera le développement de prochains programmes scientifiques.  

Création de la base de données GRAPH-EAST

Le réseau international d’épigraphistes rassemblé par GRAPH-EAST pourra bientôt compter sur un outil commun, capable de faire converger les observations de terrain et les analyses historiques. Le premier mois d’avril du projet est en effet consacré à la conception d’une base de données ambitieuse. Voici ses principaux enjeux.  

Le choix logiciel

Les principes de pérennité et d’accessibilité FAIR sont aux fondements du projet GRAPH-EAST. Le choix d’un système de gestion de base de données reposant sur des technologies libres était donc important pour nous et Heurist s’est imposé comme une évidence.

Heurist est un environnement de base de données développé à l’université de Sydney et hébergée, pour les projets français, sur les serveurs d’Huma-Num. L’objectif de son directeur Ian Johnson est d’aider les chercheurs en sciences humaines de créer leur base de données, personnelle ou collaborative, sans l’intermédiaire d’un informaticien. Il permet ainsi de développer une base de données MySQL sans jamais voir une ligne de code. Mais Heurist est plus qu’une solution de facilité et va bien au-delà des systèmes de gestion de données libres ou propriétaires habituels. Pensé spécifiquement pour les SHS, il propose des modules qui permettent de gérer en quelques secondes des besoins complexes récurrents comme la géolocalisation avec OpenStreetMap ou l’import de références bibliographiques avec Zotero. Il intègre également des outils de visualisation des données, que ce soit en carte, en réseau ou en frise chronologique. Si ces premières analyses ne suffisent pas, Heurist favorise également l’export vers des logiciels spécifiques avec plusieurs formats (.CSV, .XML, .JSON, .GeoJSON, .KML et .GHEPHI). Enfin, Heurist prévoit la possibilité de publier sa base de données dans un site internet créé automatiquement et que l’on peut ensuite améliorer manuellement. Nous avons donc à faire à un outil de gestion et d’analyse des données extrêmement complet et bien pensé pour les sciences humaines.

Interface d’Heurist : l’onglet de conception de la structure de la base et son manuel intégré.

Lancée en 2021, la version 6 d’Heurist devrait permettre une large diffusion de cet outil déjà éprouvé sur des centaines de projets. Plusieurs programmes ERC, dont certains en épigraphie comme DHARMA, l’utilisent déjà. Une communauté francophone d’utilisateurs et de développeurs est en train de se mettre en place, avec notamment une liste de diffusion. Il ne manque plus que la mise en ligne des tutoriels actuellement en cours de préparation.

La création d’un outil sur mesures

La création du modèle de données de l’outil GRAPH-EAST se fait à partir d’un précédent projet de l’équipe d’épigraphie du CESCM. L’inscription est l’entité (aussi appelée « table » dans la majorité des systèmes de gestion de bases de données relationnelles) autour de laquelle gravite les informations de contextualisation qui la complète.

Modèle de la base de données à l’origine de celui de GRAPH-EAST.

Le cœur de la base est constitué par les données d’inventaire. Elles sont essentielles car en grande partie inédites. De ce fait, nous la construisons en parallèle du modèle des fiches descriptives de terrain, pour qu’aucune information nécessaire à l’analyse des inscriptions ne soit oubliée sur place, puis qu’aucune information collectée ne se perde faute de catégorie appropriée. La localisation actuelle ainsi que les éventuelles localisations successives, le contexte archéologique, l’état de conservation, l’identification du support et de la technique d’écriture, le texte inscrit (transcription, édition, traduction), la documentation iconographique (photographies, relevés, estampages…) et textuelle (sources manuscrites, sources éditées, bibliographie) sont ainsi soigneusement consignées.

Néanmoins, le projet GRAPH-EAST ne se limite pas à un vaste inventaire. La base doit donc permettre de répondre aux axes de recherche du projet en centralisant de manière normalisée les données nécessaires à de nombreuses analyses détaillées. La difficulté d’un tel objectif, comme pour toute base de donnée scientifique, est d’assurer un équilibre entre le temps de saisie des informations et les possibilités d’explorations ultérieures des données. L’enjeu est ici augmenté par le nombre conséquent d’inscriptions à renseigner (estimé à environ 2 500) et la multiplicité des acteurs impliqués, puisque la base doit devenir l’outil de référence de doctorants, de post-doctorants et de chercheurs permanents, auxquels s’ajoute un réseau international d’épigraphistes. Une réflexion collective a déjà permis d’aboutir à une proposition concrète, qui sera implémentée dans Heurist dans les prochains jours pour être testée.

Un prochain billet présentera plus en détail les choix qui ont été faits ainsi que l’interface de saisie.