Slides du séminaire EHESS E. Dagiral et S. Parasie "Machines à scandale : sociologie morale des bases de données" (15 janv. 2013)

1. Des “machines à scandale”
-
Une sociologie morale des bases
de données
Sylvain Parasie
&
Eric Dagiral

5. Wikileaks (2011)

9. Base de données
“Une table”
classifications/codages

10. “base de données
relationnelles”
table 1
table 2
relations

11. De quelle manière la mobilisation actuelle des bases de données déplace-t-
elle les manières établies de construire des scandales ?

12. Sociologie des affaires
Retourner le panoptique contre les institutions ?
Boltanski (1984)
Claverie (1994)
De Blic et Lemieux (2005)
Public
Locuteur Responsable(s)
Victime(s)

13. (1) Rapprocher un volume considérable d’événements
ici
ici ici ici
ici
ici
ici
ici
ici
ici ici
ici
ici ici
ici
ici

14. (2) Conserver chaque occurrence singulière

15. (3) Une construction décentralisée du scandale

16. Enquête # Journalisme de données
Chicago Tribune, “news Center for investigative
applications team” reporting
(2010) San Francisco (2012)

17. # Hackers civiques
Paris (2010)
Chicago (2010)
Berkeley (2012)

18. # Corpus de 15 projets

19. 1. Comment les BDD sont-elles devenues
des instruments de scandalisation?

20. “De nombreuses choses se sont produites dans les
sciences sociales depuis ces vingt dernières années. Et
il ne s’est pas passé de choses aussi importantes dans
le journalisme. Les sciences sociales ont connu une
sorte de révolution basée en grande partie sur le
développement et la grande disponibilité de
l’ordinateur électronique à haute vitesse. Des données
jusque-là trop nombreuses et difficiles à quantifier
ont subitement pu être comptées et mesurées. Des
outils statistiques puissants qui avaient été inventés
des décennies auparavant comme des instruments
théoriques intéressants sont soudain devenus
opérationnels”

22. Bill Dedman (1988)

23. Décennie 1990 :
- essor du computer-assisted reporting
- accroissement de la diffusion de données par les autorités
- le web

24. Rupture dans les années 2000

25. Parasie & Dagiral, "Data-driven journalism and the public good:
Computer-assisted reporters and programmer-journalists in Chicago"
New media and society

26. 2. Ordonner le monde par une BDD

27. (1) Identifier une réalité cachée
Trouver des données

28. Quand la mise en équivalence fait-elle sens ?

29. “En fait, je pense qu’il existe trois types d’utilisateurs. D’abord, celui qui recherche son
propre intérêt. (...) Celui qui est en poste et qui veut savoir si la ville d’à-côté paie mieux :
j’ai ce boulot qui est similaire à ce que fait un employé du gouvernement, est-ce que je
pourrais gagner plus d’argent ? Ensuite, il y a l’utilisateur qui s’intéresse à la communauté, et
qui veut savoir par exemple que sa ville dépense 60 % de son budget dans les salaires, dont
la moitié dans la gestion. Enfin, il y a le voyeur, qui veut savoir combien gagne son voisin
pour pouvoir s’en moquer ou le détester.”

32. (2) Enrôler des organisations à leur insu ?

34. “Le Center for Responsive Politics fait un gros travail pour coder les industries. Mais ce n’est pas
toujours le niveau dont nous aurions besoin. Par exemple, ils regroupent les énergies alternatives
– c’est-à-dire les entreprises liées à l’énergie éolienne, solaire et éthanol. Il y a quelques années,
c’était totalement pertinent, mais maintenant le financement de l’éolien se fait au détriment du
financement de l’éthanol, donc il faudrait séparer le groupe en deux. (...) Je ne remets pas en
cause les décisions qu’ils ont prises parce que nous ne sommes qu’un des utilisateurs des
données. Mais de notre point de vue, nous aurions fait légèrement différemment.” (Jeffrey E.
Friedman)

35. (3) Imputer des responsabilités

41. 3. Prendre le public à témoin

42. Aaron Swartz
« Transparency, on the other hand, simply shifts the work
from the government to the average citizen, who has
neither the time nor the ability to investigate these
questions in details, let alone do anything about it »

43. (1) Une distribution du travail moral

44. “Vous lisez l’article alors que votre grand-mère est malade et vit dans une maison de
retraite. Mais dans l’article, il n’y a que quelques anecdotes qui sont mentionnées.
Donc, vous vous dîtes : « merde, est-ce que ma grand-mère est en sécurité ? ». Et
vous allez sur le site web, vous regardez et vous voyez qu’elle est en sécurité ou
qu’elle est en danger. Donc l’enjeu, c’est de pouvoir personnaliser cette information
générale pour chaque individu.” (Brian Boyer)

45. Ce qu’un utilisateur veut savoir, c’est : « comment mon école a-
t-elle été évaluée cette année ? Est-ce qu’elle s’est améliorée par
rapport à l’année dernière ? ». Tandis qu’un journaliste se
demandera plutôt : « Bon sang, l’évaluation de cette école s’est
beaucoup améliorée, et je ne vois pas ce qui pourrait
l’expliquer... je dois comprendre ! » Hé bien, on a besoin des
deux. Vous devez satisfaire les besoins des gens qui veulent
qu’on réponde à leurs questions. Mais il y aura toujours des
choses auxquelles ils ne penseront jamais et que les journalistes
doivent être formés à démasquer et à transmettre »

46. (2) Une nouvelle écologie du scandale

47. Il n’est pas logique que chaque organisation de presse se fournisse
elle-même en données. Je pense qu’on est à un tournant. Un peu
comme quand Associated Press et les agences de presse ont été
créées parce qu’il était trop coûteux d’envoyer 17 personnes pour
couvrir la Maison Blanche, sachant qu’ensuite ils écriraient tous le
même article. C’est un peu la même chose avec les données
concernant le financement des campagnes électorales. Je pense
qu’il est important pour nous de devenir une agence de presse des
données politiques.

48. Quand nous envoyons nos données, les journalistes me rappellent et me
demandent « Comment est-ce que je peux utiliser ça ? Qu’est-ce que ça
signifie ? » Avec ces retours, je réalise qu’une chose qui me semble très
simple ne se traduit pas si facilement. Je comprends aussi de quelle
manière concevoir des produits plus faciles à utiliser, et quels sont les
produits que nous mettons en place et qui ne correspondent pas
vraiment à notre public.

49. Conclusion

50. Merci !
sylvain.parasie@univ-paris-est.fr
eric.dagiral@paris-descartes.fr