Code et données pour les sciences sociales (1) Introduction

Début d’une série de billets visant à commenter (pas à traduire) le guide de Gentkow et Shapiro (2014).

En 2014, Matthew Gentzkow et Jesse M. Shapiro, deux économistes, publient un petit guide que j’ai récemment découvert, grâce à plein de monde sur Twitter. Le guide s’intitule “Code and Data for the Social Sciences: A Practitioner’s Guide”.

L’introduction du guide décrit une manière de faire de la recherche, que l’on soit en science politique, en économie, en géographie, en sociologie ou en histoire, ou en biologie, en physique, en statistiques ou ailleurs :

… écrire du code pour faire tourner des analyses statistiques, pour simuler des modèles, pour formater des résultats, pour produire des graphiques.

En 2014, deux (jeunes) économistes peuvent assez facilement convaincre leurs pairs que cette manière de faire de la recherche est à la fois une forme légitime (car valide) et importante (car productive) de faire de la recherche¹. Idem en biologie, par exemple, où la bio-statistique et la bio-informatique sont bien représentées dans les compositions des laboratoires.

C’est certainement moins évident en science politique, au moins en France, où le number-crunching ne semble pas avoir touché beaucoup de monde en dehors de la sociologie électorale² pendant plusieurs décennies—ou est-ce un faux-semblant hérité d’une formation primordialement tournée vers l’explication dite “qualitative” et une lecture sélective de la littérature scientifique ? En tout cas, l’article de Nonna Mayer dans The Political Methodologist d’il y a dix ans ne va pas vraiment contre cette observation.

Les vogues récentes pour les “humanités numériques” (digital humanities) et la “science des données” (data science) aidant, on se trouve désormais dans une conjoncture où les nerds auto-proclamés ont une place dans les laboratoires, ne serait-ce que pour aider les collègues à utiliser l’imprimante, et éventuellement à collecter des données ou, dans les champs d’analyse les plus formalisés, à faire tourner quelques modélisations.

Voici quelques-uns des “scénarios utilisateur” que mentionnent Gentzkow et Shapiro en soutien à une recherche en sciences sociales tournée vers le code et les données :

• Réplication — savoir (re)produire des résultats d’analyse, si possible, vu le rythme de la recherche, sur des durées assez longues ;
• Données manquantes — savoir diagnostiquer des problèmes d’échantillonnage biaisant les résultats ;
• Données supplémentaires — savoir rendre une analyse empiriquement plus robuste en élargissant son assise empirique ;
• Intelligibilité et transparence — savoir rendre une analyse aussi transparente et compréhensible que possible au lecteur extérieur ;
• Collaboration — savoir mettre en place des protocoles permettant de travailler collectivement sur un problème et ses données.
• Changement d’échelle — savoir rendre accessible de très gros volumes de données, et/ou produire de très gros volumes d’analyse.

Une partie des problèmes ci-dessus relève à la fois des sciences sociales et de l’informatique : les “problèmes d’intelligibilité”, par exemple, existent aussi bien au niveau (abstrait) de la conceptualisation qu’au niveau (concret) de la programmation (literate programming). D’autres croisent statistiques, probabilités appliquées et data engineering ; d’autres sont encore plus transversaux.

Concernant “l’ingéniérie des données“, la multiplication des problèmes à résoudre (big data, exploitation de données Web et/ou numériques, archivage et partage de données qualitatives…), sans que la croissance faible des postes d’ingénieurs de recherche ne permettait pas de suivre la demande, a aussi certainement aidé.

Gentzkow et Shapiro évoquent aussi le rôle de l’industrie et de la science informatiques, et des solutions qu’elle ont apportées sur ces questions :

If you are trying to solve a problem, and there are multi-billion dollar firms whose entire business model depends on solving the same problem, and there are whole courses at your university devoted to how to solve that problem, you might want to figure out what the experts do and see if you can’t learn something from it.

Le décor est ainsi planté : l’analyse quantitative et les utilisations scientifiques de l’informatique (scientific computing) sont devenues plus accessibles, aidées en cela par des changements à la fois internes et externes à la recherche scientifique — et les manières de travailler ont évolué en conséquence.

Voyons ce qu’en disent Gentzkow et Shapiro. On rentrera dans le vif du sujet au prochain épisode : pourquoi et comment automatiser la production d’un résultat d’analyse. Avant cela, il y aura un “épisode intermédiaire” sur l’informatique pour les sciences sociales.

1. Ne serait-ce qu’en regardant un peu ce que font les “prix Nobel”, on tombe vite sur deux d’entre eux, Thomas Sargent et Paul Romer, qui codent en Python ; et ils ne sont certainement pas les seuls. [↩]
2. Sous-domaine de la science politique où l’on retrouve pas mal de chercheurs formés en économie. [↩]

---

---