Données d’enquêtes du projet ANR MEDINA : une variété d’approches FAIR

Motivation à documenter les données dans une approche FAIR

Le jeu de données d’enquête a bénéficié de la dynamique du projet Patrimoine Numérique Scientifique (2013-2017) mené au Cirad sur la capitalisation et la valorisation des données de recherche. Sensibilisés sur le sujet, les auteurs de l’enquête ont structuré, rendu anonymes et documenté leurs données pour favoriser une réutilisation future.

Mise en œuvre

La FAIRisation a pu s’opérer en référençant les données sur CIRAD Dataverse avec l’appui de la Délégation à l’Information Scientifique et technique (DIST) du Cirad.

Les données sont documentées à l’aide:

• d’une douzaine de domaines disciplinaires (subject) proposés nativement par la plateforme Dataverse ;
• d’une classification thématique (topic classification) champ libre, renseigné avec le plan de catégorisation Agris de la FAO adopté depuis de nombreuses années par le Cirad ;
• de mots-clés (keyword), champs libres renseignés par l’auteur. L’usage du Thésaurus Agrovoc de la FAO est recommandé par le Cirad en complétant si besoin à l’aide d’autres thésaurus.

Evaluation des résultats obtenus de la FAIRisation

Figure 2 – Extrait de l’étude : Résultats et freins

Bénéfices

Le fait de documenter le jeu de données d’enquête a permis une meilleure valorisation des résultats de la recherche.

Ainsi ce jeu de données a fait l’objet d’un article de type Data paper en Open Access dans Cahiers Agricultures. Les auteurs ont bénéficié de l’appui de la DIST du Cirad pour cette nouvelle forme de publication.

 Gaillard Cédric, Martin Sofyan, Bosc Pierre-Marie, El-Ati Jalila, Dop Marie-Claude, Trabelsi Tarek, Amiot Marie Josèphe, Dury Sandrine. 2018. Explorer les liens entre agriculture et sécurité alimentaire : une enquête auprès des femmes du gouvernorat de Sidi-Bouzid en Tunisie. Cahiers Agricultures, 27 (1):15501, 9 p. https://doi.org/10.1051/cagri/2018005

Le DOI du jeu de données est mentionné dans l’article.

Les bénéfices avérés sont les collaborations qui en sont facilitées :

• Les données brutes anonymisées sont disponibles en effectuant une demande en ligne sur la plateforme Dataverse du Cirad.
• Les auteurs ont été contactés pour une réutilisation dans un projet mené par l’International Water Management Institute (CGIAR), sur une thématique portant sur l’irrigation.

Freins

Le coût de l’anonymisation des jeux de données (200 variables) fut très (trop) élevé du fait du manque de connaissance d’outils informatique sur le marché et de recommandations dans les organismes.

Points forts et pistes d’amélioration

Chaque jeu de données relatif aux objets de recherche observés est préservé en interne sur la plateforme Dataverse, sans possibilité de mise en lien possible. Ainsi, la méthode de k-anonymisation utilisée pour anonymiser les données d’enquête a permis de n’établir aucun lien possible entre un ménage, une femme enquêtée et une exploitation.

 Des services et outils recommandés par les institutions, pour l’anonymisation de données personnelles, seraient un grand plus pour cette communauté.

L’élaboration d’un Plan de Gestion de Données aurait permis de faciliter la coordination avec les autres work-packages et l’élaboration du Data paper.

Le jeu de données FAIRisé sur le Dataverse du Cirad doit mentionner dans ses métadonnées le lien vers le Data paper qui a été publié.

Freins à documenter les données dans une approche FAIR

Si les deux bases de données sont structurées à des fins de reproductibilité (travail de structuration des variables) elles ne sont pas complétement finalisées.
Une partie des travaux conduits sur les Données n°2 est valorisée par un article scientifique. Des copies de tableaux de données sont insérées sous forme d’images (figures) dans l’article, ce qui ne facilite pas leur réutilisation, sauf à retranscrire l’ensemble.

Les Données n°3 concernent une enquête très complète, conduite en 2005 en Tunisie dans le cadre d’un autre projet (UE TAHINA). Le sous dimensionnement des ressources humaines en « data management » et le statut de réutilisation non défini pour ces données sont de réelles difficultés pour les organiser et les remobiliser.

Les deux bases de données ne sont pas référencées mais ces ressources sont connues de l’équipe projet.

Les difficultés pointées sont à la fois une absence de moyens dédiés à la gestion des données au moment de l’étude, ainsi qu’une culture de partage des données à développer.

Points forts et pistes d’amélioration

Au moment du projet, il n’existait pas de solution d’entreposage et de diffusion des données scientifiques. Aujourd’hui, avec la disponibilité de plateformes dédiées, l’accompagnement par la formation sur la gestion FAIR des données de la recherche conduisent à une évolution progressive des pratiques en recherche.

Dans cette étude de cas, il n’y a pas d’intention de publier ces bases de données, mais plutôt de tirer des leçons pour les prochaines fois.

Les bases de données pourraient être documentées sur un entrepôt de données institutionnel, même si les données ne sont pas déposées, pour partager leur existence au sein de l’équipe projet ou de l’UMR par exemple.

Un sous-ensemble cohérent de la base de données pourrait faire l’objet, si cela est pertinent, d’un Data paper en travaillant sur des données agrégées par exemple.

Une possibilité pour parvenir à éclairer les conditions de réutilisation de ces données est d’en discuter avec les partenaires tunisiens afin de mettre en place un accord de partage des données qui peut s’intégrer dans le cadre d’un projet.

Motivation à documenter les données dans une approche FAIR

L’objectif de ces travaux est de construire une base de données d’indicateurs d’impact environnemental des aliments à partir d’un appariement des bases de données existantes sélectionnées pour le projet suivant un raisonnement méthodologique scientifique.

Mise en œuvre

La FAIRisation a pu s’opérer en déposant et décrivant sur DataINRAE, la base de données d’indicateurs d’impact environnemental résultat.

Documenté à l’aide de métadonnées et diffusé sur la plateforme, le jeu de données bénéficie de l’attribution d’une citation avec un DOI :

• La citation nomme le jeu de données et crédite ses auteurs.
• Le DOI est un identifiant international qui offre un accès pérenne aux ressources numériques (publications, données, revues, rapports, etc.) grâce à un lien unique et stable.

Figure 3 – Citation d’un jeu de données avec DOI

Evaluation des résultats obtenus de la FAIRisation

Résultats et bénéfices

Les données sont retrouvables car exposées sur Data INRAE avec une description détaillée, une mention de citation et un DOI attribué. Elles sont accessibles par téléchargement et réutilisables car elles disposent d’une licence ouverte de réutilisation CC-BY avec devoir de les citer.

Les données ont fait l’objet d’un Data paper en open access sur Data in Brief, expliquant la méthode d’estimation des indicateurs, dans une perspective de reproductibilité.

Carole Sinfort, Marlene Perignon, Sophie Drogué, Marie Josèphe Amiot, Dataset on potential environmental impacts of water deprivation and land use for food consumption in France and Tunisia, Data in Brief,Volume 27,2019,104661,ISSN 2352-3409, https://doi.org/10.1016/j.dib.2019.104661 

Les données sont citées via leur DOI dans l’article.

Concernant les bénéfices relevés :

• L’élaboration d’un Data paper facilite la publication d’un article en allégeant la partie « méthode ». La méthode est exposée dans le Data paper avec les données. Le Data paper doit être diffusé avant la publication de l’article scientifique qui s’appuie sur les données.
• Le Data paper impose une description plus rigoureuse et standardisée des données, qui doit faciliter par la suite leur réutilisation.

Freins

Du temps du projet, la pratique de dépôt et de référencement de jeux de données sur une plateforme permettant la diffusion et l’accès contrôlé aux données était mal connue.

Publier un Data paper nécessite un temps qu’il faut anticiper pour pouvoir :

1. déposer, documenter et diffuser le jeu de données afin d’obtenir une citation avec un DOI.
2. rédiger le Data paper en citant le jeu de données préalablement diffusé.

Points forts et pistes d’amélioration

Quelques enseignements :

Partager les données du Data paper de manière plus précoce dans le projet permet de porter à la connaissance de tous la méthode et les données.

Ajouter la référence bibliographique du Data paper dans les métadonnées du jeu de données sur Data INRAE permet d’enrichir les données de la méthode donnant ainsi des clés de compréhension pour leur ré-usage.

Pour une meilleure découverte des données, veiller à utiliser systématiquement la citation complète qui donne sens à la donnée et non son seul DOI.

Les données publiques Open Data ou données ouvertes, sont des données auxquelles l’accès est totalement public et libre de droit, au même titre que l’exploitation et la réutilisation. Ces données offrent de nombreuses opportunités pour étendre la connaissance et créer de nouveaux produits et services de qualité.

• La Food and Agriculture Organization Corporate Statistical Database (FAOSTAT) est une base de données composée d’un agrégat de bases de données de portée mondiale depuis 1961, disséminée sur 245 pays et qui est mise à jour et maintenue par l’Organisation des Nations unies pour l’alimentation et l’agriculture (FAO).

• data.gouv.fr est la plateforme de diffusion de données publiques (open data) de l’État français alimentée par différentes structures publiques et privées dans la perspective d’une réutilisation des données au-delà de leur utilisation première par leur producteur.

Plus spécifiquement la base de données sur l’optimisation des disponibilités alimentaires est élaborée à partir de la réutilisation de données publiques nationales suivantes :

• Base de données Food Balance Sheets (FBS), de la base de données FAOSTAT, sur les bilans alimentaires nationaux fournie avec son dictionnaire de variables. Elle est diffusée sous licence ouverte CC-BY-NC- SA 3.0 IGO.
• Base de données CIQUAL de l’Anses (Agence nationale de sécurité sanitaire de l’alimentation, de l’environnement et du travail) diffusée sur data.gouv.fr sous licence ouverte Etalab. La donnée CIQUAL (Centre d’information sur la qualité des aliments) est une table de composition nutritionnelle de 2 642 aliments mise à jour régulièrement, mise en ligne gratuitement par l’Anses, utilisée par les médecins nutritionnistes, les diététiciens et les chercheurs en nutrition et santé publique, qui délivre la teneur en calories, protides, lipides, glucides, vitamines et minéraux des aliments.
• Pour quatre aliments, les données de composition nutritionnelle ont été complétées par celles de l’étude Nutrinet-Santé.

Motivation à documenter les données dans une approche FAIR

Les plateformes de données en Open Data offrent une grande variété de données ouvertes, faciles d’accès et téléchargeables dans des formats ouverts pour la réutilisation.

La base de données produite dans ce cas est le résultat de l’appariement méthodologique des deux bases de données publiques et de recherche dont l’approche est notamment discutée dans une publication scientifique chez un éditeur et signalée sur Hal.

Sophie Drogue, Marlène Perignon, Nicole Darmon, Marie-Josephe Amiot. Does a better diet reduce dependence on imports? The case of Tunisia. Agricultural Economics, Wiley, 2020, 51, pp.567-575. ⟨10.1111/agec.12572⟩

La base de données résultat figure dans les matériels complémentaires de l’article. Les données sont stockées et téléchargeables depuis le site de l’éditeur au format Excel.

La base de données n’a fait l’objet d’aucun dépôt dans un entrepôt de données.

Evaluation du contexte FAIR

La FAO avec sa base de données mondiale FAOTSTAT diffusant des données nationales suivant un processus de fiabilité, offre la possibilité de rechercher de nombreux indicateurs dans différents domaines économiques, démographique, productions etc,

L’initiative française data.gouv.fr offre quant à elle un excellent moyen de rechercher des données socle comme les informations de recensement issues de l’INSEE, ou plus thématiques utiles à son domaine.

Ces données sont FAIR : décrites (Facile à trouver), sur une plateforme en ligne (Accessible), disponibles dans un format ouvert, respectant des standards -ex. données standardisées de statistiques nationales- (Interopérable) et sous licence ouverte (Réutilisable) dynamisant leur réutilisation.

Points forts et pistes d’amélioration

Le cas d’étude démontre que la mise à disposition de données publiques ouvertes (open data) dynamise leur réutilisation et favorise de nouvelles approches méthodologique.

Dans cette étude, les données finales sont trouvables et accessibles uniquement par la consultation de la publication sur le site de l’éditeur, ce qui limite considérablement leur visibilité. Pour FAIRiser ces données, la rédaction d’un Data paper constituerait également une piste d’amélioration pour bien les décrire et les rendre visibles sur un entrepôt de données FAIR.

L’usage accordé de quelques données d’une base complémentaire est à  mentionner dans les métadonnées du jeu de données.