Conférence "Les médiations socio-techniques de l’observation en ligne. Analyse réflexive et comparative de deux projets de collecte de traces d’utilisateurs de réseaux sociaux et de mondes virtuels", donnée dans le cadre du colloque d’automne de l'association pour la recherche qualitative (ARQ) – 28 octobre 2016

1. Les média*ons socio-techniques de l’observa*on en ligne.
Analyse réflexive et compara*ve de deux projets de collecte de
traces d’u*lisateurs de réseaux sociaux et de mondes virtuels.
Jean-François Lucas
Ecole Polytechnique Fédérale de Lausanne (EPFL)
Social Media Lab, Vice-Présidence pour l’Innova:on et la Valorisa:on (VPIV)
Ins:tut des Digital Humani:es (IDH), Collège des Humanités (CDH)
Colloque d’automne ARQ – 28 octobre 2016

2. L’ethnographie en ligne : automatisation, traces et Big
Data
• Automa:sa:on des méthodes d’observa:on en ligne pour récupérer des
informa:ons rela:ves aux :
– Profils : « qui » sont les personnes ?
– Contenus : « que disent-elles » et que « pensent-elles » ?
– Pra:ques et des usages : « que font-elles et comment » ?
• Plus qu’une simple automa:sa:on, un changement de paradigme : le BIG
DATA (volume, vélocité, variété)
• De nouvelles manières d’appréhender et de saisir les phénomènes.
2
« Nous n'avons plus à choisir entre la taille des données et leur
profondeur » (Manovich, 2012, p. 466).

3. La mécanique de l’automatisation passée sous silence
• Les données ne jamais brutes, elles ne parlent pas d’elles-mêmes (Bowker,
2005, p.184 ; Gitelman, 2013).
• Plusieurs hypothèses :
– L’ « effet de séduc:on » de ces données (Jouet), la « fascina:on de la
logique quan:ta:viste » (Bruns, Bourdeloie), des poli:ques de la
recherche et et de son financement (Vinck, 2015).
– La « pudeur » du chercheur à dévoiler sa recehe (Jean-Marc Lévy-
Leblond).
– Le manque d’exigence des revues scien:fiques et de la poli:que de la
recherche. 3
« tout se passe comme si entre les données et leurs effets, une ligne directe,
immédiate et automa:que conduisait des data aux résultats » (Bastard and
al., 2013).

4. Des données aux obtenues
• Objec&fs : Analyser la « fabrique de la donnée » (Bastard and al., 2013) pour
comprendre le passage des données aux « obtenues » (Latour) dans le cas de
l’observa:on en ligne.
– Ouvrir les boîtes noires.
– Assumer le bricolage, l’ar:sanat méthodologique, de l’observa:on en
ligne, qui est nécessaire pour adapter sa méthode à l’objet de recherche
(Kozinets).
– Discuter de l’intérêt épistémologique de ce nouveau type de données
dans le cadre d’une recherche mobilisant des méthodes qualita:ves.
• Terrain : 2 projets avec un focus sur les étapes, processus et procédures qui
permehent de récupérer les données, de les nehoyer, de les stocker, de les
classer.
4

5. Quelques médiations socio-techniques de la fabrique de
la donnée
• S’intéresser aux actes de produc:on de la donnée, dans lesquels des actants
humains et non humains sont engagés
Ø ici les « étapes » du processus « a priori technique » de collecte des données
lors de l’observa:on en ligne (média:ons / médiateurs).
• Les étapes sont comprises comme des « actes » d’inscrip:on et de traduc:on
faisant par:e d’un « disposi:f » plud global de fabrica:on de la donnée.
• Différents niveaux d’analyse : sourcing, harves:ng, stockage, nehoyage,
visualisa:on / chaque étape pourrait faire l’analyse fine des actants.
Posture / limite : Cadrage spa:o-temporel limité = exclusion des enjeux poli:ques/
économiques/stratégiques.
5

6. Deux projets : le projet « Magic Ring » et un recueil de
millions de tweets
• Projet Magic Ring : récupérer les traces d’ac:vités des avatars dans Second
Life (Lucas, 2013).
– Une étude des spa:alités.
– Des données quali-quan:ta:ves.
• Projet TwiKer : récupérer des « expressions » sur Twiher.
– Topic detec5on sur la mobilité chez les jeunes.
– Des expressions et seulement des « expressions ».
– Le « deuil de la représenta:vité » (Boullier, Lohard, 2012).
6

7. Les étapes de récupération des données
Le sourcing
7

8. Les étapes de récupération des données
Le harvesting
8

9. Les étapes de récupération des données
Ressources
9

10. Les étapes de récupération des données
Le nettoyage
10

11. Les étapes de récupération des données
La visualisation
11

12. Autonomie et délégation
• Magic Ring :
– L’autonomie du chercheur en SHS… les computer scien5sts à la rescousse !
– La maîtrise du processus vs inves:ssement conséquent
• Projet Twi6er :
– La déléga:on du développement technique aux computer scien:sts.
– Une boîte noire vs un gain de temps, de robustesse et d’efficacité (supposée).
12
« Alors que les computer scien5sts développent des ou:ls puissants pour
l’analyse automa:que des Big Data, ils manquent souvent de cadres
théoriques pour extraire le sens des données analysées, quand les
chercheurs en sciences sociales (les « cultural sociologists » dans son cas)
produisent des cadres théoriques sophis:qués, mais n’ont pas les
compétences requises pour les explorer autrement qu’à un niveau micro,
c’est-à-dire qualita:f » (Bail, 2014).

13. Un travail d’articulation
• Des opéra*ons de coordina*on afin de faire converger des points de vues
différents, issus de chercheurs de domaines et de disciplines variés, qui
nécessitent de :
– combiner des savoirs et des compétences et négocier au mieux avec les
différentes « posi:ons de savoir » (Darré, 1999; Morrissehe & Desgagné,
2009).
– s’accorder sur des éléments de langage et une vision convergente (Star &
Griesemer, 1989).
– dialoguer et mul:plier les itéra:ons et boucles d’interac:on.
• La donnée comme « porte-parole » (Akrich, Callon, Latour) : c’est par elle,
par son sens, que les décisions et les ac:ons sont légi:mées
13

14. Conclusion : des nouvelles manières de
• Lire et et décrire des phénomènes observés
Ø les données quan:ta:ves de l’observa:on en ligne pour alimenter
des méthodes qualita:ves (explora:on d’une théma:que pour le
chercheur, auto-confronta:on lors d’entre:en, etc.)
• Faire
Ø le besoin d’expliciter
Ø collabora:on, compétences et « profils intermédiaires »
Ø Publier : open access, valida:on et reproduc:on des résultats
14