1Au centre de la recherche en sciences du langage se trouve la manipulation de corpus langagiers. Les corpus en tant qu’« observatoire » (Auroux, 1998) ou en tant qu’« observé dynamique » (Mayaffre, 2005) sont indispensables en ce qu’ils permettent aux linguistes, soit de confronter leurs théories et modèles à des données attestées, soit de généraliser à partir de leurs observations systématiques des données. Qu’il s’agisse d’une démarche déductive ou inductive (ou corpus-based vs corpus-driven selon Tognini Bonelli, 2001), la nécessité de travailler sur corpus est désormais reconnue en linguistique, et ce bien au-delà du champ de la linguistique orientée sur les usages sociaux qui fut la première à développer une pratique et une réflexion sur la constitution et le traitement de jeux de données langagières.
2Les premières méthodologies de recueil des données orales sont dominées par la prise de notes en direct. L’une des premières enquêtes d’envergure pour la France est l’atlas linguistique de G. Paris, initié en 1888. Il reposait sur un questionnaire sous forme de listes de mots et de phrases, pour lesquels l’enquêteur avait pour tâche d’éliciter les correspondances en patois, qu’il transcrivait sur le champ. Cette méthode, inspirée de la linguistique missionnaire, n’accordait pas de statut particulier aux locuteur·rice·s. La sociolinguistique du xxe siècle reconduit la méthode des relevés ciblés, cette fois-ci en situation d’interaction et à l’insu des témoins (Labov, 1966), qui se trouvent ainsi « manipulés » : l’enquêteur, déguisé, pose des questions factices avec pour seul objectif de faire apparaître, dans la réponse, certaines variables phonétiques. Les premiers jeux de données relatifs à la langue orale étaient donc des données élicitées par les linguistes et accessibles sous forme de consignation écrite. Ce n’est qu’à partir des années 1960-1970 que le travail sur des données écologiques, « recueillies dans le contexte social ordinaire des activités documentées, en-dehors de toute élicitation ou expérimentation » (Bert et al., 2010 : 17-18) prend son essor avec le développement de la sociolinguistique. La documentation des interactions devient alors un enjeu central non seulement pour la linguistique mais aussi pour l’enseignement des langues étrangères nécessitant la mise à disposition des ressources correspondantes (cf. par exemple la méthode de langue élaborée à partir de l’Enquête Sociolinguistique à Orléans menée entre 1968 et 1974).
- 1 Équipe Delic, Sandra Teston-Bonnard, Jean Véronis, « Présentation du Corpus de référence du françai (...)
3Cette évolution est rendue possible par la démocratisation des enregistrements audio et vidéo qui caractérise la seconde moitié du xxe siècle, et plus récemment par l’augmentation des capacités de stockage et de traitements informatiques, qui ont permis le développement de véritables corpus oraux et soulevé la question de la conservation des données. Parmi les initiatives majeures concernant le français parlé, l’on citera tout d’abord le Corpus de Référence du français parlé (CRFP1), Clapi (Corpus de LAngue Parlée en Interaction), ESLO (Enquêtes Sociolinguistiques à Orléans), ou plus récemment CFPP2000 (Corpus de Français Parlé Parisien), Ciel-F (Corpus International Écologique de la Langue Française) et MPF (Multicultural Parisian French), parmi tant d’autres, dont on n’a qu’une vague connaissance lorsqu’ils ne sont pas rendus accessibles sur l’une des plateformes de la recherche publique comme ORTOLANG (Outils et Ressources pour un Traitement Optimisé de la LANGue) ou COCOON (COllections de COrpus Oraux Numériques). La possibilité d’enregistrer la parole et d’archiver des documents audio a également modifié les pratiques en typologie linguistique, en offrant pour l’étude des langues peu ou pas documentées la possibilité de conserver une trace sonore (voire audiovisuelle) non seulement des données primaires mais aussi des échanges avec les informateurs et des pratiques langagières et culturelles des communautés (p. ex. la collection PANGLOSS développée par le LACITO).
4De façon volontairement restrictive, nous limiterons nos considérations à propos des corpus linguistiques aux données collectées dans l’interaction sociale, qui sont des données écologiques, c’est-à-dire, situées et incarnées. Ce choix permet en effet de concentrer notre propos sur le point névralgique du Règlement européen sur la protection des données (RGPD) : la protection de la personne et des données qui la concernent. La section 2 expose les enjeux plus précis de cette problématique au regard des caractéristiques des corpus oraux. Mais, quel que soit le type de corpus linguistique, un questionnement éthique et un encadrement juridique adapté sont désormais nécessaires et conditionnent l’ensemble du processus de recherche en linguistique (section 3). Les spécificités de chacune des étapes constitutives, de la constitution jusqu’à la diffusion des données de recherche, sont explicitées de façon exemplaire dans la section 4, en prenant appui sur les choix faits dans le cadre du projet ESLO. Les outils rendant possibles ces pratiques mais qui ne sont pas sans limites et sans risques, sont abordés dans la section 5.
5Les corpus langagiers véhiculent, selon leur type, leur granularité et leur temporalité, de nombreuses informations hétérogènes et parfois très sensibles à propos de personnes physiques, locuteur·rice·s ou personnes tierces. Nous pointons ici vers quelques caractéristiques principales des corpus oraux et les questions éthiques qu’elles soulèvent, et qui seront reprises dans la partie consacrée au cycle de vie des données.
6La première caractéristique majeure des corpus oraux est la présence de la voix humaine, qui est une donnée personnelle fondamentale intrinsèque, permettant, comme l’image, l’identification de la personne enregistrée. Au contraire des sociologues, qui peuvent rapidement, une fois l’étape de transcription réalisée, se passer des enregistrements sonores, les linguistes ont besoin de conserver les spécificités et la complexité de l’oral (p. ex., prosodie, disfluences, liaisons et enchaînements, etc.). Or la captation audio (et, à plus forte raison, audiovisuelle) de la parole quelle qu’elle soit, doit faire l’objet d’un processus contrôlé pour protéger la personne enregistrée. Plus encore, le développement de l’analyse multimodale des interactions a nécessité la constitution de corpus audiovisuels (CLAPI, COLAje, ou comportant des ressources audiovisuelles : Pangloss), qui démultiplient les risques d’identification et les questions portant sur les droits à l’image et à la voix.
7Pour tous les corpus cités dans la section précédente, dont les enregistrements et transcriptions sont en grande partie rendus disponibles, la diffusion repose sur le consentement des participant·e·s et sur le respect de l’anonymat. Des techniques d’anonymisation des voix et de l’image existent (cf. section « Outils »), mais elles entraînent généralement une perte de caractéristiques prosodiques et/ou mimogestuelles et ne sont pas sans limites (possibilités de réidentification). Dès lors, comment assurer la protection de la personne enregistrée et des informations qui la concernent présentes dans le corpus ?
8Les interactions langagières constitutives des corpus oraux comprennent un grand nombre de données nominatives (noms de personnes, de lieux, de structures, dates, etc.) directement identifiantes. En règle générale, l’anonymisation de ces données nominatives est assurée via leur repérage et l’effacement/brouillage (signal) ou le remplacement par des codes aléatoires. Outre l’identification même de personnes, les énoncés linguistiques peuvent véhiculer des informations sensibles à leur sujet (cf. définition de la CNIL : https://www.cnil.fr/fr/definition/donnee-sensible), portant sur leur état de santé, leurs origines, leurs opinions politiques ou convictions, formulant des propos problématiques, injurieux, diffamatoires, relevant de l’intime ou contrevenant à la loi. Cette problématique dépasse les locuteur·rice·s et inclut toutes les personnes tierces évoquées dans les échanges.
9La mise en correspondance de plusieurs informations accentue considérablement les risques d’identification ou de réidentification et le préjudice potentiel pour les personnes concernées. La problématique de la sensibilité des données doit donc être évaluée au regard du processus de traitement envisagé.
10La documentation d’interactions complètes assortie de leur diffusion comporte le risque réel d’exposer publiquement l’intimité des personnes. Du point de vue opposé, c’est l’étendue de la censure qui est questionnée ici : comment identifier efficacement le caractère « problématique » de certains segments pour les rendre inaccessibles voire les supprimer le cas échéant ? Bref, comment préserver le sens construit par les données tout en assurant la protection des personnes à l’échelle des modalités et de la temporalité de la recherche ?
11Les linguistes travaillent actuellement avec tout type d’interactions, qu’elles soient commerciales, professionnelles ou didactiques, issues des situations de la vie quotidienne ou de contextes d’exception (p. ex. une cérémonie funéraire de la collection Pangloss). Le ou la chercheur·e peut cibler la documentation d’un certain type d’interaction pour en identifier les structures ou les formats caractéristiques.
12Le type d’interaction conditionne non seulement des données spatio-temporelles comme le lieu ou la durée, mais aussi l’engagement des locuteur·rice·s, la nature et la quantité d’informations échangées et de métadonnées à réunir pour la recontextualisation des propos. L’on observe en outre que les interactions présentent une hétérogénéité importante quant aux types d’échanges (p. ex. conversationnels, transactionnels, poétiques), dont les référents (i.e. les données auxquelles renvoient les paroles) et les finalités sont divers.
13L’utilisation de ces discours dans le cadre de la recherche n’autorise pas le ou la chercheur·e de s’affranchir des contraintes posées par les finalités initiales : les propos échangés à table, en famille (p. ex. Repas, dans ESLO), n’ont pas vocation en eux-mêmes à être diffusés au-delà des quatre murs. Lorsque la diffusion de tels corpus est envisagée, une méthodologie spécifique est donc nécessaire.
14Pour le cas de corpus recueillis auprès d’un public enfant comme COLAje, la temporalité de la recherche peut soulever des questions délicates : bon nombre d’enfants d’alors sont les adolescent·e·s d’aujourd’hui, qui voient ainsi leur enfance exposée sur une plateforme en accès libre.
15La collecte dans l’espace public (p. ex. dans une boulangerie ou au marché), qui semble soulever le moins de questions éthiques, pose en revanche le problème d’assurer l’information et le consentement de toutes les personnes enregistrées.
16Enfin, certaines situations d’interactions peuvent porter en elles-mêmes atteinte à la vie privée des personnes. On pense notamment aux situations d’interactions de soin, ou à toutes celles relevant d’un accompagnement psycho-social et qui ne peuvent généralement pas faire l’objet d’une large diffusion suivant l’objectif d’une science ouverte, en dépit des précautions juridiques qui peuvent caractériser la constitution du corpus (cf. le projet REMILAS).
17Si l’on commence aujourd’hui à prendre la mesure de la diversité, de l’hétérogénéité et de la richesse des interactions ordinaires pour les recherches linguistiques, il faut se rendre à l’évidence qu’un corpus écologique est un corpus non contrôlé : contrôler (a priori) ou neutraliser (a posteriori) la sensibilité des interactions et les échanges qui les composent, consisterait à les dénaturer et à impacter fortement l’intérêt qu’ont ces données pour la recherche.
18Conjugué au fait que l’oral est produit le plus souvent en direct, les possibilités de monitoring pour la personne enregistrée sont limitées, ce qui est par ailleurs l’un des avantages de ce type de données : documenter la langue/parole dans une écologie singulière. Cette donne thématise la vulnérabilité non seulement comme catégorie consacrée qui vise la protection des personnes selon leurs caractéristiques inhérentes spécifiques (mineur·e·s ; étranger·e·s ; patient·e·s de corpus issus du soin), mais aussi comme problématique contextuelle, dans laquelle les personnes exposées sont en effet des personnes physiques que les corpus présentent dans leur entièreté, avec leurs compétences et – c’est surtout cela qui pose problème – avec leurs faiblesses et vulnérabilités potentielles. Or l’anonymisation stricte des données, qui pourrait résorber une vulnérabilité délicate à évaluer de façon absolue, diminue substantiellement leur intérêt pour la recherche.
19Le « prélèvement » de données langagières dans leur écologie représente une perte d’information considérable que les linguistes rattrapent par l’établissement d’un ensemble de métadonnées. Certains types d’entre elles viennent caractériser les modalités d’enregistrement des ressources (ex : lieu, date, heure, durée de l’enregistrement, auteur·e, etc.), d’autres sont destinées à contextualiser les situations d’interaction documentées, leur contexte et les caractéristiques des personnes participant aux échanges (genre, âge, catégorie socioprofessionnelle, niveau d’éducation, langues parlées, etc.). Si ces informations sont indispensables pour une analyse située de la parole (voire motivent le contour même de la collection de données), couplées aux données contenues dans les enregistrements et par recoupements, elles augmentent les possibilités de réidentification des locuteur·rice·s. Dans certains contextes, liés à des applications thérapeutiques (recherches sur les troubles de la parole) ou aux interactions de soin en général, ce sont précisément les métadonnées informant sur l’âge, la pathologie, le parcours de soin des locuteur·rice·s qui vont s’avérer très sensibles et nécessiter un encadrement particulier.
20Sauf exception strictement encadrée par la loi (nous y reviendrons dans la section suivante), les informations à caractère sensible ne peuvent être ni exploitées, ni même collectées. Dans le passé, le principal garde-fou face aux risques potentiels était l’échelle « humaine » de la collecte, réalisée en face à face, où la ou le linguiste assumait une responsabilité au moins morale à traiter avec respect la personne informatrice. Par ailleurs, les technologies de captation étaient si rudimentaires que les risques pouvaient être estimés mineurs, limités aux acteurs mal intentionnés. Mais les linguistes ont suivi le mouvement général qui consiste à fonder leurs études sur des jeux de données d’envergure toujours plus grande, d’abord par la démocratisation des technologies d’enregistrement au cours des cinquante dernières années qui a permis le recueil de plus en plus massif de données langagières variées, puis par le développement d’outils d’extraction et de traitement des données de plus en plus performants. L’argument majeur en faveur de la mise à profit de ces développements est le coût élevé que représente le recueil d’un corpus. La possibilité des réutilisations multiples laisse envisager une évolution des recherches, non seulement du point de vue quantitatif, mais aussi par la démultiplication des questionnements qui peuvent désormais être formulés et développés dans une trajectoire temporelle beaucoup plus courte. Or les traitements dont il est question ne sont pas sans risque pour l’identité humaine, la vie privée, et les libertés individuelles garanties par la loi.
21Au vu de l’hétérogénéité de ces données dans les corpus langagiers écologiques que nous avons explicités dans les paragraphes précédents, il est loin d’être simple de délimiter a priori les données sensibles parmi celles qui ne le seraient pas. En réalité, le degré de sensibilité dépend à la fois de l’échelle de diffusion d’une donnée et des possibilités de recouper différentes informations entre elles. Pris sous cet angle, le problème de la protection des données personnelles est, en première instance, celui des méthodologies de recueil et de traitement même qui accompagnent le cycle de recherche dans son entièreté. En corollaire, les garde-fous réglementaires semblent donc constituer des outils de protection bien insuffisants pour guider les auteur·e·s dans l’adoption de bonnes pratiques.
22Les données de corpus sont devenues au fil des décennies un enjeu central en linguistique. Si les pratiques ont beaucoup évolué depuis les premiers travaux, la conception moderne du corpus est directement liée aux informations qui permettent de contextualiser les pratiques documentées, jusqu’à en identifier les locuteur·rice·s et à les exposer en public. En conséquence, la constitution et le traitement de corpus s’articulent désormais avec un versant juridique non négligeable. Si certaines équipes semblent d’ores et déjà avoir mis en place des processus standard, souvent avec l’aide d’experts en droit, d’autres « bricolent » des solutions qui leur paraissent éthiquement les plus acceptables pour leur projet.
23Depuis 2018, le RGPD fixe les droits et les responsabilités liés à la protection des personnes physiques au regard du principe de libre circulation des données stockées sur fichier ou traitées par des procédés informatiques. Le RGPD s’applique au sein de l’espace européen à tous les acteurs et actrices – institutions, entreprises ou associations, personnes physiques ou morales – qui sont conduits à traiter des « information[s] se rapportant à une personne physique identifiée ou identifiable » (RGPD § 4.2), via une autorité de contrôle nationale, la Commission nationale de l’informatique et des libertés (CNIL), dont le rôle est avant tout d’informer, mais qui est souverain à prononcer des sanctions (financières) à l’égard des contrevenants. Suite à l’entrée en vigueur du RGPD, tous les établissements de recherche doivent désigner un·e délégué·e à la protection des données (DPD ou DPO, Data Protection Officer) qui a pour mission d’accompagner les acteurs dans la rédaction d’un plan de gestion des données conforme à la législation. Dans certains établissements supérieurs, il existe des comités d’éthique généralistes qui veillent au cadrage éthique et à la conformité avec la législation des projets de recherche. Enfin, le CNRS s’est doté d’un comité éthique qui a pour vocation de former et d’informer les acteurs et actrices de la recherche (COMETS). Reste qu’aucune instance nationalement reconnue n’est chargée de traiter des spécificités des données linguistiques. Dans d’autres disciplines, les processus de traitement des données de recherche sont formalisés depuis longtemps comme les Comités de Protection des Personnes (CPP), prévus par le Code de la Santé publique (CSP), qui valident les contours du cycle de vie des données relatif à un projet de recherche biomédical.
24L’encadrement de la protection des personnes dans le cadre de la constitution de corpus écologiques repose sur les mêmes principes destinés à garantir le respect de la confidentialité des données : le consentement libre et éclairé de la personne enregistrée, l’anonymisation des données et la sauvegarde sécurisée, dont les principes ont été largement décrits dans différents ouvrages depuis les années 2000 (Baude et al., 2006, Ginouvès et Gras, 2018) et sur lesquels nous revenons dans les parties suivantes. Cependant, le consentement n’est valable que si la personne concernée a été informée au préalable du devenir des données qui lui appartiennent (traitement et diffusion) ; or dans le contexte actuel, l’ensemble de ces opérations n’est pas toujours facile à prévoir. Les utilisations secondaires élargissent de fait le cercle des « exploitant·e·s » et il n’est pas difficile d’imaginer comment le contrôle des données échappe progressivement aux personnes auxquelles elles appartiennent. À ce propos, que faire des corpus recueillis à une époque antérieure, dans un contexte juridique de protection des données personnelles moins formalisé, et à un moment où il n’était ni envisagé ni envisageable techniquement de partager ses données de recherche avec l’ensemble de la communauté, voire au-delà de celle-ci ? Comment encadrer d’un point de vue juridique et éthique l’accès à ces données, d’autant plus précieuses pour la recherche qu’elles ne sont pas reproductibles ? Enfin, les linguistes travaillant bien souvent sur des langues et avec des corpus recueillis à l’étranger, un problème supplémentaire est constitué par des cadrages politico-légaux différents, qui font obstacle à l’application d’un protocole standard unique.
25Le besoin croissant des linguistes à disposer de données langagières en masse ou avec des caractéristiques très spécifiques, contraste avec l’absence de procédures standard permettant un traitement conforme au cadre légal du RGPD et de préserver la richesse des données de recherche. Le cadre légal, technologique et éthique met les chercheur·e·s dans la contradiction permanente d’avoir tout à la fois à protéger les informations liées aux personnes, et à les partager dans l’esprit d’une science ouverte et pose à chaque auteur·e de corpus le problème du meilleur équilibre à trouver pour la conservation et la diffusion dans le respect de la législation et de l’éthique. Chaque moment du processus de constitution amène alors une réflexion circonstanciée : qu’est-ce qu’une donnée personnelle ? Comment déterminer la sensibilité d’une donnée ? Quelles sont les méthodes pour une évaluation adéquate des risques ? Quelles précautions prendre pour respecter les droits des personnes et leurs données ? Quelles sont les caractéristiques des (processus de) traitement(s) ? Comment limiter l’accès aux données de façon juste ?
26Reprendre un corpus existant, en constituer un ou encore mutualiser des corpus, avec la volonté de les rendre disponibles à la communauté demande de suivre un certain nombre d’étapes inhérentes aux recherches linguistiques actuelles. Les contraintes tant juridiques, éthiques que technologiques et la forte incitation à rendre les données de la recherche disponibles poussent aujourd’hui les linguistes à veiller à la protection des personnes et des données à chaque étape.
27En collaboration avec Émilie Jouin (ICAR, UMR5191), un travail de comparaison et de mutualisation de nos pratiques a été mené, dans le cadre des activités du groupe QuECJ (cf. section « Perspectives »), afin de dégager les étapes clés de la constitution d’un corpus et d’identifier les questions éthiques et juridiques qui y sont liées. En résulte un schéma type qu’il reste bien sûr à adapter à chaque type de données. De même, les illustrations fournies ci-après, à partir du corpus ESLO, ne sont pas envisagées comme des modèles mais comme des exemples, fortement liés à un corpus avec ses particularités. Ainsi chaque auteur·e de corpus pourra s’approprier ces étapes pour trouver ses solutions, adaptées à son corpus. C’est dans cette perspective que nous présentons ci-après, regroupées en trois grandes phases, les principales étapes de constitution de corpus.
28Depuis 2018, le Plan National pour la Science Ouverte2 incite les organismes de financement comme l’ANR à demander aux chercheur·e·s de rédiger un Plan de Gestion des Données (PGD ou Data Management Plan — DMP). Ce document doit exposer concrètement les différentes étapes de constitution et de traitement des données afin de répondre aux contraintes de la science ouverte. Le guide pour la recherche de l’InSHS3 précise les tenants de ce document de la façon suivante « Document formalisé qui explicite la manière dont sont obtenues et traitées les données tout au long de leur cycle de vie, de leur collecte à l’archivage » (p. 18). Doivent apparaître le type de traitement des données de recherche à chaque moment du projet, la nature des données recueillies, traitées, la façon dont les données seront rendues disponibles et comment y accéder. Ce document accompagne le projet tout au long de sa durée de vie, et peut être actualisé en fonction des évolutions de ce dernier. Cette obligation à prendre en compte et à expliciter en amont de tout projet le cycle de vie des données afférentes va orienter toutes les étapes de la constitution du corpus.
29Le ou la délégué.e à la protection des données est un·e acteur·rice important·e pour construire un plan de gestion des données respectueux du cadre éthique et juridique qui devra s’assurer que la façon dont les données sont traitées est recensée dans un registre et demeure en adéquation avec les réglementations. Reprenant les recommandations de la CNIL4, le registre de traitement doit permettre d’identifier :
- les parties prenantes qui interviennent dans le traitement des données ;
- les catégories de données traitées ;
- à quoi servent les données, qui y accède et à qui elles sont communiquées ;
- combien de temps les données sont conservées ;
- comment elles sont sécurisées.
30Derrière ces cinq grandes lignes, il y a des questions que les chercheur·e·s doivent se poser et dont les réponses peuvent évoluer au fil du projet ; ces évolutions seront elles-mêmes recensées dans le registre.
- 5 Pour une présentation détaillée des bonnes pratiques à chaque étape cf. Baude et al. (2006).
31Le recueil et le traitement des données impliquent des démarches spécifiques pour la protection des données personnelles5.
32La collecte de données nécessite au préalable un temps de recherche de terrain, de présentation du projet, de négociation éventuelle. Le mode d’approche choisi dépendra beaucoup du terrain et du contexte dans lequel il s’inscrit. Dans une classe, dans une entreprise, chez les participant·e·s, selon la situation, les interlocuteur·rice·s peuvent être plus ou moins nombreux. Ainsi les situations diverses qui caractérisent le corpus ESLO ont nécessité des modes d’approche variés et spécifiques : dans une école, sous forme de micro-trottoir pour demander un itinéraire ou à la sortie d’un cinéma, dans des conférences, etc.
33Quelle que soit la situation, se pose la question de la façon dont les chercheur·e·s présentent le projet mais aussi l’utilisation des données enregistrées et des informations sur les personnes. Il faut être explicite sur les conditions de l’enquête, de l’utilisation et de la vie des données qui seront recueillies, les garanties qui sont offertes en termes de protection des données personnelles, afin que les locuteur·rice·s puissent s’engager de façon éclairée dans le projet. Cette phase peut nécessiter la signature d’une convention entre les différents partenaires et, dans tous les cas, des consentements doivent être recueillis auprès des locuteur·rice·s. On parle de « consentements éclairés » c’est-à-dire qui exposent les traitements et les utilisations prévus des données.
34Notre expérience du corpus ESLO nous permet d’illustrer le recueil de consentement. Le formulaire conçu à cet effet comprend une présentation du projet, une explicitation de la façon dont les données seront traitées et une liste des différents usages qui pourraient en être faits.
Extrait du formulaire de consentement d’ESLO.
35La question du stockage des données, une fois collectées, doit répondre à une garantie de sécurité à la fois pour que les données brutes ne soient accessibles qu’aux personnes autorisées mais aussi pour assurer leur sauvegarde. Cela passe donc par le choix de supports fiables et sécurisés. Il s’agit à ce stade d’assurer un accès sécurisé et restreint aux données qu’elles soient stockées sur des disques durs dans des armoires fortes et/ou sur des plateformes de stockage telles que Sharedocs d’Huma-Num ou MyCoRe du CNRS. Notons cependant que ces plateformes ne préconisent pas le stockage de données sensibles.
36Parmi les phases de traitement, soulignons celle de l’anonymisation qui revêt une visée éthique et juridique centrale puisqu’il s’agit de garantir la protection de la vie privée des personnes en vue de la diffusion des données. L’anonymisation intervient à la fois sur les données primaires (les enregistrements) et sur les données secondaires (les transcriptions, les métadonnées, les analyses). Les données identifiantes ne sont pas uniquement le nom, l’adresse, le numéro de téléphone, la profession, etc., elles peuvent aussi résulter d’un recoupement d’informations, on parle alors d’identification indirecte. La protection des personnes passe également par le repérage et l’anonymisation de passages dits « sensibles » c’est-à-dire ceux dans lesquels le propos peut porter préjudice à la personne enregistrée ou à une personne/instance tierce dont elle parle. Ces passages peuvent concerner des questions familiales, médicales, juridiques, etc. Autant de précautions qui nécessitent une vérification fine des paroles enregistrées, cela ne pouvant se faire de manière automatique.
37Différents outils et techniques, sur lesquels nous revenons dans la section suivante, sont utilisés pour anonymiser les données et métadonnées. Du côté de la transcription, les pratiques d’anonymisation peuvent varier. Pour ESLO, nous avons fait le choix de remplacer les noms des locuteur·rice·s par des codes aléatoires. Dans la transcription, les tours de parole sont attribués aux codes locuteurs ou à leurs pseudonymes et les noms mentionnés dans le discours sont remplacés par des hyperonymes. Des hyperonymes peuvent aussi être utilisés pour remplacer des noms de lieux, de métiers, etc. afin d’éviter le recoupement d’informations. Enfin lorsque des passages identifiés comme sensibles apparaissent, ils sont intégralement supprimés dans le fichier sonore et dans la transcription par un codage.
38Pour n’aborder la phase de la transcription que par l’angle éthique, et dans la mesure où elle engage souvent des personnes autres que les membres du projet, cette étape nécessite une attention particulière. On confie souvent à des étudiant·e·s cette tâche primordiale qui, à la fois, façonne et donne accès aux données. La transcription se faisant généralement à partir des enregistrements non anonymisés, la signature d’un accord de confidentialité peut s’avérer nécessaire, un accord dans lequel les personnes s’engagent notamment à ne pas divulguer les enregistrements et à les supprimer de leur machine une fois le travail terminé.
39La question du partage des données et, donc, de leur mise à disposition, est transversale à l’ensemble des disciplines scientifiques. Rendue possible par le développement des technologies numériques actuelles, elle révèle des enjeux scientifiques majeurs liés notamment à la reproductibilité des analyses et à la validité des résultats. Les principes FAIR6 ont, à ce titre, été pensés pour guider le partage et la publication des données. Ils ont vu le jour en mars 2016 (Wilkinson et al., 2016) et préconisent quatre valeurs pour les données de la recherche : Findable, Accessible, Interoperable, Re-usable, traduites en français par « Facile à trouver, Accessible, Interopérable et Réutilisable ». Ces principes, qui s’inscrivent résolument dans la Science ouverte, visent une meilleure mutualisation des données et des métadonnées, et donc une facilité d’accès et d’interrogation des corpus. Les données et les métadonnées alimentent alors un patrimoine commun grâce aux licences Creative Commons et l’utilisation de langage formel tel que le format TEI (Text Encoding Initiative) respectant la norme TEI/ISO pour ISO 24624 :2016.
40Le partage des données doit par ailleurs se faire dans le respect des personnes et nécessite donc des précautions qui auront été prises dès le début, recensées dans le registre de traitement, guidant la négociation du terrain, la collecte et le traitement des données.
41Les projets et les laboratoires peuvent rendre disponibles leurs données via des applications ou des sites propres. En France, deux infrastructures sécurisées et complémentaires, permettent d’accueillir des corpus pour le partage et la diffusion : Ortolang et Cocoon. Dans Ortolang, les linguistes déposent une version de leur corpus, à laquelle sont associées des informations décrivant le corpus. Chaque version du corpus portera un identifiant pérenne. L’une des conditions de dépôt dans Ortolang est que le corpus soit accessible et que son utilisation soit libre dans le cadre de la recherche scientifique, dans la mesure où les données ont fait l’objet d’un cadrage juridique et éthique en amont. Il y a toutefois la possibilité de « mettre en quarantaine » son corpus si l’on souhaite, pendant un temps défini, limiter son accès aux seuls contributeurs, pour des raisons juridiques par exemple. Cocoon est une plateforme qui permet de structurer et d’archiver des corpus. Les corpus ainsi catalogués peuvent être téléchargés, ou bien interrogés directement sur la plateforme à travers quelques outils.
42Un volet du partage des données en sciences du langage est celui de la mutualisation des corpus pour répondre au besoin de disposer de données langagières en masse ou de rassembler des données jouissant de caractéristiques très spécifiques, difficiles à reproduire (p. ex. corpus de langues rares, interactions issues du soin). La mutualisation permet ainsi un gain au niveau du coût de la collecte et du traitement même si, dans tous les cas, il peut être nécessaire de revenir vers les locuteur·rice·s pour recueillir de nouveaux consentements relatifs à ces nouvelles utilisations, à l’exclusion de certains corpus, constitués il y a plusieurs décennies et/ou à l’étranger.
43Enfin, l’archivage des données soulève des questions juridiques. Intégrer ses données dans un processus d’archivage va permettre aux chercheur·e·s de les conserver et de pouvoir les traiter au-delà du temps de la recherche. Or, comme le souligne le Guide pour la recherche InSHS, « les traitements de données à caractère personnel doivent avoir une durée déterminée dans le temps, liée à la réalisation de la finalité pour laquelle elles ont été collectées. Le RGPD indique que cette durée de conservation des données soit fixée au “strict minimum”, à l’issue de quoi les données doivent normalement être archivées conformément à la réglementation en matière d’archives publiques ».
44L’étape ultime de l’archivage est l’archivage pérenne ou définitif, qui ne peut être réalisé que par des services proposés par le CINES ou Huma-Num. Lorsque les données s’inscrivent dans ce type d’archivage, si elles contiennent des informations à caractère personnel, elles peuvent être consultées « dans le respect des règles générales liées à la communication des archives déterminées par le Code du Patrimoine (délais de communicabilité, dérogations possibles pour des usages de recherche, etc.). » (Guide pour la recherche InSHS).
45Des premières étapes du plan de gestion des données jusqu’à l’archivage et la publication des données et des résultats des recherches, le chemin que parcourent les données est long et demande de se familiariser avec toutes ces étapes, de comprendre aussi les enjeux de chacune d’elles ainsi que la façon dont elles sont imbriquées. La présentation que nous en avons faite ici, illustrée par les choix opérés dans le cadre du corpus ESLO, est très synthétique et nous renvoyons au Guide pour la recherche de l’InSHS (2019) qui les précise de façon détaillée.
46Tant qu’un·e chercheur·e travaille seul·e sur son corpus, le stockage sécurisé des données peut être assuré par l’installation sur son ordinateur d’un logiciel de cryptage (tel que Veracrypt, recommandé par la CNIL7), qui permet de sauvegarder des données dans des répertoires chiffrés. Mais dans le contexte actuel de la recherche en linguistique, il est difficile d’imaginer que l’utilisation d’un corpus soit strictement individuelle. Or le travail en équipe ou en collaboration avec d’autres laboratoires repose sur un stockage des données sur serveur, qui rend possibles le partage et l’analyse des données. Le ou la premier·e interlocuteur·rice de tout auteur de corpus linguistique est alors le ou la Responsable de la sécurité des systèmes d’informations (RSSI) de l’établissement (ou du laboratoire), dont l’une des missions consiste à sensibiliser les utilisateur·rice·s à la sécurité des données, et à les informer des ressources pour un traitement sécurisé. Car au-delà du stockage, le traitement des données de la recherche par certains outils peut offrir des garanties, ou comporter des risques pour d’autres.
- 8 TeiCorpo est un logiciel développé en langage Java par Myriam Majdoub et Christophe Parisse disponi (...)
47L’analyse linguistique de l’oral repose le plus souvent sur la stabilisation d’une trace écrite. Cette transcription est effectuée le plus souvent manuellement avec l’aide d’outils qui offrent une interface visualisant le lien entre texte (i.e. annotations) et signal. Les outils actuels comme Elan, Clan, Praat, Sonal, Anvil sont pour la plupart interopérables grâce à l’utilisation d’un format pivot en TEI. Le logiciel Teicorpo8, améliore l’interopérabilité de ces outils en rendant possibles les conversions entre différents formats. Les outils peuvent être installés en local de manière à ce que les données manipulées soient hébergées uniquement sur l’ordinateur du transcripteur. Mais comme la transcription reste un travail long et coûteux, de nouveaux logiciels, dédiés à la transcription automatique, sont actuellement développés pour soutenir le travail des transcripteur·rice·s sans le remplacer. Tancoigne et al. (2020) comparent huit outils (entre autres Volcamatic, Sonix, Headliner, Youtube), tous en ligne, qui stockent les données des utilisateurs (enregistrements et transcriptions) sur des serveurs externes. L’étude révèle que les informations relatives au stockage des données et à leur possible réutilisation ne sont pas toujours disponibles (pour 5 outils sur les 8 testés). On apprend en outre que les données sont hébergées sur des serveurs d’Amazon, de Google ou encore de Microsoft, situés en Europe ou en Amérique du Nord et sans possibilité d’en connaître le devenir. De ce fait, Tancoigne et al. ne recommandent pas l’utilisation de ces outils pour des enregistrements contenant des données personnelles et/ou sensibles, même si leur utilisation permet de réduire de façon substantielle le coût d’une transcription. La perspective d’utilisation d’outils en ligne doit être soumise en effet à un questionnement relatif aux propriétaires des logiciels, aux conditions de stockage des données déposées en ligne et aux réutilisations possibles des données.
- 9 Laboratoire parole et langage – UMR 7309 (LPL) (2010). Anonymisation de fichiers sonores [Outil]. O (...)
48Comme indiqué dans la section précédente (paragraphe « Recueil des données et traitement ») le processus de traitement des données orales, sonores et transcrites, doit être accompagné d’une réflexion relative aux modalités d’anonymisation des données, condition nécessaire pour le partage. Concernant les données sonores, le traitement habituel consiste à intervenir sur le signal localement ou de façon générale. La technique de changement de fréquence (appelée aussi pitch) visant à empêcher l’identification des locuteur·rice·s par leur voix, n’est irréversible, et donc sûre, que si la modification comporte une variation du différentiel des fréquences. La possibilité de masquer localement des informations sensibles repose sur l’annotation (généralement manuelle) des séquences sonores correspondantes, qui peuvent ensuite être brouillées par des bips, en exécutant un module, comme le script de Praat développé par Daniel Hirst9. Cette technique permet de conserver certaines caractéristiques de la parole utiles pour l’analyse, comme la prosodie, mais représente un niveau d’anonymisation moins élevé que la méthode du changement de fréquence. Un logiciel comme Audacity permet de modifier la hauteur des fréquences ou le bipage de segments sonores identifiés. Il a par exemple été utilisé pour le corpus TCOF dans lequel les données personnelles ont été remplacées par des bips. Ces outils s’utilisent en local et ne sont donc pas vulnérables du point de vue éthique et juridique.
49Les travaux concernant l’anonymisation textuelle automatique avec apprentissage ont porté principalement sur des corpus de documents médicaux écrits (pour le français, les travaux de Grouin et Névéol, 2014 et Gaudet-Blavignac et al., 2018). L’anonymisation automatique des transcriptions a beaucoup moins été étudiée que celle des corpus écrits (une exception est Eshkol et al., 2012). Les différents travaux se concentrent sur les données identifiantes comme les noms, adresses, etc. or des informations personnelles telles une pathologie rare ou une condamnation en justice mentionnées dans les propos peuvent être identifiantes. Celles-ci ne seront donc pas reconnues par les outils automatiques, qui n’ont jusque-là été éprouvés que sur des documents textuels, et non sur des transcriptions. Mais avant d’imaginer son identification automatique, la problématique est celle-là même de la définition des données sensibles : comment faire lorsqu’un tour de parole complet porte atteinte à la personne (Cance et al., 2019) ? Amblard et al. (2014) ont travaillé sur l’analyse lexicale de la parole de patients schizophrènes. La préparation du corpus comportait une phase de désidentification classique (remplacement des entités nommées par des marqueurs neutres), puis, pour renforcer l’anonymisation, les tours de parole du corpus ont été mélangés. Ce brouillage séquentiel rend quasi impossible la reconstruction de l’histoire ou la récupération de certaines informations, temporelles par exemple. Or si cette technique permet de résoudre bon nombre de problèmes d’anonymisation dans ce cas précis, elle limite considérablement les possibilités d’analyse ou de réutilisation du corpus. Si une protection optimale des données personnelles et qui ne porterait pas atteinte à la qualité du corpus reste à développer, l’anonymisation manuelle via les outils de transcription semble actuellement le procédé le plus adapté pour l’utilisation et la diffusion futures des données, malgré le coût important qu’elle représente.
- 10 Eshkol et al. (2012) appelle entités dénommantes des entités qui font référence à des éléments pers (...)
- 11 Proportion des occurrences identifiées qui sont effectivement des entités nommées.
- 12 Proportion d’entités nommées identifiées parmi les entités nommées à identifier.
- 13 Les performances de leur système pour la reconnaissance des entités dénommantes est de 94,2 % de pr (...)
50Nous allons voir dans cette partie la problématique de la fiabilité des traitements et donc des risques à considérer lors de leur utilisation. Le système de reconnaissance d’entités nommées et dénommantes10 utilisé par Maurel et al. (2009) sur le corpus oral ESLO obtient une précision11 de 91,1 % et un rappel12 de 87,5 % pour la reconnaissance des entités nommées13 dans les transcriptions utilisées pour l’évaluation. Le taux de rappel – qui est un bon résultat pour cette tâche sur un corpus oral – montre les limites d’un système automatique, qui n’identifie pas les 12,5 % des entités, ce qui peut être suffisant pour permettre une réidentification des locuteur·rice·s et impose une validation manuelle des éléments annotés (Maurel et al., 2009). Les noms des patient·e·s sont généralement les mieux identifiés (rappel de 99 % obtenu par le système de Gaudet-Blavignac et al. [2018]), loin devant les noms de lieux ou des d’hôpitaux (rappel de 79 %). Grouin et Névéol (2014) proposent de considérer l’identification automatique des entités comme une préannotation, qui doit ensuite être contrôlée par un·e humain·e. Celle ou celui-ci sera focalisé·e sur la correction des entités détectées par le système, ce qui permettra de fait une amélioration de la précision, mais pas du rappel. Or la protection des personnes et de leurs données personnelles requiert un rappel de 100 %, ce qui nécessite un travail manuel parfois conséquent, en dépit des performances excellentes des systèmes de reconnaissance des entités nommées. Qui plus est, ces performances peuvent varier considérablement selon le type de données, ce qui encourage à leur évaluation au cas par cas et à prévoir une phase de vérification manuelle.
51Le développement d’outils de traitement automatique des langues, tels que les outils d’anonymisation, d’extraction d’information, de classification automatique, de reconnaissance de la parole, etc., repose sur la disponibilité de gros volumes de données annotées, qui servent à l’entraînement des modèles de généralisation, intégrant une partie de la variabilité des langues naturelles (registres, accents, domaines, etc.). Tancoigne et al. (2020) font remarquer que la mention dans les conditions générales d’utilisation (CGU) des outils consacrés à la réutilisation des enregistrements et transcriptions ne donne bien souvent pas d’autres détails que la finalité d’amélioration des performances des systèmes en question. Il est donc indiqué de vérifier au préalable de toute utilisation d’outils informatiques offrant l’espoir de simplifier le traitement des corpus en linguistique (notamment pour la transcription et l’anonymisation) : est-il indiqué dans les CGU du logiciel utilisé que les données (enregistrements, transcriptions, annotations) peuvent être utilisées ? Dans le cas d’une licence permissive, quels sont les risques si le corpus est réutilisé ?
52Dans un contexte de science ouverte, les risques éthiques liés aux traitements réalisables sur les corpus sont d’autant plus élevés qu’il n’est pas possible de prévoir à l’instant T toutes les réutilisations qui seront faites des données à T+1 et donc d’énumérer ces utilisations dans les formulaires de consentement. Une protection efficiente des données personnelles repose sur l’élaboration d’une définition graduelle de la sensibilité des données, qui pourrait non seulement constituer la base de leur reconnaissance automatique, mais aussi déterminer le niveau de partage possible de ces données, ainsi que le niveau de traitements d’anonymisation à effectuer en amont.
53Le premier constat, que les corpus oraux sont désormais indispensables pour la recherche linguistique, est relayé par un second, que les types de données sont de plus en plus diverses et que leur traitement en masse est désormais plutôt la règle que l’exception. La constitution des corpus en données d’étude restant coûteuse, la mutualisation des données, i.e. leur mise à disposition pour la communauté, est devenue un enjeu majeur. Face à un cadrage légal de plus en plus strict (celui du RGPD notamment), se pose le problème de la protection des locuteur·rice·s, non seulement comme ayant droits « naturels » des paroles documentées, mais aussi par le contenu informationnel véhiculé à leur propos. Cette question est à la fois transversale et appelle des réponses différenciées, en fonction de la sensibilité des données recueillies. Les chercheur·e·s font de véritables choix à chacune des étapes de la constitution d’un corpus, qui impliquent la sécurité du stockage des données, le recours à des outils de traitement en ligne ou encore des outils d’anonymisation automatique des données. Il semble donc raisonnable de peser les contraintes éthiques et juridiques dès le début du processus de traitement, afin de garantir une protection optimale des données personnelles.
54Face à ces défis, le consortium CORpus, Langues et Interactions (CorLI) de la TGIR HumaNum se propose d’accompagner l’évolution des pratiques relatives au traitement des données de la communauté des linguistes. Ce consortium, labellisé en 2016 par HumaNum, est structuré en réseau et comprend environ 200 membres représentant une vingtaine de laboratoires de linguistique français. L’objectif premier est de favoriser le partage de méthodes, techniques et données entre membres et d’encourager le développement et l’utilisation de standards et d’outils pérennes pour le travail sur corpus. Au niveau international, CORLI participe à l’infrastructure de recherche européenne CLARIN. Dans ce cadre, il a été reconnu en 2020 centre K CLARIN (Knowledge Center)14.
55CORLI est organisé en différents groupes de travail (ex : Interopérabilité / Pratique et outils d’exploration de corpus, Multimodalités et nouvelles formes de communication, Annotation) qui ont pour vocation d’animer le réseau et de mettre à disposition de ses membres et de l’ensemble de la communauté de linguistes des ressources ou d’organiser des actions de formation.
- 15 Le focus de CorLI (et de QuECJ) porte bien sur les données linguistiques dans leur ensemble ; mais (...)
- 16 Via notamment la création et l’animation d’une liste de diffusion : quecj-corli@groupes.renater.fr.
56Dans le but d’accompagner la communauté linguistique à mieux appréhender la complexité de la problématique de protection des données personnelles, CorLI a suscité en 2019 la création d’un groupe de travail transversal « Questions éthiques et cadre juridique » (QuECJ — « que sais-je »). Cette initiative fait suite au groupe antérieur de l’IRCOM « Questions juridiques et éthiques, droits des personnes et des producteurs de corpus ». Le groupe QuECJ a pour vocation d’accompagner la communauté dans sa réflexion sur les pratiques optimales permettant un traitement (plus) adéquat des données d’un point de vue éthique et juridique et ainsi de faciliter les recherches sur corpus dans le contexte légal et sociétal actuel15. La volonté de contribuer à développer et à faire connaître des procédures de traitement normalisées via QuECJ constitue pour CorLI une manière d’affirmer le principe de partage des données de recherche. QuECJ entend assumer, comme les autres groupes du consortium CorLI, un rôle de transmetteur d’information16 et de formation aux pratiques éthiques et juridiques auprès de la communauté des sciences du langage. La promotion de procédures de traitement exigeantes à cet égard semble d’autant plus cruciale que les projets soumis aux instances pourvoyeuses de fonds (p. ex. l’ANR) doivent désormais justifier leur démarche à ce sujet, notamment via l’établissement d’un plan de gestion de données. La mission de QuECJ s’exerce dans un esprit de collaboration avec les instances des établissements et les services transversaux, et le CNRS en particulier. Le caractère souvent interdisciplinaire des recherches en sciences du langage invite en outre à s’inspirer et à se coordonner avec les initiatives émanant du réseau en sciences humaines et sociales. On pense ici notamment au groupe de travail « Éthique et droit » composé de chercheur·e·s, juristes et professionnel·les de la documentation qui anime depuis 2011 un carnet de recherche sur la plateforme hypothèses.org et qui a publié récemment un guide des bonnes pratiques éthiques et juridiques (Ginouvès et Gras, 2018).
57La soumission de projets de recherche comprend de plus en plus souvent la nomination d’un·e référent·e éthique extérieur·e au projet, elle est même de rigueur pour les projets européens. En l’absence de procédures standard telles qu’elles existent dans d’autres disciplines, la constitution d’un réseau d’expert·e·s référent·e·s éthiques spécifique aux sciences du langage semble représenter une perspective à moyen terme. Il s’agit pour cela d’aiguiller les linguistes vers les interlocuteur·rice·s les plus à même d’éclairer leurs choix à chaque étape et donc de coordonner, en particulier, les auteur·e·s de corpus et leurs établissements d’appartenance d’une part, et les instances nationales et supranationales qui contribuent au financement de la recherche publique d’autre part. Soutenir l’évolution des pratiques des producteur·rice·s et utilisateur·rice·s de corpus oraux consiste à identifier, tout d’abord, leurs besoins en matière d’outils facilitateurs. L’urgence des questionnements articulés par la communauté révèle, en particulier, des besoins de formation importants. Le groupe travaille également à la caractérisation d’un parcours-type, destiné à faciliter la rédaction d’un plan de gestion des données et la programmation des différentes étapes du processus. La section « Des questions éthiques et juridiques à chaque étape de la constitution de corpus » a présenté la première ébauche de ce parcours-type.
58Plus que d’offrir des solutions toutes faites, l’objectif est ici de flécher les questions incontournables en indiquant le moment opportun pour y répondre. La mutualisation des données de recherche par la diffusion des corpus doit être réfléchie en fonction des données collectées, qui peuvent être très variées ; une « boîte à outils » sur la base d’expériences abouties est à l’étude pour aiguiller les choix des chercheur·e·s dans la constitution de corpus et dans la prise en main de corpus anciens. Pour faire justice au caractère sensible de certaines données, on pourra également s’inspirer des systèmes d’archivage développés dans d’autres domaines des sciences humaines et sociales, qui allient une procédure d’anonymisation différentielle en fonction des types de données, d’accès et de traitements (Weber, 2017). En lien avec les institutions de rattachement, il s’agit de promouvoir la réflexion sur les pratiques éthiques et conformes au cadre juridique de rigueur, en coordonnant plus particulièrement la communication autour des pratiques en sciences du langage. En effet, les risques liés à la diffusion des données langagières et linguistiques semblent insuffisamment appréhendés par ces instances.