Cet article est rédigé par Tim Hill, Data Standards et Technical Lead à l'Open Data Institute

Au cours des deux dernières décennies, il y a eu une explosion du nombre de mouvements appelant à «l'ouverture»: publication en libre accès ; logiciel open source ; données ouvertes ; science ouverte . Et souvent, ceux-ci sont liés à de puissantes revendications morales concernant, par exemple, l'accès du public à la recherche financée par des fonds publics.

Cependant, pour les fonctionnaires - en particulier ceux qui travaillent sur de grands projets numériques - l' ouverture peut être non seulement un idéal éthique, mais aussi une nécessité opérationnelle. Si les différentes initiatives énumérées ci-dessus ont chacune leur propre objectif, une chose qu'elles ont en commun est le souci de préserver la transparence dans des domaines complexes.

Les approches ouvertes deviennent donc importantes pour les fonctionnaires car, là où les outils algorithmiques deviennent suffisamment avancés - comme dans le cas des modèles de simulation - la transparence est souvent le seul moyen de garantir la responsabilité. Sans lui, les algorithmes et la recherche avancée peuvent devenir de simples boîtes noires: insondables et donc, dans la sphère publique, inutilisables.

À tout le moins, là où la recherche et les projets numériques ne sont pas ouverts dès le départ, le temps passé à les ouvrir à des tiers peut entraîner de sérieux retards et des frais généraux plus tard. Le cas récent de la modélisation Covid-19 de la MRC dont il est question dans la première partie en est un excellent exemple, tout comme la controverse sur les modèles climatiques GISTEMP .

Il est à noter que l'ouverture impose toujours au moins quelques frais généraux

Dans la mesure du possible, l'ouverture doit être «intégrée» le plus tôt possible. Dans un monde idéal, tous les résultats de la recherche sur lesquels s'appuie un projet devraient être illimités (accès libre); les données à l'appui de ces extrants devraient être librement disponibles (données ouvertes), tout comme les processus suivis pour les dériver (science ouverte); et tout logiciel utilisé pour la collecte et / ou le traitement de données est publiquement visible, testable et modifiable (open source).

Le spectre de 'ouvert'

Bien entendu, cet idéal n'est pas toujours réalisable. Certains domaines - défense, renseignement - sont nécessairement «fermés» par défaut. Le plus souvent, certains aspects d'un projet nécessitent un accès restreint, tandis que d'autres peuvent être ouverts. Tout projet impliquant des données personnelles devra impliquer une réflexion approfondie sur des questions telles que l' anonymisation et le droit à la vie privée lors de la détermination du degré d'ouverture approprié pour son travail. En règle générale, l'ouverture n'est pas une décision de l'un ou de l'autre qui peut être appliquée à tous les niveaux. L'Open Data Institute a développé un Data Spectrum pour aider les organisations à travailler sur le partage de données, les licences ouvertes et d'autres problèmes sur leur chemin vers une plus grande transparence.

De plus, il convient de noter que l'ouverture impose toujours au moins quelques frais généraux. Là où le travail est encore à un stade préliminaire - analyse exploratoire des données ou itération expérimentale rapide, par exemple - il est logique de ne pas l'ouvrir jusqu'à ce que l'effort soit un peu plus mature et puisse servir de base à d'autres activités.

Ouvrir votre projet

En supposant cependant que vous ayez pris la décision d'utiliser des approches ouvertes dans votre projet, que faire ensuite?

Premièrement, si vous utilisez du code ou des recherches initialement développées dans un cadre universitaire, il y a de fortes chances qu'elles soient déjà ouvertes. Les conseils de recherche ont de plus en plus fait de l'ouverture un critère dans les décisions de financement au cours des dernières années. En travaillant avec l'université ou le laboratoire derrière la recherche, vous devriez être en mesure d'avoir une bonne idée de l'ouverture de leur travail - et des raisons pour lesquelles ils pourraient ne pas être aussi ouverts que prévu.

Deuxièmement, essayez de vous poser quelques questions de base sur votre projet et le travail que vous entreprenez:

  • Quel pourcentage des résultats de recherche publiés sont disponibles gratuitement et lesquels se trouvent derrière un paywall?

  • Est-il facile de trouver et d'utiliser les données sur lesquelles cette recherche est basée? Est-il disponible dans un référentiel institutionnel, en tant que service payant, ou est-il simplement en possession des chercheurs?

  • Dans quelle mesure serait-il facile pour une autre équipe de chercheurs de reproduire les résultats de la recherche, compte tenu uniquement des informations accessibles au public?

  • Un code utilisé est-il disponible dans un référentiel public sur une plate-forme open source telle que Bitbucket ou GitHub ? Sinon, pourquoi pas?

Poser ces questions dès le départ peut vous aider à éviter les mauvaises surprises par la suite et à renforcer la confiance dans les systèmes de plus en plus complexes que nous utilisons pour résoudre nos problèmes les plus urgents aujourd'hui, de Covid-19 au changement climatique. - Tim Hill

Nous voulons savoir ce que vous pensez de cet article. Envoyez-nous un article ou envoyez vos commentaires à hello@apolitical.co

(Crédit photo: UnSplash)

N'oubliez pas de partager vos propres réflexions avec l'auteur en laissant un commentaire ci-dessous