Cette contribution s’appuie sur une série de réflexions présentées lors d’une masterclass organisée dans le cadre du master DNHD (Documents Numériques et Humanités Digitales) à Bordeaux. Elle mobilise l’expérience du développement de My Web Intelligence, plateforme d’analyse de controverses numériques, pour interroger les mutations en cours dans les pratiques de recherche en sciences humaines et sociales.
Amar LAKEL
Laboratoire MICA, Université Bordeaux Montaigne
Il y a quelque chose de profondément paradoxal dans la situation actuelle des sciences humaines et sociales. Alors que nous disposons d’un accès sans précédent aux données, aux corpus, aux outils d’analyse, nous nous trouvons pris dans un étau bureaucratique qui menace la recherche exploratoire elle-même. Cette contribution propose de documenter cette tension à partir d’une expérience de terrain : le développement d’une plateforme d’analyse des controverses numériques, My Web Intelligence, dans un contexte institutionnel en pleine recomposition.
Ce que je souhaite partager ici dépasse la simple description technique d’un projet. Il s’agit plutôt d’interroger les conditions mêmes de possibilité de la recherche en études digitales aujourd’hui, et de proposer des pistes alternatives inspirées d’une culture qui nous est a priori étrangère : celle du hacker et du logiciel libre.
Le plan que je vous propose :
- Comprendre d’où nous venons : la transformation managériale de l’université
- Explorer ce qui émerge : de nouvelles cultures de recherche
- Imaginer où nous pourrions aller : une autre économie de la connaissance
I. Le cauchemar d’Humboldt : quand la bureaucratie capture la recherche
L’université entrepreneuriale ou la fin d’un modèle
Commençons par un constat qui ne surprendra personne dans notre communauté : nous vivons une transformation profonde de l’université européenne. Le processus de Bologne, ce grand projet d’harmonisation lancé il y a plus de vingt ans, a produit des effets bien au-delà de ce qui était initialement annoncé. Derrière le discours de la « circulation des savoirs » et de « l’excellence scientifique », se cache une logique beaucoup plus pragmatique : l’alignement de la recherche sur le modèle entrepreneurial.
Cette transformation se traduit concrètement par trois évolutions majeures. D’abord, une hypercentralisation des dispositifs d’évaluation : tout doit être mesuré, quantifié, comparé. Ensuite, une concentration des financements sur les « grands projets » : fini le temps des explorations solitaires, place aux consortiums et aux plans quinquennaux. Enfin, une injonction permanente à la « valorisation » : la recherche doit produire de la plus-value immédiate, s’inscrire dans l’économie de la connaissance, démontrer son « impact ».
Ce qui me frappe particulièrement, c’est le vocabulaire employé. On parle désormais de « sélection darwinienne » des laboratoires, d' »élimination » des structures « sous-performantes ». Le directeur du CNRS lui-même n’hésite pas à utiliser ces termes. Or, ce darwinisme-là n’a rien de scientifique : c’est du darwinisme social, du spenserisme en fait, cette idéologie du XIXe siècle que Darwin lui-même considérait comme une monstruosité. Nous y reviendrons.
Les sciences humaines et sociales se trouvent particulièrement exposées dans cette reconfiguration. Nos temporalités de recherche, souvent longues et imprévisibles, s’accordent mal avec les logiques de projet et de livrable. Nos formats de production – l’article de fond, la monographie, l’essai critique – peinent à s’insérer dans les grilles d’évaluation standardisées. Résultat : nous sommes en train de vivre ce que j’appelle une « périphérisation » massive de la recherche en SHS. Si les tendances actuelles se confirment, 90% des chercheurs se retrouveront marginalisés, exclus des circuits de financement, réduits à enseigner sans pouvoir vraiment rechercher.
Face aux corpus numériques : le vertige méthodologique
Parallèlement à cette transformation institutionnelle, nous faisons face à un défi d’une autre nature : la transformation radicale de nos objets d’étude à l’ère numérique. Prenons un exemple concret. Lorsque je m’intéresse aux controverses publiques sur le web, je me trouve confronté à des millions de tweets, de commentaires, de micro-traces discursives. Cette « parole infâme » – pour reprendre l’expression de Foucault désignant ces discours ordinaires rendus soudainement visibles – constitue un matériau empirique fascinant mais déroutant.
Comment analyser un tel corpus ? Les méthodes traditionnelles de l’analyse de discours, fondées sur la lecture attentive et l’interprétation qualitative, atteignent rapidement leurs limites. Nous sommes comme cette poule devant un couteau, pour reprendre une expression populaire : démunis face à l’ampleur de la tâche.
Et ce n’est pas tout. Les corpus anciens eux-mêmes se transforment. Les bibliothèques numériques – Isidore, Gallica, et même Amazon – offrent désormais des métadonnées extraordinaires : qui a consulté ce livre ? Quand ? En lien avec quels autres ouvrages ? Imaginez les cartographies que nous pourrions produire sur la circulation des idées, les pratiques de lecture, les réseaux intellectuels. Ces « promesses de signifiance » restent largement inexploitées, faute d’outils adaptés et de compétences suffisamment diffusées.
La démocratisation des algorithmes de machine learning ajoute encore à ce vertige. Ces méthodes sont désormais accessibles à quiconque sait écrire quelques lignes de code Python. Mais justement : combien de chercheurs en sciences de l’information disposent de ces compétences ? Notre formation disciplinaire, héritée des humanités classiques, ne nous y a pas préparés.
Les trois temps des SIC : une discipline en quête de synthèse
Cette situation est d’autant plus complexe que les sciences de l’information et de la communication traversent elles-mêmes une phase d’incertitude épistémologique. Discipline jeune, constituée de « transfuges » venus de la philosophie, de la linguistique, de la littérature, les SIC connaissent aujourd’hui trois temporalités méthodologiques qui coexistent sans vraiment dialoguer.
Il y a d’abord le temps de la grande théorie, celui des cadres interprétatifs généraux sur les sociétés médiatisées. C’est le temps de la critique macroscopique, de la réflexion conceptuelle sur ce que le numérique fait à nos modes d’être ensemble. Cette approche théorico-déductive reste dominante dans notre discipline.
Il y a ensuite le temps de la monographie, celui des études de terrain approfondies. Des chercheurs explorent un dispositif particulier, une plateforme spécifique, un cas local. Ils produisent une connaissance fine, contextualisée, mais difficilement généralisable. C’est le temps de l’ethnographie numérique, de l’analyse de cas.
Émerge enfin un troisième temps, plus récent, que j’appellerais le temps de la science au sens néo-positiviste : la recherche de régularités, de lois structurelles à partir de l’analyse de larges populations. C’est le temps des méthodes quantitatives, des algorithmes, de la modélisation. Un temps qui suppose une autre culture méthodologique, d’autres compétences.
La question qui se pose à nous est celle de l’articulation. Comment tenir ensemble ces trois postures ? Comment être à la fois théoricien critique, ethnographe du numérique, et data scientist ? Les travaux sur les collaborations scientifiques suggèrent qu’il faut accepter cette hybridation, construire des équipes pluridisciplinaires, développer des compétences multiples (Ferligoj et al., 2015; Fontana et al., 2022). Mais nos institutions sont-elles prêtes à reconnaître cette complexité ?
II. L’éthos du hacker : portrait d’une culture alternative
Quatre cultures pour une mutation
Face à ces défis, une question s’impose : comment muter ? Comment acquérir les compétences nécessaires tout en préservant ce qui fait la spécificité et la richesse de notre approche en sciences humaines et sociales ?
Mon expérience du développement de My Web Intelligence m’a progressivement convaincu qu’il fallait s’inspirer d’une culture qui nous est a priori étrangère : celle du hacker et du logiciel libre. Attention, je ne parle pas ici du hacker hollywoodien, figure romantique du pirate informatique. Je parle d’une éthique du travail intellectuel, d’un rapport spécifique à la connaissance et à la collaboration.
Cette culture du hacker repose selon moi sur quatre dimensions complémentaires, que les chercheurs en études digitales gagneraient à s’approprier.
Première dimension : la culture critique du numérique. Celle-ci est déjà largement présente dans notre discipline. Une génération entière de chercheurs a construit une théorie socio-technique du document numérique qui nous permet d’analyser les processus d’émergence, d’interprétation, de mémorisation sans naïveté. Nous savons désormais que le document numérique n’est jamais transparent, qu’il porte en lui les traces de sa fabrication, qu’il s’inscrit dans des dispositifs de pouvoir. C’est un acquis fondamental.
Deuxième dimension : la culture techno-scientifique. Celle-ci est moins répandue, mais elle devient impérative. Il ne s’agit pas de transformer tous les chercheurs en développeurs, mais de créer une familiarité avec les outils computationnels, de comprendre ce qu’un algorithme peut et ne peut pas faire, d’être capable d’expérimenter, de prototyper. Les écoles doctorales, les URFIST, les réseaux informels comme Humanistica jouent un rôle crucial dans ce transfert de compétences. Je pense notamment à la masterclass que nous organisons à Bordeaux, où nous formons progressivement nos doctorants à ces nouvelles méthodes.
Troisième dimension : la culture du bien commun. C’est peut-être la plus contre-intuitive pour nous, héritiers d’une tradition où le corpus était la propriété du chercheur, gardé précieusement dans ses archives personnelles. Dans la culture du hacker, au contraire, toute production doit être conçue dès l’origine pour être partagée, réutilisée, améliorée par d’autres. Cela suppose de réfléchir à l’interopérabilité, aux formats standards, aux licences ouvertes. Cela suppose aussi de documenter méticuleusement son travail, de rendre explicite sa démarche méthodologique.
Quatrième dimension : la culture communautaire. Le code que vous écrivez n’est jamais vraiment le vôtre : il incorpore des bibliothèques développées par d’autres, il sera modifié, enrichi, détourné. Cette logique de production collective se heurte frontalement aux critères d’évaluation du CNU, qui cherchent toujours à identifier « le premier auteur », à attribuer individuellement les mérites. Pourtant, les données empiriques sont claires : le co-autorat augmente massivement en sciences sociales depuis les années 1980 (Henriksen, 2016; González Brambila & Olivares-Vázquez, 2021). Nos institutions devront bien finir par prendre acte de cette transformation.
Du darwinisme social au darwinisme authentique
Revenons maintenant à cette question du darwinisme. J’ai évoqué plus haut la rhétorique managériale de la « sélection darwinienne ». Il y a là une appropriation abusive et idéologiquement orientée de la théorie de l’évolution.
Darwin lui-même ne parlait jamais de « sélection » au sens d’un tri opéré par une autorité externe. Il parlait d’adaptation, de coévolution, de processus distribués. Et surtout, il insistait sur le rôle de la coopération dans l’évolution des espèces. Ce que Spencer a appelé « darwinisme social » – la justification de la domination des plus forts sur les plus faibles – est précisément ce que Darwin rejetait comme une monstruosité.
Or, ce qui me frappe, c’est que l’éthos du hacker incarne paradoxalement un darwinisme plus authentique que celui des bureaucraties managériales. Pourquoi ? Parce qu’il repose sur la collaboration agile, la mutualisation des ressources, la défense du collectif avant l’individu. Parce qu’il privilégie la multiplicité des initiatives plutôt que la concentration hiérarchique. Parce qu’il valorise l’adaptation distribuée plutôt que la sélection centralisée.
Les travaux sur les dynamiques de collaboration scientifique le confirment : ce sont les structures en réseau, les liens faibles, la multiplicité des initiatives qui favorisent l’innovation et la résilience (Granovetter, 1983; Dahlander & McFarland, 2013). L’éthos du hacker, avec ses principes de transparence, de documentation, de partage, constitue une réponse plus « darwinienne » – au bon sens du terme – que les logiques de grand projet et de compétition bureaucratique.
GAFAM : ni angélisme ni démonisation
Cette question de l’éthos du hacker m’amène à aborder un sujet sensible : notre rapport aux grandes plateformes numériques. Il existe dans notre milieu académique une posture de rejet a priori : les GAFAM incarnent le mal, la captation des données, l’opacité algorithmique. Je comprends cette inquiétude, je la partage en partie. Mais je pense qu’il faut dépasser les postures manichéennes pour adopter ce que j’appellerais un « pragmatisme critique ».
Voici un exemple concret tiré de ma propre pratique. Lorsque je travaille sur le codage d’images pour analyser des corpus visuels, j’utilise les APIs d’Amazon. En quelques lignes de code, j’envoie 100 000 photos à leurs serveurs, et ils me renvoient des données de colorimétrie, de reconnaissance d’objets, de détection de texte. Gratuitement. Sans cette infrastructure, il me faudrait un budget de 100 000 euros et plusieurs années pour développer mes propres algorithmes.
De même, Amazon a récemment déposé en open data l’intégralité de son catalogue de livres avec les métadonnées de transaction : qui a acheté quoi, qui a consulté quels ouvrages en même temps, quels sont les réseaux de recommandation. Ces données ouvrent des perspectives fascinantes pour la sociologie de la lecture, pour l’étude de la circulation des idées. Dois-je attendre que la BNF – dans 10 ou 15 ans – se décide à faire de même ? Ou puis-je dès maintenant exploiter ces données pour produire de la connaissance ?
Bien sûr, il faut rester vigilant. La dépendance technologique, la captation des données, l’opacité des algorithmes posent de vraies questions éthiques et politiques. Les infrastructures publiques – les TGIR, Huma-Num – offrent une alternative précieuse caractérisée par la pérennité et la sécurité juridique. L’accès que nous avons obtenu à des serveurs R Studio par négociation collective illustre les bénéfices de la mutualisation institutionnelle.
Ma position est donc celle d’une stratégie hybride : maintenir une capacité d’action autonome en utilisant les opportunités offertes par les plateformes privées, tout en s’appuyant sur des infrastructures collectives publiques. Mais cela suppose que ces infrastructures publiques adoptent une logique de service, de réactivité, de soutien à l’innovation – plutôt qu’une logique bureaucratique de contrôle et de sélection.
III. Pour une autre économie de la recherche
En finir avec le grand projet, ou l’industrialisation de l’innovation
Permettez-moi maintenant d’aborder un sujet qui va en faire bondir plus d’un : la question du financement de la recherche. J’ai une thèse simple, peut-être provocatrice, mais que je crois documentée : les grands projets ne produisent pas d’innovation, ils produisent de l’industrialisation.
Qu’est-ce qu’un grand projet ? C’est un financement de plusieurs centaines de milliers à plusieurs millions d’euros, obtenu sur appel d’offres compétitif, avec un planning détaillé, des jalons, des livrables, un consortium de partenaires. C’est la forme dominante de financement de la recherche aujourd’hui.
Or, j’ai l’expérience directe de ces dispositifs. J’ai perdu – je calcule bien – trois ans et demi de ma vie à répondre à des appels à projets ou à participer à leur rédaction. Des semaines de travail pour des dossiers de 10 pages, des diagrammes de Gantt sur trois ans, des budgets détaillés au centime près. Avec un taux de refus de 96%, le jeu est ridicule voire absurde. Autrement dit : j’ai joué à une loterie où j’avais 9 chances sur 10 de perdre, en sachant que chaque participation me coûtait plusieurs semaines de travail. Est-ce vraiment rationnel ?
Et quand vous décrochez un grand projet ? J’ai obtenu il y a quelques années un financement de 80 000 euros. La gestion avec la société informatique prestataire a été un cauchemar : rigidité contractuelle, impossibilité d’adapter le développement aux découvertes en cours de route, abandon de l’outil après livraison. L’outil a tenu deux semaines avant de devenir inutilisable, et nous n’avions plus personne pour le maintenir.
Le problème est structurel. Un grand projet nécessite de la prévisibilité, de la planification. Vous devez convaincre les évaluateurs que votre approche est solide, déjà validée. En d’autres termes : vous obtenez des financements importants non pas pour explorer l’inconnu, mais pour industrialiser, généraliser, étendre ce qui est déjà connu. C’est une logique d’extension, pas d’innovation.
Je me souviens d’une remarque d’un porteur de projet de l’ENS qui venait de décrocher un projet d’un milliard d’euros pour les humanités numériques. Un milliard ! Vous imaginez la bureaucratie, les contraintes, la nécessité de justifier chaque euro dépensé ? Je peux vous garantir qu’avec un milliard d’euros, vous n’aurez aucune innovation. Vous aurez (au mieux) une énorme industrialisation du déjà-là, une infrastructure gigantesque, mais pas d’exploration, pas de prise de risque, pas de découverte inattendue. Et puis un paquebot vide au bout de quelques semaines qui rouillera dans l’océan de l’oubli.
L’essaimage comme modèle alternatif
Alors, quelle alternative ? J’ai travaillé pendant des années comme consultant dans l’accompagnement de startups. J’ai observé de près l’économie de l’innovation entrepreneuriale. Et j’en ai tiré une conviction : nous devrions nous inspirer du modèle de l’essaimage et du micro-financement.
Le principe est simple : au lieu de concentrer 500 000 euros sur un projet unique, vous financez cent micro-projets à 5 000 euros ou 10 à 50 000 euros. Vous acceptez que 90% échouent. Mais les 10% qui réussissent produisent des proof of concept véritables, des ruptures inattendues. C’est ce qu’on appelle l’exploration distribuée : multiplier les tentatives, accepter l’échec, miser sur l’émergence.
Cette logique suppose un financement par stades de maturation. Pour une idée exploratoire, vous donnez quelques milliers d’euros : de quoi faire une preuve de concept, tester une hypothèse, développer un prototype minimal. Si ça marche, vous passez au stade suivant avec un financement intermédiaire. Et ce n’est qu’après validation que vous investissez massivement pour la généralisation et la diffusion.
Prenez l’exemple de My Web Intelligence. Huit pages de code. Installation en dix minutes par une ligne de commande. Fonctionne sur n’importe quel ordinateur standard. Documentation accessible. Utilisation immédiate pour constituer des corpus web et analyser des controverses. Ce n’est pas un projet à 400 000 euros. C’est un micro-projet développé de manière itérative, avec un développeur en qui j’ai confiance, au fil des besoins. Quand j’ai 3 000 euros, je lui demande d’ajouter une fonctionnalité. Il prend deux jours, il l’intègre. Pas de planning rigide, pas de livrables formels, juste une progression organique.
Cette flexibilité temporelle est essentielle. Dans un grand projet, vous avez des deadlines, des rendus obligatoires, des évaluations intermédiaires. Dans un micro-projet, vous avancez selon les opportunités, selon les disponibilités. La relation de confiance remplace le contrat formel.
Je sais ce que vous allez me dire : mais comment scaler ? Comment passer d’un outil artisanal à une infrastructure utilisée par des centaines de chercheurs ? C’est là qu’intervient mon troisième point : la refondation du concept même de laboratoire.
Le laboratoire comme plateforme ouverte
Lors d’une discussion avec Bruno Bachimont, j’ai été frappé par sa définition du laboratoire. Traditionnellement, nous pensons le laboratoire comme un lieu physique, une inscription institutionnelle, une équipe stable. Bruno proposait une autre vision : le laboratoire comme rassemblement temporaire autour d’un outillage intellectuel partagé.
Cette idée m’a beaucoup marqué. Imaginez un laboratoire en SIC comme une plateforme ouverte : un ensemble d’outils de constitution, d’analyse et d’interprétation de corpus numériques, accessibles à tous, documentés, interopérables. Les chercheurs s’y attacheraient le temps de leur recherche, acquéreraient les compétences nécessaires, produiraient leurs analyses, puis se tourneraient vers d’autres questions.
Concrètement, cela suppose une architecture technique fondée sur l’interopérabilité (formats REST, JSON, XML), les licences ouvertes (MIT, GPL), la documentation systématique. Cela suppose aussi des serveurs de mutualisation permettant aux chercheurs de déposer automatiquement leurs corpus dans des formats standardisés, de les rendre accessibles à la communauté scientifique.
J’ai proposé exactement cela dans un appel d’offres : un serveur open source, ultra flexible, permettant de générer automatiquement tous les formats de fichiers nécessaires pour que nos corpus soient interopérables avec Isidore, Gallica, Amazon, n’importe quelle plateforme. On m’a répondu que ce n’était pas « super intéressant ». Je crois au contraire que c’est crucial.
L’idée, c’est que vous mettez à jour votre environnement de recherche par une simple ligne de commande – « git pull » dans le jargon des développeurs. Pas besoin de rencontres physiques, pas d’appartenance institutionnelle durable. C’est un laboratoire virtuel, distribué, ouvert.
Les structures de collaboration en réseau le prouvent : les collaborations les plus productives ne reposent pas nécessairement sur la proximité géographique mais sur l’alignement méthodologique et la complémentarité des compétences (Graf & Kalthaus, 2018; Gusmão, 2001). Le laboratoire comme plateforme ouverte n’est pas une utopie : c’est déjà la réalité de nombreux projets open source, de nombreuses communautés de pratique.
Conclusion : La périphérie comme espace de liberté
Permettez-moi de conclure en revenant à mon point de départ. La recherche en SHS traverse un moment critique. La bureaucratisation managériale, la concentration des financements, la sélection darwinienne au sens spencérien : tout cela produit une marginalisation massive, un abandon massif des chercheurs et une fin de la science. Si les tendances actuelles se confirment, 90% des chercheurs se retrouveront dans les « périphéries » du système scientifique et auront démissionné silencieusement. C’est une menace systémique que je considère civilisationnelle.
Mais peut-être cette périphérisation n’est-elle pas seulement une menace. Peut-être est-elle aussi une opportunité. Car dans les périphéries, vous avez une chose précieuse que n’ont plus ceux qui sont au centre : la liberté. La liberté d’expérimenter, de prendre des risques, de suivre des intuitions. La liberté de ne pas passer des mois à rédiger des dossiers pour des appels à projets que vous avez 90% de chances de perdre. La liberté de construire des outils légers, des collaborations agiles, des initiatives distribuées.
L’éthos du hacker, les principes du logiciel libre, l’économie de l’essaimage : tout cela constitue un modèle alternatif qui articule mutation épistémologique, pragmatique des infrastructures, et transformation de l’économie politique de la recherche. Ce n’est pas une utopie. C’est déjà la réalité de nombreux segments de la communauté scientifique, notamment dans les humanités digitales et les études computationnelles.
Sa généralisation supposerait trois transformations institutionnelles :
- refonte des critères d’évaluation reconnaissant la production collective,
- réorientation des financements vers l’essaimage,
- redéfinition du collectif de recherche comme plateforme ouverte.
Je terminerai par ce paradoxe : dans un contexte où la « sélection darwinienne » spencérienne s’impose comme doxa indiscutable, l’adoption d’un darwinisme authentique – fondé sur la coopération, l’adaptation collective, la diversité des stratégies – pourrait paradoxalement offrir aux sciences humaines et sociales les conditions de leur survie et de leur renouvellement.
La question n’est pas de savoir si nous allons être marginalisés. Nous le serons. La question est : que ferons-nous de cette marginalisation ? Nous résignerons-nous à une posture critique mais impuissante ? Ou expérimenterons-nous de nouvelles formes d’organisation de la recherche, inspirées de cultures qui nous sont encore largement étrangères, mais qui portent peut-être les germes d’un renouveau ?
Références bibliographiques
Dahlander, L., & McFarland, D. A. (2013). Ties that last: Tie formation and persistence in research collaborations over time. Administrative Science Quarterly, 58(1), 69-110.
Ferligoj, A., Kronegger, L., Mali, F., Snijders, T. A. B., & Doreian, P. (2015). Scientific collaboration dynamics in a national scientific system. Scientometrics, 104(3), 985-1012.
Fontana, M., Iori, M., Sciabolazza, V. L., & Souza, D. (2022). The interdisciplinarity dilemma: Public versus private interests. Research Policy, 51(7), 104553.
González Brambila, C. N., & Olivares-Vázquez, J. L. (2021). Patterns and evolution of publication and co-authorship in social sciences in Mexico. Scientometrics, 126(3), 2595-2626.
Graf, H., & Kalthaus, M. (2018). International research networks: Determinants of country embeddedness. Research Policy, 47(7), 1198-1214.
Granovetter, M. (1983). The strength of weak ties: A network theory revisited. Sociological Theory, 1, 201-233.
Gusmão, R. (2001). Research networks as a means of European integration. Technology in Society, 23(3), 383-393.
Henriksen, D. (2016). The rise in co-authorship in the social sciences (1980-2013). Scientometrics, 107(2), 455-476.
