La sociologie au-delà de l’informatique ? D’autres façons d’étudier la vie numérique

Traduction de Sociology beyond computation? Alternative ways of researching digital life, publié par Greti-Iulia Ivana dans Acta Sociologica le 21 mai 2026. [Réf. The-Syllabus]

Résumé

Cela fait plus de 15 ans que Savage et Burrows ont publié leur article influent sur la crise de la sociologie empirique. Depuis, de nombreux auteurs ont souligné comment l’essor de la science des données affaiblit la crédibilité de la sociologie et sa mission de produire des connaissances sur les réalités sociales en général, et sur les phénomènes sociaux émergents en particulier. Dans ce contexte, la réponse méthodologique dominante des sciences sociales a consisté à explorer les passerelles entre la sociologie et la science des données. Cependant, je soutiens que cet effort continu est marqué par des incohérences épistémologiques, éthiques et politiques importantes, mais souvent sous-estimées. Combler le fossé méthodologique entre la sociologie et l’informatique a un coût, en particulier pour la discipline placée en position subordonnée dans la production de connaissances. C’est pourquoi il est urgent d’articuler explicitement et d’encourager un programme plus large et politiquement conscient en faveur de méthodes centrées sur l’humain en sociologie numérique.

La pression méthodologique du calcul

Cela fait plus de 15 ans que Savage et Burrows (2007) ont publié leur article influent sur la crise de la sociologie empirique. Comme ils l’ont souligné dans une réflexion ultérieure (Burrows et Savage, 2014), les mégadonnées ne faisaient pas partie de leur raisonnement initial, mais elles ont progressivement pris une place centrale dans les débats sur les méthodes numériques et traditionnelles en sciences sociales. Ces dernières années, les ramifications du big data dans la recherche sociologique se sont encore étendues, alimentées par le développement de l’apprentissage automatique, d’outils computationnels plus puissants et, désormais, de l’IA.

Le processus de datafication a des conséquences profondes pour la sociologie empirique, car nous vivons à une époque où bon nombre de nos actions et interactions quotidiennes sont suivies. Nous écoutons de la musique sur Spotify ; nous achetons des livres sur Amazon ou les recherchons dans des bibliothèques en ligne ; nous interagissons dans des contextes organisationnels par courriel et par appels Zoom ; et nous prenons des nouvelles de nos amis via Instagram et WhatsApp. Les entités supra-individuelles telles que les institutions publiques (par exemple, les systèmes de santé et de justice) et les entreprises (par exemple, les banques et les sociétés énergétiques) dépendent tout autant des technologies numériques. Ainsi, une part importante de la vie sociale est désormais enregistrée. Ces données sont rarement destinées à l’analyse scientifique ; néanmoins, elles permettent de suivre en temps réel la dynamique des événements, des relations, des groupes et des vies individuelles avec une portée et un niveau de détail jusqu’alors inaccessibles. Les changements méthodologiques induits par ces évolutions sont multiples. Premièrement, les sociologues sont confrontés au big data (provenant généralement des empreintes numériques, mais aussi d’autres vastes enregistrements numériques, comme les données de santé) en tant que nouvelles sources d’information. Deuxièmement, la science des données générale s’impose à nous comme un ensemble d’outils permettant de donner un sens au volume et aux caractéristiques des données qui entrent dans notre domaine. Bien qu’il soit possible de travailler avec le big data sans recourir aux outils de la science des données, et inversement d’appliquer la science des données à d’autres types d’ensembles de données, dans la pratique, ces deux aspects vont généralement de pair.1 C’est pourquoi j’utiliserai indifféremment des termes tels que « méthodes du big data » et « approches de la science des données » comme termes génériques pour désigner la recherche qui porte sur ce type de collecte, de traitement et d’analyse de données. Je parle également de calcul au sens large, pour désigner toutes les formes automatisées et algorithmiques permettant de tirer des enseignements du big data. Cela diffère de la conception plus étroite de la science des données computationnelle, qui se réfère strictement à l’apprentissage automatique avancé, aux simulations et à l’IA. La réflexion actuelle considère la croissance du big data au sein de la méthodologie de la recherche sociale comme un processus continu qui n’a été que fortement amplifié, et non perturbé, par un apprentissage profond et une IA de plus en plus sophistiqués. Comme cela a été avancé ailleurs (Chaudhary et Penn, 2024), l’intelligence artificielle présente ses propres particularités dans la recherche comme ailleurs, mais elle repose toujours sur une infrastructure de plateformes, une datafication omniprésente et le profilage. L’accent est mis ici sur ce terrain épistémologique commun que partagent les connaissances computationnelles issues de l’IA et celles qui ne le sont pas.

Diaz-Bone et al. (2020: 316) soutiennent que le recours au big data pour produire des connaissances comporte le risque que les sciences sociales traditionnelles « perdent leur autorité pour analyser et interpréter les évolutions du monde social » (voir aussi Bartlett et al., 2018). Face à cette menace existentielle, les sociologues ont réagi de diverses manières. Sur le plan théorique, de nombreux efforts ont été consacrés à remettre en question de manière critique le recours croissant aux données numériques, à la quantification et aux modèles algorithmiques. Sur le plan méthodologique, cependant, je suggère que l’approche dominante a consisté à combler le fossé entre la sociologie et les techniques de la science des données et à les combiner pour comprendre les réalités sociales empiriques. Pourtant, il existe des tensions éthiques, politiques et épistémologiques fondamentales non résolues inhérentes à la combinaison des méthodes sociologiques et computationnelles. C’est pourquoi, à l’ère de la datafication de masse et de l’IA plus que jamais, nous avons besoin d’une discussion plus ouverte sur les écueils du mélange des méthodes computationnelles et sociologiques, ainsi que sur le coût de ces mélanges pour les sciences sociales.

Les développements de recherche hybrides et ceux qui sont spécifiquement sociologiques peuvent coexister et coexistent effectivement au sein de la discipline, mais ils occupent des positions différentes dans la politique intra-disciplinaire de la production de connaissances. Plus précisément, les perspectives qui mettent l’accent sur l’intégration de l’informatique en sociologie sont souvent programmatiques et émanent d’un espace d’autorité épistémique, tandis que les travaux qui proposent des innovations méthodologiques non informatiques sont, par définition, de petite envergure. De plus, ils se montrent modestes dans leurs revendications quant à leur pertinence dans les débats sur l’avenir de la discipline. Je soutiens ici qu’il est crucial non seulement que les travaux non computationnels continuent d’être publiés, mais aussi qu’un programme plus large et politiquement conscient, visant une branche de la sociologie indépendante de l’analyse de données, soit à la fois encouragé et articulé de manière plus explicite.

Pour ce faire, j’explore tout d’abord le domaine des sciences sociales computationnelles (CSS) et certaines de ses critiques. Ensuite, j’aborde plusieurs propositions visant à nourrir le lien entre les sciences sociales et l’informatique, notamment, mais sans s’y limiter, les approches données/théorie (Lindgren, 2020), les sciences sociales symphoniques (Halford et Savage, 2017) et la sociologie imprégnée d’IA (Au et Fong, 2025). Ensuite, je mets en évidence certaines incohérences souvent sous-estimées entre les méthodes sociologiques et l’analyse de données. En conclusion, je plaide en faveur de l’importance de méthodologies critiques axées sur l’humain qui s’appuient de manière plus ferme et cohérente sur l’héritage des sciences sociales critiques dans l’étude de la vie numérique.

La sociologie devient-elle computationnelle ?

L’espace interdisciplinaire où la sociologie rencontre la science des données est occupé dans une large mesure par la CSS. Dans leur article de synthèse, Edelmann et al. (2020) définissent la CSS comme « un domaine interdisciplinaire qui fait progresser les théories du comportement humain en appliquant des techniques computationnelles à de grands ensembles de données provenant des réseaux sociaux, d’Internet ou d’autres archives numérisées telles que les dossiers administratifs ». Conformément à cette définition, la CSS s’appuie souvent sur certaines perspectives sociologiques, mais elle ne constitue pas un hybride méthodologique. Ses méthodes d’enquête sont principalement empruntées à la science des données.

À l’image des tendances sociétales observées dans d’autres secteurs, la CSS a connu un essor au cours de la dernière décennie. Edelmann et al. (2020) soulignent que le nombre d’articles en CSS a explosé entre 2012 et 2016, en particulier en psychologie et en gestion. La sociologie connaît une évolution similaire, mais décalée, avec une augmentation marquée à partir de 2014. Bien que ces résultats ne s’étendent que jusqu’en 2016, certains éléments suggèrent que cette expansion s’est poursuivie depuis lors. Par exemple, selon Scopus, la revue Social Science Computer Review, qui publie exclusivement des travaux à l’intersection des sciences sociales et de l’informatique, est passée d’un facteur d’impact de 2,56 à 5,86 entre 2013 et 2023. La revue Computers in Human Behaviour a enregistré une hausse de son impact de 2,27 à 9 au cours de la même période. En 2025, le principal bailleur de fonds britannique pour la recherche en sciences sociales, l’ESRC, a annoncé un investissement à venir de 22 millions de livres sterling dans de nouveaux services de données, visant à encourager les chercheurs en sciences sociales à travailler avec de nouveaux types de données numériques. La Social Science Research Foundation aux États-Unis partage cette approche. Par exemple, les subventions Data Fluencies Grants soutiennent financièrement les doctorants pour qu’ils développent et mettent en œuvre des pratiques fondées sur les données.

Tous ces indicateurs témoignent d’un recours croissant à l’analyse de données pour construire la connaissance des réalités sociales. Bien que ces chiffres concernent principalement le monde anglophone, le processus de datafication est mondial ; il serait donc difficile d’imaginer que son impact sur les sciences sociales soit limité géographiquement. De plus, l’essor de l’IA élargit et diversifie les façons dont les sciences sociales dépendent du big data. Un exemple concret en est l’utilisation de simulations de données générées par l’IA pour explorer la vie sociale (Bail, 2024). Le modèle d’IA fonctionne en analysant des profils synthétiques, auxquels sont attribuées une série de caractéristiques ainsi que des schémas d’action antérieurs, afin d’identifier les résultats les plus probables dans des situations sociales spécifiques. Selon Bail (2024), de telles simulations seraient particulièrement utiles pour étudier des phénomènes éthiquement sensibles ou dangereux. Des recherches utilisant des substituts technologiques plutôt que des agents humains sont déjà menées et utilisées pour affiner les technologies permettant de simuler de manière crédible les (inter)actions humaines (Park et al., 2023). Dans de telles conceptions, bien que la simulation puisse faire référence à un comportement humain non structuré et au langage naturel (p. ex. un groupe de discussion simulé), les données sur lesquelles la simulation est exécutée et la logique par laquelle elle est produite puis analysée sont toutes computationnelles.

Évoquant ce recours aux données numériques et à la science des données, et s’inspirant des idées de Mosco (2014, 2016, tel que cité dans Fuchs 2017), Fuchs soutient que nous avons besoin d’un changement de paradigme passant de (a) l’analyse des mégadonnées, le positivisme numérique et le « cloud sublime » à (b) des méthodes numériques critiques. Il suggère en outre que le premier correspond à une recherche qui « ne parvient pas à comprendre les motivations, les expériences, les interprétations, les normes et les valeurs des utilisateurs » (Fuchs, 2017 : 43). Cependant, comme le suggèrent les développements des méthodes basées sur l’IA décrits ci-dessus, le domaine de l’analyse de données se perfectionne, et de moins en moins de chercheurs qui y travaillent se revendiqueraient comme de purs positivistes numériques. En fait, certains auteurs affirment que les informaticiens purement positivistes sont de toute façon une construction imaginaire (Seaver, 2017). Une façon utile d’envisager la relation entre les méthodologies sociologiques traditionnelles et la boîte à outils des CSS consiste à recourir à une dialectique hégélienne simplifiée. Les méthodes sociologiques critiques représentent la thèse originale ; le cadre de l’analyse de données/CSS est l’antithèse, qu’il soit factuel ou imaginé comme un opposé positiviste au canon sociologique critique et interprétatif ; les hybrides sociologiques-informatiques émergents actuels cherchent à être la synthèse. La croissance du big data en sociologie contemporaine se présente sous différentes formes et à différents degrés de cette synthèse. Ainsi, plutôt que de voir la sociologie menacée d’obsolescence par l’analyse de données, nous assistons à une tendance à l’ouverture de la discipline à des perspectives et des pratiques empruntées à la science des données.

Alors que l’antithèse, représentée par l’analyse purement quantifiée et instrumentale, a fait l’objet de critiques importantes, tant pour ses limites théoriques que méthodologiques, la synthèse, le paradigme sociologique-informatique, n’a globalement pas été remise en cause en tant que norme de référence pour mener des recherches sur la vie sociale à l’ère numérique. Il s’agit là d’une lacune importante que le présent article se propose de combler.

Modèles hybrides sociologiques-informatiques

Avant d’aborder certains mélanges méthodologiques entre la sociologie et l’analyse de données, j’expliquerai brièvement ce que j’entends par « hybride ». J’utilise des termes tels que « mélange/hybride/combinaison sociologique-informatique » pour désigner des cadres qui rassemblent explicitement non seulement diverses perspectives disciplinaires, mais aussi des boîtes à outils méthodologiques issues à la fois de la sociologie et de la science des données.

Bien que les outils et techniques computationnels puissent s’appliquer à différents types de données, le potentiel de rapprochement entre les méthodes sociologiques et la science des données s’est développé et continue d’être prédominant en ce qui concerne les données numériques natives quantitatives. Dans ce contexte, de nombreux chercheurs en sciences sociales ont également proposé des modèles visant à intégrer ces perspectives dans la recherche sociale à l’aide du big data. Un des premiers exemples d’une telle approche est l’incursion de Marres et Weltervrede (2013) dans la recherche sociale « en direct ». Un autre modèle méthodologique de premier plan formulé dans cette veine est l’association, par Halford et Savage (2017), de l’analyse de données et des sciences sociales symphoniques. Pour les auteurs, le big data et les sciences sociales symphoniques peuvent être rapprochés, car ces deux approches mobilisent de manière flexible des données provenant de différentes sources et sous différents formats. La suspension des hypothèses théoriques, affirment-ils, est un point commun entre l’analyse de données, la théorie ancrée et l’ethnographie. Le parallèle entre le travail avec le big data et l’ethnographie est également abordé dans l’incursion de Lindgren (2020) dans ce qu’il appelle la théorie des données. Goldberg (2015) et McFarland et al. (2016) proposent également une approche qui permettrait au big data et à la sociologie de se croiser : les sciences sociales médico-légales. Les travaux de Beuving (2020) soulignent également les parallèles entre le traitement informatique des mégadonnées et la recherche ethnographique, en proposant des analogies entre les principes qui guident ces deux disciplines.

L’explosion de l’IA a prolongé et exacerbé ce discours. Au et Fong (2025) proposent d’élargir la formation méthodologique en sociologie pour y inclure l’étude des disciplines computationnelles. Ils affirment qu’il serait fondamental pour les diplômés en sociologie d’acquérir des compétences en analyse de données afin de comprendre et de « traiter les résultats sociaux ». De même, Baranowski (2025) insiste sur « la nécessité pour la sociologie d’évoluer et d’adopter de nouvelles méthodes de recherche (par exemple, l’analyse quantitative de données qualitatives) qui répondent aux défis d’une réalité sociale de plus en plus numérisée, fondée sur l’IA et l’apprentissage automatique ».

Ce n’est là qu’un petit échantillon de voix et d’approches qui illustrent que, notamment sur le plan méthodologique, la sociologie embrasse collectivement une hybridation avec la science des données ; la croissance de l’IA est utilisée comme justification supplémentaire de cette perspective.

Les failles des modèles hybrides

Les approches hybrides naissent de la volonté de surmonter les limites d’un positivisme naïf des données, tout en rendant les méthodes sociologiques plus évolutives et mieux adaptées pour générer du sens à partir de vastes ensembles de données numériques. Pourtant, ces tentatives sont marquées par de profondes incompatibilités épistémologiques, politiques et éthiques entre les disciplines. Sur le plan éthique, il est important de souligner que la « datafication » croissante repose fortement sur une certaine mythologie de la vérité, de l’objectivité et des mesures quantifiées (boyd et Crawford, 2012) que les sciences sociales critiques remettent en question depuis longtemps. Les préoccupations sont profondes et nombreuses, depuis la critique du positivisme par Weber (2010) jusqu’à l’histoire de l’objectivité par Daston et Galison (2007), en passant par l’analyse de Mau (2019) sur la quantification en tant que moteur des formes de contrôle coloniales et financières exercées respectivement par les États et les marchés. L’utilisation du big data dans la recherche sociologique légitime sa production, ses utilisations et ses prétentions à la connaissance. Elle accepte fondamentalement que le domaine de la vie humaine et sociale puisse être documenté, analysé de manière significative, simulé et prédit par des moyens algorithmiques automatisés. Les hybrides avec les méthodes sociologiques peuvent en partie masquer cette question, mais ils ne peuvent pas la résoudre. Outre l’acceptation de récits culturels chargés de significations politiques, les nouvelles formes de savoir fondées sur les données ont été façonnées de manière décisive par la monétisation de certains types de données d’empreinte numérique. L’économie des données dans son ensemble est née de (et continue de se construire sur) la valeur monétaire dérivée des empreintes numériques des utilisateurs (Burrell et Fourcade, 2021). Il est donc crucial de se rappeler à quel point le big data est intimement lié à la recherche de profit techno-capitaliste. Le big data est la représentation matérielle des croyances culturelles et épistémologiques des élites technologiques, ainsi que la ressource sur laquelle repose leur hégémonie économique et informationnelle. Les approches computationnelles et hybrides de la recherche en sciences sociales traduisent la conformité de notre domaine à cette hégémonie sur le plan méthodologique, même lorsque nos positions théoriques s’ancrent dans des traditions critiques.

D’une part, Desrosieres (2016) observe que des liens ont toujours existé entre les statistiques et les pratiques néolibérales, tant dans l’administration publique que dans les entreprises privées. Même lorsqu’elle n’est pas directement utilisée dans les politiques ou les affaires, la recherche sociale quantitative pourrait encore être considérée comme globalement compatible avec une éthique néolibérale. D’autre part, avec la recherche sur les mégadonnées, la relation avec les forces capitalistes est beaucoup plus forte et d’une nature différente, car une grande partie des mégadonnées continue d’être extraite par des plateformes privées qui en sont propriétaires (Frade, 2016). Si cela est plus évident pour les données privées, les registres publics sont créés et utilisés selon la même logique. Faulkner-Gurstein et Wyatt (2023), par exemple, montrent l’importance des gains en capital dans la « platformisation » du NHS. La suggestion de Bail (2024) de créer une infrastructure open source pour la recherche en sciences sociales tente de répondre à ces préoccupations éthiques. Pourtant, même si de telles infrastructures sont développées pour l’analyse, les écosystèmes de données dépendront toujours, à certains égards, d’infrastructures privées (Micheli et al., 2020). Cet enchevêtrement entre le secteur privé producteur de données et la recherche sociale utilisatrice de données est spécifique au contexte socio-économique actuel, et il établit une dépendance directe de la recherche sociologique vis-à-vis des intérêts des entreprises technologiques. Cela, à son tour, détermine ce qui fait l’objet de la recherche et de quelle manière, ainsi que la façon dont certains types de recherche sont évalués.

La recherche sur les mégadonnées s’accompagne de nouvelles valeurs épistémiques (Diaz-Bone et al., 2020 ; Kitchin, 2014). Kitchin (2014) montre que, parce qu’elles sont orientées vers la prédiction, les mégadonnées sont généralement très efficaces pour détecter des associations (passées et futures), mais moins aptes à expliquer pourquoi elles existent. Un argument similaire est avancé par McKelvey (2021) dans son chapitre sur l’essor de l’informatique en politique. L’auteur montre notamment comment les travaux de Simulmatics Corporation et du Projet Cambridge à la fin des années 1950 et au début des années 1960 visaient à prédire les résultats des élections et à identifier des moyens de connaître, mais aussi éventuellement de contrôler, le comportement humain. Cette perspective comportementaliste, soutient McKelvey (2021), a ouvert la voie à la science politique computationnelle contemporaine, en se concentrant exclusivement sur les réalités observables des choix électoraux, sans compréhension approfondie des raisons sous-jacentes à certains comportements de vote.

À bien des égards, les approches comportementalistes décrites par McKelvey (2021) s’appliquent au-delà de la science politique à de nombreux domaines de la recherche computationnelle. Les infrastructures numériques ne sont pas équipées d’outils permettant d’enregistrer les motivations et les significations des utilisateurs. Et le big data, comme toutes les mesures, sous-estime l’importance de ce qu’il ne peut pas quantifier, tout en surestimant la signification de ce qu’il peut quantifier (Busch, 2017). C’est pourquoi il sous-estime les significations subjectives et surestime l’importance des actions mesurables. Cela conduit à un réductionnisme insurmontable qui est inhérent au processus d’extraction et d’analyse des données numériques. Seuls les comportements peuvent être enregistrés, comme l’a également souligné la définition des CSS donnée plus haut par Edelmann et al. (2020).

La sociologie, en revanche, est une discipline qui s’est historiquement attachée à comprendre non seulement ce qui se passe, mais aussi à le replacer dans un contexte social et à se demander pourquoi cela se produit. Dans l’ensemble, l’idée de dépasser le dualisme action-signification est assez largement acceptée dans la recherche sociologique (Roberge, 2011). Le rôle de la signification est lié aux réflexions sur l’objectif de la collecte de données et, plus généralement, de la recherche sur les réalités sociales. Comme le soutient Jones (2018) dans sa réflexion sur le positivisme des données, l’essor des méthodes computationnelles s’inscrit dans une tendance à valoriser de plus en plus le savoir instrumental. Ce même positivisme a également « renforcé les catégories traditionnelles de discrimination raciale, sexuelle et de classe » (Jones, 2018 : 674).

L’accent mis sur le comportement observable et l’instrumentalisation de la recherche est également généralement associé à l’universalisme. À première vue, comme les données des utilisateurs sont propres à chacun d’entre nous, la recherche sur le big data est tout sauf universaliste. Cependant, je soutiens que la personnalisation n’est pas l’opposé de l’universalisme ; les opérations computationnelles utilisées pour traiter les données sont universelles. En analyse de données, les significations ne proviennent ni des utilisateurs eux-mêmes ni de cadres théoriques. Le but de l’analyse computationnelle est précisément de laisser les données parler d’elles-mêmes avant de les interpréter théoriquement (Kitchin, 2014). Ainsi, en sciences des données, le sens est invariablement imposé par la catégorisation automatique (Roberge et Castelle, 2021). Les machines ne peuvent produire quoi que ce soit de significatif qu’à travers des variables spécifiques, et en attribuant des valeurs à chacune de ces variables. Ces attributions de valeur sont effectuées de manière algorithmique et ne peuvent être qu’universalistes. De plus, pour reprendre la formulation éloquente de Busch (2017 : 660), « les attributions sont des revendications de vérité, des revendications de vérité tellement tenues pour acquises qu’elles sont au-dessus de toute contestation ».

Ce sont là quelques-unes des positions épistémiques et des valeurs qui, à mon avis, éloignent fondamentalement la sociologie des CSS. Cependant, aucun des modèles hybrides ne prônait le remplacement des méthodes sociologiques, mais plutôt la pluralité méthodologique et l’utilisation de toutes les sources d’information disponibles sur un objet, un domaine ou une recherche donnés. Plus encore, les partisans des modèles hybrides suggèrent souvent que la science des données peut être aidée en intégrant des perspectives sociologiques pour surmonter certaines de ses limites actuelles. On dit que nous pouvons aider les programmeurs à être plus conscients des risques de réification des catégories sociales par leurs algorithmes. Nous pouvons souligner l’importance du contexte social et intégrer des théories sociologiques dès les premières étapes des projets de recherche. Aussi optimistes que soient ces suggestions, elles négligent la question de l’autorité et du pouvoir symbolique de la sociologie par rapport à l’analyse de données dans un contexte interdisciplinaire. MacMynowski (2007) aborde ce sujet en se concentrant sur les sciences sociales et biophysiques et soutient que les discussions interdisciplinaires ne sont pas des échanges intellectuels se déroulant dans un vide social. Au contraire, elles sont profondément façonnées par des relations de pouvoir qui peuvent prendre différentes formes. MacMynowski a fait référence (a) au statut scientifique individuel, (b) à la manière la plus socialement acceptée de formuler un problème, (c) à l’inclusion ou à l’exclusion des chercheurs, et (d) à la pertinence perçue de la recherche pour les décisions politiques. Tous ces éléments sont pertinents dans la rencontre entre la sociologie et la science des données, et si certains, comme le statut individuel de certains chercheurs, peuvent être assez spécifiques à un projet, d’autres, comme les interprétations communément acceptées d’un problème et la pertinence pour les politiques, s’appliquent plus largement. Compte tenu du rôle croissant des connaissances fondées sur les données dans tous les aspects de nos vies, le pouvoir social des approches computationnelles est incontestable ; la science des données jouit d’une visibilité et d’un poids social bien supérieurs à ceux de la sociologie. Les possibilités de financement de la recherche et les décisions politiques le confirment encore davantage. Les points forts en matière de ressources, les fantasmes de statut liés à une collaboration équitable, ainsi que les risques d’impérialisme disciplinaire ont été soulevés dans des discussions critiques sur l’interdisciplinarité (Callard et Fitzgerald, 2015 ; Schoenberger, 2001), mais ces travaux sont peu pris en compte dans la recherche socio-informatique. Pourtant, si les perspectives sociologiques se trouvent dans cette position subordonnée, comment nos propres valeurs épistémiques peuvent-elles orienter la collaboration interdisciplinaire avec la science des données, dans le cadre de projets hybrides ? La nature de ce rapport de force ne condamne-t-elle pas notre savoir à être colonisé par des valeurs quantifiées, comportementalistes et universalistes ?

Tout autant que nous avons besoin d’une ouverture transdisciplinaire, nous devons également reconnaître les implications délicates des hybrides méthodologiques et continuer à développer des innovations proprement sociologiques dans la recherche sur la vie numérique, si nous voulons éviter que la sociologie ne soit progressivement envahie par les processus qu’elle critique fermement. Certains des dangers liés au recours aux ressources privées, aux épistémologies concurrentes et aux politiques interdisciplinaires ne sont pas propres aux mélanges méthodologiques entre la sociologie et l’analyse de données. Les combinaisons entre les sciences sociales et les neurosciences cognitives, par exemple, présentent les mêmes écueils. Cependant, les pressions exercées sur la sociologie ne sont aussi intenses dans aucune autre direction qu’elles ne le sont de la part de la science des données. L’attente généralisée de recourir au big data et au calcul (et désormais aussi à l’IA) pour produire des connaissances sociologiques légitimes découle du monopole intellectuel des géants de la technologie (Rikap, 2021) ainsi que de l’autorité persistante des discours sur l’objectivité et les mesures quantitatives. La visibilité, les mythes et l’argent qui sous-tendent la datafication rendent cette position épistémologique particulièrement puissante, et particulièrement néfaste pour la sociologie.

La sociologie numérique au-delà de l’informatique

Comprendre les transformations numériques est sans aucun doute l’un des plus grands défis de la sociologie du XXIe siècle. Comme je l’ai fait valoir plus haut, le mélange souvent proposé et considéré comme acquis entre méthodes sociologiques et informatiques s’accompagne d’un bagage de valeurs épistémiques divergentes, d’inégalités de statut entre les disciplines, ainsi que de préoccupations liées à l’éthique et à l’économie politique des mégadonnées. Mon argument soutient que, même si les approches hybrides entre la sociologie et les mégadonnées peuvent parfois s’avérer efficaces, elles sont globalement marquées par des limites importantes. Il est donc important de ne pas considérer les combinaisons de méthodes sociologiques et informatiques comme la nouvelle norme en matière de recherche sur la vie numérique. Le mélange des méthodes rend les plans de recherche moins vulnérables aux critiques mutuelles entre disciplines, mais il ne remet pas en question les positions épistémologiques clés et ne résout aucune incompatibilité méthodologique fondamentale. C’est pourquoi il est essentiel de continuer à développer des méthodes qui vont au-delà des perspectives hybrides et centrées sur les données pour étudier les contextes sociotechniques. Ce domaine est à l’avant-garde du maintien d’une partie de l’autorité de la sociologie pour produire des connaissances sur les sociétés et pour construire des méthodes originales alignées sur sa propre compréhension critique du développement technologique. De nombreux travaux remarquables sont déjà menés à cet égard, notamment sous la forme de petites études empiriques. Pourtant, je soutiens que l’importance plus large des études non computationnelles pour l’avenir de la discipline est généralement sous-estimée.

Donc, pour être clair, je ne suggère pas que les méthodes non computationnelles offrent un accès à une connaissance « réelle » alors que l’analyse de données ne le fait pas. Toute production de connaissance est partielle et située, mais toutes les positions ne sont pas moralement équivalentes. Le rôle clé des études non computationnelles ne découle pas d’une prétendue invulnérabilité aux biais ou à l’incompréhension, mais de leur engagement envers certaines positions politiques, éthiques et épistémiques. Il est essentiel de garder à l’esprit ce type de savoir, alors qu’une part croissante de nos vies s’entremêle avec la technologie et que les revendications de l’analyse de données au sein des domaines d’expertise sociologiques s’étendent, notamment par le biais de méthodologies hybrides. Ainsi, en adoptant un certain point de vue et en prenant au sérieux tous les aspects de notre positionnalité, nous pouvons produire des connaissances sur la vie numérique qui proviennent de l’extérieur des principes de l’informatique et des hybrides méthodologiques. Dans ce contexte, notre responsabilité est de continuer à mener des recherches qui vont au-delà des paradigmes hybrides et dominés par les données, et de le faire de manière intentionnelle et manifeste. Cela est fondamental tant pour préserver l’autorité de la sociologie en tant que discipline que pour le type de sociologie que nous préserverons.

Note de bas de page

1. La science des données avancée et l’IA sont également utilisées pour analyser des données qualitatives (principalement du texte et des images), mais cela dépasse le cadre du présent article, car cela soulève un ensemble de questions distinctes par rapport à la recherche sur les mégadonnées.

Références

Au A, Fong E (2025) The promises and perils of AI for sociology. Sociology 59(6): 1129–1134.
Bail C (2024) Can generative AI improve social science? PNAS: The Proceedings of the National Academy of Sciences 121(21): 1–10.
Baranowski M (2025) The database construction of reality in the age of AI: The coming revolution in sociology? AI & Society 40: 1125–1127.
Bartlett A, Lewis J, Reyes-Galindo L, et al. (2018) The locus of legitimate interpretation in Big Data sciences: Lessons for computational social science from -omic biology and high-energy physics. Big Data & Society 5(1).
Beuving JJ (2020) Ethnography’s future in the Big Data era. Information, Communication & Society 23(11): 1625–1639.
boyd D, Crawford K (2012) Critical questions for Big Data. Information, Communication and Society 15(5): 662–679.
Burrell J, Fourcade M (2021) The society of algorithms. Annual Review of Sociology 47(1): 213–237.
Burrows R, Savage M (2014) After the crisis? Big Data and the methodological challenges of empirical sociology. Big Data & Society 1(1).
Busch L (2017) Looking in the wrong (la)place? The promise and perils of becoming Big Data. Science, Technology, & Human Values 42(4): 657–678.
Callard F, Fitzgerald D (2015) Against reciprocity: Dynamics of power in interdisciplinary spaces. In: Rethinking interdisciplinarity across the social sciences and neurosciences. Palgrave Macmillan, London.
Chaudhary Y, Penn J (2024) Beware the intention economy: Collection and commodification of intent via large language models. Harvard Data Science Review, (Special Issue 5).
Daston L, Galison P (2007) Objectivity. New York: Zone Books.
Desrosières A (2016) The quantification of the social sciences: a historical comparison. In: Bruno I, Jany-Catrice F, Touchelay B (eds) The Social Sciences of Quantification. Logic, Argumentation & Reasoning. vol. 13. Cham: Springer, 183–204.
Diaz-Bone R, Horvath K, Cappel V (2020) Social research in times of Big Data. The challenges of new data worlds and the need for a sociology of social research. Historical Social Research/Historische Sozialforschung 45(3): 314–341.
Edelmann A, Wolff T, Montagne D, et al. (2020) Computational social science and sociology. Annual Review of Sociology 46: 61–81.
Faulkner-Gurstein R, Wyatt D (2023) Platform NHS: Reconfiguring a public service in the age of digital capitalism. Science, Technology, & Human Values 48(4): 888–908.
Frade C (2016) Social theory and the politics of Big Data and method. Sociology 50(5): 863–877.
Fuchs C (2017) From digital positivism and administrative Big Data analytics towards critical digital and social media research!. European Journal of Communication 32(1): 37–49.
Goldberg A (2015) In defence of forensic social science. Big Data & Society 2(2).
Halford S, Savage M (2017) Speaking sociologically with Big Data: Symphonic social science and the future for Big Data research. Sociology 51(6): 1132–1148.
Jones ML (2018) How we became instrumentalists (again): Data positivism since World War II. Historical Studies in the Natural Sciences 48(5): 673–684.
Kitchin R (2014) Big Data, new epistemologies and paradigm shifts. Big Data & Society 1(1).

Lindgren S (2020) Data Theory: Interpretive Sociology and Computational Methods. Cambridge: Polity Press.
MacMynowski DP (2007) Pausing at the brink of interdisciplinarity: Power and knowledge at the meeting of social and biophysical science. Ecology and Society 12(1).
Marres N, Weltevrede E (2013) Scraping the social? Journal of Cultural Economy 6(3): 313–335.
Mau S (2019) The Metric Society. Cambridge: Polity Press.
McFarland DA, Lewis K, Goldberg A (2016) Sociology in the era of Big Data: The ascent of forensic social science. The American Sociologist 47: 12–35.
McKelvey F (2021) The other Cambridge analytics: Early “artificial intelligence” in American political science. In: Roberge J, Castelle M (eds) The Cultural Life of Machine Learning. Cham: Palgrave Macmillan, 117–142.
Micheli M, Ponti M, Craglia M, et al. (2020) Emerging models of data governance in the age of datafication. Big Data & Society 7(2).
Park JS, O’Brien JC, Cai CJ, et al. (2023) Generative agents: Interactive simulacra of human behavior. ACM symposium on user interface software and technology.
Rikap C (2021) Capitalism, Power and Innovation. Intellectual Monopoly Capitalism Uncovered. London: Routledge.
Roberge J (2011) What is critical hermeneutics? Thesis Eleven 106(1): 5–22.
Roberge J, Castelle M (2021) Toward an end-to-end sociology of 21st-century machine learning. In: Roberge J, Castelle M (eds) The Cultural Life of Machine Learning. Cham: Palgrave Macmillan, 1–29.
Savage M, Burrows R (2007) The coming crisis of empirical sociology. Sociology 41(5): 885–899.
Schoenberger E (2001) Interdisciplinarity and social power. Progress in Human Geography 25(3): 365–382.
Seaver N (2017) Algorithms as culture: Some tactics for the ethnography of algorithmic systems. Big Data & Society 4(2).
Weber M ((2010) [1949]) The methodology of the social sciences. Translated and edited by Shils Edward, Finch Henry. Transaction Publishers.

Biographie

Greti-Iulia Ivana est professeure agrégée au département de sociologie de l’Université de Glasgow, au Royaume-Uni. Ses recherches portent notamment sur l’économie morale et politique des données, les processus de calcul et de quantification, ainsi que les fondements idéologiques du techno-capitalisme.

Fichier Excel des traductions par Gilles en vrac
Fiches avec les premières phrases (et non seulement les titres)
Les caractères gras dans le texte sont de Gilles.