{"id":10454,"date":"2026-06-03T15:53:47","date_gmt":"2026-06-03T19:53:47","guid":{"rendered":"https:\/\/www.gillesenvrac.ca\/carnet\/?page_id=10454"},"modified":"2026-10-19T14:32:40","modified_gmt":"2026-10-19T18:32:40","slug":"sociologie-au-dela-de-linformatique","status":"publish","type":"page","link":"https:\/\/gillesenvrac.ca\/carnet\/trad\/sociologie-au-dela-de-linformatique\/","title":{"rendered":"La sociologie au-del\u00e0 de l’informatique ? D’autres fa\u00e7ons d’\u00e9tudier la vie num\u00e9rique"},"content":{"rendered":"\n

Traduction de Sociology beyond computation? Alternative ways of researching digital life<\/a>, publi\u00e9 par Greti-Iulia Ivana dans Acta Sociologica<\/a> le 21 mai 2026. [R\u00e9f. The-Syllabus<\/a>]<\/p>\n\n\n\n

\n\n\n\n

R\u00e9sum\u00e9<\/h2>\n\n\n\n

Cela fait plus de 15 ans que Savage et Burrows ont publi\u00e9 leur article influent sur la crise de la sociologie empirique. Depuis, de nombreux auteurs ont soulign\u00e9 comment l\u2019essor de la science des donn\u00e9es affaiblit la cr\u00e9dibilit\u00e9 de la sociologie et sa mission de produire des connaissances sur les r\u00e9alit\u00e9s sociales en g\u00e9n\u00e9ral, et sur les ph\u00e9nom\u00e8nes sociaux \u00e9mergents en particulier. Dans ce contexte, la r\u00e9ponse m\u00e9thodologique dominante des sciences sociales a consist\u00e9 \u00e0 explorer les passerelles entre la sociologie et la science des donn\u00e9es. Cependant, je soutiens que cet effort continu est marqu\u00e9 par des incoh\u00e9rences \u00e9pist\u00e9mologiques, \u00e9thiques et politiques importantes, mais souvent sous-estim\u00e9es. Combler le foss\u00e9 m\u00e9thodologique entre la sociologie et l\u2019informatique a un co\u00fbt, en particulier pour la discipline plac\u00e9e en position subordonn\u00e9e dans la production de connaissances. C\u2019est pourquoi il est urgent d\u2019articuler explicitement et d\u2019encourager un programme plus large et politiquement conscient en faveur de m\u00e9thodes centr\u00e9es sur l\u2019humain en sociologie num\u00e9rique.<\/p>\n\n\n\n

\n\n\n\n

La pression m\u00e9thodologique du calcul<\/h2>\n\n\n\n

Cela fait plus de 15 ans que Savage et Burrows (2007) ont publi\u00e9 leur article influent sur la crise de la sociologie empirique. Comme ils l\u2019ont soulign\u00e9 dans une r\u00e9flexion ult\u00e9rieure (Burrows et Savage, 2014), les m\u00e9gadonn\u00e9es ne faisaient pas partie de leur raisonnement initial, mais elles ont progressivement pris une place centrale dans les d\u00e9bats sur les m\u00e9thodes num\u00e9riques et traditionnelles en sciences sociales. Ces derni\u00e8res ann\u00e9es, les ramifications du big data dans la recherche sociologique se sont encore \u00e9tendues, aliment\u00e9es par le d\u00e9veloppement de l\u2019apprentissage automatique, d\u2019outils computationnels plus puissants et, d\u00e9sormais, de l\u2019IA.<\/p>\n\n\n\n

Le processus de datafication a des cons\u00e9quences profondes pour la sociologie empirique, car nous vivons \u00e0 une \u00e9poque o\u00f9 bon nombre de nos actions et interactions quotidiennes sont suivies. Nous \u00e9coutons de la musique sur Spotify ; nous achetons des livres sur Amazon ou les recherchons dans des biblioth\u00e8ques 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 entit\u00e9s supra-individuelles telles que les institutions publiques (par exemple, les syst\u00e8mes de sant\u00e9 et de justice) et les entreprises (par exemple, les banques et les soci\u00e9t\u00e9s \u00e9nerg\u00e9tiques) d\u00e9pendent tout autant des technologies num\u00e9riques. Ainsi, une part importante de la vie sociale est d\u00e9sormais enregistr\u00e9e. Ces donn\u00e9es sont rarement destin\u00e9es \u00e0 l\u2019analyse scientifique ; n\u00e9anmoins, elles permettent de suivre en temps r\u00e9el la dynamique des \u00e9v\u00e9nements, des relations, des groupes et des vies individuelles avec une port\u00e9e et un niveau de d\u00e9tail jusqu\u2019alors inaccessibles. Les changements m\u00e9thodologiques induits par ces \u00e9volutions sont multiples. Premi\u00e8rement, les sociologues sont confront\u00e9s au big data (provenant g\u00e9n\u00e9ralement des empreintes num\u00e9riques, mais aussi d\u2019autres vastes enregistrements num\u00e9riques, comme les donn\u00e9es de sant\u00e9) en tant que nouvelles sources d\u2019information. Deuxi\u00e8mement, la science des donn\u00e9es g\u00e9n\u00e9rale s\u2019impose \u00e0 nous comme un ensemble d\u2019outils permettant de donner un sens au volume et aux caract\u00e9ristiques des donn\u00e9es qui entrent dans notre domaine. Bien qu\u2019il soit possible de travailler avec le big data sans recourir aux outils de la science des donn\u00e9es, et inversement d\u2019appliquer la science des donn\u00e9es \u00e0 d\u2019autres types d\u2019ensembles de donn\u00e9es, dans la pratique, ces deux aspects vont g\u00e9n\u00e9ralement de pair.1 C\u2019est pourquoi j\u2019utiliserai indiff\u00e9remment des termes tels que \u00ab m\u00e9thodes du big data \u00bb et \u00ab approches de la science des donn\u00e9es \u00bb comme termes g\u00e9n\u00e9riques pour d\u00e9signer la recherche qui porte sur ce type de collecte, de traitement et d\u2019analyse de donn\u00e9es. Je parle \u00e9galement de calcul au sens large, pour d\u00e9signer toutes les formes automatis\u00e9es et algorithmiques permettant de tirer des enseignements du big data. Cela diff\u00e8re de la conception plus \u00e9troite de la science des donn\u00e9es computationnelle, qui se r\u00e9f\u00e8re strictement \u00e0 l\u2019apprentissage automatique avanc\u00e9, aux simulations et \u00e0 l\u2019IA. La r\u00e9flexion actuelle consid\u00e8re la croissance du big data au sein de la m\u00e9thodologie de la recherche sociale comme un processus continu qui n\u2019a \u00e9t\u00e9 que fortement amplifi\u00e9, et non perturb\u00e9, par un apprentissage profond et une IA de plus en plus sophistiqu\u00e9s. Comme cela a \u00e9t\u00e9 avanc\u00e9 ailleurs (Chaudhary et Penn, 2024), l\u2019intelligence artificielle pr\u00e9sente ses propres particularit\u00e9s dans la recherche comme ailleurs, mais elle repose toujours sur une infrastructure de plateformes, une datafication omnipr\u00e9sente et le profilage. L\u2019accent est mis ici sur ce terrain \u00e9pist\u00e9mologique commun que partagent les connaissances computationnelles issues de l\u2019IA et celles qui ne le sont pas.<\/p>\n\n\n\n

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 \u00ab perdent leur autorit\u00e9 pour analyser et interpr\u00e9ter les \u00e9volutions du monde social \u00bb (voir aussi Bartlett et al., 2018). Face \u00e0 cette menace existentielle, les sociologues ont r\u00e9agi de diverses mani\u00e8res. Sur le plan th\u00e9orique, de nombreux efforts ont \u00e9t\u00e9 consacr\u00e9s \u00e0 remettre en question de mani\u00e8re critique le recours croissant aux donn\u00e9es num\u00e9riques, \u00e0 la quantification et aux mod\u00e8les algorithmiques. Sur le plan m\u00e9thodologique, cependant, je sugg\u00e8re que l\u2019approche dominante a consist\u00e9 \u00e0 combler le foss\u00e9 entre la sociologie et les techniques de la science des donn\u00e9es et \u00e0 les combiner pour comprendre les r\u00e9alit\u00e9s sociales empiriques. Pourtant, il existe des tensions \u00e9thiques, politiques et \u00e9pist\u00e9mologiques fondamentales non r\u00e9solues inh\u00e9rentes \u00e0 la combinaison des m\u00e9thodes sociologiques et computationnelles. C\u2019est pourquoi, \u00e0 l\u2019\u00e8re de la datafication de masse et de l\u2019IA plus que jamais, nous avons besoin d\u2019une discussion plus ouverte sur les \u00e9cueils du m\u00e9lange des m\u00e9thodes computationnelles et sociologiques, ainsi que sur le co\u00fbt de ces m\u00e9langes pour les sciences sociales.<\/p>\n\n\n\n

Les d\u00e9veloppements de recherche hybrides et ceux qui sont sp\u00e9cifiquement sociologiques peuvent coexister et coexistent effectivement au sein de la discipline, mais ils occupent des positions diff\u00e9rentes dans la politique intra-disciplinaire de la production de connaissances. Plus pr\u00e9cis\u00e9ment, les perspectives qui mettent l\u2019accent sur l\u2019int\u00e9gration de l\u2019informatique en sociologie sont souvent programmatiques et \u00e9manent d\u2019un espace d\u2019autorit\u00e9 \u00e9pist\u00e9mique, tandis que les travaux qui proposent des innovations m\u00e9thodologiques non informatiques sont, par d\u00e9finition, de petite envergure. De plus, ils se montrent modestes dans leurs revendications quant \u00e0 leur pertinence dans les d\u00e9bats sur l\u2019avenir de la discipline. Je soutiens ici qu\u2019il est crucial non seulement que les travaux non computationnels continuent d\u2019\u00eatre publi\u00e9s, mais aussi qu\u2019un programme plus large et politiquement conscient, visant une branche de la sociologie ind\u00e9pendante de l\u2019analyse de donn\u00e9es, soit \u00e0 la fois encourag\u00e9 et articul\u00e9 de mani\u00e8re plus explicite.<\/p>\n\n\n\n

Pour ce faire, j\u2019explore tout d\u2019abord le domaine des sciences sociales computationnelles (CSS) et certaines de ses critiques. Ensuite, j\u2019aborde plusieurs propositions visant \u00e0 nourrir le lien entre les sciences sociales et l\u2019informatique, notamment, mais sans s\u2019y limiter, les approches donn\u00e9es\/th\u00e9orie (Lindgren, 2020), les sciences sociales symphoniques (Halford et Savage, 2017) et la sociologie impr\u00e9gn\u00e9e d\u2019IA (Au et Fong, 2025). Ensuite, je mets en \u00e9vidence certaines incoh\u00e9rences souvent sous-estim\u00e9es entre les m\u00e9thodes sociologiques et l\u2019analyse de donn\u00e9es. En conclusion, je plaide en faveur de l\u2019importance de m\u00e9thodologies critiques ax\u00e9es sur l\u2019humain qui s\u2019appuient de mani\u00e8re plus ferme et coh\u00e9rente sur l\u2019h\u00e9ritage des sciences sociales critiques dans l\u2019\u00e9tude de la vie num\u00e9rique.<\/p>\n\n\n\n

La sociologie devient-elle computationnelle ?<\/h2>\n\n\n\n

L’espace interdisciplinaire o\u00f9 la sociologie rencontre la science des donn\u00e9es est occup\u00e9 dans une large mesure par la CSS. Dans leur article de synth\u00e8se, Edelmann et al. (2020) d\u00e9finissent la CSS comme \u00ab un domaine interdisciplinaire qui fait progresser les th\u00e9ories du comportement humain en appliquant des techniques computationnelles \u00e0 de grands ensembles de donn\u00e9es provenant des r\u00e9seaux sociaux, d’Internet ou d’autres archives num\u00e9ris\u00e9es telles que les dossiers administratifs \u00bb. Conform\u00e9ment \u00e0 cette d\u00e9finition, la CSS s\u2019appuie souvent sur certaines perspectives sociologiques, mais elle ne constitue pas un hybride m\u00e9thodologique. Ses m\u00e9thodes d\u2019enqu\u00eate sont principalement emprunt\u00e9es \u00e0 la science des donn\u00e9es.<\/p>\n\n\n\n

\u00c0 l\u2019image des tendances soci\u00e9tales observ\u00e9es dans d\u2019autres secteurs, la CSS a connu un essor au cours de la derni\u00e8re d\u00e9cennie. Edelmann et al. (2020) soulignent que le nombre d\u2019articles en CSS a explos\u00e9 entre 2012 et 2016, en particulier en psychologie et en gestion. La sociologie conna\u00eet une \u00e9volution similaire, mais d\u00e9cal\u00e9e, avec une augmentation marqu\u00e9e \u00e0 partir de 2014. Bien que ces r\u00e9sultats ne s\u2019\u00e9tendent que jusqu\u2019en 2016, certains \u00e9l\u00e9ments sugg\u00e8rent que cette expansion s\u2019est poursuivie depuis lors. Par exemple, selon Scopus, la revue Social Science Computer Review, qui publie exclusivement des travaux \u00e0 l\u2019intersection des sciences sociales et de l\u2019informatique, est pass\u00e9e d\u2019un facteur d\u2019impact de 2,56 \u00e0 5,86 entre 2013 et 2023. La revue Computers in Human Behaviour a enregistr\u00e9 une hausse de son impact de 2,27 \u00e0 9 au cours de la m\u00eame p\u00e9riode. En 2025, le principal bailleur de fonds britannique pour la recherche en sciences sociales, l\u2019ESRC, a annonc\u00e9 un investissement \u00e0 venir de 22 millions de livres sterling dans de nouveaux services de donn\u00e9es, visant \u00e0 encourager les chercheurs en sciences sociales \u00e0 travailler avec de nouveaux types de donn\u00e9es num\u00e9riques. La Social Science Research Foundation aux \u00c9tats-Unis partage cette approche. Par exemple, les subventions Data Fluencies Grants soutiennent financi\u00e8rement les doctorants pour qu\u2019ils d\u00e9veloppent et mettent en \u0153uvre des pratiques fond\u00e9es sur les donn\u00e9es.<\/p>\n\n\n\n

Tous ces indicateurs t\u00e9moignent d\u2019un recours croissant \u00e0 l\u2019analyse de donn\u00e9es pour construire la connaissance des r\u00e9alit\u00e9s sociales. Bien que ces chiffres concernent principalement le monde anglophone, le processus de datafication est mondial ; il serait donc difficile d\u2019imaginer que son impact sur les sciences sociales soit limit\u00e9 g\u00e9ographiquement. De plus, l\u2019essor de l\u2019IA \u00e9largit et diversifie les fa\u00e7ons dont les sciences sociales d\u00e9pendent du big data. Un exemple concret en est l\u2019utilisation de simulations de donn\u00e9es g\u00e9n\u00e9r\u00e9es par l\u2019IA pour explorer la vie sociale (Bail, 2024). Le mod\u00e8le d\u2019IA fonctionne en analysant des profils synth\u00e9tiques, auxquels sont attribu\u00e9es une s\u00e9rie de caract\u00e9ristiques ainsi que des sch\u00e9mas d\u2019action ant\u00e9rieurs, afin d\u2019identifier les r\u00e9sultats les plus probables dans des situations sociales sp\u00e9cifiques. Selon Bail (2024), de telles simulations seraient particuli\u00e8rement utiles pour \u00e9tudier des ph\u00e9nom\u00e8nes \u00e9thiquement sensibles ou dangereux. Des recherches utilisant des substituts technologiques plut\u00f4t que des agents humains sont d\u00e9j\u00e0 men\u00e9es et utilis\u00e9es pour affiner les technologies permettant de simuler de mani\u00e8re cr\u00e9dible les (inter)actions humaines (Park et al., 2023). Dans de telles conceptions, bien que la simulation puisse faire r\u00e9f\u00e9rence \u00e0 un comportement humain non structur\u00e9 et au langage naturel (p. ex. un groupe de discussion simul\u00e9), les donn\u00e9es sur lesquelles la simulation est ex\u00e9cut\u00e9e et la logique par laquelle elle est produite puis analys\u00e9e sont toutes computationnelles.<\/p>\n\n\n\n

\u00c9voquant ce recours aux donn\u00e9es num\u00e9riques et \u00e0 la science des donn\u00e9es, et s\u2019inspirant des id\u00e9es de Mosco (2014, 2016, tel que cit\u00e9 dans Fuchs 2017), Fuchs soutient que nous avons besoin d\u2019un changement de paradigme passant de (a) l\u2019analyse des m\u00e9gadonn\u00e9es, le positivisme num\u00e9rique et le \u00ab cloud sublime \u00bb \u00e0 (b) des m\u00e9thodes num\u00e9riques critiques. Il sugg\u00e8re en outre que le premier correspond \u00e0 une recherche qui \u00ab ne parvient pas \u00e0 comprendre les motivations, les exp\u00e9riences, les interpr\u00e9tations, les normes et les valeurs des utilisateurs \u00bb (Fuchs, 2017 : 43). Cependant, comme le sugg\u00e8rent les d\u00e9veloppements des m\u00e9thodes bas\u00e9es sur l\u2019IA d\u00e9crits ci-dessus, le domaine de l\u2019analyse de donn\u00e9es se perfectionne, et de moins en moins de chercheurs qui y travaillent se revendiqueraient comme de purs positivistes num\u00e9riques. En fait, certains auteurs affirment que les informaticiens purement positivistes sont de toute fa\u00e7on une construction imaginaire (Seaver, 2017). Une fa\u00e7on utile d\u2019envisager la relation entre les m\u00e9thodologies sociologiques traditionnelles et la bo\u00eete \u00e0 outils des CSS consiste \u00e0 recourir \u00e0 une dialectique h\u00e9g\u00e9lienne simplifi\u00e9e. Les m\u00e9thodes sociologiques critiques repr\u00e9sentent la th\u00e8se originale ; le cadre de l\u2019analyse de donn\u00e9es\/CSS est l\u2019antith\u00e8se, qu\u2019il soit factuel ou imagin\u00e9 comme un oppos\u00e9 positiviste au canon sociologique critique et interpr\u00e9tatif ; les hybrides sociologiques-informatiques \u00e9mergents actuels cherchent \u00e0 \u00eatre la synth\u00e8se. La croissance du big data en sociologie contemporaine se pr\u00e9sente sous diff\u00e9rentes formes et \u00e0 diff\u00e9rents degr\u00e9s de cette synth\u00e8se. Ainsi, plut\u00f4t que de voir la sociologie menac\u00e9e d\u2019obsolescence par l\u2019analyse de donn\u00e9es, nous assistons \u00e0 une tendance \u00e0 l\u2019ouverture de la discipline \u00e0 des perspectives et des pratiques emprunt\u00e9es \u00e0 la science des donn\u00e9es.<\/p>\n\n\n\n

Alors que l\u2019antith\u00e8se, repr\u00e9sent\u00e9e par l\u2019analyse purement quantifi\u00e9e et instrumentale, a fait l\u2019objet de critiques importantes, tant pour ses limites th\u00e9oriques que m\u00e9thodologiques, la synth\u00e8se, le paradigme sociologique-informatique, n\u2019a globalement pas \u00e9t\u00e9 remise en cause en tant que norme de r\u00e9f\u00e9rence pour mener des recherches sur la vie sociale \u00e0 l\u2019\u00e8re num\u00e9rique. Il s\u2019agit l\u00e0 d\u2019une lacune importante que le pr\u00e9sent article se propose de combler.<\/p>\n\n\n\n

Mod\u00e8les hybrides sociologiques-informatiques<\/h2>\n\n\n\n

Avant d\u2019aborder certains m\u00e9langes m\u00e9thodologiques entre la sociologie et l\u2019analyse de donn\u00e9es, j\u2019expliquerai bri\u00e8vement ce que j\u2019entends par \u00ab hybride \u00bb. J\u2019utilise des termes tels que \u00ab m\u00e9lange\/hybride\/combinaison sociologique-informatique \u00bb pour d\u00e9signer des cadres qui rassemblent explicitement non seulement diverses perspectives disciplinaires, mais aussi des bo\u00eetes \u00e0 outils m\u00e9thodologiques issues \u00e0 la fois de la sociologie et de la science des donn\u00e9es.<\/p>\n\n\n\n

Bien que les outils et techniques computationnels puissent s\u2019appliquer \u00e0 diff\u00e9rents types de donn\u00e9es, le potentiel de rapprochement entre les m\u00e9thodes sociologiques et la science des donn\u00e9es s\u2019est d\u00e9velopp\u00e9 et continue d\u2019\u00eatre pr\u00e9dominant en ce qui concerne les donn\u00e9es num\u00e9riques natives quantitatives. Dans ce contexte, de nombreux chercheurs en sciences sociales ont \u00e9galement propos\u00e9 des mod\u00e8les visant \u00e0 int\u00e9grer ces perspectives dans la recherche sociale \u00e0 l\u2019aide du big data. Un des premiers exemples d\u2019une telle approche est l\u2019incursion de Marres et Weltervrede (2013) dans la recherche sociale \u00ab en direct \u00bb. Un autre mod\u00e8le m\u00e9thodologique de premier plan formul\u00e9 dans cette veine est l\u2019association, par Halford et Savage (2017), de l\u2019analyse de donn\u00e9es et des sciences sociales symphoniques. Pour les auteurs, le big data et les sciences sociales symphoniques peuvent \u00eatre rapproch\u00e9s, car ces deux approches mobilisent de mani\u00e8re flexible des donn\u00e9es provenant de diff\u00e9rentes sources et sous diff\u00e9rents formats. La suspension des hypoth\u00e8ses th\u00e9oriques, affirment-ils, est un point commun entre l\u2019analyse de donn\u00e9es, la th\u00e9orie ancr\u00e9e et l\u2019ethnographie. Le parall\u00e8le entre le travail avec le big data et l\u2019ethnographie est \u00e9galement abord\u00e9 dans l\u2019incursion de Lindgren (2020) dans ce qu\u2019il appelle la th\u00e9orie des donn\u00e9es. Goldberg (2015) et McFarland et al. (2016) proposent \u00e9galement une approche qui permettrait au big data et \u00e0 la sociologie de se croiser : les sciences sociales m\u00e9dico-l\u00e9gales. Les travaux de Beuving (2020) soulignent \u00e9galement les parall\u00e8les entre le traitement informatique des m\u00e9gadonn\u00e9es et la recherche ethnographique, en proposant des analogies entre les principes qui guident ces deux disciplines.<\/p>\n\n\n\n

L’explosion de l’IA a prolong\u00e9 et exacerb\u00e9 ce discours. Au et Fong (2025) proposent d’\u00e9largir la formation m\u00e9thodologique en sociologie pour y inclure l’\u00e9tude des disciplines computationnelles. Ils affirment qu\u2019il serait fondamental pour les dipl\u00f4m\u00e9s en sociologie d\u2019acqu\u00e9rir des comp\u00e9tences en analyse de donn\u00e9es afin de comprendre et de \u00ab traiter les r\u00e9sultats sociaux \u00bb. De m\u00eame, Baranowski (2025) insiste sur \u00ab la n\u00e9cessit\u00e9 pour la sociologie d\u2019\u00e9voluer et d\u2019adopter de nouvelles m\u00e9thodes de recherche (par exemple, l\u2019analyse quantitative de donn\u00e9es qualitatives) qui r\u00e9pondent aux d\u00e9fis d\u2019une r\u00e9alit\u00e9 sociale de plus en plus num\u00e9ris\u00e9e, fond\u00e9e sur l\u2019IA et l\u2019apprentissage automatique \u00bb.<\/p>\n\n\n\n

Ce n’est l\u00e0 qu’un petit \u00e9chantillon de voix et d’approches qui illustrent que, notamment sur le plan m\u00e9thodologique, la sociologie embrasse collectivement une hybridation avec la science des donn\u00e9es ; la croissance de l’IA est utilis\u00e9e comme justification suppl\u00e9mentaire de cette perspective.<\/p>\n\n\n\n

Les failles des mod\u00e8les hybrides<\/h2>\n\n\n\n

Les approches hybrides naissent de la volont\u00e9 de surmonter les limites d’un positivisme na\u00eff des donn\u00e9es, tout en rendant les m\u00e9thodes sociologiques plus \u00e9volutives et mieux adapt\u00e9es pour g\u00e9n\u00e9rer du sens \u00e0 partir de vastes ensembles de donn\u00e9es num\u00e9riques. Pourtant, ces tentatives sont marqu\u00e9es par de profondes incompatibilit\u00e9s \u00e9pist\u00e9mologiques, politiques et \u00e9thiques entre les disciplines. Sur le plan \u00e9thique, il est important de souligner que la \u00ab datafication \u00bb croissante repose fortement sur une certaine mythologie de la v\u00e9rit\u00e9, de l\u2019objectivit\u00e9 et des mesures quantifi\u00e9es (boyd et Crawford, 2012) que les sciences sociales critiques remettent en question depuis longtemps. Les pr\u00e9occupations sont profondes et nombreuses, depuis la critique du positivisme par Weber (2010) jusqu\u2019\u00e0 l\u2019histoire de l\u2019objectivit\u00e9 par Daston et Galison (2007), en passant par l\u2019analyse de Mau (2019) sur la quantification en tant que moteur des formes de contr\u00f4le coloniales et financi\u00e8res exerc\u00e9es respectivement par les \u00c9tats et les march\u00e9s. L’utilisation du big data dans la recherche sociologique l\u00e9gitime sa production, ses utilisations et ses pr\u00e9tentions \u00e0 la connaissance. Elle accepte fondamentalement que le domaine de la vie humaine et sociale puisse \u00eatre document\u00e9, analys\u00e9 de mani\u00e8re significative, simul\u00e9 et pr\u00e9dit par des moyens algorithmiques automatis\u00e9s. Les hybrides avec les m\u00e9thodes sociologiques peuvent en partie masquer cette question, mais ils ne peuvent pas la r\u00e9soudre. Outre l\u2019acceptation de r\u00e9cits culturels charg\u00e9s de significations politiques, les nouvelles formes de savoir fond\u00e9es sur les donn\u00e9es ont \u00e9t\u00e9 fa\u00e7onn\u00e9es de mani\u00e8re d\u00e9cisive par la mon\u00e9tisation de certains types de donn\u00e9es d\u2019empreinte num\u00e9rique. L\u2019\u00e9conomie des donn\u00e9es dans son ensemble est n\u00e9e de (et continue de se construire sur) la valeur mon\u00e9taire d\u00e9riv\u00e9e des empreintes num\u00e9riques des utilisateurs (Burrell et Fourcade, 2021). Il est donc crucial de se rappeler \u00e0 quel point le big data est intimement li\u00e9 \u00e0 la recherche de profit techno-capitaliste. Le big data est la repr\u00e9sentation mat\u00e9rielle des croyances culturelles et \u00e9pist\u00e9mologiques des \u00e9lites technologiques, ainsi que la ressource sur laquelle repose leur h\u00e9g\u00e9monie \u00e9conomique et informationnelle. Les approches computationnelles et hybrides de la recherche en sciences sociales traduisent la conformit\u00e9 de notre domaine \u00e0 cette h\u00e9g\u00e9monie sur le plan m\u00e9thodologique, m\u00eame lorsque nos positions th\u00e9oriques s\u2019ancrent dans des traditions critiques.<\/p>\n\n\n\n

D’une part, Desrosieres (2016) observe que des liens ont toujours exist\u00e9 entre les statistiques et les pratiques n\u00e9olib\u00e9rales, tant dans l’administration publique que dans les entreprises priv\u00e9es. M\u00eame lorsqu’elle n’est pas directement utilis\u00e9e dans les politiques ou les affaires, la recherche sociale quantitative pourrait encore \u00eatre consid\u00e9r\u00e9e comme globalement compatible avec une \u00e9thique n\u00e9olib\u00e9rale. D’autre part, avec la recherche sur les m\u00e9gadonn\u00e9es, la relation avec les forces capitalistes est beaucoup plus forte et d’une nature diff\u00e9rente, car une grande partie des m\u00e9gadonn\u00e9es continue d’\u00eatre extraite par des plateformes priv\u00e9es qui en sont propri\u00e9taires (Frade, 2016). Si cela est plus \u00e9vident pour les donn\u00e9es priv\u00e9es, les registres publics sont cr\u00e9\u00e9s et utilis\u00e9s selon la m\u00eame logique. Faulkner-Gurstein et Wyatt (2023), par exemple, montrent l\u2019importance des gains en capital dans la \u00ab platformisation \u00bb du NHS. La suggestion de Bail (2024) de cr\u00e9er une infrastructure open source pour la recherche en sciences sociales tente de r\u00e9pondre \u00e0 ces pr\u00e9occupations \u00e9thiques. Pourtant, m\u00eame si de telles infrastructures sont d\u00e9velopp\u00e9es pour l\u2019analyse, les \u00e9cosyst\u00e8mes de donn\u00e9es d\u00e9pendront toujours, \u00e0 certains \u00e9gards, d\u2019infrastructures priv\u00e9es (Micheli et al., 2020). Cet enchev\u00eatrement entre le secteur priv\u00e9 producteur de donn\u00e9es et la recherche sociale utilisatrice de donn\u00e9es est sp\u00e9cifique au contexte socio-\u00e9conomique actuel, et il \u00e9tablit une d\u00e9pendance directe de la recherche sociologique vis-\u00e0-vis des int\u00e9r\u00eats des entreprises technologiques. Cela, \u00e0 son tour, d\u00e9termine ce qui fait l\u2019objet de la recherche et de quelle mani\u00e8re, ainsi que la fa\u00e7on dont certains types de recherche sont \u00e9valu\u00e9s.<\/p>\n\n\n\n

La recherche sur les m\u00e9gadonn\u00e9es s’accompagne de nouvelles valeurs \u00e9pist\u00e9miques (Diaz-Bone et al., 2020 ; Kitchin, 2014). Kitchin (2014) montre que, parce qu’elles sont orient\u00e9es vers la pr\u00e9diction, les m\u00e9gadonn\u00e9es sont g\u00e9n\u00e9ralement tr\u00e8s efficaces pour d\u00e9tecter des associations (pass\u00e9es et futures), mais moins aptes \u00e0 expliquer pourquoi elles existent. Un argument similaire est avanc\u00e9 par McKelvey (2021) dans son chapitre sur l\u2019essor de l\u2019informatique en politique. L\u2019auteur montre notamment comment les travaux de Simulmatics Corporation et du Projet Cambridge \u00e0 la fin des ann\u00e9es 1950 et au d\u00e9but des ann\u00e9es 1960 visaient \u00e0 pr\u00e9dire les r\u00e9sultats des \u00e9lections et \u00e0 identifier des moyens de conna\u00eetre, mais aussi \u00e9ventuellement de contr\u00f4ler, le comportement humain. Cette perspective comportementaliste, soutient McKelvey (2021), a ouvert la voie \u00e0 la science politique computationnelle contemporaine, en se concentrant exclusivement sur les r\u00e9alit\u00e9s observables des choix \u00e9lectoraux, sans compr\u00e9hension approfondie des raisons sous-jacentes \u00e0 certains comportements de vote.<\/p>\n\n\n\n

\u00c0 bien des \u00e9gards, les approches comportementalistes d\u00e9crites par McKelvey (2021) s\u2019appliquent au-del\u00e0 de la science politique \u00e0 de nombreux domaines de la recherche computationnelle. Les infrastructures num\u00e9riques ne sont pas \u00e9quip\u00e9es d\u2019outils permettant d\u2019enregistrer les motivations et les significations des utilisateurs. Et le big data, comme toutes les mesures, sous-estime l\u2019importance de ce qu\u2019il ne peut pas quantifier, tout en surestimant la signification de ce qu\u2019il peut quantifier (Busch, 2017). C’est pourquoi il sous-estime les significations subjectives et surestime l’importance des actions mesurables. Cela conduit \u00e0 un r\u00e9ductionnisme insurmontable qui est inh\u00e9rent au processus d’extraction et d’analyse des donn\u00e9es num\u00e9riques. Seuls les comportements peuvent \u00eatre enregistr\u00e9s, comme l’a \u00e9galement soulign\u00e9 la d\u00e9finition des CSS donn\u00e9e plus haut par Edelmann et al. (2020).<\/p>\n\n\n\n

La sociologie, en revanche, est une discipline qui s\u2019est historiquement attach\u00e9e \u00e0 comprendre non seulement ce qui se passe, mais aussi \u00e0 le replacer dans un contexte social et \u00e0 se demander pourquoi cela se produit. Dans l\u2019ensemble, l\u2019id\u00e9e de d\u00e9passer le dualisme action-signification est assez largement accept\u00e9e dans la recherche sociologique (Roberge, 2011). Le r\u00f4le de la signification est li\u00e9 aux r\u00e9flexions sur l\u2019objectif de la collecte de donn\u00e9es et, plus g\u00e9n\u00e9ralement, de la recherche sur les r\u00e9alit\u00e9s sociales. Comme le soutient Jones (2018) dans sa r\u00e9flexion sur le positivisme des donn\u00e9es, l\u2019essor des m\u00e9thodes computationnelles s\u2019inscrit dans une tendance \u00e0 valoriser de plus en plus le savoir instrumental. Ce m\u00eame positivisme a \u00e9galement \u00ab renforc\u00e9 les cat\u00e9gories traditionnelles de discrimination raciale, sexuelle et de classe \u00bb (Jones, 2018 : 674).<\/p>\n\n\n\n

L\u2019accent mis sur le comportement observable et l\u2019instrumentalisation de la recherche est \u00e9galement g\u00e9n\u00e9ralement associ\u00e9 \u00e0 l\u2019universalisme. \u00c0 premi\u00e8re vue, comme les donn\u00e9es des utilisateurs sont propres \u00e0 chacun d\u2019entre nous, la recherche sur le big data est tout sauf universaliste. Cependant, je soutiens que la personnalisation n\u2019est pas l\u2019oppos\u00e9 de l\u2019universalisme ; les op\u00e9rations computationnelles utilis\u00e9es pour traiter les donn\u00e9es sont universelles. En analyse de donn\u00e9es, les significations ne proviennent ni des utilisateurs eux-m\u00eames ni de cadres th\u00e9oriques. Le but de l\u2019analyse computationnelle est pr\u00e9cis\u00e9ment de laisser les donn\u00e9es parler d\u2019elles-m\u00eames avant de les interpr\u00e9ter th\u00e9oriquement (Kitchin, 2014). Ainsi, en sciences des donn\u00e9es, le sens est invariablement impos\u00e9 par la cat\u00e9gorisation automatique (Roberge et Castelle, 2021). Les machines ne peuvent produire quoi que ce soit de significatif qu\u2019\u00e0 travers des variables sp\u00e9cifiques, et en attribuant des valeurs \u00e0 chacune de ces variables. Ces attributions de valeur sont effectu\u00e9es de mani\u00e8re algorithmique et ne peuvent \u00eatre qu\u2019universalistes. De plus, pour reprendre la formulation \u00e9loquente de Busch (2017 : 660), \u00ab les attributions sont des revendications de v\u00e9rit\u00e9, des revendications de v\u00e9rit\u00e9 tellement tenues pour acquises qu\u2019elles sont au-dessus de toute contestation \u00bb.<\/p>\n\n\n\n

Ce sont l\u00e0 quelques-unes des positions \u00e9pist\u00e9miques et des valeurs qui, \u00e0 mon avis, \u00e9loignent fondamentalement la sociologie des CSS. Cependant, aucun des mod\u00e8les hybrides ne pr\u00f4nait le remplacement des m\u00e9thodes sociologiques, mais plut\u00f4t la pluralit\u00e9 m\u00e9thodologique et l\u2019utilisation de toutes les sources d\u2019information disponibles sur un objet, un domaine ou une recherche donn\u00e9s. Plus encore, les partisans des mod\u00e8les hybrides sugg\u00e8rent souvent que la science des donn\u00e9es peut \u00eatre aid\u00e9e en int\u00e9grant des perspectives sociologiques pour surmonter certaines de ses limites actuelles. On dit que nous pouvons aider les programmeurs \u00e0 \u00eatre plus conscients des risques de r\u00e9ification des cat\u00e9gories sociales par leurs algorithmes. Nous pouvons souligner l\u2019importance du contexte social et int\u00e9grer des th\u00e9ories sociologiques d\u00e8s les premi\u00e8res \u00e9tapes des projets de recherche. Aussi optimistes que soient ces suggestions, elles n\u00e9gligent la question de l\u2019autorit\u00e9 et du pouvoir symbolique de la sociologie par rapport \u00e0 l\u2019analyse de donn\u00e9es 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 \u00e9changes intellectuels se d\u00e9roulant dans un vide social. Au contraire, elles sont profond\u00e9ment fa\u00e7onn\u00e9es par des relations de pouvoir qui peuvent prendre diff\u00e9rentes formes. MacMynowski a fait r\u00e9f\u00e9rence (a) au statut scientifique individuel, (b) \u00e0 la mani\u00e8re la plus socialement accept\u00e9e de formuler un probl\u00e8me, (c) \u00e0 l\u2019inclusion ou \u00e0 l\u2019exclusion des chercheurs, et (d) \u00e0 la pertinence per\u00e7ue de la recherche pour les d\u00e9cisions politiques. Tous ces \u00e9l\u00e9ments sont pertinents dans la rencontre entre la sociologie et la science des donn\u00e9es, et si certains, comme le statut individuel de certains chercheurs, peuvent \u00eatre assez sp\u00e9cifiques \u00e0 un projet, d\u2019autres, comme les interpr\u00e9tations commun\u00e9ment accept\u00e9es d\u2019un probl\u00e8me et la pertinence pour les politiques, s\u2019appliquent plus largement. Compte tenu du r\u00f4le croissant des connaissances fond\u00e9es sur les donn\u00e9es dans tous les aspects de nos vies, le pouvoir social des approches computationnelles est incontestable ; la science des donn\u00e9es jouit d\u2019une visibilit\u00e9 et d\u2019un poids social bien sup\u00e9rieurs \u00e0 ceux de la sociologie. Les possibilit\u00e9s de financement de la recherche et les d\u00e9cisions politiques le confirment encore davantage. Les points forts en mati\u00e8re de ressources, les fantasmes de statut li\u00e9s \u00e0 une collaboration \u00e9quitable, ainsi que les risques d\u2019imp\u00e9rialisme disciplinaire ont \u00e9t\u00e9 soulev\u00e9s dans des discussions critiques sur l\u2019interdisciplinarit\u00e9 (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 subordonn\u00e9e, comment nos propres valeurs \u00e9pist\u00e9miques peuvent-elles orienter la collaboration interdisciplinaire avec la science des donn\u00e9es, dans le cadre de projets hybrides ? La nature de ce rapport de force ne condamne-t-elle pas notre savoir \u00e0 \u00eatre colonis\u00e9 par des valeurs quantifi\u00e9es, comportementalistes et universalistes ?<\/p>\n\n\n\n

Tout autant que nous avons besoin d\u2019une ouverture transdisciplinaire, nous devons \u00e9galement reconna\u00eetre les implications d\u00e9licates des hybrides m\u00e9thodologiques et continuer \u00e0 d\u00e9velopper des innovations proprement sociologiques dans la recherche sur la vie num\u00e9rique, si nous voulons \u00e9viter que la sociologie ne soit progressivement envahie par les processus qu\u2019elle critique fermement. Certains des dangers li\u00e9s au recours aux ressources priv\u00e9es, aux \u00e9pist\u00e9mologies concurrentes et aux politiques interdisciplinaires ne sont pas propres aux m\u00e9langes m\u00e9thodologiques entre la sociologie et l\u2019analyse de donn\u00e9es. Les combinaisons entre les sciences sociales et les neurosciences cognitives, par exemple, pr\u00e9sentent les m\u00eames \u00e9cueils. Cependant, les pressions exerc\u00e9es sur la sociologie ne sont aussi intenses dans aucune autre direction qu\u2019elles ne le sont de la part de la science des donn\u00e9es. L’attente g\u00e9n\u00e9ralis\u00e9e de recourir au big data et au calcul (et d\u00e9sormais aussi \u00e0 l’IA) pour produire des connaissances sociologiques l\u00e9gitimes d\u00e9coule du monopole intellectuel des g\u00e9ants de la technologie (Rikap, 2021) ainsi que de l’autorit\u00e9 persistante des discours sur l’objectivit\u00e9 et les mesures quantitatives. La visibilit\u00e9, les mythes et l’argent qui sous-tendent la datafication rendent cette position \u00e9pist\u00e9mologique particuli\u00e8rement puissante, et particuli\u00e8rement n\u00e9faste pour la sociologie.<\/p>\n\n\n\n

La sociologie num\u00e9rique au-del\u00e0 de l\u2019informatique<\/h2>\n\n\n\n

Comprendre les transformations num\u00e9riques est sans aucun doute l\u2019un des plus grands d\u00e9fis de la sociologie du XXIe si\u00e8cle. Comme je l\u2019ai fait valoir plus haut, le m\u00e9lange souvent propos\u00e9 et consid\u00e9r\u00e9 comme acquis entre m\u00e9thodes sociologiques et informatiques s\u2019accompagne d\u2019un bagage de valeurs \u00e9pist\u00e9miques divergentes, d\u2019in\u00e9galit\u00e9s de statut entre les disciplines, ainsi que de pr\u00e9occupations li\u00e9es \u00e0 l\u2019\u00e9thique et \u00e0 l\u2019\u00e9conomie politique des m\u00e9gadonn\u00e9es. Mon argument soutient que, m\u00eame si les approches hybrides entre la sociologie et les m\u00e9gadonn\u00e9es peuvent parfois s\u2019av\u00e9rer efficaces, elles sont globalement marqu\u00e9es par des limites importantes. Il est donc important de ne pas consid\u00e9rer les combinaisons de m\u00e9thodes sociologiques et informatiques comme la nouvelle norme en mati\u00e8re de recherche sur la vie num\u00e9rique. Le m\u00e9lange des m\u00e9thodes rend les plans de recherche moins vuln\u00e9rables aux critiques mutuelles entre disciplines, mais il ne remet pas en question les positions \u00e9pist\u00e9mologiques cl\u00e9s et ne r\u00e9sout aucune incompatibilit\u00e9 m\u00e9thodologique fondamentale. C\u2019est pourquoi il est essentiel de continuer \u00e0 d\u00e9velopper des m\u00e9thodes qui vont au-del\u00e0 des perspectives hybrides et centr\u00e9es sur les donn\u00e9es pour \u00e9tudier les contextes sociotechniques. Ce domaine est \u00e0 l\u2019avant-garde du maintien d\u2019une partie de l\u2019autorit\u00e9 de la sociologie pour produire des connaissances sur les soci\u00e9t\u00e9s et pour construire des m\u00e9thodes originales align\u00e9es sur sa propre compr\u00e9hension critique du d\u00e9veloppement technologique. De nombreux travaux remarquables sont d\u00e9j\u00e0 men\u00e9s \u00e0 cet \u00e9gard, notamment sous la forme de petites \u00e9tudes empiriques. Pourtant, je soutiens que l\u2019importance plus large des \u00e9tudes non computationnelles pour l\u2019avenir de la discipline est g\u00e9n\u00e9ralement sous-estim\u00e9e.<\/p>\n\n\n\n

Donc, pour \u00eatre clair, je ne sugg\u00e8re pas que les m\u00e9thodes non computationnelles offrent un acc\u00e8s \u00e0 une connaissance \u00ab r\u00e9elle \u00bb alors que l\u2019analyse de donn\u00e9es ne le fait pas. Toute production de connaissance est partielle et situ\u00e9e, mais toutes les positions ne sont pas moralement \u00e9quivalentes. Le r\u00f4le cl\u00e9 des \u00e9tudes non computationnelles ne d\u00e9coule pas d\u2019une pr\u00e9tendue invuln\u00e9rabilit\u00e9 aux biais ou \u00e0 l\u2019incompr\u00e9hension, mais de leur engagement envers certaines positions politiques, \u00e9thiques et \u00e9pist\u00e9miques. Il est essentiel de garder \u00e0 l\u2019esprit ce type de savoir, alors qu\u2019une part croissante de nos vies s\u2019entrem\u00eale avec la technologie et que les revendications de l\u2019analyse de donn\u00e9es au sein des domaines d\u2019expertise sociologiques s\u2019\u00e9tendent, notamment par le biais de m\u00e9thodologies hybrides. Ainsi, en adoptant un certain point de vue et en prenant au s\u00e9rieux tous les aspects de notre positionnalit\u00e9, nous pouvons produire des connaissances sur la vie num\u00e9rique qui proviennent de l\u2019ext\u00e9rieur des principes de l\u2019informatique et des hybrides m\u00e9thodologiques. Dans ce contexte, notre responsabilit\u00e9 est de continuer \u00e0 mener des recherches qui vont au-del\u00e0 des paradigmes hybrides et domin\u00e9s par les donn\u00e9es, et de le faire de mani\u00e8re intentionnelle et manifeste. Cela est fondamental tant pour pr\u00e9server l\u2019autorit\u00e9 de la sociologie en tant que discipline que pour le type de sociologie que nous pr\u00e9serverons.<\/p>\n\n\n\n

\n\n\n\n

Note de bas de page<\/h2>\n\n\n\n

1. La science des donn\u00e9es avanc\u00e9e et l\u2019IA sont \u00e9galement utilis\u00e9es pour analyser des donn\u00e9es qualitatives (principalement du texte et des images), mais cela d\u00e9passe le cadre du pr\u00e9sent article, car cela soul\u00e8ve un ensemble de questions distinctes par rapport \u00e0 la recherche sur les m\u00e9gadonn\u00e9es.<\/p>\n\n\n\n

\n\n\n\n

R\u00e9f\u00e9rences<\/strong><\/p>\n\n\n\n