D comme données

Ces billets visent à définir le plus clairement et le plus précisément possible des termes clés en analyse de réseau. Ils s’adressent à un public débutant et évitent autant que possible toute formalisation mathématique (pour cette dernière, voir les synthèses fmr sur Hal-Shs).

Toute analyse de réseau, et ce quelle que soit la discipline, suppose au préalable un recueil de données. Ces dernières sont en règle général de deux types : des données relatives aux liens entre les acteurs étudiés (personnes, organisations, textes, etc.) et des données attributaires permettant de qualifier ces acteurs.

Dans tous les cas, le premier problème à régler concerne les limites du réseau à étudier ou, formulé autrement, la définition de la population d’acteurs. L’un des moyens de contourner cette difficulté consiste à partir d’un ensemble socialement défini et de limiter l’étude à cet ensemble ci : on examinera ainsi les relations d’amitiés au sein d’une classe, les relations de conseil au sein d’un cabinet d’avocats, etc. Cette définition de l’espace relationnel a priori est bien évidemment discutable : pourquoi le meilleur ami de mon fils serait-il nécessairement dans sa classe (et de fait, il ne l’est pas) ?

Les différentes disciplines mobilisant l’analyse de réseau n’ont pas toujours eu le même degré d’appréhension concernant la fiabilité et la complétude des données étudiées. Les géographes, travaillant le plus souvent avec des données agrégées et institutionnelles (recensement, bases de données de l’ONU, etc.), questionnent relativement peu la fiabilité des données*. Inversement, les historien-ne-s, travaillant à partir d’archives le plus souvent lacunaires, ont tendance à éviter l’utilisation de certaines méthodes quantitatives (modélisation notamment). Les sociologues peuvent simultanément exprimer le plus de scrupules quant à la pertinence des données tout en mobilisant des méthodes statistiquement avancées. Du côté des sciences dites dures (physique essentiellement), le règne du big data (the bigger the better?) permet le recours à des test statistiques éprouvés mais ne permet pourtant pas toujours de construire des échantillons significatifs et/ou thématiquement signifiants.

Ce panorama, évidemment caricatural, est en train d’évoluer rapidement et les hybridations disciplinaires en cours renouvellent les questionnements sur les données et leurs significations (cf par exemple ce récent billet de P. Jensen). Même si cela peut être difficile à admettre, peut-être est-il temps de considérer que, dans la très grande majorité des cas, les analyses de réseau portent toujours sur des corpus incomplets et dont la représentativité ne peut être assurée.

*Cette affirmation et les suivantes ne sauraient évidemment s’appliquer à tou-te-s les chercheur-e-s des disciplines citées.

Billets liés : A comme attributs, L comme lien, S comme sommet

Retour au glossaire

Laurent Beauguitte

More Posts

Follow Me: