Culture Analytics Long Program – UCLA

Participation de Clarisse Bardiot au Culture Analytics Long Program à UCLA

7 mars-10 juin 2016

Tout a commencé par une petite annonce, publiée sur la mailing list « humanities and digital insights »du MIT. Il s’agissait d’un appel à candidature pour suivre un programme de 3 mois et demi à UCLA sur les « culture analytics ». Parmi les organisateurs figurait Lev Manovich, que j’avais eu l’occasion de rencontrer à plusieurs reprises et avec qui je souhaitais travailler. J’ai donc rempli le plus petit dossier que j’ai jamais eu à remplir (une lettre de motivation, un cv et le nom de 2 personnes qui me recommandaient, en l’occurrence Lev Manovich et Roger Malina).

Présentation originale du programme :

The explosion in the widespread use of the Internet and social media and the ubiquity of low cost computing have increased the possibilities for understanding cultural behaviors and expressions, while at the same time have facilitated opportunities for making cultural artifacts both accessible and comprehensible. The rapidly proliferating digital footprints that people leave as they crisscross these virtual spaces offer a treasure trove of cultural information, where culture is considered to be expressive of the norms, beliefs and values of a group. This program encourages the exploration of the unsolved mathematical opportunities that are emerging in this cultural information space. Many successful approaches to the analysis of cultural content and activities have been developed, yet there is still a great deal of work to be done. In this program, we aim to promote a vigorous collaboration across disciplines and devise new approaches and novel mathematics to address these problems of culture analytics, by bringing together leading scholars in the social sciences and humanities with those in applied mathematics, engineering, and computer science.

Organizing Committee :

Tina Eliassi-Rad (Rutgers University, Computer Science)
Mauro Maggioni (Duke University, Mathematics and Computer Science)
Lev Manovich (The Graduate Center, CUNY, Computer Science)
Vwani Roychowdhury (University of California, Los Angeles (UCLA), Electrical Engineering)
Timothy Tangherlini (University of California, Los Angeles (UCLA), Germanic Languages and Literatures, Scandinavian Section)

Ma candidature a été retenue, et au printemps 2016, j’ai eu l’immense plaisir de participer au programme culture analytics organisé par l’institut de mathématiques appliquées (ipam) à UCLA.

Le programme a réuni pendant 3 mois et demi 40 chercheurs issus des mathématiques appliquées, de science informatique et de SHS + d’autres chercheurs de passage pour un temps plus cours, par exemple pour suivre un workshop. Nous occupions un bâtiment entier, l’un des premiers dessinés par l’architecte Franck Gehry. J’étais la seule représentante en études théâtrales et les disciplines artistiques étaient largement minoritaires. Les chercheurs venaient du monde entier, et à différents stades de leur carrière, du doctorant au chercheur confirmé.

Le programme était le suivant : toutes les 2 à 3 semaines, un « workshop » intensif sur un aspect particulier des Culture Analytics :

Ces workshops consistaient en conférences longues (45mn) avec une discussion de 15mn, à raison de 6 par jour pendant une semaine. Le rythme était soutenu, les moments de convivialités importants, les conférenciers les meilleurs spécialistes de chaque discipline. Les discussions étaient très développées et le débat n’avait rien de lénifiant. En tout, le programme a réuni plus de 150 chercheurs.

Entre les semaines de workshops, nous étions invités à travailler ensemble. A nous de nous auto-organiser et si possible de créer des groupes de travail multidisciplinaires avec des chercheurs de différents niveaux. Nous pouvions également inviter d’autres conférenciers, avoir accès à différentes infrastructures, etc. Nous avons dans un premier temps mis en place des « lighting talks » qui permettaient à chacun de se présenter, ainsi que des formations entre nous sur la visualisation de données et sur le logiciel R ou encore processing. Différents groupes se sont constitués. Pour ma part, j’ai créé un groupe autour de la revue Leonardo. Grâce à Roger Malina, nous avons eu accès à l’intégralité de la revue Leonardo, revue de référence éditée par le MIT Press sur les relations arts, sciences, technologies.

Nous n’avions aucune obligation de résultat, ni d’articles à publier. Même si le dispositif est très incitatif: nous devons tous nous retrouver dans 1 an et demi puis dans 2 ans et demi. La seule obligation était de tous se retrouver à 15h30 pour tea time. Hors de question de rester dans son bureau, le personnel venait vous déloger. Cela peut sembler futile mais ce moment s’est révélé le plus important : pour faire connaissance, pour poser des questions à ceux qui ont d’autres compétences, pour résoudre vos problèmes de scripts ou d’interprétation des données, et aussi pour organiser des randonnées dans le désert.

L’objectif de ces trois mois était ni plus ni moins d’établir les fondements d’une nouvelle discipline dont nous serions tous à la fois les artisans et les messagers : les culture analytics. A la fin du programme nous nous sommes tous réunis au Lake Arrowhead pour écrire en une semaine à 40 chercheurs le livre blanc des culture analytics et définir ainsi la discipline et ses enjeux. Pour ma part, j’ai contribué au chapitre sur les collaborations multidisciplinaires. Les réflexions qui suivent sont directement inspirées de ces échanges.

Concernant les culture analytics, voici la définition à laquelle nous avons abouti : « culture analytics is the data-driven analysis of culture ». Nous pourrions traduire par « les culture analytics sont l’analyse de la culture basée sur les données ».

La culture est considérée ici au sens large du terme : il s’agit autant des interactions sociales que des expressions culturelles. Les données comprennent à la fois les corpus numérisés et les données nativement numériques, comme par exemple les tweets, les comptes facebooks, les pages internet, etc.

Les culture analytics se distinguent des cultural analytics. Le terme cultural analytics a été créé par Manovich en 2005 et il y reste attaché (cf son texte écrit suite au programme). Cultural analytics renvoient davantage aux artefacts culturels, aux productions, alors que Culture analytics renvoie à la notion de culture au sens large.

En quoi les culture analytics se distinguent-elles des humanités numériques ?

Etrangement, cela n’a pas vraiment fait débat, il semblait clair pour tout le monde que c’était très différent. Dans son texte de juin 2016, Manovich considère que se qui distingue les deux disciplines sont les points suivants :

  • les DH s’intéressent à des corpus numérisés alors que les CA s’intéressent au patrimoine nativement numérique
  • Les DH s’intéressent à des personnes phares (par exemple les grands auteurs alors que les CA s’intéressent à l’ensemble des personnes, y compris et surtout aux inconnus, à ce que l’on appellerait la culture populaire. Les DH considèrent la culture du point de vue disciplinaire des humanités, alors que les CA la considère depuis un point de vue anthropologique.

J’avoue que la distinction sur corpus numérisés versus patrimoine nativement numérique ne me paraît pas très opérationnelle. Il existe de nombreux exemples de démarches CA à partir de corpus numérisés. Manovich lui-même a travaillé par exemple à partir de la numérisation des toiles de Mondrian et de Rothko.

La seconde distinction me semble plus opératoire.

J’en ajouterai une autre : la méthodologie et la nature des corpus. Les DH se sont massivement intéressés à l’analyse du texte, mettant de côté les corpus d’image, de son, de vidéo. Et ce avec une méthode largement prédominante : la TEI, soit l’encodage informatique du texte, sous forme de balises, dans un schéma XML. La TEI est très orientée vers l’édition savante de textes et de manuscrits. Les culture analytics non seulement s’intéressent à toute forme de production culturelle, au-delà du texte (l’accent était très fortement mis sur ce point lors du programme : le premier workshop était consacré à tout ce qui n’était pas el texte), et sont foncièrement allergiques à la TEI, une méthode qu’elle considère comme peu efficace et rarement pertinente. Si on résume, c’est la culture du traitement des données qui différencie les deux champs. Dans les Culture analytics, cette culture est celle de l’algorithme et de la visualisation de données. En effet, les résultats donnés par l’analyse algorithmique, pour être interprétables doivent passer par la visualisation de données.

 


Vous aimerez aussi...

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *