Rédiger dans un style académique est une compétence à part entière. Elle suppose la connaissance de règles fondamentales et beaucoup de pratique. C’est un apprentissage progressif qui ne s’acquiert pas du jour au lendemain.

Pour toute connaissance utilisée dans un travail académique, il est indispensable de faire référence correctement à la source originale, qu’il s’agisse d’un texte, d’images, de la structure d’un document, d’informations en ligne, etc. Cela implique une citation dans le corps du texte ainsi qu’une référence complète dans la bibliographie. Les flux d’information doivent rester traçables à tout moment pour le lecteur. À défaut, il peut s’agir de plagiat.

La manière dont les informations issues des sources originales sont exploitées peut varier et requiert donc des approches différentes.

Lorsqu’un auteur souhaite reprendre textuellement les mots d’une source, sans aucune modification, une attention particulière doit être accordée à la référence correcte. Les citations doivent être présentées de manière visible (par exemple entre guillemets, en italique, etc.), accompagnées d’une citation dans le texte et d’une mention complète dans la bibliographie.

L’usage des citations est conseillé lorsque :

• Vous souhaitez renforcer votre argument par la force des mots de l’auteur original
• Vous souhaitez marquer un désaccord avec l’argumentation d’un auteur
• Vous voulez mettre en évidence des formulations particulièrement éloquentes ou puissantes
• Vous comparez et confrontez des points de vue spécifiques ;
• Vous souhaitez signaler des travaux de recherche importants qui précèdent les vôtres

Texte source : The writing center –  When to summarize, paraphrase, and quote.

Dans tous les autres cas, il convient de recourir à la paraphrase. Cela consiste à générer un nouveau contenu à partir des idées d’autres auteurs, en les reformulant dans vos propres termes. Les règles générales de référencement s’appliquent également (citation dans le texte + référence complète en bibliographie).

Styles de référence

Il existe de nombreux styles de références, souvent définis par la discipline ou la revue à laquelle l’on destine l’article. Pour savoir quel style adopter, il convient de se renseigner auprès de son directeur de recherche, superviseur ou collègues, ou de consulter les consignes aux auteurs sur le site de la revue.

Les systèmes les plus connus sont :

• APA – 7th ed. (American Psychological Association)
• Chicago – 17th ed. (Utilisé pour les notes de bas de page)
• MLA – 8th ed. (Modern Language Association)
• Harvard
• Vancouver (Principalement utilisé en biomédecine)

Pour gérer efficacement vos références au fil du temps et à travers vos différents articles, vous pouvez recourir à un logiciel de gestion bibliographique tel que Endnote (Clarivate Analytics) (disponible via la plateforme de recherche de votre université), Zotero (free) ou Mendeley (Elsevier).

Outre les noms des auteurs, les publications mentionnent leurs affiliations, apportant des précisions sur l’université, la faculté ou le département auquel chaque auteur est rattaché. Un auteur peut avoir plusieurs affiliations, par exemple lorsqu’il est lié à plusieurs entités au sein d’une même université, ou encore lorsqu’il occupe des fonctions dans plusieurs institutions.

Lors de la mention des affiliations, il est essentiel de veiller à ce qu’elles reflètent les lieux où la recherche a effectivement été réalisée. Bien qu’il puisse être tentant d’indiquer le plus grand nombre possible d’affiliations, les chercheurs doivent garder à l’esprit qu’une affiliation ne peut être revendiquée que si le travail et la recherche ayant conduit à la publication ont réellement été effectués dans l’institution concernée.

Pourquoi est-il important que l’affiliation de l’auteur soit correcte ?

Outre le fait qu’elle aide à identifier les auteurs (notamment lorsque plusieurs chercheurs portent le même nom) et qu’elle attribue une reconnaissance légitime à l’institution d’accueil, l’affiliation engage également la responsabilité des institutions mentionnées. Elle indique en effet au lecteur « à qui s’adresser » en cas de questions ou de problèmes liés à la recherche, par exemple sur le plan éthique ou en matière d’intégrité scientifique. De plus, une affiliation correcte revêt une importance particulière pour l’identification d’éventuels conflits d’intérêts (notamment financiers).

Qui est auteur ? Critères d’attribution du statut d’auteur

L’autorat constitue une manière explicite de reconnaître toutes les personnes ayant apporté une contribution significative au travail. Cela implique, en retour, que l’on puisse attendre de tous les auteurs qu’ils assument l’entière responsabilité de l’ensemble des aspects du travail, sauf disposition contraire.

Comme la science elle-même, les normes d’attribution de l’autorat peuvent évoluer, par exemple lorsque les pratiques dominantes d’une discipline changent au fil du temps. Le contexte de recherche constitue également un facteur déterminant. Ainsi, il peut devenir difficile, mais non impossible, d’attribuer correctement l’autorat dans le cas de collaborations de grande ampleur, de la spécialisation croissante ou encore de l’essor de la recherche inter- et transdisciplinaire.

Néanmoins, les principes fondamentaux énoncés dans le code ALLEA doivent être respectés, car ils constituent le standard minimal applicable à tous les chercheurs, dans toutes les disciplines et pour toutes les formes de production scientifique. Cela signifie que :

• Tous ceux désignés comme auteurs doivent satisfaire à l’ensemble des critères de l’autorat, et toute personne remplissant ces critères doit être reconnue comme auteur.
• Ceux qui ne satisfont pas à l’ensemble des critères doivent être mentionnés, par exemple dans une liste distincte des remerciements ou en note de bas de page.
• Outre la responsabilité des parties du travail qu’il a réalisées, un auteur doit être en mesure d’identifier quels co-auteurs sont responsables des autres parties spécifiques du travail.
• Enfin, chaque auteur doit pouvoir avoir confiance dans l’intégrité des contributions de ses co-auteurs.

En plus du code ALLEA, qui constitue le cadre de référence principal, de nombreuses autres parties prenantes de la recherche — financeurs, revues scientifiques, etc. — ont élaboré leurs propres directives en matière d’autorat. Parmi les exemples figurent les recommandations de l’International Committee of Medical Journal Editors (ICMJE), initialement développées pour le domaine (bio)médical mais aujourd’hui suivies dans de nombreux autres champs disciplinaires, ou encore les directives des revues de l’American Psychological Association Journals (APA). Il convient également de noter que certaines revues et/ou institutions d’accueil peuvent avoir élaboré leurs propres politiques en matière d’autorat.

Comme les modalités d’approbation de l’autorat peuvent varier selon les codes, les lignes directrices des revues ou même les politiques institutionnelles, il est nécessaire de les consulter le plus tôt possible. Cela est particulièrement crucial en cas de collaboration (internationale).

Ordre des auteurs

Au-delà de l’inclusion ou non d’un chercheur en tant qu’auteur, l’ordre des auteurs est également déterminé par des accords spécifiques. Selon le code ALLEA, tous les auteurs doivent se mettre d’accord sur la séquence retenue.

Différents systèmes peuvent être utilisés, souvent en fonction des disciplines. L’ordre alphabétique ou le degré de contribution/collaboration sont les protocoles les plus connus pour classer les auteurs, mais ils ne doivent pas être considérés comme une manière absolue de déterminer qui a le plus contribué à l’étude. Toute forme de classement est envisageable, à condition qu’elle respecte les principes de l’intégrité scientifique et les politiques en vigueur.

En tant qu’auteur, il est également nécessaire d’être capable d’expliquer le système retenu ainsi que la logique qui a conduit à l’ordre adopté.

Il est recommandé aux chercheurs d’indiquer le système utilisé et les décisions qui en découlent, par exemple dans une note de bas de page. De cette manière, les lecteurs et évaluateurs peuvent apprécier correctement l’ordre des auteurs (et donc les contributions sous-jacentes).

Bonnes pratiques académiques en matière d’autorat

Pour éviter les conflits liés à l’autorat, une communication claire et régulière entre les chercheurs impliqués dans le projet est essentielle. Les différends relatifs à l’autorat figurent parmi les causes les plus fréquentes, sinon la première, de conflits dans la recherche.

Quelques bonnes pratiques pour éviter ces difficultés :

• Ne pas reporter la discussion sur l’autorat : celle-ci ne doit pas être tranchée au moment de la soumission d’un manuscrit, mais abordée le plus tôt possible lors de la préparation de l’article, de manière transparente et de préférence, par écrit, tout au long du projet.
• Comme les contributions peuvent évoluer au cours de la recherche ou de la rédaction de l’article, cela peut avoir un impact sur le maintien ou non d’un chercheur dans la liste des auteurs et/ou l’ajout de nouveaux auteurs. Toute modification nécessaire doit être discutée de manière transparente et validée par l’ensemble des auteurs.
• Faire preuve de cohérence dans l’attribution de l’autorat et appliquer les mêmes critères à tous les participants et dans toutes les publications.
• Reconnaître qu’il existe plusieurs manières de valoriser des contributions : les collaborateurs qui ne remplissent pas les critères de l’autorat peuvent, par exemple, être mentionnés dans les remerciements ou dans une note liminaire de l’article.
• Informer l’ensemble des auteurs et, le cas échéant, les contributeurs, avant de soumettre un manuscrit et obtenir l’approbation de la version finale par tous les auteurs.

Afin de renforcer la transparence, de nombreuses universités et revues recommandent, voire exigent, que les auteurs précisent la contribution de chacun des co-auteurs sous la forme d’une déclaration de contribution, et que cette information soit publiée conjointement avec l’article ou intégrée à celui-ci.

La spécification des contributions peut prendre différentes formes : une déclaration écrite, rédigée dans ses propres termes, dite « déclaration de contribution des auteurs », qu’elle soit ou non présentée selon un format prédéfini ; l’utilisation de badges numériques, chaque contribution étant associée à une couleur spécifique (par exemple, un badge rouge pour la rédaction de la première version) ; le recours à une classification préétablie des différents rôles (traditionnels ou élargis) dans une « Contributor Roles Taxonomy », telle que CRediT. Cette taxonomie de haut niveau comprend 14 rôles (Conceptualisation, Conservation des données, Analyse formelle, Obtention de financements, Recherche, Méthodologie, Gestion de projet, Ressources, Logiciel, Supervision, Validation, Visualisation, Rédaction – version initiale, et Rédaction – révision et édition), qui permettent de décrire de manière uniforme le rôle de chaque contributeur dans le cadre de la recherche.

Lorsqu’un des auteurs quitte l’institution

Le calendrier de publication d’un article ne correspond pas toujours à l’affiliation académique actuelle d’un chercheur. Il arrive qu’un chercheur quitte l’institution avant qu’un projet ou un article ne soit finalisé. Dans ce cas, il est essentiel de prévoir des dispositions spécifiques afin de clarifier les contributions à l’article ainsi que la reconnaissance qui les accompagne.

Ces dispositions concernent notamment :

• Le chercheur, quittant l’institution, est-il en mesure ou disposé à assurer le suivi de l’article ?
• Que se passe-t-il si des modifications (mineures ou majeures) doivent être effectuées après l’évaluation par les pairs ?
• Que faire si des pratiques de recherche complémentaires s’avèrent nécessaires (par ex. calculs supplémentaires) ?
• Quel sera l’impact éventuel sur les contributions d’autorat et sur l’ordre des auteurs ?
• Que se passe-t-il si l’article est rejeté ? Comment sera organisé le suivi, par exemple en cas de soumission à une autre revue ?
• Comment seront prises les décisions concernant ces changements ?
• …

Même si la publication d’un article peut prendre du temps, il reste indispensable de disposer des coordonnées actualisées du chercheur ayant quitté l’institution. Celui-ci doit être tenu informé en permanence des modifications de fond ou de forme, ainsi que de l’avancement du processus de publication.

Au-delà de la présentation des données qualitatives et quantitatives, une attention particulière doit être portée à l’utilisation des images numériques pour illustrer différentes conditions expérimentales. Les images doivent être considérées comme des données à part entière, et non comme de simples illustrations venant accompagner des statistiques synthétiques. Toute incohérence (par exemple, l’utilisation d’une même image pour illustrer des conditions expérimentales distinctes) ou toute modification sélective peut gravement compromettre la confiance des pairs dans vos travaux et justifier une correction, voire une rétractation de la publication. Cela est particulièrement critique dans les domaines des sciences biomédicales et biologiques, où les résultats reposent largement sur des technologies spécifiques (microscopie, western blot, cytométrie en flux (FACS), fluorescence, etc.).

Bonnes pratiques académiques lors du traitement et de la présentation d’images

Quelques bonnes pratiques générales à adopter lors du travail et de la présentation d’images sont :

• Des modifications telles que l’ajustement du contraste, de la luminosité et/ou de l’équilibre des couleurs peuvent être acceptables, mais uniquement si elles sont appliquées à l’ensemble de l’image et qu’elles ne compromettent pas une interprétation correcte des données.
• Les chercheurs doivent être en mesure de retracer et de justifier les ajustements effectués.
• La modification sélective d’une image, par exemple pour supprimer ou mettre en évidence certains éléments, est en règle générale inacceptable, même si elle vise à corriger une imperfection sans lien avec les données (par exemple retirer un cheveu, une empreinte digitale, etc.).
• Lorsque plusieurs images sont combinées dans un même champ, cette opération doit être clairement identifiable dans la présentation visuelle et explicitement mentionnée dans la légende. Par exemple, le découpage et l’assemblage de bandes dans un Western blot peut être toléré dans certains cas, mais seulement s’il est signalé de manière appropriée.
• Il convient de toujours conserver les images originales non modifiées et de n’appliquer les ajustements que sur une copie de l’original.
• Les chercheurs doivent être prêts à mettre à disposition les fichiers bruts des images, notamment pour les évaluateurs ou les lecteurs, par exemple en les fournissant en annexe ou via un dépôt de données en ligne.
• De nombreuses erreurs proviennent de la sélection accidentelle d’une image incorrecte ; une gestion rigoureuse des données constitue donc un élément essentiel pour prévenir ce type de problèmes.
• Lors de la création de figures, il est impératif de vérifier, puis de revérifier, que les bonnes images ont été sélectionnées. Dans cette optique, l’utilisation d’images factices (“placeholders”) est déconseillée.

L’exemple ci-dessous illustre un cas où la même image de blot est utilisée à deux reprises pour représenter deux conditions expérimentales différentes :

La présentation des données constitue le socle de notre savoir scientifique collectif, puisque la compréhension qu’ont les lecteurs d’un jeu de données se limite généralement à ce que les auteurs en exposent dans leurs publications. Les figures jouent un rôle essentiel car elles montrent souvent les données qui sous-tendent les résultats principaux (Weissgerber, 2015).

Malheureusement, les auteurs se contentent souvent de graphiques simplifiés présentant des statistiques résumées, au lieu de fournir des informations détaillées sur la distribution des données ou de montrer l’ensemble du jeu de données. De plus, les images numériques ne doivent pas être considérées comme de simples illustrations esthétiques : elles constituent des données à part entière et doivent être traitées comme telles (Cromey, 2013). Puisque les figures représentent la méthode principale pour donner un aperçu des résultats d’un travail, les chercheurs doivent s’efforcer de présenter leurs données avec fidélité et transparence.

Illustrer ses résultats avec des graphiques

L’usage des diagrammes en barres pour représenter des données continues est devenu courant. Pourtant, cette approche repose sur des statistiques résumées (moyennes, écarts) qui masquent souvent la distribution réelle des données, en particulier lorsque l’échantillon est réduit.

Les chercheurs sont encouragés à privilégier des représentations permettant de visualiser la dispersion et les spécificités des données. La présentation doit refléter fidèlement les résultats sans dissimuler de particularités pouvant influencer leur interprétation. Les données doivent convaincre par elles-mêmes, et non par l’effet du graphique.

Quelques bonnes pratiques pour la presentation des données (continues) :

• Fournir autant de données que possible afin de permettre au lecteur d’appréhender leur distribution.
• Éviter les diagrammes en barres pour des données continues, surtout lorsque le nombre d’observations est faible ; privilégier plutôt des dot plots ou des box plots (voir Weissgerber 2019 paper).
• Montrer les valeurs aberrantes (outliers), préciser si elles ont été incluses dans l’analyse statistique et justifier ce choix.
• Au-delà de la liste des tests statistiques dans la section « Méthodes », indiquer le test utilisé pour chaque jeu de données.

Pour que la recherche soit solide et digne de confiance, il est essentiel que le comportement scientifique correct ne soit pas seulement mis en œuvre pendant la phase de recherche, mais également au moment de la diffusion des résultats auprès de la communauté scientifique et de la société dans son ensemble. De manière générale, la transparence est primordiale. Bien que la recherche commence par une idée pouvant aboutir à une publication, il est important de souligner qu’il ne suffit pas de s’assurer que les scientifiques qui réalisent le travail respectent les bonnes pratiques, ni que leurs résultats soient ensuite utilisés de manière appropriée. En réalité, d’autres acteurs font partie de cet écosystème, tels que les revues, les éditeurs et d’autres dispositifs offrant une plateforme de diffusion à la recherche. Il est également crucial que la communauté scientifique comme la société dans son ensemble fassent preuve d’esprit critique lorsqu’elles s’approprient des résultats. La conduite responsable de la recherche constitue donc une responsabilité partagée.

Rédiger un plan de gestion des données (Data Management Plan – DMP) au début de votre recherche peut vous aider à garantir un niveau de transparence et d’intégrité dans vos travaux. Dans un DMP, vous décrivez les données que vous prévoyez de collecter, de générer et d’utiliser pour votre recherche, qu’il s’agisse de données que vous créez vous-même ou de données existantes produites par d’autres. Vous y indiquez, de manière structurée, comment vous gérerez ces données pendant et après votre recherche. Vous y expliquez notamment :

• comment les données ont été créées et ce qu’elles signifient
• les modalités de stockage sécurisé afin qu’elles ne puissent pas disparaître ou être altérées
• les mesures de sécurité des données pour que seules les personnes autorisées puissent y accéder
• la manière de publier les données comme preuves à l’appui de vos articles (sauf en cas de restrictions), afin que vos résultats puissent être vérifiés et reproduits
• les responsabilités individuelles et institutionnelles liées à la conservation des données
• les garanties mises en place pour des raisons éthiques et de protection de la vie privée, si la recherche implique des participants humains

Une bonne gestion des données ne s’arrête pas à la planification. Il est essentiel que vos données de recherche soient ensuite gérées conformément à ce plan. Vous pouvez revoir et actualiser le DMP en fonction de l’avancement de votre recherche (il s’agit d’un document vivant). À la fin de votre projet, votre DMP constituera une trace durable des données produites par vos recherches.

Les points clés à examiner lorsque vous commencez à rédiger un plan de gestion de données (DMP) sont les suivants :

• Connaître les politiques et services de votre institution, tels que la stratégie de stockage et de sauvegarde, la politique en matière de droits de propriété intellectuelle, la politique de gestion des données et toute infrastructure de partage de données, comme un dépôt institutionnel
• Déterminer la propriété de vos données
• Identifier vos obligations légales, éthiques et autres relatives aux données de recherche, à l’égard des participants, de vos collègues, des bailleurs de fonds et de votre institution.

Voici quelques exemples où de bons plans de gestion des données (DMP) peuvent contribuer à assurer l’intégrité de la recherche :

• Documenter en détail la manière dont vos données ont été créées et traitées fournit des preuves claires, par exemple :
  • un carnet de laboratoire décrit la mise en place expérimentale et tous les paramètres qui définissent vos données, montre les processus utilisés pour les collecter et donne une vue d’ensemble de l’ensemble des données recueillies ;
  • un calendrier d’entretiens et une liste de questions décrivent la collecte d’informations par le biais d’entretiens, accompagnés d’un livre d’encodage (codebook) référencé qui explicite votre interprétation du contenu des entretiens lors de l’analyse ;
  • des lignes de commentaires dans un code informatique décrivent, étape par étape, la logique de ce que fait votre programme.
• Le contrat de licence et les conditions d’utilisation des données tierces expliquent comment vous pouvez ou non utiliser ces données dans votre recherche. Par exemple, il se peut que vous soyez autorisé à utiliser les données pour vos analyses, mais pas à les copier ni à les publier, et vous devez citer les données utilisées (comme vous le feriez pour une publication). Il est dès lors important de vérifier la propriété de ces données.
• Dans la recherche impliquant des participants humains, documenter les procédures de consentement éclairé utilisées dans votre étude, ainsi que les données personnelles que vous pourriez collecter, aide à planifier le niveau de sécurité requis pour le stockage et le traitement de ces données, et à déterminer comment les anonymiser afin de respecter la vie privée des personnes.
• Publier vos données de recherche selon les principes FAIR apporte de la transparence sur la manière dont vous êtes parvenu à vos résultats scientifiques à partir de ces données.
• Si d’autres chercheurs souhaitent reproduire vos résultats, ils doivent pouvoir accéder aux données et à toute documentation expliquant clairement comment elles ont été générées et comment les interpréter. Les données peuvent, par exemple, être mises à disposition en accès ouvert dans un dépôt de données, assorties d’une licence d’utilisation claire.

L’un des principaux objectifs d’une bonne gestion des données de recherche (RDM) est de garantir la préservation à long terme de données FAIR une fois les résultats publiés et/ou le projet terminé. Cette conservation permet 1) de reproduire les résultats d’une étude ultérieurement ; 2) de réutiliser les données dans de nouvelles recherches.

Les principes FAIR

C’est là qu’interviennent les principes directeurs FAIR pour la gestion et l’intendance des données scientifiques entrent en jeu. Les principes FAIR ont été initialement conçus pour les données de recherche (Wilkinson et al., 2016), mais ils s’appliquent également à des types plus spécifiques de résultats de recherche tels que les logiciels (Lamprecht et al., 2019). Les données peuvent être transformées en objets FAIR, ce qui les rend « exploitables » par la communauté scientifique au sens large sur le long terme. FAIR signifie Faciles à trouver (Findable), Accessibles (Accessible), Interopérables (Interoperable) et Réutilisables (Re-usable).

1. Faciles à (re)trouver (Findable)
   Idéalement, les données et la documentation/métadonnées qui les accompagnent doivent être trouvables à la fois par les humains et par les systèmes informatiques. Concrètement, cette trouvabilité est généralement assurée par des « métadonnées de découverte » disponibles via un moteur de recherche de données tel que DataCite. Si vous recherchez les données dans le moteur de recherche, les métadonnées de découverte associées, comprenant le ou les noms des créateurs de données, le sujet des données, etc., apparaissent dans les résultats de recherche. En général, les métadonnées de découverte incluent un identifiant pérenne (par ex. DOI, handle, etc.) qui vous dirige vers la page de destination où les données (non sensibles) sont disponibles en téléchargement. Veuillez noter que la facilité avec laquelle les données peuvent être retrouvées se décline sous différentes formes. Des données publiées sur un site web personnel ou sur le site web d’un projet sont, dans une certaine mesure, trouvables, mais pas de manière réellement significative ni structurée.
2. Accessible
   Les conditions d’accès aux données sont clairement définies et soutenues par la licence appropriée (par ex. une licence Creative Commons pour les données ouvertes). Les données sont publiées en libre accès lorsque cela est possible, mais un accès restreint/fermé est appliqué dans le cas de données sensibles (par ex. des données personnelles). Bien que les données sensibles ne soient pas rendues publiques en libre accès, elles peuvent néanmoins souvent être réutilisées par d’autres chercheurs, mais au travers d’une procédure plus complexe qui garantit les droits des personnes concernées et assure la sécurité des données. Notez que les métadonnées de découverte renvoyant à ces données sensibles peuvent rester accessibles publiquement, même si les données elles-mêmes ne le sont pas.
3. Interopérable
   Des données interopérables sont des données qui peuvent être combinées avec d’autres ensembles de données, aussi bien par des humains que par des systèmes informatiques, et qui ne présentent pas d’obstacles juridiques inutiles (par ex. une licence en libre accès comportant des restrictions excessivement complexes). De plus, les données peuvent facilement interagir avec des flux d’analyse automatisés ou d’autres applications. Il est également important que la documentation/les métadonnées accompagnant les données respectent autant que possible les normes spécifiques à chaque discipline, notamment en utilisant des vocabulaires contrôlés, et puissent être encodées dans un format standardisé et structuré afin d’être lisibles par machine. Parmi les exemples de standards génériques de métadonnées, on peut citer le Dublin Core et le DataCite Metadata Schema.
4. Réutilisable 
   Les trois piliers « facile à (re)trouver », « accessible » et « interopérable » constituent tous des conditions préalables nécessaires pour rendre les données finalement réutilisables et interprétables par d’autres chercheurs. La documentation et les métadonnées accompagnant les données sont particulièrement importantes, par exemple un livre d’encodage (codebook) précisant la signification des différentes variables, ou encore une description des méthodes utilisées pour la collecte des données. Sans documentation adéquate, les données sont généralement difficiles à interpréter, ce qui entrave évidemment leur réutilisation. Notez que, si les données sont sensibles, leur réutilisation n’est pas impossible, mais doit respecter des conditions strictes prévues dans un data use agreement (accord d’utilisation des données).

Dépôt de données

Il est recommandé que les chercheurs développent leurs compétences en matière de mise en conformité avec les principes FAIR (Faciles à trouver, Accessibles, Interopérables et Réutilisables), afin de rendre les données qu’ils collectent ou génèrent aussi conformes que possible à ces principes. Cependant, ils ne sont pas seuls dans cette démarche. Outre les services de soutien à la gestion des données de recherche offerts par les institutions, un rôle central revient également au dépôt de confiance, où les données de recherche sont finalement archivées. Un tel dépôt peut, par exemple, être bien relié à l’écosystème plus large des données, renforçant ainsi la facilité de recherche des données archivées, et offrir l’infrastructure nécessaire à la mise en œuvre de standards de métadonnées, améliorant de ce fait leur interopérabilité.

Que sont les « données de recherche » ?

Les données de recherche désignent l’ensemble des données, qu’elles soient numériques ou physiques – indépendamment de la manière dont elles sont collectées ou stockées – qui sont utilisées ou analysées pour étayer des résultats de recherche, valider des conclusions scientifiques ou soutenir un raisonnement, une discussion ou un calcul dans le cadre d’une étude. Elles couvrent tout le spectre allant des données brutes aux données traitées et analysées, incluses ou discutées dans une publication. Ces données peuvent être produites, dérivées ou composites, qu’elles soient générées par le chercheur ou fournies par des tiers. Quelques exemples : résultats d’enquêtes, données statistiques, graphiques, données informatiques, simulations, logiciels développés à des fins de recherche, métadonnées computationnelles, impressions, enregistrements vidéo et audio, corpus, organismes, séquences génétiques, composés synthétiques ou chimiques, échantillons de tout type, dossiers de patients, protocoles, mesures, carnets de laboratoire, etc.

Les données de recherche constituent le cœur battant de la recherche académique et représentent le moteur d’avancées majeures en matière de technologie, de santé et sur le plan socio-économique.

Gestion des données de recherche (Research Data Management – RDM)

Bien que les chercheurs travaillent en permanence avec des données pour les confronter à leurs hypothèses, celles-ci ne sont pas toujours traitées et stockées de manière rigoureuse durant et après le projet.

Parallèlement, notre société est de plus en plus marquée par une datafication croissante, avec un nombre toujours plus important de processus et d’actions reposant sur des données numériques. Cette évolution rend possible un type particulier de recherche fondée sur les données, basé sur la combinaison de (big) data et de nouvelles techniques d’analyse (par ex. la « data science »).

Cet usage massif et le potentiel de réutilisation des données rendent indispensable une gestion solide des données de recherche au sein de la communauté scientifique. La bonne manipulation des données – appelée gestion des données de recherche (Research Data Management – RDM) – doit donc constituer l’une des pierres angulaires des bonnes pratiques académique de la recherche. La RDM englobe toutes les étapes avant, pendant et après le projet, autrement dit le cycle de vie des données de recherche : planification, collecte, traitement, analyse, sécurisation, stockage, préservation, accès, partage et réutilisation.

Chacune de ces étapes est encadrée par des conditions et des réglementations d’ordre juridique, éthique et technologique.

L’importance de la gestion des données de recherche

Une gestion prudente et réfléchie des données (Research Data Management – RDM) améliore la qualité et l’intégrité de la recherche, accroît son impact, tout en renforçant la visibilité et la réutilisation des données. Un bon traitement des données permet de prévenir leur perte ou leur corruption, de limiter les risques de fraude et/ou de « mauvaise science ». Il rend le processus de recherche plus fluide et garantit que les données pourront être retrouvées et réutilisées ultérieurement. De plus, le partage et la réutilisation des données facilitent la tâche des chercheurs futurs, favorisant ainsi le développement de nouvelles recherches tant au sein qu’en dehors de l’université.

Imaginez que vous lisiez un article scientifique et que vous souhaitiez comprendre le fonctionnement exact de l’algorithme utilisé par les auteurs, ou encore la manière dont ils ont construit un certain graphique. Ne serait-il pas idéal de pouvoir cliquer sur un simple lien et télécharger ces informations ? Maintenant, imaginez que vous ayez une idée brillante pour analyser différemment les données d’une étude… mais que les données originales soient introuvables. Combien de temps perdriez-vous à devoir en collecter de nouvelles ? Et si, après avoir finalement mis la main sur les données, celles-ci s’avéraient totalement inintelligibles : impossible de décoder l’unité de mesure de la variable B, etc. Quelle déception après tous ces efforts pour les obtenir ! En effet, cela peut vite devenir un véritable casse-tête.

Chaque chercheur a la responsabilité de contribuer à un monde où les données sous-jacentes aux résultats scientifiques sont facilement accessibles et interprétables. D’où la nécessité d’une gestion rigoureuse des données de recherche. Les chercheurs sont d’ailleurs de plus en plus tenus de mettre en pratique une approche solide de gestion des données tout au long de leurs projets. Ces exigences récentes en matière de RDM sont désormais souvent formalisées dans les politiques institutionnelles, par les bailleurs de fonds (par exemple, l’obligation d’élaborer un plan de gestion des données) et par les revues scientifiques (par exemple, l’inclusion d’une data availability statement (déclaration de disponibilité des données) dans les articles). À première vue, ces obligations peuvent sembler contraignantes, notamment pour les chercheurs peu familiers avec la RDM. Mais en y regardant de plus près, on constate qu’elles apportent une aide précieuse au cours du processus de recherche. Elles visent surtout à améliorer nos pratiques scientifiques, à rendre les résultats plus transparents et plus reproductibles.

En raison de la forte concurrence et des faibles chances d’obtenir un financement (Garner et al., 2013), les chercheurs peinent aujourd’hui plus que jamais à trouver les ressources nécessaires pour soutenir leurs projets. Comme la rédaction des demandes de financement peut être très chronophage, certains ont parfois l’impression de consacrer davantage de temps à ces démarches qu’à la recherche elle-même. Ainsi, lorsqu’une bonne idée émerge, pourquoi ne pas tenter de la soumettre à plusieurs financeurs et voir lequel « mordra » ?

« Alors que le taux de succès des demandes de financement n’a jamais été aussi bas, les scientifiques travaillent plus que jamais pour financer leurs recherches. Ils répondent à ce contexte économique compétitif en multipliant les candidatures. Ils peuvent également soumettre simultanément ou successivement des propositions à plusieurs organismes financeurs afin d’augmenter leurs chances. Certains bailleurs de fonds permettent la soumission de projets identiques ou très similaires quant aux objectifs, hypothèses ou finalités. Mais nous pensons que les chercheurs ne devraient pas accepter un double financement pour le même travail – qu’il s’agisse de l’étude entière ou d’une partie seulement. »

Same work, twice the money? – Harold R. Garner, Lauren J. McIver & Michael B. Waitzkin – Nature 493 (2013).

Il n’est donc pas surprenant qu’un même projet de recherche soit soumis à plusieurs organismes financeurs, sous une forme identique ou légèrement adaptée. Ce système de candidatures parallèles augmente les chances d’obtenir un financement. De plus, lorsqu’un financement n’est accordé que partiellement, des fonds complémentaires obtenus auprès d’une autre source peuvent permettre d’atteindre le budget nécessaire pour couvrir l’ensemble du projet.

Bien que les demandes parallèles ne soient pas nécessairement problématiques, certaines bonnes pratiques doivent être gardées à l’esprit. Tout d’abord, les chercheurs doivent faire preuve de transparence vis-à-vis du bailleur de fonds et signaler si une proposition (partiellement redondante) est en cours d’évaluation ailleurs. Le même principe s’applique en cas de chevauchement avec un projet déjà financé. Même s’il peut exister de bonnes raisons à ce chevauchement, cela doit être communiqué de manière claire. Enfin, si, au cours de la phase de demande, la proposition obtient un financement ailleurs, des mesures appropriées doivent être prises afin d’éviter un double financement. Les chercheurs ne doivent pas accepter un financement deux fois pour le même travail.