Modèles : du monde réel au monde numérique

Coordonné par Bruno BACHIMONT, Marcello VITALI-ROSATI et Pierre GANÇARSKI

Le concept de modèle semble être fondamental pour comprendre les environnements numériques. Cependant cette notion peut être comprise de plusieurs manières et est par ailleurs interprétée différemment selon les disciplines, les approches et aussi les métiers.

La notion de modèle a été intensivement mobilisée dans les sciences de l’ingénieur : un modèle est alors la représentation d’un système permettant de le simuler ; au lieu d’expérimenter le système dans son fonctionnement empirique effectif, on expérimente via le modèle et ses simulations. Le modèle peut s’appuyer sur une théorie de la réalité décrite (souvent une théorie physique) et proposer des simplifications et adaptations ; il est ensuite calibré sur un domaine de validité (les situations concrètes où on peut l’utiliser), et exploité pour étudier le comportement du système dans ce domaine. Mais la notion de modèle est également utile dans de nombreux autres domaines : par exemple les modèles « utilisateur » en ergonomie ou en informatique, les modèles de « visite » en muséologie, ou encore les modèles du consommateur en marketing ou en économie, etc. Un modèle peut servir à analyser, comprendre, explorer, simuler le réel.

Si bien que ce que l’on appelle modèle peut être très varié. En pratique, il semble que toute représentation, formelle ou non, mathématique, computationnelle, graphique, langagière, peut, d’une manière ou d’une autre, être qualifiée de modèle si elle permet de viser une réalité et d’en cerner son évolution : un modèle utilisateur peut ainsi être une description en langue naturelle indiquant le type de comportement qu’on s’attend à constater.

Traces, données et preuves en contexte numérique : quelles acceptions interdisciplinaires ?

Coordonné par Bruno BACHIMONT, Lise VERLAET et Pierre GANÇARSKI

Avec la généralisation de l’instrumentation scientifique numérique, nous avons vécu ces dernières décennies une spectaculaire évolution paradigmatique. En effet, le Web sémantique a en quelque sorte mis fin au paradigme inhérent aux bibliothèques et aux recherches documentaires pour laisser place aux recherches d’information, mais tend lui-même à être supplanté par le paradigme de la donnée. L’effervescence autour des mégadonnées et la résurgence de l’intelligence artificielle invitent à s’interroger sur le statut de ces données, la nature de leurs traitements, l’interprétation des résultats, et finalement leurs acceptions interdisciplinaires.

Les données sont souvent associées, entre autres, aux notions de trace et d’enregistrement. Une première difficulté est d’articuler ces notions, les disciplines ayant souvent des approches différentes en la matière. Une manière de faire est de considérer que la trace relève du système observé, dont on fait un enregistrement, ce dernier constituant la donnée qui sera analysée pour, par exemple, étudier le comportement du système observé. De ce point de vue, en tant qu’enregistrement des traces, les données peuvent être considérées comme des éléments de preuve et permettent de remonter à leurs origines et donc au système dont elles sont issues. Cette notion de trace fait ainsi désormais partie des concepts liés à la production, la gestion, la valorisation et la consommation des données, concepts sollicités tant par les sciences humaines et sociales que les sciences informatiques. Mais, au-delà de cette première vision, comment articuler donnée et trace ? Une donnée est-elle forcément fondée sur une trace ? Quelles interdépendances entre ces notions ? L’enregistrement, s’il convient de mobiliser cet intermédiaire, introduit-il un biais ? De quel type ? Altère-t-il la manière dont on peut interroger la donnée pour retrouver la trace et le système associé ? Ou, tout à l’opposé, faudrait-il considérer ces termes comme synonymes, leur appellation reflétant donc simplement des variations disciplinaires ?