QCM : Big Data et culture des données (18 questions)

Questions et réponses du QCM

1. Comment les sciences de l’information et de la communication conçoivent-elles le Big Data dans son rapport à la société ?

Comme un processus qui participe à la co-construction du social
Comme un miroir neutre qui restitue fidèlement la réalité sociale
Comme un ensemble d’outils qui se substitue aux pratiques sociales
Comme une archive qui conserve des faits indépendamment de leur interprétation

Comme un processus qui participe à la co-construction du social

Explication

Les SIC abordent le Big Data comme un processus qui contribue à façonner le social, plutôt que comme une représentation neutre du monde. L’idée du miroir fidèle est précisément la conception écartée, car elle néglige cette participation à la construction sociale.

2. Quels chercheurs ont coordonné des travaux consacrés au Big Data et aux algorithmes au prisme des sciences de l’information et de la communication ?

Dominique Cardon et Bruno Latour
Pierre Lévy et Manuel Castells
Yves Jeanneret et Louise Merzeau
Vincent Bullich et Viviane Clavier

Vincent Bullich et Viviane Clavier

Explication

Vincent Bullich et Viviane Clavier ont coordonné les travaux consacrés à la production des données et de la société sous l’angle des SIC. Dominique Cardon et Bruno Latour sont des chercheurs plausibles dans ce champ, mais ne sont pas les coordinateurs indiqués ici.

3. Quel enjeu économique les SIC examinent-elles dans l’industrialisation des données ?

La transformation des données en biens publics échappant aux logiques économiques
La réduction des algorithmes à des outils techniques sans valeur marchande
La marchandisation des données brutes et des algorithmes comme ressources stratégiques
La substitution des infrastructures numériques aux activités de traitement des données

La marchandisation des données brutes et des algorithmes comme ressources stratégiques

Explication

Les SIC analysent la marchandisation des données brutes et des algorithmes de traitement, considérés comme des ressources économiques stratégiques. Les réduire à des outils sans valeur marchande contredit cet intérêt pour leur valorisation économique.

4. Une plateforme cherche à tirer des revenus des traces numériques laissées par ses usagers et du temps qu’ils consacrent à ses services. Quel modèle économique cela illustre-t-il ?

Un modèle fondé sur la vente d’infrastructures indépendamment des usages
Un modèle fondé sur la rentabilisation de l’attention et des traces numériques
Un modèle fondé sur la rémunération des usagers pour leurs données personnelles
Un modèle fondé sur la diffusion gratuite de données sans objectif de valorisation

Un modèle fondé sur la rentabilisation de l’attention et des traces numériques

Explication

La valorisation des données peut soutenir un modèle d’affaires qui rentabilise l’attention des usagers et les traces qu’ils produisent. La rémunération directe des usagers pour leurs données ne correspond pas au mécanisme décrit.

5. Qu’est-ce qui caractérise un dispositif dans l’étude des données ?

L’accumulation de données brutes dans une infrastructure, indépendamment des pratiques et des compétences
L’articulation d’instruments techniques, d’infrastructures et de pratiques fondées sur des savoirs et des savoir-faire
L’association d’interfaces visuelles et d’algorithmes, sans prise en compte des savoirs mobilisés
La combinaison de pratiques sociales et de règles, sans instruments techniques ni infrastructures

L’articulation d’instruments techniques, d’infrastructures et de pratiques fondées sur des savoirs et des savoir-faire

Explication

Un dispositif articule des instruments techniques, des infrastructures et des pratiques reposant sur des savoirs et des savoir-faire. L’accumulation de données dans une infrastructure ne suffit pas à le caractériser, puisqu’elle laisse de côté les pratiques et les compétences.

6. Pourquoi l’information ne peut-elle pas être considérée comme existant à l’état brut ?

Parce que les données sont produites sans mesure ni observation préalable
Parce que sa lecture est orientée par des choix de modélisation, des langages et des représentations visuelles
Parce que les infrastructures techniques déterminent entièrement le sens de chaque donnée
Parce que les représentations visuelles remplacent les données lors de leur interprétation

Parce que sa lecture est orientée par des choix de modélisation, des langages et des représentations visuelles

Explication

Des choix de modélisation, des langages et des représentations visuelles contribuent à orienter la lecture de l’information. Dire que les infrastructures déterminent entièrement son sens va trop loin : ce sont plusieurs choix de représentation qui interviennent.

7. Comment les entreprises transforment-elles la relation client grâce aux données ?

Elles diffusent les données clients en accès ouvert afin que les usagers choisissent leurs interactions.
Elles stockent les données clients sans les analyser afin de préserver la spontanéité des échanges.
Elles placent les données au cœur de la relation et utilisent des modèles prédictifs pour remplacer ou compléter les interactions humaines.
Elles confient la relation à des agents humains qui vérifient manuellement chaque donnée client.

Elles placent les données au cœur de la relation et utilisent des modèles prédictifs pour remplacer ou compléter les interactions humaines.

Explication

Les entreprises peuvent centrer la relation client sur les données et recourir à la modélisation prédictive du comportement, en substitution ou en complément des échanges humains. La vérification manuelle par des agents ne décrit pas ce mécanisme prédictif.

8. Quelle distinction décrit le mieux les deux dimensions de la régulation des données ?

La supervision et la normalisation encadrent collecte, transfert et appropriation, tandis que l'incorporation mobilise les données dans l'action publique.
La supervision identifie les données inexploitées, tandis que l'incorporation les relie sémantiquement à l'échelle du Web.
La supervision garantit l'accès libre aux données, tandis que l'incorporation transforme les données en formats lisibles par machine.
La supervision mobilise le Big Data dans l'action publique, tandis que l'incorporation fixe les règles de collecte et de transfert.

La supervision et la normalisation encadrent collecte, transfert et appropriation, tandis que l'incorporation mobilise les données dans l'action publique.

Explication

La régulation inclut l'encadrement des pratiques de collecte, de transfert et d'appropriation, ainsi que l'intégration des données dans l'action publique. Confondre la supervision avec cette incorporation inverse les deux dimensions.

9. Une équipe municipale étudie un petit jeu de données local, compréhensible directement, plutôt qu'un immense ensemble agrégé : quelle typologie correspond au premier jeu ?

Le Big Data, caractérisé par la massification de grands volumes de données.
Le Dark Data, caractérisé par des informations stockées mais non exploitées.
Le Small Data, caractérisé par des données localisées et de taille humaine.
Le Smart Data, caractérisé par l'analyse en temps réel de données décisionnelles.

Le Small Data, caractérisé par des données localisées et de taille humaine.

Explication

Le Small Data correspond à des données localisées, de taille humaine et directement compréhensibles. Le Big Data désigne plutôt la massification des données, et non leur caractère local et aisément lisible.

10. Quelles caractéristiques permettent de reconnaître un jeu de données relevant de l'Open Data ?

Des données structurées et interconnectées à l'échelle du Web afin d'assurer leur interopérabilité sémantique.
Des données diffusées dans des formats ouverts, structurés et lisibles par machine, avec accès et réutilisation libres sous licence appropriée.
Des données collectées et conservées par une organisation, mais qui ne font l'objet d'aucune exploitation.
Des données sélectionnées à la source pour leur forte valeur décisionnelle et analysées en temps réel.

Des données diffusées dans des formats ouverts, structurés et lisibles par machine, avec accès et réutilisation libres sous licence appropriée.

Explication

L'Open Data concerne des données publiques ou privées diffusées dans des formats ouverts et réutilisables sous une licence appropriée. Des données interconnectées pour leur sens commun relèvent plutôt du Linked Data.

11. Pour préparer une décision urgente, une analyste extrait à la source les données les plus utiles et les analyse en temps réel : quelle notion décrit cette démarche ?

Le Linked Data, qui interconnecte des données structurées pour leur donner une sémantique commune.
Le Dark Data, qui désigne des données conservées par une organisation mais non exploitées.
Le Smart Data, qui cible des données à forte valeur décisionnelle pour une analyse en temps réel.
Le Small Data, qui privilégie des données localisées, de taille humaine et compréhensibles.

Le Smart Data, qui cible des données à forte valeur décisionnelle pour une analyse en temps réel.

Explication

Le Smart Data repose sur l'extraction ciblée et l'analyse en temps réel de données à forte valeur décisionnelle directement depuis leur source. Le Dark Data est au contraire constitué de données stockées qui ne sont pas exploitées.

12. Une organisation possède des informations collectées qu'elle n'a jamais exploitées : à quelle notion cela correspond-il, par opposition au Dark Web ?

Au Dark Web, qui désigne des réseaux clandestins accessibles par des protocoles spécifiques.
Au Linked Data, qui désigne des données structurées et interconnectées sur le Web.
Au Dark Data, qui désigne des informations stockées mais non exploitées par une organisation.
Au Small Data, qui désigne des données localisées et directement compréhensibles.

Au Dark Data, qui désigne des informations stockées mais non exploitées par une organisation.

Explication

Le Dark Data désigne des informations collectées et conservées sans être exploitées. Le Dark Web renvoie à des réseaux clandestins superposés au Web traditionnel, et non à des données organisationnelles inutilisées.

13. Quelle activité illustre le mieux la Data Literacy ?

Rechercher, lire, manipuler et analyser des données, puis les mobiliser dans un processus de décision.
Publier des données dans un format ouvert sans examiner leur contenu ni leur pertinence.
Automatiser une décision à partir d'un indicateur sans examiner les données qui le composent.
Conserver des jeux de données et leurs droits d'accès sans les utiliser dans une analyse.

Rechercher, lire, manipuler et analyser des données, puis les mobiliser dans un processus de décision.

Explication

La Data Literacy rassemble les capacités à rechercher, lire, manipuler et analyser des données, puis à les utiliser pour décider. Publier des données sans les examiner ne mobilise pas cet ensemble de compétences.

14. Avant d'interpréter un jeu de données, quels éléments faut-il examiner pour en évaluer la portée et les limites ?

Son auteur, son titre, ses mots-clés, sa licence et son format de diffusion.
Son volume total, le nombre de fichiers, le logiciel utilisé et le lieu de stockage.
Ses variables, ses liens vers d'autres jeux, sa licence et les conditions de conservation.
Ses variables, unités de mesure, dates de mise à jour, limites d'usage et périmètre de validité statistique.

Ses variables, unités de mesure, dates de mise à jour, limites d'usage et périmètre de validité statistique.

Explication

Une lecture critique vérifie notamment les variables, les unités, l'actualité, les limites d'usage et la validité statistique du jeu. Les éléments comme l'auteur et les mots-clés aident à retrouver une ressource, mais ne suffisent pas à évaluer sa portée statistique.

15. Quelle séquence réunit les quatre opérations de manipulation et d'analyse des données ?

Définir une hypothèse, choisir une visualisation, diffuser les résultats et recueillir les réactions des utilisateurs.
Décrire les données, leur attribuer une licence, les publier en format ouvert et les relier à d'autres ressources.
Nettoyer les données, filtrer un sous-ensemble pertinent, croiser des jeux par des variables communes et produire des indicateurs synthétiques.
Nettoyer les données, les agréger par date, supprimer les variables communes et publier les fichiers bruts.

Nettoyer les données, filtrer un sous-ensemble pertinent, croiser des jeux par des variables communes et produire des indicateurs synthétiques.

Explication

Les quatre opérations sont le nettoyage, le filtrage, le croisement de jeux à partir de variables communes et la production d'indicateurs synthétiques. La diffusion de fichiers ouverts peut être utile, mais elle ne remplace pas ces étapes d'analyse.

16. Une équipe hésite entre une décision fondée sur son intuition et une décision appuyée sur des données analysées dans leur contexte : quelle approche correspond à l'objectif de la Data Literacy ?

Retenir l'indicateur le plus récent, même sans examiner le contexte dans lequel il a été produit.
Fonder la décision sur des données analysées et recontextualisées plutôt que sur de simples intuitions.
Choisir l'intuition collective, puis chercher des données qui justifient la décision déjà prise.
Décider selon la quantité de données disponibles, sans interpréter leurs limites d'utilisation.

Fonder la décision sur des données analysées et recontextualisées plutôt que sur de simples intuitions.

Explication

La Data Literacy vise à éclairer les décisions par des données analysées et replacées dans leur contexte, plutôt que par la seule intuition. Choisir un indicateur sans tenir compte de son contexte ne garantit pas une décision informée.

17. Quel est l’objectif central de la Science Ouverte concernant les publications et les données de recherche ?

Les rendre librement accessibles par des plateformes et des archives ouvertes.
Les réserver aux chercheurs des institutions qui les ont produites.
Les commercialiser par l’intermédiaire d’éditeurs spécialisés.
Les diffuser sous forme de synthèses sans donner accès aux données.

Les rendre librement accessibles par des plateformes et des archives ouvertes.

Explication

La Science Ouverte cherche à rendre les publications scientifiques et les données de recherche librement accessibles grâce à des plateformes et à des archives ouvertes. Réserver ces ressources aux institutions productrices limiterait l’accès au lieu de l’élargir.

18. Une équipe souhaite faire participer des habitants à la production de connaissances sur la biodiversité : quel programme correspond à cette démarche ?

Un programme de laboratoire qui confie les observations aux seuls chercheurs spécialistes.
Un dispositif administratif qui examine les demandes d’accès aux données personnelles.
Une plateforme d’archives qui héberge des publications scientifiques en accès ouvert.
Vigie-Nature, qui associe les citoyens à la production du savoir sur la biodiversité.

Vigie-Nature, qui associe les citoyens à la production du savoir sur la biodiversité.

Explication

Vigie-Nature est un programme de sciences participatives consacré à la biodiversité, dans lequel les citoyens contribuent à produire du savoir. Une plateforme d’archives peut faciliter l’accès aux publications, mais elle ne désigne pas ce programme de participation citoyenne.

Révisez avec les flashcards

Mémorisez les réponses avec 42 flashcards sur Big Data et culture des données.

Comment les SIC conçoivent-elles le Big Data par rapport à la réalité ?

Comme un processus participant à la co-construction du social.

Qu’analysent les SIC concernant la donnée brute et les algorithmes de traitement ?

Leur marchandisation comme ressources économiques stratégiques.

Quels éléments un dispositif articule-t-il ?

Des instruments techniques, des infrastructures et des pratiques fondées sur des savoirs et des savoir-faire.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Big Data et culture des données.

Voir la fiche →

Cours similaires

Calcul littéral et nombres

Mathématiques

Théorisation ancrée

Vieillissement et politiques sociales

Éléments et radioactivité

Physique

Données, Big Data et culture numérique

Compartimentation et divisions cellulaires

SVT

Crée tes propres QCM

Importe ton cours et l'IA génère des QCM avec corrections en 30 secondes.

Générateur de QCM