Données — Structuration et traitement

Croiser des sources

Les documents 1 et 2 ont été publiés séparément. Croise-les, puis réponds aux questions.

1. 1.Quelles informations les deux fichiers partagent-ils, directement ou presque ?

   1 pt
   Voir la correction

   Le jour de naissance (« naissance » et « anniversaire »), la commune, et le sexe, qui se déduit de l’équipe féminine ou masculine ; le sport est commun aussi : le document 2 ne parle que de handball.

   Un croisement s’appuie sur les colonnes communes, même quand elles ne portent pas le même nom : il faut lire les en-têtes et les légendes. 0,5 pour deux informations, 1 pour trois.

2. 2.Réalise le croisement. Quelles personnes du document 1 peux-tu nommer, et qu’apprends-tu sur elles ?

   1.5 pt
   Voir la correction

   A3 est Clara Martin (née le 03/02, femme, Montbrac, handball) : elle a eu une fracture. A5 est Yanis Petit (né le 17/09, homme, Montbrac, handball) : il a eu une entorse.

   Chaque combinaison jour de naissance, sexe, commune et sport ne désigne qu’une ligne du document 1 et qu’un joueur du document 2. 0,75 par personne réidentifiée avec sa blessure.

3. 3.A1 et A3 sont nées le même jour. Que montre cet exemple sur la manière dont on réidentifie ?

   1 pt
   Voir la correction

   Que la date seule ne suffit pas : A1 et A3 sont deux handballeuses nées le 03/02, et c’est la commune qui les sépare. C’est la combinaison de plusieurs colonnes anodines qui rend une ligne unique.

   Aucune colonne, isolée, ne désigne personne ; leur combinaison désigne une seule personne. C’est pourquoi on raisonne sur les croisements possibles, pas colonne par colonne.

4. 4.L’association soutient que le règlement européen ne la concerne pas, puisqu’elle a effacé l’identité de ses adhérents. Discute cet argument à la lumière de ta réponse précédente.

   1 pt
   Voir la correction

   Elle est fausse : le fichier est pseudonyme, pas anonyme, puisque l’exercice vient de réidentifier deux personnes. Ces données se rapportent à des personnes identifiables par recoupement : ce sont des données personnelles, et le RGPD s’y applique.

   Une donnée personnelle se définit par l’identifiabilité, pas par la présence d’un nom ; retirer le nom ne fait pas sortir un fichier de la réglementation.

5. 5.On propose de supprimer seulement la colonne « naissance » du document 1. Le croisement devient-il impossible ? Justifie, puis propose une mesure plus sûre.

   1.5 pt
   Voir la correction

   Non : A3 reste la seule femme de Montbrac qui joue au handball, et Clara Martin la seule joueuse de Montbrac du document 2 ; A5 reste même le seul handballeur du fichier. Une mesure plus sûre : ne publier que des effectifs, par exemple le nombre de blessures de chaque type par sport, sans aucune ligne individuelle, ou ne collecter que les colonnes nécessaires à l’étude.

   Supprimer une colonne ne suffit pas tant qu’une combinaison des autres reste unique ; publier des effectifs, ou appliquer la minimisation dès la collecte, supprime les lignes que l’on pourrait croiser. 0,75 pour la justification, 0,75 pour la mesure.

Repérer une erreur et la corriger

La copie du document 3 rend compte du traitement d’un fichier ; elle contient quatre erreurs. Pour chacune, indique la ligne, explique ce qui est faux et écris ce qu’il fallait dire ou faire.

Réponse rédigée. Ce que le correcteur attend, critère par critère :

1. 1.Le format annoncé au début de la copie.

   1 pt
   Voir la correction

   Ce qui est décrit, une ligne par enregistrement et des valeurs séparées par des points-virgules, c’est un fichier CSV. Un fichier JSON range des couples nom-valeur, éventuellement imbriqués.

   La description est juste, mais le nom du format est faux : elle confond une table plate en texte brut et une structure arborescente.

2. 2.Le traitement des lignes jugées fausses.

   1 pt
   Voir la correction

   On ne modifie jamais le fichier d’origine : on travaille sur une copie, ou l’on filtre, en gardant l’original intact. Et l’on ne supprime pas une ligne parce qu’elle « semble » fausse sans avoir dit pourquoi.

   Garder le fichier d’origine intact permet de revenir aux données et de vérifier chaque choix ; une suppression non justifiée fausse les résultats.

3. 3.Le classement des lecteurs après le tri.

   1 pt
   Voir la correction

   La colonne « livres » est rangée comme du texte : le tri compare caractère par caractère, et « 9 » passe devant « 15 » et « 12 ». Il faut convertir la colonne en nombres : le plus grand lecteur a lu 15 livres, devant 12 et 9.

   Un nombre stocké comme texte fausse tout tri et tout calcul : c’est ce qu’on vérifie avant de traiter un fichier.

4. 4.La conclusion tirée de la moyenne de la colonne « temps ».

   1 pt
   Voir la correction

   Rien n’indique l’unité ni la période de cette colonne : 37 peut désigner des minutes par semaine, des pages ou autre chose. Il faut lire les métadonnées avant de conclure, et conclure seulement sur ce que la colonne mesure.

   Le nombre 37 ne dit rien sans indication sur ce qu’il mesure, quand et comment : ce sont les métadonnées qui autorisent une conclusion.

Concevoir une structure

Le lycée veut publier les menus de la cantine. Chaque jour comporte une entrée, un plat, plusieurs desserts au choix, et pour chaque mets la liste de ses allergènes. Réponds aux questions.

1. 1.Quel format choisis-tu pour enregistrer ces menus tels quels ? Justifie à partir de la forme des données.

   1 pt
   Voir la correction

   Le JSON, parce que le nombre de desserts change d’un jour à l’autre et que chaque mets porte sa propre liste d’allergènes : des listes rangées dans des objets, que ce format accepte telles quelles.

   Le choix du format découle de la forme des données : imbriquée, elle appelle le JSON ; plate, le CSV.

2. 2.Écris l’enregistrement d’un jour dans le format choisi, avec au moins deux desserts.

   1.5 pt
   Voir la correction

   Par exemple : {"jour": "lundi", "entree": {"nom": "salade", "allergenes": []}, "plat": {"nom": "lasagnes", "allergenes": ["gluten", "lait"]}, "desserts": [{"nom": "yaourt", "allergenes": ["lait"]}, {"nom": "pomme", "allergenes": []}]}

   On attend des couples nom-valeur, un objet par mets et des listes pour les desserts et les allergènes. 0,5 pour les couples nom-valeur, 0,5 pour la liste des desserts, 0,5 pour les allergènes imbriqués.

3. 3.La diététicienne veut compter, sur un mois, les plats qui contiennent du gluten. Propose l’en-tête d’une table plate qui le permet, et nomme les opérations qu’elle appliquera.

   1 pt
   Voir la correction

   Par exemple « jour;type;mets;gluten », une ligne par mets et par jour, la colonne gluten valant oui ou non. Elle filtrera sur « type = plat » et « gluten = oui », puis calculera l’effectif.

   Une table plate se conçoit pour la question posée : une ligne par mets rend le filtre et le comptage immédiats, ce que la structure imbriquée ne permet pas aussi simplement. 0,5 pour l’en-tête, 0,5 pour les opérations.

4. 4.Cite deux métadonnées à joindre au fichier pour qu’il soit exploitable.

   0.5 pt
   Voir la correction

   Par exemple : la période couverte et la date de mise à jour ; qui a établi les menus ; la liste des allergènes pris en compte (deux au choix).

   Sans métadonnées, on ne sait ni de quand datent les menus, ni d’où ils viennent, ni ce que signifie une liste d’allergènes vide. 0,5 pour deux métadonnées pertinentes ; 0 pour une valeur du fichier citée comme métadonnée.

Argumenter

Un lycée envisage de publier en ligne, en données ouvertes, le fichier détaillé des notes de ses élèves, noms retirés, pour permettre des études. Rédige une argumentation d’une vingtaine de lignes : « Faut-il publier ce fichier, et à quelles conditions ? » Fais une introduction, deux paragraphes et une conclusion.

Réponse rédigée. Ce que le correcteur attend, critère par critère :

1. 1.Introduction : l’enjeu posé, l’intérêt d’une étude face à la protection des élèves, et le plan annoncé.

   1 pt
   Voir la correction

   Exemple : « Publier les notes d’un lycée pourrait éclairer la réussite scolaire, mais ces données concernent des élèves. Nous verrons ce qui rendrait ce fichier utile, puis ce qui le rend dangereux, avant de dire à quelles conditions le publier. »

   L’introduction pose les deux exigences contradictoires que l’argumentation devra concilier, et annonce le chemin suivi.

2. 2.Premier paragraphe : ce qui rendrait le fichier utile, une structure claire et des métadonnées.

   1.5 pt
   Voir la correction

   Une table plate au format CSV, une ligne par élève et par matière, un en-tête explicite ; des métadonnées qui disent ce que mesure chaque note, sur combien, à quelle période. Sans elles, les nombres ne permettent aucune conclusion, et une corrélation trouvée ne prouverait aucune cause.

   L’utilité d’un jeu de données tient à sa structure et à ses métadonnées : un tableau qui n’en a pas n’est qu’une suite de nombres.

3. 3.Second paragraphe : le risque de réidentification et ce qu’impose le RGPD.

   1.5 pt
   Voir la correction

   Sans nom, mais avec la classe, l’option, le sexe ou la date de naissance, un élève est souvent seul de sa combinaison ; un trombinoscope, une liste d’admis ou un réseau social lèvent le dernier doute, et plus les sources sont nombreuses, plus ces croisements sont faciles. Le fichier est pseudonyme : le RGPD s’applique, avec la finalité, la minimisation, la durée limitée et les droits des élèves.

   Un fichier sans nom reste personnel tant que le croisement permet de réidentifier ; la variété des sources disponibles rend ce croisement plus probable.

4. 4.Conclusion : une réponse nette, avec des conditions précises.

   1 pt
   Voir la correction

   Exemple : « Ce fichier ne doit pas être publié ligne par ligne. On peut publier des effectifs et des moyennes par niveau, avec leurs métadonnées, pour une finalité annoncée, sans aucune colonne qui permette de croiser. »

   La conclusion répond à la question posée et transforme les arguments en conditions applicables.

5. 5.Expression : le vocabulaire du chapitre employé juste, des connecteurs logiques, des paragraphes reliés.

   1 pt
   Voir la correction

   Par exemple : métadonnées, pseudonyme, croisement, minimisation, finalité ; cependant, c’est pourquoi, donc.

   Le vocabulaire précis et les connecteurs rendent visible le raisonnement : ce qui s’oppose, ce qui découle de quoi.