Une donnée seule ne dit rien : ce sont les métadonnées qui indiquent ce qu'elle mesure, quand et comment, et donc ce qu'on a le droit d'en conclure.
L'erreur que tout le monde fait
Croire qu'un fichier partagé sans nom ni identifiant ne concerne plus personne.
Le recoupement suffit à réidentifier : quelques informations apparemment anodines, comme un code postal, une date de naissance et un horaire de déplacement, suffisent à ne désigner qu'une seule personne. Retirer le nom rend le fichier pseudonyme, pas anonyme, et la réglementation continue de s'y appliquer.
Se demander ce que le croisement de deux colonnes permettrait de retrouver, avant de qualifier un fichier d'anonyme.
Le nombre 37 ne dit rien. Une température, un âge, un nombre d'élèves, un prix ? Sans indication sur ce qu'il mesure, quand et comment, il n'autorise aucune conclusion. Tout ce chapitre consiste à ajouter à des nombres ce qui les rend utilisables — et à voir ce qu'ils continuent de révéler quand on croit les avoir anonymisés.
1Structurer pour exploiter
Définition
Données structurées — Des données sont dites structurées lorsqu'elles sont organisées selon un schéma connu, qui permet à un programme de les lire sans interpréter. Le modèle le plus courant est la table : une ligne par enregistrement, une colonne par descripteur, et la même nature d'information dans toute une colonne. C'est cette régularité, et elle seule, qui rend un traitement automatique possible.
Propriété
Deux formats de fichiers à connaître. Le CSV — comma-separated values — écrit une table en texte brut : une ligne par enregistrement, des valeurs séparées par un caractère, et une première ligne qui nomme les colonnes. Le JSON organise les données en couples nom-valeur, et accepte des structures imbriquées — une liste dans un champ, un objet dans un objet. Le CSV convient aux tables plates, le JSON aux données arborescentes.
CSV:unetableplate⋅JSON:unestructureimbriqueˊe
Définition
Métadonnées — Les métadonnées sont les données sur les données : ce que mesure une colonne, dans quelle unité, à quelle date, par quel instrument, avec quelle précision. Elles ne figurent pas dans les valeurs, et pourtant sans elles aucune valeur n'est interprétable. Un tableau sans métadonnées n'est pas un jeu de données : c'est une suite de nombres.
Piège
Croire qu'un fichier partagé sans nom ni identifiant ne concerne plus personne.
Pourquoi — Le croisement suffit à réidentifier. Un fichier sans nom mais portant la date de naissance, le code postal et le sexe désigne souvent une seule personne dans une commune donnée, et l'ajout d'une seconde source lève le dernier doute. Supprimer le nom ne rend donc pas des données anonymes : cela les rend seulement moins immédiatement nominatives.
Le réflexe — Se demander : avec quelle autre source ce fichier pourrait-il être croisé ?
2Données personnelles et droit
Définition
Donnée personnelle — Une donnée personnelle est une information se rapportant à une personne identifiée ou identifiable, directement ou par recoupement. Le nom en est une, mais aussi une adresse IP, un identifiant de téléphone, une photographie, un historique d'achats. Cette définition large est délibérée : elle vise l'identifiabilité, pas le seul état civil. Protéger la vie privée suppose donc de raisonner sur tout ce qui permet de remonter à une personne, et non sur le seul nom.
Propriété
Le RGPD — règlement général sur la protection des données — s'applique en Europe depuis 2018. Il pose quelques principes qu'un élève doit savoir nommer : la finalité — on ne collecte que pour un usage annoncé —, la minimisation — on ne collecte que le nécessaire —, la durée limitée de conservation, le consentement libre et éclairé, et des droits pour la personne concernée : accès, rectification, effacement, opposition. Le RGPD ne protège pas les données : il encadre ce que l'on a le droit d'en faire.
On parle de big data lorsque le volume, la vitesse d'arrivée et la variété des données dépassent ce qu'un traitement classique absorbe. Le changement n'est pas seulement d'échelle : avec beaucoup de données, on cherche des corrélations sans hypothèse préalable. D'où une vigilance nécessaire — une corrélation n'est pas une cause, et un très grand nombre de croisements en produit mécaniquement qui ne signifient rien.
3Traiter
Propriété
Quatre opérations élémentaires suffisent à exploiter une table : rechercher — retrouver les enregistrements vérifiant une condition ; filtrer — n'en garder qu'une partie ; trier — les ordonner selon une colonne ; calculer — produire une somme, une moyenne, un effectif. Elles se combinent, et l'ordre dans lequel on les applique change le coût du traitement, jamais le résultat.
Exploiter un fichier de données structurées
Lire d'abord la ligne d'en-tête : que contient chaque colonne, et dans quelle unité ?
Chercher les métadonnées : origine, date, méthode de collecte, précision annoncée.
Repérer les valeurs manquantes ou aberrantes avant tout calcul.Une moyenne calculée sur des cases vides comptées comme des zéros est fausse.
Appliquer les opérations : filtrer, trier, puis calculer sur ce qui reste.
Formuler la conclusion en rappelant ce que les données mesurent, et ce qu'elles ne mesurent pas.
▢Ai-je vérifié ce que mesure chaque colonne, et dans quelle unité ?
▢Ai-je cherché les métadonnées avant d'interpréter un chiffre ?
▢Ai-je traité les valeurs manquantes autrement qu'en les comptant pour zéro ?
▢Ai-je choisi le format adapté : CSV pour une table plate, JSON pour une structure imbriquée ?
▢Mon fichier « anonyme » résiste-t-il à un croisement avec une autre source ?
▢Ai-je distingué une corrélation d'une cause ?
L'essentiel en 11 points
·Une donnée structurée suit un schéma connu : une ligne par enregistrement, une colonne par descripteur.
c.Qu'est-ce qu'une métadonnée ? Donner deux exemples.
d.Qu'est-ce qu'une donnée personnelle au sens du RGPD ?
e.Citer trois principes du RGPD.
›Voir le corrigéMasquer le corrigé
a. Une donnée organisée selon un schéma connu — le plus souvent une table : une ligne par enregistrement, une colonne par descripteur.
b. Le CSV écrit une table plate en texte brut ; le JSON organise des couples nom-valeur et accepte des structures imbriquées.
c. Une information sur la donnée : par exemple l'unité de mesure et la date de collecte.
d. Toute information se rapportant à une personne identifiée ou identifiable, y compris par recoupement — une adresse IP en est une.
e. La finalité, la minimisation, la durée limitée de conservation — ou encore le consentement et les droits d'accès et d'effacement.
2
Une table recense les emprunts d'une bibliothèque : identifiant, titre, catégorie, date d'emprunt, nombre de jours de retard.
Appliquer
a.Quelle opération permet d'obtenir les seuls emprunts en retard ?
b.Quelle suite d'opérations donne les cinq retards les plus longs ?
c.La colonne « retard » comporte des cases vides. Peut-on les compter comme des zéros ?
d.On veut le retard moyen par catégorie. Décrire la démarche.
›Voir le corrigéMasquer le corrigé
a. Un filtrage sur la condition « retard > 0 ».
b. Filtrer les retards, trier par ordre décroissant, puis conserver les cinq premiers.
c. Non, sauf si les métadonnées l'indiquent. Une case vide peut signifier « aucun retard » ou « information non saisie » : les traiter comme des zéros fausse la moyenne dans le second cas.
d. Regrouper les enregistrements par catégorie, puis calculer la moyenne de la colonne retard dans chaque groupe — après avoir décidé du sort des cases vides.
3
Un établissement publie un fichier « anonymisé » : le nom est supprimé, mais il reste la date de naissance, le sexe, le code postal et la filière.
Raisonner
a.Ce fichier est-il anonyme ? Justifier.
b.Expliquer le mécanisme de réidentification par croisement.
c.Quelles modifications rendraient la réidentification nettement plus difficile ?
d.Quel principe du RGPD aurait dû s'appliquer dès la collecte ?
e.Pourquoi la bonne intention de l'établissement ne suffit-elle pas ?
›Voir le corrigéMasquer le corrigé
a. Non. Ces quatre descripteurs combinés désignent souvent une seule personne dans une commune donnée : elle reste identifiable, ce qui suffit à faire de ces données des données personnelles.
b. En croisant avec une autre source — un trombinoscope, une liste d'admis, un profil public — qui partage une ou deux de ces colonnes. Chaque recoupement réduit le nombre de candidats jusqu'à un seul.
c. Ne garder que l'année de naissance au lieu de la date complète, remplacer le code postal par le département, et regrouper les filières. On dégrade volontairement la précision pour casser l'unicité des combinaisons.
d. La minimisation : ne collecter que les descripteurs nécessaires à l'usage annoncé. Ce qui n'a pas été collecté ne peut pas fuir.
e. Parce que le risque ne tient pas à l'intention mais à la structure des données. Un fichier publié échappe à son auteur, et le croisement peut être fait par n'importe qui, plus tard, avec des sources qui n'existaient pas au moment de la publication.
4
Big data et interprétation. Analyser.
Analyser
a.Qu'appelle-t-on big data ?
b.En quoi la démarche diffère-t-elle d'une étude statistique classique ?
c.Une corrélation forte entre deux colonnes prouve-t-elle un lien de cause à effet ?
d.Pourquoi multiplier les croisements produit-il mécaniquement des corrélations sans signification ?
›Voir le corrigéMasquer le corrigé
a. Un ensemble de données dont le volume, la vitesse d'arrivée et la variété dépassent ce qu'un traitement classique peut absorber.
b. L'étude classique part d'une hypothèse et la teste. Le big data cherche des corrélations dans les données sans hypothèse préalable, et formule l'explication après coup.
c. Non. Deux grandeurs peuvent varier ensemble parce qu'une troisième les influence toutes deux, ou par pur hasard. La corrélation constate, elle n'explique pas.
d. Parce qu'en testant un très grand nombre de paires, certaines coïncident par hasard. Plus on cherche, plus on trouve — et ce qu'on trouve ainsi ne se reproduit pas sur d'autres données. C'est pourquoi une corrélation exhumée d'un grand jeu de données doit être vérifiée ailleurs avant d'être publiée.
Ce qui rapporte des points, ce qui en coûte
Décrire une table et ses descripteurs3 ptsPerdu si : Mélanger deux natures d'information dans une colonne
Distinguer CSV et JSON3 ptsPerdu si : Écrire un CSV pour des données imbriquées
Expliquer le rôle des métadonnées4 ptsPerdu si : Interpréter un nombre sans unité
Montrer les limites d'une anonymisation par suppression du nom5 ptsPerdu si : Déclarer anonyme un fichier réidentifiable
Nommer des principes du RGPD3 ptsPerdu si : Réduire le RGPD au consentement aux cookies
Distinguer corrélation et causalité2 ptsPerdu si : Conclure à une cause à partir d'une corrélation
4
La méthode
Exploiter un fichier de données structurées
1
Ouvrir le fichier et identifier son format ainsi que le séparateur employé.
2
Lire la première ligne pour connaître le nom et le sens de chaque colonne.
3
Vérifier le type de chaque champ et repérer les valeurs manquantes ou aberrantes.
Un nombre stocké comme texte fausse tout tri et tout calcul.
4
Filtrer, trier ou regrouper selon la question posée, en gardant le fichier d'origine intact.
5
Conclure sur ce que les données permettent d'affirmer, et sur ce qu'elles ne mesurent pas.
5
Se tester
Touches 1 à 4
SNTSeconde
Question 1
Pour trier les participants à un marathon scolaire selon leur temps de course, un élève utilise l'algorithme de tri à bulles et observe que ses résultats sont incorrects. Il remarque que certains temps très longs (par exemple 1h30) sont placés avant des temps courts (par exemple 50 minutes). Quelle erreur classique commet-il probablement avec son algorithme ?
Aucun compte requis — réponds, la correction s'affiche aussitôt.
4 contrôles sur ce chapitre, chacun avec sa durée, son barème sur vingt et un corrigé qui explique chaque réponse. Trois niveaux — Essentiel, Standard, Approfondi — se complètent sans reposer une question : on commence par celui qui correspond, et la note dit lequel faire ensuite.
Données — Structuration et traitement : c'est en quelle classe ?+
Ce chapitre est au programme de SNT au lycée, en classe de Seconde. Il est défini par le Bulletin Officiel de l'Éducation nationale, le texte de référence qui fixe ce qui doit être enseigné dans chaque matière.
Que faut-il savoir sur Données — Structuration et traitement ?+
Données structurées (CSV, JSON, SQL). Métadonnées. Données personnelles (RGPD). Big Data. Traitement algorithmique : tris, recherches, statistiques simples. Les notions à maîtriser sont : données, CSV, JSON, RGPD, métadonnées, big data.
Où télécharger la fiche PDF de Données — Structuration et traitement ?+
Sur cette page, dans le bloc « Imprimer » : 3 documents à télécharger — le cours, les exercices et le corrigé — soit 6 pages au format A4, prêtes à imprimer. Le téléchargement est gratuit, immédiat, et ne demande ni compte ni adresse e-mail.
Le corrigé de Données — Structuration et traitement est-il fourni ?+
Oui, et c'est un document à part : chaque exercice y est repris étape par étape, avec le barème détaillé en fin de fiche — ce qui est attendu, combien de points, et ce qui fait perdre le point. Un parent qui ne se souvient plus du programme peut corriger une copie avec.
Comment réviser Données — Structuration et traitement efficacement ?+
Commence par lire la fiche de révision pour remettre la règle en place, puis enchaîne immédiatement sur le quiz de cette page. Répondre juste après avoir lu ne suffit pas : reviens sur le chapitre deux ou trois jours plus tard. C'est l'espacement des révisions, plus que leur durée, qui fait tenir une notion en mémoire. Une session de quinze minutes répétée vaut mieux qu'une heure unique.
Faut-il un compte pour s'entraîner sur Données — Structuration et traitement ?+
Non. Les quiz, les corrections détaillées et les fiches de révision sont accessibles sans créer de compte et sans donner d'adresse e-mail. Le compte gratuit sert uniquement à conserver la progression d'un appareil à l'autre.