Préparer un dataset pour une publication en data-journalisme sans compromettre ses sources

Publier un jeu de données brut à l’appui d’un article de data-journalisme sert la transparence méthodologique — le lectorat et les pairs peuvent vérifier l’analyse — mais expose un risque distinct de la protection des sujets de l’enquête : celui de compromettre une source qui a fourni les données sous couvert d’anonymat, ou d’identifier indirectement des personnes mentionnées dans l’enquête sans avoir consenti à cette exposition.

Ce risque est spécifique parce que la donnée à protéger n’est pas toujours une colonne identifiante évidente. Un jeu de données de signalements internes, de plaintes ou de témoignages peut contenir des colonnes de date, de service ou de localisation qui, prises isolément, semblent anodines, mais qui, combinées, désignent une seule personne possible dans une petite structure — la source elle-même, ou la personne qui lui a transmis l’information.

Avant publication, il convient de vérifier systématiquement les cas à faible effectif : toute combinaison de colonnes qui isole un nombre très restreint de lignes (idéalement à tester colonne par colonne et par paires de colonnes) doit être généralisée ou agrégée, même si aucune colonne prise seule n’est identifiante. C’est le critère d’individualisation défini par le groupe de travail européen sur la protection des données, directement transposable au contexte journalistique : si une ligne du jeu de données publié ne peut correspondre qu’à une seule personne plausible compte tenu du contexte de l’article, le risque de réidentification est réel, indépendamment de toute donnée directement nominative.

Une pratique complémentaire propre au journalisme d’investigation est de distinguer le jeu de données de travail, complet et confidentiel, du jeu de données publié, délibérément moins granulaire sur les dimensions sensibles (dates arrondies, localisations agrégées à l’échelle d’un service ou d’une région plutôt que d’un poste ou d’une adresse). Cette distinction permet de conserver la rigueur méthodologique en interne — et de la démontrer à des pairs sous embargo si nécessaire — sans que la version publique n’expose le niveau de détail qui permettrait une réidentification.

Enfin, un jeu de données ne devrait jamais être considéré comme sûr à publier sur la seule base du traitement des colonnes qu’il contient : le risque réel dépend aussi des données déjà publiques avec lesquelles il pourra être recoupé par un lecteur motivé, une variable que la rédaction ne contrôle pas et qui justifie une marge de prudence supplémentaire sur les enquêtes sensibles.