Définition des données de la recherche

• Les données ne sont pas (seulement) du code.

• L’accès aux données de la recherche est différent de l’accès aux publications (lequel est également essentiel).

2.1 Les jeux de données en informatique théorique

Exemples

• Des programmes rédigés dans un langage informatique

    for i in range(1, 2046):
        j += i
        print('Hello ' + j)

• Des graphes ou des automates

 s1 -(1)-> s1
 s1 -(0)-> s2
 s2 -(0)-> s1
 s2 -(1)-> s2

• Des données numériques (logs, suites de nombres…)

    @t=2.3: temperature=2.3; vitesse=4.5
    @t=2.7: temperature=3.2; vitesse=6.9
    @t=4.9: temperature=5.1; vitesse=20.46 

• Des modèles formels exprimés dans un langage formel

    VARIABLE clock
    Init == clock \in {0, 1}
    Tick == IF clock = 0 THEN clock' = 1 ELSE clock' = 0
    Spec == Init /\ [][Tick]_<<clock>> 

    (ci-dessus : extrait de code TLA+)

Spécificités

En informatique théorique les jeux de données ne ressemblent pas à n'importe quel autre jeu de données. Ils ont pour particularités d'être :

1. Généralement du texte

• Code
• Modèles formels codés dans des formats textuels (XML, JSON, CSV...)
• Suites de nombres
• À la différence de : données d’imageries (médecine, géographie...)

2. Taille relativement modeste

• Taille typique d’un programme ou d’un modèle : quelques dizaines ou centaines de Kio
• Un programme même de grande taille excède très rarement 100 Mio
• À la différence de : banques d’images (médecine, géographie, apprentissage artificiel...), relevés météorologiques, etc.
• Par exemple, 1 répondant(e) sur 5 mentionne dans une enquête française de 2020 des données de plus de 1To

3. Rarement de questions de confidentialité ou d’éthique

• À la différence de : médecine, sociologie...
• (Contre-exemple : collaborations industrielles avec accord de confidentialité...)

2.2 La reproductibilité des données en informatique théorique :

Une évidence ?

Dans de nombreux domaines, il est extrêmement difficile voire impossible de reproduire des expériences à l’identique :

• Médecine, biologie, sociologie, linguistique...
  
• Cause principale : impossibilité d’appliquer deux fois la même méthode sur exactement les mêmes données avec le même environnement

En informatique, un algorithme ou un programme avec les mêmes entrées devrait produire le même résultat :

• Les temps d’exécution devraient être similaires (mais pas identiques : bruit lié à l’occupation de la machine)
  
• Pas universel pour autant (Contre-exemples : algorithmes distribués, programmes fonctionnant sur des réseaux, programmes avec une part d’aléatoire...)

Les obstacles :

Obstacles à la reproductibilité des expériences en informatique :

• Absence de partage des logiciels ou manque d’informations (version, environnement)
• Absence de partage des données d’entrée ou manque d’informations (version)
• Absence de partage des résultats attendus
• Problématique de l’environnement (matériel, système d’exploitation)