Vers une littératie des données dans l’espace public : la cartographie du coronavirus dans Ars Electronica 2021

Voir, c’est croire. C’est le sens le plus crédible et le plus puissant que nous ayons. Nous avons besoin de voir les choses. Nous avons envie de voir des choses. — Heino Falcke, président du Conseil scientifique de l’EHT (Galison 2020, min. 20:25)

La pandémie de coronavirus qui a touché la société ces dernières années a suscité chez chacun d’entre nous des réactions différentes quant à la façon de faire face à la maladie. Dans ce contexte, les chercheurs se sont sentis encouragés à offrir leur aide, en contribuant en fonction de leurs capacités. Alors que les écoles de médecine ont continué à se concentrer sur le traitement de la maladie, des spécialistes d’autres disciplines ont apporté une contribution différente. Ainsi, des sociologues ont étudié le rituel des applaudissements pour remercier le personnel de santé (Rigal et Joseph-Goteiner 2021), et des historiens l’ont comparé avec l’épidémie de choléra du XIXe siècle (Huber 2020). Dans cette situation d’urgence mondiale sans précédent, les praticiens de la visualisation de données et du design d’information ont essayé de saisir la pandémie à leur manière.

La maladie du coronavirus a engendré un événement caractérisé par un flux continu de données, dont l’ampleur est peut-être sans précédent. Les designers de l’information et de la donnée se sont mis à traduire, pour les lecteurs de journaux papier et numériques, les données en visuels pour résumer l’évolution de l’infection. Le New York Times, par exemple, a créé des visualisations de données avant-gardistes qui ont fait la une plus d’une fois (Coleman 2021). La pandémie a été ressentie à deux échelles : sur un plan mondial à travers les données et localement, avec une dimension plus personnelle au travers de stimuli tels que les appels téléphoniques et les sirènes d’ambulance. Les publics médiatiques ont assimilé ces deux échelles pour former une représentation unique dans leur esprit, soutenant l’argument de Yanni Loukissas, professeur associé en médias numériques à Georgia Tech, qui souligne comment « les ensembles de données à grande échelle sont également locaux » (Loukissas 2019, 21). En termes simples, le COVID-19 a initié un événement mondial sans précédent, au cours duquel des informations numériques provenant du monde entier ont été collectées et visualisées pour être accessibles à un large public (Rodighiero, Wandl-Vogt et Carsenat 2021).

Près de trois ans après l’apparition des premiers cas de COVID-19, les institutions continuent de collecter des données pour les rendre publiques afin qu’elles puissent être réutilisées (Wilkinson et al. 2016). Par exemple, la contribution de l’Université Johns Hopkins a été exemplaire : ses étudiants ont mis en place un système d’information concernant de nombreux aspects du COVID-19, notamment un vaste ensemble de données sur la littérature scientifique (Wang et al. 2020). Ils ont également conçu des visualisations de données pour appréhender la complexité de la pandémie sur le plan visuel. Parmi celles-ci, la représentation la plus connue est sans aucun doute la carte des contaminations, qui est encore gravée dans la mémoire de beaucoup d’entre nous (voir figure 1).

Une première réponse au COVID-19

Lors du premier confinement, nous nous sommes demandé, en tant que designers, comment aider les citoyens pendant cette période difficile en utilisant l’expertise et les outils de visualisation de données. Puisque notre domaine de recherche croise celui des sciences et technologies (Sismondo [2004] 2010) et celui de la cartographie des sciences (Petrovich 2020), nous avons voulu cartographier la littérature scientifique recueillie par l’Université Johns Hopkins (Wang et al. 2020) afin de montrer les efforts des scientifiques pour faire face à la pandémie. L’ensemble des données d’articles scientifiques de l’Université Johns Hopkins a été analysé à l’aide de techniques avancées de traitement automatique du langage naturel (Manning et Schütze 1999) et cartographié à l’aide d’un modèle hybride de représentation basé sur la visualisation de réseau (Moon et Rodighiero 2020) et la projection topographique (Rodighiero et Romele 2022) pour représenter les chercheurs les plus actifs sur la question. Le résultat obtenu est une visualisation de réseau intitulée « Cartographie du COVID-19 », qui présente environ 5 000 chercheurs en fonction de la similarité de leur champ lexical (voir figure 2). Dans le visuel, des dizaines de mots-clés servent de points de repère pour les sujets traités par les articles, et la superposition topographique indique le niveau d’activité des chercheurs ; une explication plus détaillée de la visualisation de données est fournie par Rodighiero, Wandl-Vogt et Carsenat (2022).

Bien qu’elle ait été récompensée aux DH Awards de 2020 comme « meilleure visualisation de données dans le domaine des humanités numériques », la méthode visuelle comporte certaines limites dans l’affichage de grands ensembles de données. En effet, même si les navigateurs web actuels gèrent des interfaces de plus en plus complexes, la Cartographie du COVID-19 a révélé des problèmes de latence quant au rendu graphique, même lors de l’utilisation des systèmes de jeu vidéo avancés tels que WebGL (Van der Spuy 2015). Limiter le réseau à 5 000 chercheurs n’était pas un choix de conception, mais une mesure nécessaire pour réduire la charge de calcul : l’intention initiale était d’afficher plus de 80 000 chercheurs pour montrer la vaste communauté scientifique faisant face à la pandémie. Bien que ce travail de recherche ait permis d’identifier les chercheurs les plus actifs et les sujets les plus en vogue, l’absence d’une représentation intégrale de la communauté scientifique a réduit l’expérience du sublime de la visualisation, en récusant le sentiment d’émerveillement et d’admiration profonde souvent ressenti face à des scènes ou images complexes qui transcendent notre compréhension habituelle (Manovich 2008).

Une réponse successive et plus complexe au COVID-19

L’opportunité d’apporter une deuxième réponse au COVID-19 a été fournie grâce à une généreuse subvention accordée par DARIAH, l’infrastructure européenne de recherche numérique pour les arts et les humanités, qui était désireuse de financer des « réponses spécifiques à la pandémie qui prennent en compte les arts et les humanités ». Notre proposition s’intitulait « Rendre la pandémie compréhensible à l’aide d’écrans publics à haute résolution » et mettait en avant la visualisation de données pour combattre la peur de l’invisible, comme indiqué dans le résumé original :

Selon la psychologie sociale, les individus éprouvent de la peur lorsqu’ils ne comprennent pas un phénomène. C’est aussi le cas de la pandémie actuelle : le coronavirus est quelque chose d’invisible à l’œil humain, surtout lors de sa transmission. Une manière de faire face à cette peur est de rendre tangible un phénomène qui est invisible. Le projet vise à révéler le conséquent travail scientifique que les médecins, les chercheurs et les universitaires accomplissent pour combattre la maladie provoquée par le COVID-19 en utilisant la visualisation de données dans l’espace public pour favoriser la compréhension et l’échange entre les spectateurs. (Papaki 2020)

L’idée était élégamment simple : visualiser la littérature scientifique sur le coronavirus pour faire prendre conscience de l’effort collectif des médecins, des chercheurs et des universitaires. Cependant, un volume conséquent de 600 000 articles scientifiques a été rassemblé par l’Université Johns Hopkins lorsque la proposition a été acceptée, dépassant de loin les 5 000 chercheurs précédemment affichés.

L’idée consistait à surmonter la limite de calcul grâce à la technologie fournie par Ars Electronica, un institut autrichien actif dans le domaine de l’art des nouveaux médias et qui organise chaque année un festival à Linz. L’institut abrite l’Ars Electronica Center, un musée dont la fonction première est de proposer des expériences interactives à la croisée de l’art, de la technologie et de la société. L’Ars Electronica Center exploite le Deep Space 8K, un théâtre capable d’accueillir les spectateurs dans un espace immersif. Deux projections de 16 mètres sur 9 créent une sensation d’immersion en étant plongé dans la scène, comme le montre la figure 3 (Sick-Leitner 2015). Un tel système de projection est un prolongement d’un ordinateur équipé de cartes graphiques puissantes capables de gérer un rendu graphique lourd avec une résolution de 8 192 par 4 320 pixels. En plus de toutes ces caractéristiques exceptionnelles, la technologie avancée de Deep Space 8K était le seul moyen de présenter 600 000 publications liées au coronavirus dans une visualisation de données unique et complexe.

Processus de conception

Bien que 600 000 éléments graphiques dépassent la capacité de calcul des navigateurs Internet, le matériel de Deep Space 8K nous a permis de surmonter cette limite technique en utilisant Unity, un moteur de jeu vidéo largement employé pour iOS et Android. Le processus de traitement des données était similaire à la Cartographie du COVID-19, bien que le code ait été réécrit en Python, un langage de programmation adapté à la science des données (Vanderplas 2016). Des techniques de traitement automatique du langage naturel ont été utilisées pour extraire des lemmes à partir des titres, des résumés et des mots-clés. Ensuite, toutes les publications ont été analysées par la fréquence des lemmes via la méthode statistique TF-IDF (Manning et Schütze 1999). Après quoi les multiples dimensions des résultats TF-IDF ont été réduites par t-SNE, un algorithme de réduction de la dimensionnalité capable d’espacer un grand nombre d’éléments (Van der Maaten et Hinton 2008), notamment par rapport aux systèmes de dessin de graphiques fondés sur la force (Bostock, Ogievetsky et Heer 2011) déjà employés dans la Cartographie du COVID-19. L’utilisation de t-SNE est reconnaissable grâce au schéma des clusters typiquement associé à un tel algorithme : la visualisation du réseau est organisée par des clusters composés d’articles scientifiques se référant à un même sujet.

D’un point de vue esthétique, la différence la plus significative par rapport à la réponse précédente est la fonction Unity permettant d’afficher des éléments dans un espace tridimensionnel. À cet égard, cette dimension supplémentaire a été utilisée pour illustrer l’évolution temporelle de la littérature scientifique, à la manière d’une frise chronologique. Ce moyen ingénieux a été particulièrement utile pour mettre en exergue les articles publiés avant la pandémie, étant donné que peu de personnes savaient que le coronavirus avait également été étudié lors de l’épidémie de SRAS en 2002 (Feng et al. 2009).

L’environnement Unity a également transformé le design graphique en remplaçant les graphiques vectoriels habituellement utilisés dans les canevas HTML5 par des graphiques informatiques tridimensionnels. Par exemple, si la Cartographie du COVID-19 représentait les chercheurs sous forme de cercles, l’environnement Unity employait des points lumineux pour afficher les publications scientifiques. Tout comme les cartes des étoiles permettent aux astronomes d’identifier les constellations (Kanas 2012), révélant les relations désignées entre les étoiles, la Cartographie 3D du COVID-19 permet de mettre en évidence les regroupements thématiques et l’évolution de la littérature scientifique.

Les figures 4, 5 et 6 présentent trois captures d’écran des 600 000 publications scientifiques que l’Université Johns Hopkins a collectées jusqu’en juin 2021, date à laquelle la Cartographie 3D du COVID-19 a été réalisée. Le modèle tridimensionnel passe d’une figure à l’autre pour retranscrire la transition entre la vue de face, organisée par similarité de langue, et la vue latérale qui suit une logique chronologique.

Performativité dialogique en littératie des données

Dans la lignée du travail précédent, une telle visualisation de réseau a ensuite été appelée Cartographie 3D de la recherche sur le COVID-19 (Ars Electronica 2021). La fascination pour la visualisation de grands ensembles de données dans l’espace public gagne du terrain dans les humanités numériques, comptant Sarah Kenderdine parmi ses principales représentantes. Kenderdine est professeure de muséologie numérique à l’École polytechnique fédérale de Lausanne, où elle dirige le laboratoire de muséologie expérimentale (eM+) et l’espace d’exposition EPFL Pavilions. Dans l’article Immersive Visualization Architectures and Situated Embodiments of Culture and Heritage, Kenderdine présente cinq architectures immersives pour montrer des sites patrimoniaux à travers des environnements numériques à grande échelle (Kenderdine 2010). Dans ces études de cas, Kenderdine utilise des architectures immersives pour placer les visiteurs dans des lieux lointains, leur permettant d’admirer des sites culturels qui se trouvent dans d’autres parties du monde ou même n’existent plus mais qui ont été préservés numériquement. Une caractéristique clé des environnements 3D est la capacité de recontextualiser le point de vue dans un espace numérique modélisé, dans une simulation qui amène l’observateur à être entièrement entouré par un panorama virtuel.

L’expérimentation avec des architectures immersives peut être enrichie à travers l’accueil de plusieurs visiteurs pouvant engager simultanément une conversation. Ce modèle de consommation collective est lié aux travaux pionniers de Bruno Latour, décrits dans l’article From Realpolitik to Dingpolitik: Or How to Make the Things Public, qui ouvre le catalogue de l’exposition ZKM Making Things Public: Atmospheres of Democracy (Latour et Weibel 2005). En utilisant le terme de rassemblement pour traduire le concept allemand ding de Heidegger, Latour illustre une nouvelle façon de voir la politique, organisée non plus par positionnement politique ou idéologique mais par sujets d’intérêt. Dans le texte, il met en avant deux questions pour développer ce modèle : « La première question dessine une sorte de lieu, parfois un cercle, que l’on pourrait appeler une assemblée, un rassemblement, une réunion, un conseil ; la seconde question introduit dans ce lieu nouvellement créé un sujet, une préoccupation, un enjeu, une problématique, un topos » (Latour 2005, 6). Ainsi, alors que la première question se réfère à un espace où les individus peuvent se réunir, la seconde consacre, pour ce même lieu, la représentation d’un sujet. Dans le cadre de cet article, le modèle de Latour peut être vu de manière encore plus spectaculaire lorsqu’un sujet particulier est plongé via des architectures immersives, apportant une perception encore plus vivante aux participants de l’assemblée positionnée à l’intérieur d’une sphère numérique. En combinant les points de vue de Kenderdine et de Latour, l’image qui en ressort est celle d’un lieu de rassemblement où un sujet est présenté par le biais de la visualisation de données immersives. Une telle architecture immersive permet d’accueillir des personnes à la fois comme contemplateurs et comme débatteurs pour attirer l’attention sur un sujet spécifique et stimuler le débat public.

Le théâtre Deep Space 8K de l’Ars Electronica Center devient ainsi un lieu de rassemblement permettant aux individus de discuter d’un sujet spécifique. Les visiteurs qui entrent dans cet espace immersif découvrent l’ensemble de la littérature scientifique sur le COVID-19, présentée sous forme de réseau ornant les murs du théâtre. Ils sont réunis dans un espace public pour observer et réfléchir à un sujet spécifique à travers une mise en forme dynamique de données. Le théâtre, lieu de spectacle traditionnel, agit en tant que médiateur pour rendre visible ce qui serait autrement invisible et devient le lieu d’un autre type de spectacle. À l’instar de Rudolf Arnheim (1969, v), qui considérait que le raisonnement et la perception visuelle étaient intimement liés, les architectures immersives prolongent l’expérience sensorielle de l’information dans un lieu où les visiteurs sont invités à réfléchir collectivement.

Si la pensée est un acte collectif, alors le dialogue est le médium à travers lequel les connaissances circulent. L’information n’est pas transmise de manière passive, mais activement interprétée et débattue dans une performance collective. Selon Johanna Drucker, l’interprétation est un acte performatif unique et spécial (Drucker 2014), mais l’interprétation est d’autant plus unique lorsqu’elle est réalisée par un groupe de personnes dans un espace public où des personnes de différentes origines et différentes préoccupations peuvent rejoindre la conversation. Cette manière collective de consommer l’information autour d’un sujet représente une nouvelle forme d’apprentissage impliquant individus et données dans un espace commun : les individus sont rassemblés autour d’un sujet et l’espace lui-même fournit l’information à discuter. L’importance de rendre l’information visible dans l’espace public réside dans l’opportunité de partager des opinions et d’éviter la passivité de l’information qui caractérise la consommation d’informations sur les appareils personnels.

Le support numérique ne peut pas se limiter à un lieu personnel de discussion, mais doit aussi s’étendre à un espace que les gens peuvent occuper, traverser et investir, pour développer une littératie collective des données.

Littératie des données

Le concept de littératie des données souligne à quel point les systèmes éducatifs sont ancrés dans le texte et l’écriture, et que de nouvelles compétences pour comprendre les données (D’Ignazio et Bhargava 2015) et leur infrastructure (Gray, Gerlitz et Bounegru 2018) sont nécessaires de toute urgence. En cette période d’explosion de l’information (Balazka et Rodighiero 2020), une nouvelle approche éducative de l’information, surtout en termes visuels, serait précieuse comme le soulignait déjà László Moholy-Nagy (Cooper 1989, 14). En effet, chacun devrait regarder la visualisation des données d’un œil critique pour saisir les idées et les modèles, en s’interrogeant sur la façon dont le visuel a été créé. Cette aptitude serait bénéfique pour comprendre des phénomènes mondiaux principalement perçus à travers les données, comme la propagation du COVID-19 (Rodighiero, Wandl-Vogt et Carsenat 2022). En ce sens, la définition de la littératie des données devrait être étendue à la littératie visuelle, un concept déjà développé par le passé par le professeur Donis Dondis de l’Université de Boston (Dondis [1973] 1975) et repris plus récemment par Isabel Meirelles (2013, 9). Bien que László Moholy-Nagy, Dondis et Meirelles aient souligné la nécessité d’une éducation au design graphique à différents moments, il existe aujourd’hui une opportunité de combiner la pédagogie visuelle avec un esprit critique dans l’interprétation des données dans ce que l’on peut appeler la littératie visuelle des données.

Lorsqu’elle écrit sur la littératie, Catherine D’Ignazio, professeure associée en science urbaine et planification au MIT, cite fréquemment Paulo Freire et son modèle pionnier d’éducation populaire, qui vise à une « émancipation basée sur le processus d’alphabétisation » (D’Ignazio 2017). Freire insiste fermement sur la pratique dialogique qui implique les enseignants et les élèves dans une discussion ouverte, soulignant la conversation comme un moyen de changer la société. Il écrit :

Pour comprendre le sens de la pratique dialogique, il faut mettre de côté la compréhension simpliste du dialogue comme une simple technique. Le dialogue ne représente pas une voie quelque peu fausse que je tente d’élaborer et de réaliser dans le sens d’impliquer l’ingéniosité de l’autre. Au contraire, le dialogue caractérise une relation épistémologique. Ainsi, dans ce sens, le dialogue est une manière de connaître et ne devrait jamais être considéré comme une simple tactique pour impliquer les élèves dans une tâche particulière. Nous devons être très clairs sur ce point. Je ne m’engage pas nécessairement dans le dialogue parce que j’aime l’autre personne. Je m’engage dans le dialogue parce que je reconnais le caractère social et non simplement individualiste du processus de connaissance. En ce sens, le dialogue se présente comme une composante indispensable du processus d’apprentissage et de connaissance. (Freire [1970] 2000, 17)

La pratique dialogique joue un rôle important dans les architectures immersives où les informations exposées ne sont pas laissées à la simple disposition des visiteurs mais nécessitent une activité pédagogique. Par exemple, la Cartographie 3D de la recherche sur le COVID-19 n’était pas seulement une installation technique mais était avant tout un événement au cours duquel les spectateurs ont acquis des connaissances pour interpréter les données, en leur donnant les outils essentiels pour se forger leur propre opinion.

La « Cartographie de la recherche sur le COVID-19 » a été présentée lors d’Ars Electronica 2021. Le 9 septembre, à 10 heures, les visiteurs du centre Ars Electronica sont entrés dans le Deep Space 8K. L’événement a commencé par une présentation rapide des partenaires du projet et s’est poursuivi par une description de 20 minutes de la visualisation de données. Pendant que le présentateur parlait, un collaborateur muni d’une manette de jeu naviguait dans l’espace tridimensionnel (voir figures 7, 8 et 9). Les spectateurs ont d’abord été informés du rôle central joué par l’Université Johns Hopkins dans la collecte des données relatives au coronavirus. Par la suite, la visualisation des données a été montrée depuis un point de vue éloigné, d’où 600 000 articles scientifiques étaient visibles en même temps. En zoomant, les spectateurs étaient guidés dans un voyage visuel partant de la vue d’ensemble jusqu’aux détails, caractérisé par une narration basée sur des histoires courtes. Par exemple, l’épidémie de SRAS entre 2002 et 2004 a été utilisée pour introduire la chronologie : la disproportion entre la quantité de la littérature scientifique de l’épidémie de SRAS et celle de la pandémie a été immédiatement évidente pour le public, aidant ainsi les spectateurs à se faire une idée de l’impact du COVID-19 sur le monde de la recherche. Enfin, cette présentation directe a été suivie d’un dialogue avec les auteurs de la visualisation au cours duquel les spectateurs ont soulevé un large éventail de questions principalement liées à l’intelligence artificielle et à l’avenir de l’architecture immersive. Un tel moment de confrontation s’inscrivait dans la lignée de la pratique dialogique de Freire, qui est essentielle pour que la société puisse discuter et comprendre. Le concept de littératie des données visuelles reposant sur cette approche pédagogique ne doit pas se limiter aux écoles et aux universités, mais doit être étendu à l’espace public, dont les musées sont un excellent exemple et vecteur.

Conclusions

Cet article résume l’effort visant à rendre visible le travail invisible des scientifiques en montrant les publications scientifiques du COVID-19 au grand public lors d’un festival d’art qui a rouvert ses portes pour la première fois après la pandémie. Comme Katy Börner et ses pairs l’ont déclaré, les visiteurs des musées rencontrent encore des difficultés à lire les visualisations de données lorsqu’ils ne sont pas engagés dans une pratique dialogique (Börner et al. 2016). À cet égard, le résultat le plus pertinent de la Cartographie 3D de la recherche sur le COVID-19 se situe à l’intersection des architectures immersives et de la littératie visuelle des données. Compte tenu de la complexité de nombreuses visualisations de données, l’idée de guider les visiteurs dans des espaces immersifs axés sur les données a été bien accueillie. À l’instar des guides conférenciers de musée qui indiquent les clés les plus pertinentes pour comprendre l’art, il serait peut-être opportun, à l’avenir, d’explorer davantage la possibilité de disposer de guides fiables pour parcourir les données. En outre, la conception de lieux permettant de rassembler les individus autour de sujets axés sur les données mérite qu’on s’y attarde, non seulement pour le sujet en soi, mais aussi, plus largement, pour promouvoir la littératie visuelle des données auprès des citoyens dans l’espace public.

Bibliographie

• Arnheim, Rudolf. 1969. Visual Thinking. Berkeley: University of California Press.
• Ars Electronica. 2021. “3D Cartography of COVID-19 Research.” Ars Electronica, a New Digital Deal, 9 septembre. ars.electronica.art/newdigitaldeal/en/cartography-covid-19-research.
• Balazka, Dominik, et Dario Rodighiero. 2020. “Big Data and the Little Big Bang: An Epistemological (R)evolution.” Frontiers in Big Data 3: 31. doi:10.3389/fdata.2020.00031.
• Börner, Katy, Adam Maltese, Russell Nelson Balliet, et Joe Heimlich. 2016. “Investigating Aspects of Data Visualization Literacy Using 20 Information Visualizations and 273 Science Museum Visitors.” Information Visualization 15 (3): 198–213. doi:10.1177/1473871615594652.
• Bostock, Michael, Vadim Ogievetsky, et Jeffrey Heer. 2011. “D3: Data-Driven Documents.” IEEE Transactions on Visualization and Computer Graphics 17 (12): 2301–9. doi:10.1109/TVCG.2011.185.
• Coleman, Nancy. 2021. “On the Front Page, a Wall of Grief.” The New York Times, 21 février. nytimes.com/2021/02/21/insider/covid-500k-front-page.html.
• Cooper, Muriel. 1989. “Computers and Design.” Design Quarterly, no. 142: 4–31. doi:10.2307/4091189.
• D’Ignazio, Catherine. 2017. “Creative Data Literacy: Bridging the Gap between the Data-Haves and Data-Have Nots.” Information Design Journal 23 (1): 6–18. doi:10.1075/idj.23.1.03dig.
• D’Ignazio, Catherine, et Rahul Bhargava. 2015. “Approaches to Building Big Data Literacy.” In Bloomberg Data for Good Exchange 2015. New York.
• Dondis, Donis A. (1973) 1975. A Primer of Visual Literacy. Cambridge (Mass.): MIT Press.
• Drucker, Johanna. 2014. Graphesis: Visual Forms of Knowledge Production. Cambridge (Mass.): Harvard University Press.
• Feng, Dan, Sake J. de Vlas, Li-Qun Fang, et al. 2009. “The SARS Epidemic in Mainland China: Bringing Together All Epidemiological Data.” Tropical Medicine & International Health 14 (novembre): 4–13. doi:10.1111/j.1365-3156.2008.02145.x.
• Freire, Paulo. (1970) 2000. Pedagogy of the Oppressed. Traduit par Myra Bergman Ramos. 30e éd. anniversaire. New York: Continuum.
• Galison, Peter, réal. 2020. Black Holes: The Edge of All We Know. Documentaire. Netflix. imdb.com/title/tt11863046.
• Gray, Jonathan, Carolin Gerlitz, et Liliana Bounegru. 2018. “Data Infrastructure Literacy.” Big Data & Society 5 (2): 1–13. doi:10.1177/2053951718786316.
• Huber, Valeska. 2020. “Pandemics and the Politics of Difference: Rewriting the History of Internationalism through Nineteenth-Century Cholera.” Journal of Global History 15 (3): 394–407. doi:10.1017/S1740022820000236.
• Kanas, Nick. 2012. Star Maps: History, Artistry, and Cartography. 2e éd. New York: Springer. doi:10.1007/978-1-4614-0917-5.
• Kenderdine, Sarah. 2010. “Immersive Visualization Architectures and Situated Embodiments of Culture and Heritage.” In 14th International Conference Information Visualisation, 408–14. Londres: IEEE. doi:10.1109/IV.2010.63.
• Latour, Bruno. 2005. “From Realpolitik to Dingpolitik: Or How to Make the Things Public.” In Making Things Public: Atmospheres of Democracy, sous la direction de Bruno Latour et Peter Weibel, 4–31. Cambridge (Mass.): MIT Press.
• Latour, Bruno, et Peter Weibel, dir. 2005. Making Things Public: Atmospheres of Democracy. Cambridge (Mass.): MIT Press.
• Loukissas, Yanni Alexander. 2019. All Data Are Local: Thinking Critically in a Data-Driven Society. Cambridge (Mass.): MIT Press. doi:10.7551/mitpress/11543.001.0001.
• Manning, Christopher D., et Hinrich Schütze. 1999. Foundations of Statistical Natural Language Processing. Cambridge (Mass.): MIT Press.
• Manovich, Lev. 2008. “Data Visualization as New Abstraction and Anti-Sublime.” In Small Tech: The Culture of Digital Tools, sous la direction de Byron Hawk, David M. Rieder et Ollie O. Oviedo. Minneapolis: University of Minnesota Press.
• Meirelles, Isabel. 2013. Design for Information: An Introduction to the Histories, Theories, and Best Practices behind Effective Information Visualizations. Beverly (Mass.): Rockport.
• Moon, Chloe Ye Eun, et Dario Rodighiero. 2020. “Mapping as a Contemporary Instrument for Orientation in Conferences.” In Proceedings of the IX Annual Conference of the Association for Humanities and Digital Culture (AIUCD), 156–62. doi:10.5281/zenodo.3611340.
• Papaki, Eliza. 2020. “DARIAH Theme Call 2020/2021: Meet the Winning Projects.” DARIAH, 10 décembre. dariah.eu/2020/12/10/dariah-theme-call-2020-2021-meet-the-winning-projects.
• Petrovich, Eugenio. 2020. “Science Mapping.” Encyclopedia of Knowledge Organization. isko.org/cyclo/science_mapping.
• Rigal, Alexandre, et Daniel Joseph-Goteiner. 2021. “The Globalization of an Interaction Ritual Chain: ‘Clapping for Carers’ during the Conflict against COVID-19.” Sociology of Religion 82 (4): 471–93. doi:10.1093/socrel/srab044.
• Rodighiero, Dario, et Alberto Romele. 2022. “Reading Network Diagrams by Using Contour Lines and Word Clouds.” In Proceedings of Graphs and Networks in the Humanities, 4 février. doi:10.31235/osf.io/3g7bt.
• Rodighiero, Dario, Eveline Wandl-Vogt, et Elian Carsenat. 2021. “Making Visible the Invisible Work of Scientists during the COVID-19 Pandemic.” Visual Culture Studies 2: 143–65. doi:10.5281/zenodo.5115621.
• ———. 2022. “A Visual Translation of the Pandemic.” Leonardo 55 (3): 297–303. doi:10.1162/leon_a_02203.
• Sick-Leitner, Magdalena. 2015. “Deep Space 8K: The Next Generation.” Ars Electronica Blog, 11 août. ars.electronica.art/aeblog/en/2015/08/11/deep-space-8k.
• Sismondo, Sergio. (2004) 2010. An Introduction to Science and Technology Studies. 2e éd. Chichester: Wiley-Blackwell.
• Van der Maaten, Laurens, et Geoffrey Hinton. 2008. “Visualizing Data Using t-SNE.” Journal of Machine Learning Research 9 (86): 2579–2605. jmlr.org/papers/v9/vandermaaten08a.html.
• Vanderplas, Jake. 2016. Python Data Science Handbook: Essential Tools for Working with Data. Sebastopol (Calif.): O’Reilly Media.
• Van der Spuy, Rex. 2015. Learn Pixi.js. Berkeley (Calif.): Apress. doi:10.1007/978-1-4842-1094-9.
• Wang, Lucy Lu, Kyle Lo, Yoganand Chandrasekhar, et al. 2020. “CORD-19: The COVID-19 Open Research Dataset.” In Proceedings of the Workshop on NLP for COVID-19 at ACL 2020. arxiv.org/abs/2004.10706.
• Wilkinson, Mark D., Michel Dumontier, IJsbrand Jan Aalbersberg, et al. 2016. “The FAIR Guiding Principles for Scientific Data Management and Stewardship.” Scientific Data 3: 160018. doi:10.1038/sdata.2016.18.