Communication scientifique
Retour réflexif sur le travail de pseudonymisation de données qualitatives dans le cadre d'une enquête longitudinale en méthodes mixtes.
Le programme ANR PanelVico (2023-2027) documente l'ampleur des changements causés par la crise sanitaire sur le lien social, le travail et le temps libre. Il s'agit d'un vaste panel recruté au printemps 2020, cumulant 6 vagues de questionnaires et 9 vagues d'entretiens.
Dès sa conception, le projet prévoyait une politique d'ouverture rapide des données produites (dépôt auprès du CDSP de Sciences Po et de Quetelet Progedo Diffusion). Cet impératif a soulevé un défi méthodologique majeur : comment préparer et pseudonymiser un corpus qualitatif massif pour permettre son réusage tout en protégeant les enquêtés ?
Traitement des données
Face à l'impossibilité d'une anonymisation stricte (qui détruirait la substance même des entretiens), nous avons élaboré un protocole de pseudonymisation au cas par cas, visant à préserver la cohérence interne de l'énonciation et l'appariement avec les données quantitatives, tout en limitant les risques d'identification.
Utilisation de l'outil de Baptiste Coulmont croisé avec les statistiques de l'INSEE pour remplacer les prénoms tout en conservant la fréquence et la symbolique sociale liée à l'année de naissance.
Remplacement par des catégories sociologiques. Par exemple, une ville est classée selon sa taille (ex: "ville moyenne de France" pour 20k-200k habitants). Les lieux de vacances lointains sont ramenés à leur région (ex: "pays d'Afrique subsaharienne").
Nous n'anonymisons pas les pathologies courantes (concernant au moins 5 à 10% de la population, comme l'asthme ou le Covid). En revanche, les maladies rares ou handicaps très spécifiques sont hyperonymisés (ex: "Sclérose en plaques" devient "maladie auto-immune").
Pour les proches cités (campagne RELATIONS), les identifiants quantitatifs (alters) sont réintroduits dans le corpus qualitatif puis pseudonymisés, afin de faciliter la lecture tout en gardant le pont entre les bases de données.
Réflexivité
Le travail invisible des données
La préparation d'un tel corpus a un coût humain considérable : environ 150 000€, incluant 22 mois ETP de stages, 30 mois de post-doctorat, et une lourde coordination entre équipes (Pacte, CDSP, CNRS). C'est un processus soumis à de forts "turn overs" contractuels qui obligent à former continuellement les équipes aux normes RGPD.
Consentement et confiance
Bien que l'intérêt public du projet autorise le traitement, un consentement spécifique pour l'ouverture des données a été ajouté rétroactivement. Conserver ces consentements pose un paradoxe : cela nécessite de garder une table de correspondance désanonymisante, indispensable en cas de litige, mais risquée pour la protection de l'intimité, souvent négociée en direct lors des entretiens.
La réidentification à l'ère de l'IA
Pour éprouver notre protocole, nous avons soumis un entretien (celui d'un enquêté "personne publique") entièrement pseudonymisé à l'IA Claude. Malgré nos efforts d'hyperonymie, l'IA a réussi à "craquer" l'identité de la personne en contournant les simples barrières éthiques. Cela souligne que l'anonymisation est un continuum précaire face aux nouvelles technologies.