Comment réussir un projet de crowdsourcing d’observations spatialisées en agriculture ?
- Par Léo Pichon
Pages 60 à 66
Citer cet article
- PICHON, Léo,
- Pichon, Léo.
- Pichon, L.
Citer cet article
- Pichon, L.
- Pichon, Léo.
- PICHON, Léo,
Introduction
1 L’agriculture est actuellement confrontée à des enjeux complexes et parfois contradictoires. Pour y répondre, elle a engagé des transitions agro-écologique, climatique, énergétique ou encore numérique qui mobilisent l’ensemble des acteurs de l’agriculture, depuis les agriculteurs et leurs conseillers jusqu’aux chercheurs et aux décideurs politiques (Slimi et al., 2021). Les projets qui mêlent au sein d’un même collectif des chercheurs et des acteurs ayant des points de vue variés semblent particulièrement adaptés à l’émergence de connaissances nouvelles permettant d’accompagner ces transitions (Moneyron et al., 2017). Par exemple, le projet mené par Van Etten et al. (2019) est emblématique de cette approche qui mêle un collectif d’agriculteurs et de chercheurs pour générer de la connaissance sur des enjeux complexes. Ces auteurs ont proposé une méthode de recherche qui permet de comparer entre elles plusieurs variétés de semences en impliquant de nombreux agriculteurs qui expérimentent sur leurs fermes et partagent leurs observations. Elle offre des opportunités enthousiasmantes pour générer collectivement de la connaissance et accompagner l’agriculture dans ses transitions. Cette méthodologie, basée sur des informations collectées par la foule, s’appelle le crowdsourcing.
2 D’après Minet et al. (2017), il en existe trois types qui dépendent du type de contribution des participants. Tout d’abord, le crowdsourcing de connaissance, dans lequel les participants partagent leurs savoirs et leurs expériences, par exemple sous la forme d’une encyclopédie en ligne comme Wikipedia (https://www.wikipedia.org/) (Westerman, 2009). Ensuite, le crowdsourcing de tâches, dans lequel les participants réalisent, depuis leur ordinateur, des tâches unitaires de toutes natures. Ce type de crowdsourcing est beaucoup utilisé pour réaliser des tâches fastidieuses qui ne peuvent être faites que par des humains (Altwaijry et al., 2016). Enfin, le crowdsourcing d’observations spatialisées, dans lequel les participants collectent des observations géolocalisées. La démocratisation des récepteurs GNSS, puis des smartphones a largement contribué à l’essor de ce type de crowdsourcing (Massad et Dalyot, 2018). Cette approche est particulièrement développée dans le domaine du suivi environnemental, par exemple pour caractériser et suivre la répartition spatiale d’une espèce d’intérêt (Sullivan et al., 2009). En agriculture, les projets de crowdsourcing d’observations spatialisées présentent un intérêt particulier, car la réalisation d’observations spatialisées et datées est au cœur du métier d’agriculteur et d’agronome (Ebitu et al., 2021), par exemple pour suivre des phénomènes biotiques (suivi de ravageurs…) ou abiotiques (suivi de la sècheresse…) à l’échelle régionale. Malgré le fort potentiel de ces projets (Van de Gevel et al., 2020), leur développement reste encore limité en agriculture (Minet et al., 2017).
3 L’objectif de cet article est de proposer des éléments de compréhension des spécificités des projets de crowdsourcing d’observations spatialisées en agriculture qui peuvent expliquer leur développement encore relativement faible au regard de l’intérêt qu’ils présentent pour l’agriculture. Pour cela, cet article énonce d’abord les facteurs génériques identifiés dans la littérature comme favorisant le succès des projets de crowdsourcing. Il décrit ensuite les spécificités des projets de crowdsourcing d’observations spatialisées en agriculture, afin d’identifier les facteurs ou les caractéristiques à favoriser dans ces projets pour qu’ils soient des succès et qu’ils se développent plus largement.
Les facteurs de succès des projets de crowdsourcing
4 Un projet de crowdsourcing est considéré comme un succès si les contributions des participants permettent de répondre à la question posée. Ce succès dépend principalement d’un nombre important de contributions, et de contributions de bonne qualité (Rechenberger et al., 2015).
La quantité de contributions
5 Les participants doivent être motivés pour garantir un nombre de contributions collectées important. La motivation des participants est certainement le facteur de participation qui a été le plus étudié dans la littérature. Batson et al. (2002) ont proposé un framework qui identifie quatre types de motivation chez les contributeurs.
Motivation égoïste
6 Les participants s’impliquent pour répondre à leur propre intérêt. Pour eux, la contribution peut alors donner lieu à une satisfaction directe (en s’amusant, etc.) ou indirecte (ex. : en obtenant de l’argent, de l’information, de la reconnaissance, etc.) (Kaufmann et al., 2011). On parle respectivement de motivations égoïstes intrinsèque et extrinsèque.
Motivation altruiste
7 Les participants s’impliquent pour répondre à l’intérêt d’autres personnes pour lesquelles ils ressentent de l’empathie.
Motivation collectiviste
8 Les participants s’impliquent pour répondre à l’intérêt d’un groupe ou d’un collectif. Dans ce cas, le projet collectif est au centre, et c’est la volonté de créer du bien commun qui guide l’implication des participants.
Motivation pour un principe
9 Les participants s’impliquent au nom de principes moraux et d’intérêts supérieurs comme la liberté ou la justice. Le projet collectif n’est qu’une conséquence non intentionnelle ou un simple moyen pour servir cet intérêt.
10 Dans chaque projet de crowdsourcing et pour chaque participant, ces quatre types de motivation sont présents, mais leurs proportions respectives dépendent du type de projet et de la manière dont les objectifs sont présentés (Land-Zandstra et al., 2016). De plus, ces proportions peuvent évoluer au cours du temps. L’égoïsme est souvent le type de motivation principal lors d’une première contribution, puis l’altruisme et le collectivisme peuvent jouer un rôle plus important dans le choix des participants de continuer à contribuer (Rotman et al., 2012).
La qualité des contributions
- Bordogna et al. (2014) décrivent deux stratégies pour assurer des contributions de qualité dans les projets de crowdsourcing. La première stratégie, aussi appelée par certains auteurs “quality assurance” (Jonietz et al., 2017), consiste à mettre en place des mécanismes qui se déroulent avant la collecte (stratégie ex ante) et qui garantissent que les données collectées seront de bonne qualité. Par exemple, ces mécanismes peuvent être la mise en place de formations pour les participants, la définition d’un vocabulaire commun ou de protocoles de collecte stricts (Criscuolo et al., 2016). Kelling et al. (2019) insistent sur l’importance de collecter des informations, non seulement sur le phénomène étudié mais aussi sur le processus de collecte lui-même. D’après eux, la collecte de métadonnées associées aux contributions des participants (qui contribue, à quel endroit, à quelle date, selon quel protocole, etc.) n’améliore pas directement la qualité des données collectées, mais elle facilite leur compréhension et leur analyse a posteriori.
- La seconde stratégie, aussi appelée par certains auteurs “quality assesment” (Jonietz et al., 2017), consiste à évaluer, une fois qu’elles ont été collectées (stratégie ex post), la qualité des données afin de pouvoir éventuellement éliminer celles qui sont de mauvaise qualité. Cette qualité peut être évaluée soit directement de façon experte (Criscuolo et al., 2016), soit par la communauté en évaluant la réputation des participants (Jabeur et al., 2018), soit, enfin, de façon automatique en étudiant les caractéristiques du jeu de données obtenu (Touya et al., 2017) ou en comparant les contributions à des données de référence (Massad et Dalyot, 2018). Dans la littérature, ces trois approches sont fréquemment combinées (Fonte et al., 2017).
Les spécificités des projets de crowdsourcing d’observations spatialisées en agriculture
12 Les projets de crowdsourcing d’observations spatialisées en agriculture possèdent des spécificités par rapport aux autres projets de crowdsourcing qui sont dues à la fois au type de contributions (observations spatialisées) et au contexte agricole dans lequel ces contributions sont collectées.
Les phénomènes étudiés sont structurés dans le temps et dans l’espace
13 Les phénomènes étudiés répondent à des problématiques agricoles comme la présence de maladies, de ravageurs (Awuor et al., 2019) ou de stress abiotiques (Dell’Acqua et al., 2018). Ces phénomènes sont souvent dépendants de facteurs du milieu comme le sol (e.g. pédologie, topométrie) ou le climat (e.g. température, pluviométrie). Or, ces facteurs du milieu sont généralement organisés dans l’espace (Colaço et al., 2019). Ils peuvent également évoluer avec le temps et présenter une structure temporelle. Cela signifie que, pour la variable étudiée, deux observations collectées à des dates et sur des sites proches ont une probabilité plus grande de présenter des valeurs semblables que deux observations éloignées dans le temps et dans l’espace. De plus, les phénomènes étudiés sont généralement saisonniers et dynamiques. Naturellement, les participants qui cherchent à observer un phénomène ont donc tendance à réaliser leurs observations pendant la période durant laquelle celui-ci est observable. Il en résulte que le nombre d’observations au cours du temps varie très fortement et de manière cyclique dans ce type de jeux de données (Prudic et al., 2017).
Les jeux de données sont asynchrones et hétérotopes
14 Les projets de crowdsourcing d’observations spatialisées fonctionnent généralement avec une stratégie de collecte opportuniste (Kelling et al., 2019). La conséquence majeure est que les observations sont collectées à des sites et à des dates qui sont déterminés par les participants uniquement en fonction de leurs contraintes ou de leurs motivations individuelles. Ces sites et ces dates ne sont pas connus à l’avance et ne sont pas nécessairement optimaux pour l’observation du phénomène d’intérêt. Les jeux de données qui en résultent sont donc :
- asynchrones, c’est-à-dire que les observations faites sur deux sites différents sont généralement faites à deux dates différentes ;
- hétérotopes, c’est-à-dire que les observations faites à deux dates différentes sont généralement situées sur deux sites différents.
16 Ces caractéristiques sont pratiquement inexistantes dans les approches expérimentales classiques en agriculture. L’expérimentation repose habituellement sur des dispositifs randomisés avec répétition, où les mesures sont systématiquement effectuées à la même date et répétées sur les mêmes placettes, ce qui simplifie grandement l’analyse des données. Le caractère asynchrone et hétérotope de ces jeux de données est donc fondamental, car il va conditionner les méthodes de traitement des données qui permettent d’inférer des connaissances. Dans ce contexte, la collecte de métadonnées sur les observations est un enjeu majeur, car elle permet d’enregistrer et de connaitre a posteriori les sites et les dates de collecte afin de gérer ce caractère asynchrone et hétérotope.
Les participants sont des professionnels
17 Les participants aux projets de crowdsourcing d’observations spatialisées contribuent à ces projets dans le cadre de leur activité professionnelle (Minet et al., 2017). Ils sont donc majoritairement des acteurs du secteur agricole (agriculteurs, conseillers, etc.), et non pas des amateurs enthousiastes ou le grand public comme c’est le cas dans de nombreux projets de crowdsourcing (ex. : Prudic et al., 2017). Cette caractéristique des participants influe sur leurs motivations, qui sont plutôt égoïstes et extrinsèques, c’est-à-dire qu’en contribuant, ils cherchent à répondre à un besoin en lien avec leur activité professionnelle – e.g. connaitre les performances d’une variété (Van Etten et al., 2019). Cette caractéristique des participants influe également sur leur connaissance des phénomènes étudiés. En tant que professionnels du secteur, ils contribuent à l’observation de phénomènes qu’ils connaissent bien. Il peut donc être fait l’hypothèse que leur niveau d’expertise est globalement plus élevé que dans d’autres projets de crowdsourcing, bien qu’à notre connaissance aucun article n’ait étudié cette hypothèse en détail. Enfin, les services d’extension sont un des acteurs clés dans les projets de crowdsourcing d’observations spatialisées. Comme pour l’adoption de n’importe quelle innovation en agriculture (ex. : de Souza Filho et al., 2021), ils jouent un rôle important dans la contribution des agriculteurs aux projets de crowdsourcing, car ils bénéficient de leur confiance, ils sont généralement bien implantés sur le territoire, et ils permettent d’assurer un lien entre les participants et l’organisation (Ryan et al., 2018).
Conclusion
18 Les projets de crowdsourcing, en particulier ceux qui permettent la collecte collaborative d’observations spatialisées, présentent un intérêt fort pour la construction de nouvelles connaissances et pour l’accompagnement de l’agriculture dans sa transition. Ces projets possèdent des spécificités qui influencent leur réussite et limitent aujourd’hui leur diffusion. Pour développer ce type de projets dans les années à venir, il est nécessaire d’explorer des approches et des méthodes favorisant leur réussite. Concernant le nombre de contributions, la mise au point d’approches actionnant les différents leviers de motivation des participants professionnels agricoles semble être un enjeu fort. Par ailleurs, les phénomènes étudiés ont des caractéristiques qui donnent lieu d’envisager des approches originales pour évaluer la qualité ex post des données collectées. Leurs structures spatiale et temporelle ainsi que leur saisonnalité permettent d’estimer des valeurs attendues pour les phénomènes étudiés. Cela offre la possibilité d’identifier des observations qui s’éloignent de ces valeurs attendues, soit parce que le phénomène étudié présente effectivement une anomalie locale, soit parce que l’observation considérée est une erreur ou une saisie malveillante. L’exploration de ce type d’approches devrait permettre le développement des projets de crowdsourcing d’observations spatialisées en agriculture.
Bibliographie
- ALTWAIJRY H., TRULLS E., HAYS J., FUA P. & BELONGIE S. (2016), “Learning to match aerial images with deep attentive architectures”, Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Las Vegas, NV, USA, pp. 3539-3547, https://doi.org/10.1109/CVPR.2016.385
- AWUOR F., OTANGA S., KIMELI V., RAMBIM D. & ABUYA T. (2019), “E-Pest surveillance: Large scale crop pest surveillance and control”, 2019 IST-Africa Week Conference, IST-Africa 2019 Nairobi, Kenya, pp. 1-8, https://doi.org/10.23919/ISTAFRICA.2019.8764824
- BATSON C. D., AHMAD N. & TSANG J. A. (2002), “Four motives for community involvement”, Journal of Social Issues, 58(3), pp. 429-445, https://doi.org/10.1111/1540-4560.00269
- BORDOGNA G., CARRARA P., CRISCUOLO L., PEPE M. & RAMPINI A. (2014), “On predicting and improving the quality of volunteer geographic information projects”, International Journal of Digital Earth, 9(2), pp. 134-155, https://doi.org/10.1080/17538947.2014.976774
- COLAÇO A. F., MOLIN J. P., ROSELL-POLO J. R. & ESCOLÀ A. (2019), “Spatial variability in commercial orange groves. Part 2: Relating canopy geometry to soil attributes and historical yield”, Precision Agriculture, 20(4), pp. 805-822, https://doi.org/10.1007/s11119-018-9615-0
- CRISCUOLO L., CARRARA P., BORDOGNA G., PEPE M., ZUCCA F., SEPPI R. et al. (2016), “Handling quality in crowdsourced geographic information”, in CAPINERI C. et al. (éd.), European Handbook of Crowdsourced Geographic Information, London, Ubiquity Press, pp. 57-74, https://doi.org/10.5334/bax.e
- DE SOUZA FILHO H. M., VINHOLIS M. M. B., CARRER M. J. & BERNARDO R. (2021), “Determinants of adoption of integrated systems by cattle farmers in the State of Sao Paulo, Brazil”, Agroforestry Systems, 95(1), pp. 103-117, https://doi.org/10.1007/s10457-020-00565-8
- DELL’ACQUA F., IANNELLI G. C., TORRES M. A. & MARTINA M. L. V. (2018), “A novel strategy for very-large-scale cash-crop mapping in the context of weather-related risk assessment, combining global satellite multispectral datasets, environmental constraints, and in situ acquisition of geospatial data”, Sensors, 18(2), https://doi.org/10.3390/s18020591
- EBITU L., AVERY H., MOURAD K. A. & ENYETU J. (2021), “Citizen science for sustainable agriculture – A systematic literature review”, Land Use Policy, 103, 105326, https://doi.org/10.1016/j.landusepol.2021.105326
- FONTE C. C., ANTONIOU V., BASTIN L., ESTIMA J., ARSANJANI J. J., LASO
- BAYAS J.-C. et al. (2017), “Assessing VGI Data Quality”, in FOODY G. (éd.), Mapping and the Citizen Sensor, London, Ubiquity Press, pp. 137-163, https://doi.org/https://doi.org/10.5334/bbf.g
- JABEUR N., KARAM R. & MELCHIORI M. (2018), “A comprehensive reputation assessment framework for volunteered geographic information in crowdsensing applications”, Personal and Ubiquitous Computing, 23, pp. 669-685, https://doi.org/https://doi.org/10.1007/s00779-018-1122-9
- JONIETZ D., ANTONIO V., SEE L. & ZIPF A. (2017), “Highlighting current trends in volunteered geographic information”, ISPRS International Journal of Geo-Information, 6(7), pp. 1-8, https://doi.org/10.3390/ijgi6070202
- KAUFMANN N., SCHULZE T. & VEIT D. (2011), “More than fun and money. Worker motivation in crowdsourcing – A study on mechanical turk”, Proceedings of the Seventeenth Americas Conference on Information Systems, pp. 1-11, https://doi.org/10.1145/1979742.1979593
- KELLING S., JOHNSTON A., BONN A., FINK D., RUIZ-GUTIERREZ V., BONNEY R. et al. (2019), “Using semistructured surveys to improve citizen science data for monitoring biodiversity”, BioScience, 69(3), pp. 170-179, https://doi.org/10.1093/biosci/biz010
- LAND-ZANDSTRA A. M., DEVILEE J. L. A., SNIK F., BUURMEIJER F. & VAN
- DEN BROEK J. M. (2016), “Citizen science on a smartphone: Participants’ motivations and learning. Public understanding of science”, 25(1), pp. 45-60, https://doi.org/10.1177/0963662515602406
- MASSAD I. & DALYOT S. (2018), “Towards the crowdsourcing of massive smartphone assisted-GPS sensor ground observations for the production of digital terrain models”, Sensors, 18(3), 898, https://doi.org/10.3390/s18030898
- MINET J., CURNEL Y., GOBIN A., GOFFART J.-P. P., MÉLARD F., TYCHON B. et al. (2017), “Crowdsourcing for agricultural applications: A review of uses and opportunities for a farmsourcing approach”, Computers and Electronics in Agriculture, 142(A), pp. 126-138, https://doi.org/10.1016/j.compag.2017.08.026
- MONEYRON A., LALLEMAND J. F., SCHMITT C., PERRIN M., SOUSTRE-
- GACOUGNOLLE I. & MASSON J. E. (2017), “Linking the knowledge and reasoning of dissenting actors fosters a bottom-up design of agroecological viticulture”, Agronomy for Sustainable Development, 37(5), https://doi.org/10.1007/s13593-017-0449-3
- PRUDIC K. L., MCFARLAND K. P., OLIVER J. C., HUTCHINSON R. A., LONG E. C., KERR J. T. & LARRIVÉE M. (2017), “eButterfly: Leveraging massive online citizen science for butterfly conservation”, Insects, 8(2), 53, https://doi.org/10.3390/insects8020053
- RECHENBERGER T., JUNG V. M. E., SCHMIDT N. & ROSENKRANZ C. (2015), “Utilizing the crowd – A literature review on factors influencing crowdsourcing initiative success”, PACIS 2015 Proceedings, p. 250, http://aisel.aisnet.org/pacis2015%0Ahttp://aisel.aisnet.org/pacis2015/250
- ROTMAN D., PREECE J., HAMMOCK J., PROCITA K., HANSEN D., PARR C. et al. (2012), “Dynamic changes in motivation in collaborative citizen-science projects”, Proceedings of the ACM 2012 Conference on Computer-Supported Cooperative Work, New York, NY, USA, Association for Computing Machinery, pp. 217-226, https://doi.org/10.1145/2145204.2145238
- RYAN S. F., ADAMSON N. L., AKTIPIS A., ANDERSEN L. K., AUSTIN R., BARNES L. et al. (2018), “The role of citizen science in addressing grand challenges in food and agriculture research”, Proceedings of the Royal Society B, vol. 285, https://doi.org/http://dx.doi.org/10.1098/rspb.2018.1977
- SLIMI C., PROST M., CERF M. & PROST L. (2021), “Exchanges among farmers’ collectives in support of sustainable agriculture: From review to reconceptualization”, Journal of Rural Studies, 83, pp. 268-278, https://doi.org/https://doi.org/10.1016/j.jrurstud.2021.01.019
- SULLIVAN B. L., WOOD C. L., ILIFF M. J., BONNEY R. E., FINK D. & KELLING S. (2009), “eBird: A citizen-based bird observation network in the biological sciences”, Biological Conservation, 142(10), pp. 2282-2292, https://doi.org/10.1016/j.biocon.2009.05.006
- TOUYA G., ANTONIOU V., OLTEANU-RAIMOND A.-M. M. & VAN DAMME M.-D. D. (2017), “Assessing crowdsourced POI quality: Combining methods based on reference data, history, and spatial relations”, ISPRS International Journal of Geo-Information, 6(3), 80, https://doi.org/10.3390/ijgi6030080
- VAN DE GEVEL J., VAN ETTEN J. & DETERDING S. (2020), “Citizen science breathes new life into participatory agricultural research. A review”, Agronomy for Sustainable Development, 40(5), https://doi.org/10.1007/s13593-020-00636-1
- VAN ETTEN J., BEZA E., CALDERER L., VAN DUIJVENDIJK K., FADDA C., FANTAHUN B. et al. (2019), “First experiences with a novel farmer citizen science approach: Crowdsourcing participatory variety selection through on-farm triadic comparisons of technologies (Tricot)”, Experimental Agriculture, 55(S1), pp. 275-296, https://doi.org/10.1017/S0014479716000739
- WESTERMAN W. (2009), “Epistemology, the sociology of knowledge, and the wikipedia userbox controversy”, Folklore and the Internet, pp. 123-158, https://doi.org/https://doi.org/10.2307/j.ctt4cgrx5.9