Ensemble de données
Un ensemble de données, ou jeu de données, est une collection organisée d’informations traitée comme une unité pour une observation, une analyse, un partage ou une publication. Il peut contenir des mesures, images, séquences, observations ou résultats calculés. Son identité dépend de son périmètre et de sa gestion, plutôt que du nombre de fichiers qui le composent.
Contenu et organisation
Une série de mesures de qualité d’eau peut former un jeu de données si elle possède un périmètre commun : stations, variables, période et méthode d’observation. Les données peuvent être réparties dans plusieurs tables ou fichiers reliés. À l’inverse, un seul fichier peut rassembler des informations provenant de plusieurs jeux de données.
Les métadonnées décrivent le contenu et les conditions de réutilisation : responsables, méthodes, unités, dates, couverture, formats, droits et limites connues. Elles permettent notamment de distinguer une valeur absente d’une absence réelle du phénomène mesuré.
Jeu de données et distribution
Dans le vocabulaire DCAT du W3C, un jeu de données peut être accessible par plusieurs distributions. Une même collection publiée en CSV et en JSON ne constitue pas nécessairement deux jeux différents ; ces fichiers peuvent représenter deux formes d’accès au même contenu. Une distribution peut elle-même ne contenir qu’une partie des informations.
Un changement de format ne se confond pas avec une modification des observations. Une version renseigne en revanche sur l’évolution du contenu ou de sa préparation. Corrections, ajouts et exclusions influencent les résultats susceptibles d’être reproduits à partir de la collection.
Provenance et interprétation
La provenance relie les données aux activités qui les ont produites ou transformées et aux agents responsables. Elle distingue, par exemple, des mesures brutes d’un tableau filtré puis agrégé. Un identifiant stable facilite la citation, mais ne garantit ni la qualité des observations ni la possibilité d’accéder aux données.
En santé des poissons ou en écologie aquatique, l’interprétation repose donc sur le contenu, sa documentation et son histoire. Une collection volumineuse sans unités, méthode ou périmètre explicite peut rester inutilisable pour une comparaison scientifique.