Quel est le point commun entre l’intimidation, un trouble musculosquelettique, un rouge-gorge, la tyrosine, l’azote liquide, la liste des espèces d’oiseaux de Guadeloupe, la culture cellulaire et le lac d’Oeschinen ?
Continuer la lecture
Quel est le point commun entre l’intimidation, un trouble musculosquelettique, un rouge-gorge, la tyrosine, l’azote liquide, la liste des espèces d’oiseaux de Guadeloupe, la culture cellulaire et le lac d’Oeschinen ?
Continuer la lectureLe 23 juin 2025, les lauréats du 3ème appel à projet du GIS Réseau Urfist présenteront les principaux résultats de leurs travaux de recherche et d’expérimentation pédagogique sur l’IST en science ouverte, avec un focus sur la qualité des données de la recherche ainsi que les nouvelles pratiques de production et diffusion scientifiques des chercheurs.
La matinée sera consacrée à la présentation des plateformes de formation FormaDoct et Spoc Quéro V2, ainsi qu’à des outils pédagogiques pour favoriser l’ouverture des données de recherche et la réutilisation de données d’enquête.
L’après-midi permettra de découvrir des questions de recherche centrales et encore peu traitées, allant des nouveaux modes de communication et de publication scientifiques aux coûts de la science ouverte, en passant par les problèmes de qualité et de découvrabilité des données de recherche.
La journée sera organisée en présentiel à l’Université Toulouse Capitole et des temps seront réservés aux échanges avec le public.
Inscription et programme sur le site Sygefor :
https://sygefor.reseau-urfist.fr/#/training/11161/13875/
Davantage d’information sur les projets lauréats sur le site du GIS Réseau Urfist, menus « Projets de recherche » et « Projets pédagogiques » :
https://gisurfist.hypotheses.org/
La Semaine Numérique des URFIST 2025 s’est déroulée du 17 au 21 mars, offrant une série de formations et d’ateliers en ligne dédiés aux outils et méthodes en science ouverte. Cet événement a rassemblé 356 participants et totalisé 24 heures de visioconférences, témoignant de son succès. Entre outils innovants, réflexions critiques et partage d’expériences, la Semaine Numérique des Urfist a reflété le dynamisme du réseau des Urfist dans la formation et la diffusion des savoirs.
Les stages
Le programme a couvert un large éventail de thématiques:
Le temps fort : Séminaire « Jeunes chercheurs »
Le séminaire dédié aux jeunes chercheurs a mis en lumière la diversité des manières d’investiguer la fabrique et la diffusion de la science aujourd’hui :
Ce séminaire a démontré le dynamisme, l’inventivité et la richesse de la jeune recherche dans le domaine des sciences de l’information et de l’information scientifique.
Rendez-vous l’année prochaine pour de nouvelles explorations numériques !
Cet appel est destiné à soutenir des projets de recherche et/ou de soutien à la recherche dans le domaine de l’information scientifique et technique, ainsi que de la science ouverte. Il permet à la fois de proposer des pré-projets, pour lesquels un budget d’amorce est sollicité, ainsi que des projets plus ambitieux reposant sur un budget plus conséquent.
L’appel à projets accorde une attention particulière aux propositions portées par de jeunes chercheurs ayant soutenu leur thèse depuis cinq ans maximum. Ces initiatives visent à valoriser leur apport à la recherche, à encourager leur prise de responsabilités dans des projets innovants et à renforcer leur insertion dans les dynamiques scientifiques nationales et internationales.
L’appel intègre également une dimension « écologique » dans chacun des axes sur des enjeux spécifiques.
Les projets proposés devront s’inscrire prioritairement dans les axes suivants :
1. Axe IA : Usages et mésusages de l’intelligence artificielle
Les projets inscrits dans cet axe devront explorer les usages et effets de l’intelligence artificielle (IA) dans le domaine de l’information scientifique et technique, avec une attention particulière portée aux thématiques suivantes :
● Publication scientifique et IA : exploration des nouvelles formes de publications assistées par l’IA. Par exemple, il est possible d’étudier le statut auctorial des IA (IA comme co-auteurs), les nouvelles productions autour des carnets Jupyter avec IA intégrée ou Notebooks LLM, les synthèses d’articles de type états de l’art ainsi que le risque démultiplication des faux articles via des LLM. Des études quant aux positionnements des revues, des colloques et des institutions qui organisent des appels sont également opportunes. Cela peut concerner les chartes et règlements, les outils de détection mobilisés ainsi que des cas où des outils d’IA sont utilisés pour faciliter le processus d’évaluation.
● Usages de l’IA par les doctorants et enjeux de formation et de remédiation : enquêtes
sur les pratiques et perceptions des jeunes chercheurs (doctorants, nouveaux recrutés) face à l’IA dans leurs activités de recherche (par exemple dans la recherche documentaire, la rédaction ou l’analyse de données). Panorama des remédiations et formations en cours actuellement.
● IA et transition écologique : analyse des répercussions environnementales des
technologies d’IA, notamment les coûts écologiques des datacenters et les défis liés à
l’archivage de formats volumineux. Le comité sera particulièrement attentif aux
alternatives conciliant efficacité et sobriété, qu’il s’agisse d’outils fonctionnant sur des
serveurs légers ou des PC personnels, ou de procédures intégrant ces enjeux. Une réflexion plus large sur la conservation et l’archivage des données, ainsi que sur la frugalité numérique, pourra également être envisagée afin de repenser les usages des données et de l’IA dans une perspective durable.
2. Axe intégrité scientifique : Pratiques et défis
Cet axe se concentre sur les enjeux liés à l’intégrité scientifique, en abordant des thématiques critiques et émergentes. Des questionnements de cet axe peuvent être couplés avec ceux de l’axe 1.
● Économie scientifique du faux : étude des logiques économiques et des dynamiques de financement des pratiques frauduleuses (follow the money) notamment en ce qui concerne les revues prédatrices et l’accroissement des publications médiocres ou générées en grande partie par des LLM (voir également l’axe 1)
● Réutilisation et reproductibilité : Etudes de cas relatives aux pratiques de partage et de réutilisation de données d’enquêtes dans une visée de transparence et de reproductibilité des recherches. Analyse des dispositifs de soutien à ou de certification de la transparence et de la reproductibilité des recherches via l’homologation des données en amont des publications. Étude des politiques des revues en matière de positionnement sur l’ouverture des données.
● Étude de l’évolution des dispositifs d’évaluation scientifique des articles de recherche,
dans le contexte d’évolution des formats de revues et de publication (revues / articles de méthodes et de données ou de codes) et des dispositifs et plateformes de publication (évolution des standards vers le simple aveugle ou open peer review).
● Formation à l’éthique de la recherche : étude sur les modèles de bonnes pratiques
(chartes, formations, etc.), les politiques de sanctions éventuelles en cas de manquement mises en place par les universités et les organismes de recherche.
● Ressources et gouvernances des données : panorama des avancées nationales et
internationales sur les gouvernances des données, qu’elles concernent la recherche, les
données administratives ou d’autres types de données, chacune impliquant des approches spécifiques. L’examen des liens entre les gouvernances des données et de l’IA devient essentiel, face à leur convergence croissante en entreprise et l’émergence de gouvernances intégrées (lien avec l’axe 1). Une attention particulière sera portée aux plans de gestion des données comme outils pour renforcer l’intégrité scientifique et la transparence.
3. Axe SAPS : valorisation de l’IST et de l’open science
L’axe « Science Avec et Pour la Société » vise à promouvoir des projets qui renforcent la
compréhension et l’accompagnement des pratiques scientifiques, avec une attention particulière aux initiatives suivantes :
● Sensibilisation au rôle de l’IST : initiatives visant à mieux faire comprendre au grand
public les étapes et les contraintes du travail de recherche, notamment en expliquant les outils tels que les plans de gestion des données.
● Avenir de l’IST : le comité sera également attentif aux propositions qui permettraient de mieux valoriser les pratiques de l’IST au sein des institutions à la fois vis-à-vis des
nouveaux publics étudiants, mais également de jeunes chercheurs qui parfois ignorent
encore l’existence des URFIST et de leurs missions.
● Communication scientifique : exploration des nouvelles formes de communication,
distinguant les usages personnels et institutionnels, et analysant les problématiques liées aux contenus et aux canaux de diffusion. Le comité est notamment intéressé par les pistes en dehors des réseaux sociaux privés de la recherche ainsi que les innovations en dehors des réseaux sociaux de type X, Bluesky ou Mastodon.
● Valorisation des ressources IST en lien avec la transition écologique auprès du grand
public : les initiatives dans ce domaine devront mettre en avant le rôle de l’information
scientifique et technique dans la sensibilisation aux enjeux environnementaux, en facilitant l’accès à des données et ressources permettant une compréhension des enjeux. Les expériences de formation à destination des premiers cycles universitaires sont également concernées par ce point.
4. Axe blanc : Thématiques généralistes et transversales
Cet axe est ouvert à des propositions originales explorant des sujets peu traités ou sortant des thématiques explicitement mentionnées dans cet appel. Le comité encourage les projets innovants et interdisciplinaires.
Recommandations générales pour tous les axes
Le comité souhaite encourager les initiatives qui visent à faciliter la reprise des contenus produits et des développements logiciels réalisés. Une place doit être envisagée pour la documentation des résultats, des livrables ou des logiciels. Les propositions devront à cet effet préciser les livrables attendus.
La priorité sera donnée aux projets originaux plutôt qu’à des prolongations de projets précédents. Les projets impliquant des associations ou consortiums sont appréciés, mais les montages complexes ne sont pas nécessaires, notamment pour les projets émanant de jeunes chercheurs. Il leur est toutefois recommandé de se rapprocher de leur URFIST de proximité.
La dimension internationale du projet sera également appréciée positivement. Les projets s’inscrivent dans une durée maximale de deux ans. Deux types de projets peuvent être proposés :
– des pré-projets ou micro-projets en vue de construire à terme des projets de plus grande envergure (financement par le GIS de 2000 € à 5000 €),
– des projets plus ambitieux et solidement argumentés quant à leur pertinence scientifique et sociétale (financement par le GIS de 10 000 à 40 000 €).
Le financement attribué par le GIS sera versé via la signature d’une convention. L’argent sera géré par l’institution du porteur du projet. Ce financement ne concerne pas l’organisation de colloques ou de conférences. Aucune subvention ne sera accordée pour du Gold Open Access ou des APC.
La proposition contiendra :
● un intitulé court du projet,
● les noms et coordonnées des porteurs,
● une présentation argumentée, mais synthétique des objectifs, de la méthodologie et des moyens qui seront mis en œuvre pour les atteindre,
● les résultats attendus et livrables à l’issue du projet,
● la composition de l’équipe projet,
● un calendrier prévisionnel et un budget faisant apparaître les éventuels cofinancements et le montant demandé au GIS.
Il est conseillé d’utiliser le modèle de réponse situé en annexe de cet appel.
Calendrier prévisionnel
● Ouverture de l’appel : 10 mars 2025
● Date limite de dépôt des propositions : 30 avril 2025
● Réponse du comité scientifique : 30 juin 2025
La proposition est à transmettre à la direction du GIS par email à : wolff@unistra.fr
La recherche d’informations et la revue de littérature académique n’échappent pas à la récente vague d’intelligence artificielle générative, promesse d’assistance et de productivité. Durant les deux années écoulées, l’engouement autour de ChatGPT est venu mettre en lumière l’intégration de fonctionnalités d’intelligence artificielle (IA) générative dans les outils de recherche. Porté d’une part par les progrès sémantiques des grands modèles de langage (LLM), d’autre part par une diversification et de nouvelles capacités des outils, le paysage de la recherche d’information a déjà bien changé, entre tchatbots, moteurs de recherche et outils de recherche bibliographiques « augmentés ». Et les annonces de ces derniers mois, autour des modèles de raisonnement ou de recherche approfondie, augurent de nouveaux changements encore. Même si l’on manque encore de recul sur ces technologies récentes et évolutives, il est d’ores et déjà possible d’identifier un certain nombre de points-clés et de questions autour de l’intégration de ces nouveautés dans le cadre académique. État des lieux et perspectives deux ans après la sortie de ChatGPT…
TL;DR – résumé
Table des matières
L’un des objectifs de l’intégration de l’IA dans les outils traditionnels est d’abord de « dompter » la littérature académique (Andy Extance). On le sait : que ce soit pour faire une revue de littérature ou compléter une bibliographie, la recherche d’informations académiques est un processus long et potentiellement fastidieux. C’est a fortiori le cas dans le contexte académique actuel, de plus en plus concurrentiel, pris entre l’augmentation constante du nombre de productions annuelles et l’injonction à la publication. Dans ce contexte, comment avoir une vue rapide sur un sujet qu’on ne connaît pas et en repérer les articles plus importants ? ; comment faire face au déluge informationnel et identifier non seulement les travaux, mais aussi des tendances ou des chercheurs, de manière rapide et efficace ? ; comment identifier des pistes moins couvertes ?
Mais l’autre objectif de l’intégration de l’IA dans les outils de recherche bibliographique est de faire face aux limites des outils documentaires traditionnels. La méthode de recherche documentaire, avec ses champs prédéfinis et ses mots-clés, ne correspond pas à la démarche scientifique, construite avant tout sur des hypothèses et des interrogations. Pour pouvoir chercher dans une base de données bibliographiques, un moteur de recherche scientifique ou un catalogue de bibliothèques, il convient de transformer son hypothèse en vocabulaire spécifique et en équation de recherche. Et si la recherche simple, plein texte ou fédérée, s’est imposée depuis une quinzaine d’années, elle n’en pose pas moins la question de l’adaptation du chercheur à l’outil : comment être sûr d’avoir employé les bons termes, contrôlés ou non, et de ne pas passer à côté des résultats les plus pertinents ? ; comment chercher à partir d’hypothèses ? ; comment faire quand on ne connaît pas le vocabulaire spécifique ou quand la terminologie n’est pas encore totalement arrêtée pour des sujets nouveaux ?
Dans le domaine de la recherche documentaire, comme dans les autres domaines de la recherche scientifique (cf. parmi d’autres OCDE, 2023 ; European Research Council, 2023 ; Commission européenne, 2023 ; The Royal society, 2024), la promesse de l’IA est d’« augmenter » les capacités de traitement de l’information, d’« assister » le chercheur dans son travail quotidien et donc de lui assurer une meilleure efficacité et une plus grande productivité. En facilitant et en accélérant la revue de littérature, l’intégration de l’IA dans les outils documentaires serait alors un moyen de découvrir de nouvelles idées et, finalement, de faire progresser la recherche plus rapidement : « Même si chaque outil dessert une niche spécifique, ils fournissent tous aux chercheurs un regard différent sur la littérature académique par rapport aux outils conventionnels comme PubMed et Google scholar » (Andy Extance). Par ailleurs, dans le cadre d’une revue de littérature large, ce développement d’assistants de recherche avec de l’IA (AI research assistants) serait un moyen de lever un certain nombre de biais humains en termes de rigueur et de précision dans la démarche.
Le succès public et médiatique de ChatGPT depuis son ouverture fin 2022 ne doit pas faire oublier l’histoire déjà ancienne de l’intelligence artificielle. Si l’on regarde les seules bases de données bibliographiques numériques, les suggestions automatiques ou le classement par pertinence sont déjà des illustrations anciennes des capacités des systèmes informatiques à extraire des données, à les mettre en relation et à les utiliser – Google scholar par exemple a ouvert en 2004. Plus récemment, le milieu des outils bibliographiques a connu dans les années 2010 une vague d’IA sémantique, illustrée par l’ouverture du bien nommé Semantic scholar en 2015. Au moment où le moteur de recherche Google développait son Knowledge graph, Microsoft ouvre alors une nouvelle version de son moteur de recherche académique Microsoft academic search, basé sur des technologies de recherche sémantique comme la compréhension du langage naturel (NLP – natural language processing) et la mise en relation de ces données dans des graphes de connaissances (knowledge graphs). Le vrai saut qualitatif pour les outils de recherche, ce n’est plus de fournir des références qui correspondent aux mots-clés saisis mais bien de comprendre le contexte et l’intention de la requête (que cherche l’internaute ?) et le sens des documents (ces documents répondent-ils à la question ?). En somme, les idées plutôt que les mots. On en trouve des prémices, par exemple avec les fonctionnalités de Semantic scholar ou de Scite permettant de situer une citation dans son contexte.
De tels progrès n’ont bien sûr été rendus possibles qu’avec le développement des contenus numériques et des technologies, notamment autour du traitement automatique des langues et de l’apprentissage automatique, des années 2010. D’une part, le développement d’internet fournit ainsi toujours plus de masses de corpus linguistiques (« web as corpus ») pour entraîner les machines. D’autre part, le développement des grands modèles de langage (LLM ou large language models) à partir des années 2017-2019 permet de dépasser les simples rapprochements au niveau des termes et de comprendre le fonctionnement des langues et toutes leurs subtilités. Alors que les outils précédents recherchaient les mots-clés de manière lexicale selon une logique de query expansion (chaîne de caractère identique, lemmatisation, racinisation / stemming), les nouvelles technologies permettent une approche plus sémantique et syntaxique, notamment grâce à des plongements lexicaux (word embedding), afin de comprendre le sens mais aussi le contexte des mots, notamment leur ordre et leurs relations. C’est ce qu’exprime bien l’un des premiers outils académiques gratuits de ce type, l’initiative BioMed Explorer de Google sortie pendant la pandémie de Covid-19. Basé sur le LLM BERT, « BioMed Explorer applique une compréhension sémantique du contenu des publications pour en tirer des réponses et sélectionner des extraits et des preuves pour l’utilisateur. En d’autres termes, l’outil s’efforcera de mettre en évidence les passages qui répondent réellement à votre question, et non pas seulement de renvoyer des extraits correspondant à des mots-clés, qui peuvent être aléatoires » (Google).
La particularité des outils comme ChatGPT et de l’IA générative, c’est d’appliquer ces LLM à deux niveaux complémentaires : la « compréhension » du texte et la génération de contenu. A cette fin, ces IA établissent des modèles statistiques et probabilistes du langage humain et sont alors capables de produire de nouveaux contenus à la volée. Comme les tchatbots antérieurs de type Alexa ou Siri et contrairement aux bases de données bibliographiques de l’époque, elles sont capables d’interpréter des requêtes en langage naturel, par exemple une question. En revanche, elles vont plus loin que les tchatbots première génération dans la mesure où leurs bases de données d’entraînement sont beaucoup plus larges et où leur fonctionnement probabiliste leur permet de produire du contenu inédit au-delà de leurs données d’entraînement. Par ailleurs, leurs capacités itératives et de mémorisation en font de vrais outils conversationnels.
GPT (OpenAI), Gemini (Google), Claude (Anthropic), LlaMA (Meta), Mixtral (Mistral AI)… Les modèles de langage se multiplient et sont souvent accessibles de différentes manières. Si l’on prend le seul cas du modèle GPT, on peut y accéder, par exemple, par le tchatbot du site officiel, via les outils Microsoft (Copilot pour Bing ou dans la suite Office), par d’autres plateformes comme Poe ou encore via des API dans d’autres écosystèmes. On retiendra cependant trois choses : la sortie régulière de nouveaux modèles chez les producteurs, des modèles financiers généralement de type freemium et, dans le cas des tchatbots, la nécessité d’avoir un compte – permettant ainsi de récupérer les données personnelles de l’utilisateur et de limiter le nombre de requêtes moyenne.
Derrière le mot fourre-tout « IA », ce sont souvent plusieurs modèles différents qui co-existent dans un même service. Par exemple, ce ne sont pas moins de 20 systèmes d’IA différents qui tournent dans le moteur de recherche académique Consensus. Ces services en utilisent à différents niveaux : traitement de la requête en langage naturel, similarité sur les mots-clés ou sur l’abstract, compréhension du contexte d’une citation, synthèse, réponse en langage naturel… Les outils n’utilisent pas nécessairement l’ensemble des techniques possibles en fonction des besoins.
Basées sur de grands modèles de langage, les IA génératives textuelles sont spécialisées dans le traitement et la « compréhension » du langage naturel. Elles sont donc capables de mener à bien des tâches linguistiques : rédiger du texte à partir d’une simple question, classifier des concepts, d’analyser, traduire et synthétiser des textes, de manière autonome. Preuve de cette diversité d’usage, une étude récente identifie trois catégories d’usages principaux chez les chercheurs : l’IA générative comme « cheval de trait », chargé de tâches répétitives ou fastidieuses, l’IA générative comme « assistant linguistique » pour l’aide rédactionnelle et éditoriale, l’IA générative comme « accélérateur de recherche » pour gagner en productivité (Jens Peter Andersen et al., 2025). Ce ne sont pas des outils de connaissances ; ce ne sont pas des outils de recherche d’information ; ce ne sont pas des outils de calcul ; ce ne sont pas des outils de logique. Aussi nombre d’erreurs attribuées à ChatGPT comme lui demander de faire des calculs ou de compter le nombre de lettres dans un mot sont en fait des erreurs d’usage. De même quand lors de la sortie de ChatGPT, on s’était aussi beaucoup amusé à lui demander le nom des 5 femmes Première ministre en France.
En aucun cas, ces techniques de LLM n’ont été pensées pour remplacer, seules, Google. Contrairement aux moteurs de recherche ou aux bases de données, elles ne s’appuient pas sur des index préconstruits pour produire des réponses individuelles sourcées, mais utilisent leurs données d’entraînement pour fournir des contenus linguistiques qui semblent les plus probables par rapport à ces données. Elles n’ont pas non plus vocation à contrôler les informations fournies. Sans même évoquer les questions que ces outils posent en termes sociaux, écologiques ou stratégiques, les limites souvent citées concernant les LLM pour la recherche d’information sont les suivantes :
En l’état actuel des choses, il convient donc de bien comprendre ce que sont et ce que peuvent les IA génératives de type ChatGPT pour la recherche d’information au moment où des IA de type ChatGPT se développent à destination du monde universitaire, comme l’offre ChatGPT Edu. Ce sont de nouveaux éléments dans la panoplie d’outils professionnels qui ne doivent pas faire perdre les bonnes pratiques recherche d’information, avec leurs atouts (ex. : expression des besoins, champs lexicaux, définition d’une stratégie de recherche). Mais aussi avec leurs précautions d’usages (ex. : connaissance des outils, méthodologie documentaire, évaluation de l’information), sous peine de favoriser une recherche de mauvaise qualité.
Si ces éléments sont encore vrais début 2025, quelles sont les perspectives pour les tchatbots ? De fait, l’IA générative telle que l’on connaît depuis l’ouverture de ChatGPT fin 2022 est « la pire IA que nous n’ayons jamais utilisée » (Katherine Aydelott, 2024) et les récentes actualités du secteur pourraient porter de nombreuses promesses pour la recherche – nous indiquons ici en priorité des exemples issus d’OpenAI, mais tous les acteurs vont dans le même sens :
Néanmoins, si l’on voit plus clairement les pistes de développement pour l’utilisateur, la situation est un peu plus compliquée du côté des acteurs mêmes. Coup de tonnerre en effet fin janvier quand sort le tchatbot DeepSeek, et son modèle de raisonnement R1, dans un paysage jusque-là dominé par OpenAI, Meta ou Google. Performance de même niveau que ses concurrents, codes en open source pour un coût de production et un poids écologique moindres, il n’en faut pas plus pour enthousiasmer les communautés IA et faire trembler les marchés financiers. De fait, les innovations techniques derrière DeepSeek (RL – reinforcement learning, MoE – mixture of experts et MLA – multi-headed latent attention, prédiction multi-tokens) ne sont pas nécessairement nouvelles mais montrent que « de petits acteurs [comparés aux GAFAM] peuvent faire des choses plus économes et innovantes » (Laurent Daudet). Deux questions se posent avec l’arrivée de cet outsider chinois. D’une part, les modèles économiques de ces services : là où OpenAI avait annoncé n’être toujours pas rentable et prévoir une augmentation de ses tarifs d’abonnement, DeepSeek montre que l’on peut produire des LLM nouvelle génération à moindre coût. D’autre part, cela remet en lumière la question de l’éthique de l’IA générative, entre censure, biais culturels des IA, fiabilité, sort des données personnelles et récupération de données sensibles, à l’heure où l’expérience française Lucie a fait long feu et où seul Mistral représente encore l’Europe dans la course, pour l’instant.
Signe révélateur : à côté du simple « IA », surfant sur la mode actuelle, nombre de ces outils prennent le nom d’« assistant » ou de « copilote ». De fait, l’IA générative est de plus en plus intégrée dans l’écosystème de l’internaute, d’autres environnements applicatifs, des bases de connaissance, des navigateurs internet, des réseaux sociaux, etc., marquant l’entrée dans une nouvelle ère de l’assistance. On le voit avec Copilot (basé sur des GPT) chez Microsoft auquel on accède aussi bien par un site particulier, que par le moteur Bing, le navigateur Edge, Office 365 et certains PC Microsoft.
Du côté des moteurs de recherche, cela fait plus de 10 ans que les acteurs ont l’ambition de fournir des réponses plutôt que de simples listes d’URL. C’est l’ambition à l’œuvre derrière les évolutions sémantiques, illustrées par les knowledge graphs et les rich snippets, du milieu des années 2010, et qui ont progressivement transformé les moteurs de recherche en moteurs de réponses factuelles. C’est cette ambition aussi qui a poussé Google à développer des technologies permettant une vraie recherche conversationnelle (comprendre le contenu des documents et l’intention de l’internaute), illustrée par la technologie des transformers – le « T » du sigle GPT – introduite en 2017. Dans la foulée de l’ouverture de ChatGPT, on a alors vu les moteurs de recherche intégrer de l’IA générative, comme des résumés instantanés synthétisant plusieurs résultats de recherche et indiquant les sources utilisées. De plus en plus, les moteurs de réponses (factuelles) deviennent des « moteurs de synthèse ». A côté d’outsiders (Brave, Qwant, Perplexity), les grands acteurs de la recherche et de l’IA sautent tous progressivement le pas mi-2024. En mai, Google annonce le déploiement progressif au niveau mondial des AI overviews (AIO ou Aperçus IA, anciennement SGE – Search generative experience) dans son moteur de recherche ; en juillet, Bing annonce sa « recherche générative », nouvelle interface du moteur de recherche mettant en avant du contenu IA ; en juillet encore, OpenAI, la maison-mère de ChatGPT, lance son prototype de moteur de recherche SearchGPT, basé partiellement sur l’index Bing et des technologies propres, qui doit combiner les capacités actuelles de conversation à une recherche web mais dont le prototype n’échappe pas davantage aux erreurs – ChatGPT search a depuis été déployé pour tous, même sans compte ChatGPT. En s’appuyant sur des sources web, ChatGPT est de plus en plus capable de distinguer l’intention de l’internaute : s’agit-il d’une requête pour rechercher de l’information (sous forme de question) ou d’une requête pour mener à bien une tâche (sous forme de prompt) ?
Si cette fonctionnalité est faite pour rester, au vu des évolutions récentes des moteurs de recherche, il n’en reste pas moins trois questions centrales pour la recherche d’information, qui viennent renforcer les questions que l’on pouvait se poser sur les moteurs de recherche eux-mêmes :
Quelles sont les perspectives actuelles du développement de l’IA générative dans les moteurs de recherche ? Comme pour les tchatbots, plusieurs axes sont concernés :
Plus généralement, là comme ailleurs, l’introduction d’un DeepSeek non-censuré dans Perplexity montre que les lignes ne sont pas encore arrêtées, entre innovation, open source, conformité aux cadres locaux et collaboration entre les acteurs. D’un point de vue européen, enfin, on attend le développement des AI overviews dans Google, jusque-là bloqué en Europe en raison de du Digital Markets Act (DMA), visant à limiter la concurrence et la transparence en ligne. La guerre est donc loin d’être terminée dans le domaine des moteurs de recherche. Pour la première fois depuis longtemps, Google est descendu en dessous des 90 % des parts de marché durant l’automne, et les nouveaux acteurs Perplexity et ChatGPT fournissent de plus en plus de trafic aux sites internet. Il conviendra de suivre avec attention le match entre les différents acteurs pour identifier les domaines où ils sont les plus pertinents, Google continuant à tenir sa place de leader dans la plupart des cas. Rappelons pour terminer que l’aspect conversationnel et synthétique de l’IA n’est pas pertinent pour tous les besoins d’information. Si, pour reprendre la taxonomie de Broder, on peut identifier trois besoins principaux (informationnel, navigationnel, transactionnel), seul le besoin navigationnel semble hors du champ de la recherche générative. Restera à voir comment les outils seront capables d’identifier les besoins des internautes et si nous aurons toujours la possibilité de forcer un mode de recherche sans IA générative alors qu’un Google par exemple semble de plus en plus confiant dans ses réponses. Restera à voir comment Google résistera à l’image de marque acquise par ChatGPT face à des générations de plus en plus familières du réflexe ChatGPT – « chatGPTisant » comme on « googlisait » avant. D’autant qu’en regard du tchatbot ChatGPT qui s’élargit au moteur de recherche, Google plancherait pour intégrer du tchatbot à son moteur de recherche. Restera enfin à évaluer « ce que nous sacrifions quand nous formatons les systèmes de cette manière » (Chirag Shah et Emily M. Bender)…
A l’instar d’autres écosystèmes, l’IA générative « à la ChatGPT » s’invite désormais dans les bases de données bibliographiques et outils de recherche documentaires. Passé l’ère des outils simplement « sémantiques » pour comprendre, bienvenue dans les outils « IA générative », « GPT » et autres « assistants » pour également générer du nouveau contenu ! L’enjeu d’utiliser des LLM et de la génération de contenus textuels dans ce contexte est multiple :
Néanmoins, comme pour les moteurs de recherche de type Google AI overviews, l’IA générative est alors limitée aux fonctions LLM sémantiques et génératives et n’est dans ce cas qu’une couche de plus ajoutée à la base de connaissance. On pourrait comparer cela à un Google Scholar + ChatGPT. Comme le dit l’un de ces services : « Consensus est d’abord un moteur de recherche, avec de l’IA « autour ». Cela signifie que chaque réponse est basée sur de la recherche scientifique ». Ils ne fournissent pas des réponses issues des données d’entraînement générales comme ChatGPT, mais s’appuient sur des bases de références et des documents spécifiques. C’est ce qu’on appelle le RAG (retrieval augmented generation ou génération augmentée par récupération), une architecture qui combine la fonction générative de LLM comme GPT, à une fonction de recherche dans un corpus ou une base de données bien défini. Elément clé du « futur de la recherche documentaire » (Emmanuelle Bermès), cela permet d’accroître la pertinence de la réponse et donc de limiter les hallucinations (sans totalement les supprimer), au prix il est vrai d’un certain nombre de limites (Emmanuel Barthe, Aaron Tay) que nous évoquerons plus loin.
La précision des réponses et l’adéquation à la recherche scientifique est permise par trois éléments principaux par rapport aux LLM généralistes comme ChatGPT :
Fin 2022, un outsider, OpenAI, prend tout le monde de court en ouvrant le premier au grand public un outil génératif, ChatGPT. Échaudés par l’échec retentissant du tchatbot Tay de Microsoft en 2016, les grands acteurs de la recherche étaient eux plus frileux. Si la technique des LLM était développée aussi du côté de Google, la société de Mountain View restait alors prudente sur le déploiement d’un outil maison grand public, en raison des enjeux de fiabilité de la technique et de risque réputationnel trop grand. Ce n’est que suite au succès de ChatGPT que Microsoft et Google sont passés à la vitesse supérieure, le premier en passant un partenariat avec OpenAI, le second en ouvrant dans une certaine urgence son propre outil Bard (désormais Gemini). De même, ce sont des outsiders ou autres start-up qui les premiers sortent publiquement des fonctionnalités d’IA générative dans les outils de recherche documentaires courant 2022-2023, avant que les acteurs historiques n’emboîtent le pas, suite à la déferlante ChatGPT à partir de 2023. Fin 2024, deux grandes tendances sont visibles dans l’intégration de l’IA actuelle dans les outils documentaires : d’un côté, des acteurs déjà existants dans l’écosystème académique (fournisseurs d’outils documentaires ou de services) qui développent de nouvelles fonctionnalités autour de la recherche documentaire. De l’autre, des start-up créant de zéro des outils documentaires boostés à l’IA. Parmi ces outsiders et start-up, trois acteurs sortent du lot et sont régulièrement cités par les chercheurs, les étudiants et les professionnels de l’information. Ils sont utilisés ici à titre d’illustration de la situation actuelle. D’autres services existent ou se développent régulièrement, voir par exemple ici et là.
Site |
Société |
Corpus bibliographique |
Méthode |
Nombre d’utilisateurs |
Consensus NLP (US) |
200 M. réf. (Semantic scholar) |
|||
Elicit Research (US) |
125 M. réf. (Semantic scholar) |
|||
PubGenius (IN / US) |
270 M. réf. ( ?) |
?, GPT |
Onglet « assistant » ou « copilot », paragraphe « key insights » ou simplement mention « IA » ou d’une petite étoile… Durant l’année écoulée, l’IA a aussi été développée et mise en scène dans nombre d’outils documentaires plus anciens. Citons, par exemple, des bases de données bibliographiques (Dimensions summarization, Scopus AI, Web of science Research assistant), des fournisseurs de contenus (Cairn, les plateformes d’EBSCO, JSTOR interactive research tool, Lexis+ AI, nouvelle expérience Factiva, ProQuest), des catalogues de bibliothèques (Primo Research assistant), des bases de données (Statista Research AI), etc. Seul Google scholar semble encore prudent sur le sujet, proposant pour l’instant un PDF Reader dans le navigateur de recherche Chrome, destiné à favoriser la lecture des PDF. A ce stade, il n’a pas encore implémenté de l’IA générative à la ChatGPT dans son interface de moteur de recherche, et chercherait encore, selon son co-fondateur, une solution pour synthétiser de multiples articles d’une manière qui « préserve tout le contexte important » (Anurag Acharya).
Derrière la communication commerciale, le terme d’IA est bien souvent à interroger, puisqu’il ne s’agit pas nécessairement d’IA générative, mais aussi d’IA sémantique plus « traditionnelle ». On pourrait distinguer 3 niveaux d’intégration de l’IA dans les outils actuellement, permettant d’élargir ou d’accélérer la recherche :
Les outils de recherche documentaire ont tendance à devenir plus complexes, faisant cohabiter les anciennes interfaces et méthodes de recherche avec les nouvelles fonctionnalités IA. Une très bonne illustration est donnée par Scopus. A côté de la base bibliographique historique, Scopus propose un onglet dédié « Scopus AI » pour chercher en langage naturel, dont la fonctionnalité Copilot est capable de transformer la requête en langage documentaire avec mots-clés et booléens.
De la même façon que l’IA se déploie progressivement au plus près des usages bureautiques (lecteurs de PDF, navigateurs web, outils de visioconférence, etc.). Comme l’illustre aussi les multiples fonctionnalités autour des résumés de textes d’un Scholarcy, il est logique de voir les outils bibliographiques boostées à l’IA sortir de leurs sites internet dédiés pour gagner d’autres environnements de travail. Si les extensions de navigateurs (comme celles de SciSpace ou Scite) sont un incontournable de la recherche d’information, on voit progressivement se développer des extensions permettant d’appréhender rapidement le contenu d’un document (Google scholar PDF Reader et son nouveau Plan IA) intégrables dans des traitements de textes (comme Keenious pour Microsoft Word et Google docs), voire un véritable écosystème de traitement de texte IA (comme l’AI Writer de SciSpace ou Jenni AI writer), fournissant des références bibliographiques et des synthèses en fonction du contenu déjà rédigé. Autre type d’intégration, celle des GPTs, ces plugins disponibles dans ChatGPT, accessibles désormais gratuitement avec le déploiement durant l’été de GPT-4 pour tous (ex. : Consensus GPT, Dimensions Research GPT, ScholarAI). Dans l’optique de développer la productivité des chercheurs, ces outils permettent de déléguer à l’outil IA le flux de travail de recherche de littérature, depuis l’identification jusqu’à l’analyse et la synthèse. Ce qu’on exprime clairement chez Clarivate, maison du Web of science : “Intelligent discovery to reclaim research time”.
Les chiffres d’usage annoncés par les outsiders sont encourageants : 2 millions de chercheurs pour Elicit, 1 million pour SciSpace, 2 millions pour Consensus… Derrière l’effet de mode autour de l’IA, ces outils semblent répondre à une attente forte de la part des chercheurs, celle de pouvoir faire sa revue de littérature rapidement (ex. : sondage SciSpace et sondage Research Solutions). Néanmoins derrière les chiffres, on constate que les retours d’expérience élogieux sont le plus souvent le fait de jeunes chercheurs : ce sont eux les publics cibles de ces services. Comme l’exprimait bien Elsevier en début d’année : Scopus AI a pour but de “help early-career academics and researchers working across different disciplines to navigate and understand academic content. It assists users in comprehending unfamiliar academic fields” (Elsevier, 01/2024) : « L’idée est de fournir un guide fiable » parmi les données de Scopus (Elsevier, 02/2024). L’utilisation de la recherche sémantique permet en effet de chercher des concepts similaires, quand on ne connaît pas les mots-clés précis, qu’on découvre un sujet ou que la terminologie d’un domaine n’est pas encore bien figée, tandis que l’utilisation du langage naturel permet de faire l’économie des équations booléennes (Aaron Tay). Si ces outils peuvent se révéler suffisants pour « aider les chercheurs à cheval sur plusieurs disciplines essayant de se familiariser avec un sujet donné rapidement » (M. Khan, Elsevier), les retours des chercheurs connaissant bien leurs sujets sont eux plus mitigés. Comme on le précise chez Elicit : « Les résultats d’Elicit doivent être pris comme un point de départ pour vos revues [de littérature] et évaluation ultérieures ». Il est d’ailleurs intéressant de constater que suite aux retours de communautés académiques sur Scopus AI, les fonctionnalités de Scopus AI n’ont pas été fusionnées avec la recherche « Documents » mais font l’objet d’un onglet spécifique, permettant de distinguer des profils d’usagers différents. Pour Elsevier, il s’agit d’offrir une porte d’entrée aux contenus Scopus, plus intuitive à des usagers n’ayant pas encore toutes les compétences nécessaires à la recherche documentaire traditionnelle. Du côté du Web of science Research assistant, lui aussi distingué de l’outil historique, on a le choix entre « Ask a research question », « Understand a topic » et « Literature review ». En privilégiant la recherche en langage naturel et en fournissant des contenus synthétisés au lieu de simples références bibliographiques, l’objectif est de faciliter l’accès à la recherche scientifique pour tous (Consensus). On retrouve ici la division bien connue entre la recherche (search) et la découverte (discovery) – rappelons que la recherche active n’est qu’une manière de trouver des productions pertinentes (28,6 % par searching et 33,7 % par browsing).
De fait, les possibilités permises par ces outils sont très larges. Par la recherche en langage naturel et conversationnelle, ils élargissent les moyens d’évaluer des hypothèses sur des sujets de recherche, faire une rapide revue de littérature, trouver des références soutenant ou invalidant une thèse particulière, identifier des lacunes de la littérature. Par leur utilisation de la sémantique, ils facilitent la découverte de sujets approchants ou permettent d’identifier le contexte de citations. Par leur extraction d’informations, ils permettent de rechercher plus en profondeur dans les abstracts, les PDF ou encore de fournir des tableaux de résultats (« matrix »). En plus des fonctionnalités standard des bases de données bibliographiques (comme les tris et filtres, l’accès au PDF disponible, l’export des références, etc.), les fonctionnalités « boostées à l’IA » les plus fréquemment présentes sur ces outils sont les suivantes :
Hormis les questions découlant spécifiquement de la recherche sémantique sur laquelle nous reviendrons juste après, trois questions sont centrales pour toute analyse d’un outil de recherche –les éléments soulevés ici pourraient être évoqués pour un certain nombre d’outils plus anciens, à commencer par Google scholar :
Bien sûr, les outils documentaires « historiques » n’étaient pas à l’abri de certaines limites, sur leur couverture ou leur manque de transparence, ce qui a amené au développement récent de nouveaux outils de recherche bibliographique. Mais l’intégration de fonctionnalités d’IA sémantique et générative dans les outils de recherche vient poser de nouvelles questions sur les données utilisées, la démarche de recherche et les résultats fournis.
La première interrogation porte sur les données véritablement utilisées par l’IA. Le fait même d’utiliser de la recherche sémantique contraint ces outils pour des raisons techniques et légales. Concernant les données interrogées, ces outils utilisent les métadonnées classiques comme les titres, auteurs, mots-clés, etc. Ces métadonnées sont par ailleurs complétées par les abstracts, nécessaires aux algorithmes IA pour établir au mieux le contexte des publications. Or, si ces abstracts sont rendus de plus en plus accessibles grâce au mouvement des open abstracts ces dernières années, nombre de publications anciennes ou des publications d’éditeurs phares récentes ne proposent pas de résumé librement accessible et sont donc potentiellement exclues de cette recherche sémantique, quand bien même ces publications seraient pertinentes. Ainsi, lors de tests, Semantic scholar, base de références de plusieurs de ces outils, ne propose pas d’abstracts pour 25 à 40 % des articles, ne laissant que le titre pour identifier le contenu. On notera par exemple que les données utilisées par Scopus AI ne commencent qu’en 2003 ou qu’Elicit exclut volontairement les livres car il a été conçu pour les papers. D’une manière générale, ces outils ont tendance à privilégier les articles. Par ailleurs, quelle confiance donner à une recherche sémantique basée principalement sur des résumés quand on sait que ces résumés ne reflètent pas toujours le contenu exact des textes intégraux et que chaque discipline a ses propres pratiques de résumé ? Cela fait d’ailleurs un certain temps que des chercheurs appellent à une indexation des textes tout autant que des résumés. Or, des questions à la fois légales, techniques et économiques limitent une indexation large des textes intégraux. D’une part, pour des questions de droit d’auteur et de licences, malgré les progrès de l’open access du côté des éditeurs, nombre de textes intégraux sont encore accessibles sous conditions uniquement. D’autre part, l’indexation sémantique des textes intégraux coûte plus cher que les seuls résumés, posant des questions de rentabilité des services. Quant au résumé de textes longs, il est encore soumis aux capacités de mémorisation (context window) des IA de type ChatGPT, dont les limites actuelles favorisent les approximations et les hallucinations. Pour ces raisons de coût et d’efficience, ces outils ont alors tendance à limiter le nombre de références réellement utilisées pour les résultats résumés (summary, answer). Ainsi, même si davantage de résultats sont souvent considérés (par exemple, 25 par défaut sur Scite Assistant, avec possibilité de monter à 100), la synthèse proprement dite ne se contente que de quelques top papers : 4 (8 en version payante) sur Elicit, 5 (10 en version payante) sur SciSpace. Comme le résume Consensus : « Ce résumé n’est qu’un aperçu de certaines des recherches pertinentes auxquelles nous avons accès, et non une analyse exhaustive de toutes les recherches concernant votre question ». Si bien que l’on interroge sur des contenus bien souvent hétérogènes : ainsi Elicit indique bien extraire les données « du plein texte s’il est disponible, sinon, de l’abstract ».
La seconde interrogation porte sur la manière d’interagir avec l’outil. Le développement de ChatGPT a fait émerger la notion de « prompt », d’invite conversationnelle. Pour favoriser le contenu le plus adapté, l’utilisateur du tchatbot doit fournir suffisamment d’informations à l’IA générative pour qu’elle « comprenne » le contexte et l’intention de la demande (méthode ACTIF, méthode ETAPE/APRES), ce qui est déjà assez proche d’une logique documentaire. Est-ce que cela change nécessairement quelque chose aux outils de recherche bibliographique permettant l’interrogation en langage naturel ? A vrai dire, pour la revue de littérature, pas tant que ça. Comme le dit Consensus : « Rappelez-vous toujours que Consensus est un moteur de recherche – pas un tchatbot. […] Consensus sera le plus efficace quand il y aura une question de recherche ou un sujet de recherche au « cœur » de votre demande ». L’utilisation de RAG permet de limiter l’indication de contexte en centrant cette recherche sur de la littérature académique. On peut donc poser sa requête directement sous forme de questions (exemples fournis par Consensus ici et là) : simples questions oui/non (ex. : “Does the death penalty reduce crime?”), questions ouvertes (ex. : “benefits of mindfulness meditation”, “How do you increase local voter turnout? ”), relations entre des concepts (ex. : “What is the impact of climate change on GDP?” ; “Review the literature about the relationship between socioeconomic status and healthcare outcomes in America”)… Comme l’outil est capable de comprendre le langage naturel, « il n’y a pas une seule façon « correcte » de structurer une recherche Consensus » (Consensus). Il conviendra de bien distinguer alors le RAG proprement dit, pour la recherche bibliographique augmentée, et les fonctions d’assistance pour mener à bien des tâches. Il convient d’être très prudent sur la formulation de sa requête sous forme d’un prompt du même type que les tchatbots. Ce sont surtout les fonctionnalités de tchat, souvent signalées sur le nom Assistant ou Copilot, qui peuvent permettre une interrogation plus proche du prompt, plus conversationnelle, sous forme d’instructions (ex. : “Discuss the various supplements that reduce nausea, do it in very simple language” ; Conduct an umbrella review around pandemic early warning systems”). Il convient donc aussi de bien regarder les exemples fournis sur chacun des services utilisés : une requête peut bien fonctionner sur un outil et pas sur un autre.
La troisième interrogation porte sur les résultats fournis. C’est peut-être dans ce domaine-là que l’on constate le plus de différences avec les outils historiques. Premier problème : la sélection et le mode de classement des résultats. De fait, le premier critère de classement des résultats est la similarité sémantique par rapport à la requête, et non la date ou le nombre de citations (voir ici pour l’exemple d’Elicit), donnant ainsi plus de poids à des contenus plus récents et moins connus. Et si le fonctionnement des bases de données bibliographiques les apparente souvent à des boîtes noires, prenant en compte ou pas métadonnées, abstracts ou citations, le recours à des fonctionnalités sémantiques rajoute une nouvelle couche de mystère au fonctionnement de l’outil et donc des problèmes pour l’évaluer correctement : « Le plus gros désavantage du point de vue du bibliothécaire de la recherche de type sémantique […] est que vous abandonnez l’interprétabilité et la prédictibilité » (Aaron Tay). Du temps de la recherche par mots-clés, quand on n’obtenait pas de réponse ou peu de résultats pertinents, le réflexe était alors, en l’absence de résultats pertinents, de changer les mots-clés, voire l’outil. A l’heure sémantique, sauf contre-indication explicite donnée à l’outil comme dans Consensus, des réponses peuvent être fournies même en cas de similarité sémantique très faible. Or, peu d’outils proposent des scores de pertinence qui permettraient de situer la proximité des résultats obtenus par rapport à la question – actuellement, par exemple Scopus AI, suite aux retours utilisateurs. Le risque est alors de ne se contenter que de ce premier résultat, tout imparfait qu’il soit, sans faire de nouvelle recherche. Par ailleurs, dans le cas des réponses résumées, le nombre de références est limité et seules quelques réponses sont présentées. Il est souvent impossible d’obtenir les résultats moins pertinents sauf à refaire une autre recherche. Et dans le cas où beaucoup de références seraient sémantiquement similaires, sur quels critères s’appuie l’outil ? Ne risque-t-on pas un effet bien connu dans les bases de données comme Google, l’effet Mathieu ou le principe du « rich get richer », selon lequel on trouve avant tout le plus évident, déjà bien cité, au détriment des publications plus rares ? Enfin, les outils sémantiques ne favorisent pas l’analyse de leur démarche. Du temps de la recherche par mots-clés, les données traitées pour la recherche étaient évidentes : c’étaient les mots-clés saisis. Avec la recherche sémantique, on ignore bien souvent comment la question a été traitée (sémantique ?, mots-clés et recherche booléenne ? combinaison des deux ?). Rares sont encore les outils qui, comme Scopus AI, affichent une partie au moins de leur méthodologie. Son outil Copilot en effet indique ainsi les différentes étapes de la recherche, la recherche en langue naturelle, mais aussi la recherche par mots-clés effectuées. En revanche, l’outil le fait de manière autonome : c’est lui qui « regarde le contenu de votre requête et décide de lancer une recherche vectorielle [sémantique] et/ou une recherche par mots-clés ». De son côté Scite Assistant, indique aussi la search strategy suivie (requêtes et sources utilisées). Il est néanmoins difficile d’identifier et expliquer comment a fonctionné la recherche sémantique : qu’est-ce qui a été pris en compte, qu’est-ce qui a été laissé de côté, les termes cherchés sont-ils exhaustifs pour le sujet ? On sait aussi que de plus en plus d’outils utilisent même les LLM pour générer la requête booléenne (CoreGPT, Scite assistant), alors même que les LLM ne sont pas encore totalement satisfaisants en ce domaine. Beaucoup plus que dans le cas de la recherche par mots-clés, il est somme toute difficile d’évaluer et de contrôler correctement les résultats obtenus. Sans compter que ces outils, dans la droite ligne de ChatGPT et des LLM, fournissent des réponses aléatoires, interrogeant la reproductibilité d’une requête au sein d’un même outil. Elicit reconnaît ainsi une « imprévisibilité inhérente » dans leurs réponses et invite à considérer l’outil comme un assistant humain, donnant des réponses différentes selon le moment… Au temps cependant pour la promesse de gain de temps, si l’on doit passer davantage de temps pour analyser les résultats, par exemple dans le cadre de projets d’équipe.
Au final, ces outils apportent-ils une réelle plus-value dans la démarche de recherche de littérature ? Tout dépend sans doute du contexte même de cette recherche de littérature et du profil de l’utilisateur. Si ces outils peuvent apporter des pistes pour explorer un nouveau sujet, ils ne sont pas suffisants pour une recherche rigoureuse. Certes, ils permettent de gagner du temps mais ils ne permettent pas de faire le tour d’un sujet d’une manière exhaustive, par exemple pour une revue de littérature complète et systématique, depuis la recherche de littérature, jusqu’à l’extraction et la synthèse des données (voir par exemple ici). Un certain nombre de chercheurs, comme ici et là, estiment à l’heure actuelle que ces outils ne peuvent se suffire à eux-mêmes : ce sont avant tout des outils de recommandation ou de suggestions complémentaires, dont l’utilisation doit être bien située dans l’offre d’outils existants. La plupart de ces chercheurs notamment signalent le caractère encore bien souvent incontournable de Google scholar, ainsi que de Scopus ou du Web of science. Même avis du côté des spécialistes de la recherche d’information, comme ici, là ou là, pour qui la recherche sémantique (semantic search, vector search, embedding-based search) vient plutôt compléter les méthodes de recherche conventionnelles, dominées jusque-là par deux axes : d’une part, la recherche lexicale par mots-clés (keywords search) et booléens (boolean search) et d’autre part la recherche de co-citations (citations chaining, snowball search). La recherche traditionnelle par mots-clés et interfaces classiques serait encore plus fiable, a fortiori pour les sujets rares ou émergents, ou les questions complexes ne pouvant se résumer en une simple hypothèse de recherche. Néanmoins, si la recherche sémantique ne peut se substituer à une recherche rigoureuse, méthodique et reproductible, elle peut permettre de trouver des références complémentaires pertinentes pour un sujet, non présentes dans les outils classiques, probablement aussi en raison de couvertures différentes des outils. « L’habilité de l’IA à analyser de grands jeux de données et à discerner des schémas ou des relations qui ne seraient pas facilement visible par les chercheurs pourrait révolutionner la méthodologie des revues de littérature, en particulier dans les disciplines marquées par une croissance rapide du savoir et une recherche interdisciplinaire » (Przemysław Tomczyk et al.). On pourrait alors identifier deux profils de recherche : un profil « débutant » qui commencerait sa recherche par des outils IA, plus intuitifs, avant d’aller vers des méthodes plus poussées et un profil « avancé » qui sait déjà utiliser les outils classiques et qui utiliserait les outils IA en complément. C’est en tout cas ce qu’illustre la coexistence de plusieurs interfaces parfois au sein d’un même outil de recherche (onglets Scopus AI dans Scopus, Research assistant dans Web of science, Assistant dans Scite). Du côté des producteurs de ces bases historiques, il n’est pas question de supprimer les interfaces de recherche structurée classique, pour permettre aux experts de rechercher au mieux. Et du côté des nouveaux entrants, on peut aussi proposer des éléments de requête avancée traditionnels – Elicit les appelle même des « fonctionnalités cachées », identifiables uniquement en passant par l’aide. La difficulté pour l’utilisateur sera de savoir quelles sont les fonctionnalités et les différences de ces deux modes de recherche (recherche par mots-clés, recherche sémantique). Sans même parler de la possibilité d’identifier clairement si l’outil a fait une recherche de mots-clés, sémantique ou les deux. Les lignes bougent et, on l’a vu, un outil comme le Copilot de Scopus AI peut faire une recherche hybride mélangeant les deux, en fonction du contexte. De même, du côté du Web of science, l’outil combine à la fois combine similarité sémantique sémantique et recherche par mots-clés, avant de passer le tout à un score de similarité. L’une des difficultés à venir dans l’utilisation des outils de recherche bibliographique sera de pouvoir associer précision, complétude et explicabilité et d’avoir toujours la possibilité de rechercher uniquement sur les mots-clés, sans sémantique.
La communication des outils de recherche boostés à l’IA est généralement bien rôdée et promet gain de temps et efficacité. De même, d’après un sondage auprès de ses utilisateurs, Elicit permettrait d’économiser en moyenne 1,4 h par semaine et jusqu’à 5 h par semaine pour 10 % d’entre eux. Dans le cadre de revues systématiques, l’outil serait plus efficace que des assistants humains à la fois pour identifier les références et pour extraire les données. Par ailleurs, dans des projets pilotes, il a permis des gains de coûts mais aussi de temps de l’ordre de 50 % en automatisant l’extraction de données. Si bien qu’on affirme : « Elicit coûte 50-80 % moins cher que des assistants de recherche humains ». Dans le même temps, une étude portant sur l’indexation MeSH automatique de contenus dans PubMed et Medline révèle un taux de 47 % de problèmes par rapport à un indexation humaine, soit par la présentation de mauvais résultats, soit par l’absence de résultats pertinents ; et du côté de Clarivate, on ne manque pas de signaler la supériorité du travail d’experts face aux LLM pour résumer des brevets, à la fois pour leur exactitude et leur cohérence. Dès lors, on comprend mieux que des voix invitent à utiliser avec prudence ces outils au risque de nuire à la science elle-même, à la fois pour des questions de méthodes et de construction des savoirs scientifiques. A l’instar d’autres outils d’information, ces bases de données avec IA peuvent favoriser une plus grande personnalisation de l’accès à l’information mais aussi une homogénéisation du contenu (Noora Hirvonen et al.). Si une partie d’entre eux s’appliquent au développement de l’intelligence artificielle dans la recherche en général, certains sujets d’inquiétude peuvent concerner directement les outils documentaires :
Là encore, la communication des outils est bien huilée : « Nous nous efforçons de permettre aux scientifiques d’arrêter de chercher [de la littérature] et de retourner faire de la vraie science » (Consensus). Or, les outils bibliographiques avec IA générative illustrent bien à leur manière le « paradoxe de la numérisation » du travail scientifique (Barbara Ribeiro et al.) car ils nécessitent toujours un important « travail du savoir banal » (« mundane knowledge work ») d’analyse et de vérification. « Not for the lazy » (« Pas pour les paresseux ») : c’est d’ailleurs bien l’un des principaux messages passés par Elsevier lui-même lors de la sortie de Scopus AI. Comme tout outil de recherche bibliographique, ils doivent s’utiliser avec un vrai regard critique, tant sur l’outil lui-même que sur les résultats fournis et ses propres connaissances disciplinaires, afin de développer de vraies idées originales. De fait, chacun de ces outils a ses particularités (diversité de couverture, longueur des résumés, facilité de vérification, reproductibilité, biais). Par ailleurs, les erreurs existent toujours. Si certaines sont liées aux métadonnées utilisées, nombre d’entre elles sont issues des LLM eux-mêmes. Tant Elicit que Consensus estiment que 90 % de l’information fournie est correcte, ce qui laisse quand même 10 % de marge d’erreurs, et ils invitent les utilisateurs à toujours faire preuve d’esprit critique, en travaillant bien les questions, en vérifiant les résultats fournis et en diversifiant les sources. Cependant la situation est plus délicate qu’avec les hallucinations d’un ChatGPT : « La « menace » IA pour la revue de littérature n’est pas qu’il peut citer des papiers fictifs mais parce qu’il (les systèmes de type RAG) citera de vrais papiers de manière inappropriée (mais pas des papiers inventés). Le premier est facile à détecter. Le second est presque impossible, surtout quand l’erreur est subtile » (Aaron Tay, 09/2024).
Par ailleurs, la recherche d’information en soi est un processus participant de la réflexion scientifique, de la construction de compétences informationnelles et plus généralement situant les chercheurs comme des producteurs et non pas seulement des consommateurs de savoir. Que perd-on, d’un point de vue épistémique et informationnel, en s’appuyant majoritairement sur l’IA générative dans les outils bibliographiques ? La recherche extensive n’est pas seulement instrumentale –identifier des sources –, mais a une valeur intrinsèque – construire un cadre conceptuel et théorique. La manière de poser une question n’est pas un problème seulement sémantique ; pour poser les bonnes questions, les chercheurs ne doivent-ils pas avoir un minimum de bases sur le sujet et les méthodes de la discipline ? Or, nombre de limites des LLM découlent directement de leur manque de connaissances disciplinaires et méthodologiques. D’une manière générale, en l’état actuel des choses, ces outils passent à côté des éléments clés d’une revue de littérature : « La connaissance du domaine, l’esprit critique et la capacité à faire des liens entre des études ». L’automatisation de ce travail pourrait diminuer la valeur du travail scientifique, accélérant le processus, au détriment de la profondeur de la réflexion.
Par ailleurs, comment utiliser ces outils de manière responsable à l’aune des valeurs académiques actuelles ? De nombreux acteurs scientifiques se sont en effet prononcés ces deux dernières années sur l’utilisation responsable des IA génératives dans le processus d’écriture – le Code de conduite européen pour l’intégrité dans la recherche a d’ailleurs intégré ce volet dans sa version revue en 2023. Comme le formule fort bien la Charte sur l’utilisation de l’intelligence artificielle au sein de l’université d’Orléans, « il ne s’agit pas là d’une prise de position morale mais bien d’un positionnement pratique et pragmatique dicté par les principes de l’intégrité scientifique ». On pensera aussi aux recommandations au niveau européen, Living guidelines on the responsible use of generative AI in research de la Commission européenne ou au niveau d’établissements, du CIRAD et de l’INRAE. Concernant l’utilisation de ces outils pour trouver des références bibliographiques, cela ne semble pas poser de problème à l’instar des bases de données bibliographiques antérieures ; en revanche, une utilisation plus extensive dans le processus serait à déclarer. Les Guidelines de la Commission européenne indiquent ainsi que « les chercheurs, pour être transparents, détaillent les outils d’IA générative ont été utilisés substantiellement dans leur processus de recherche » et « Par exemple, l’utilisation d’IA générative comme outil de base d’aide à l’auteur n’est pas un usage substantiel. Cependant […], mener à bien une revue de littérature […] peut avoir un impact substantiel ». La question se pose aussi pour la production de synthèses avec ces outils. Certaines sociétés de droits d’auteur et éditeurs demandent ainsi que les IA ne soient pas utilisées par le monde académique pour résumer les productions de tiers, de crainte notamment de récupération des données pour les fournisseurs de service. La question se pose aussi de la réutilisation des parties de synthèse fournies par l’outil, au niveau de l’article ou de plusieurs articles, par exemple dans un état de l’art. Trois éléments sont à prendre à compte : les conditions générales d’utilisation des services ; la propriété intellectuelle ; l’utilisation responsable de ces outils. Du point de vue de l’outil, la situation est plus nuancée que les tchatbots comme ChatGPT qui autorisent souvent la réutilisation des contenus produits (terms de ChatGPT). Pour les outils bibliographiques, leurs conditions générales d’utilisation peuvent attribuer une licence sur le contenu, mais généralement limitée : le contenu de Consensus est ainsi réservé à un usage personnel non-commercial et ne doit être publié ; la position est assez similaire chez SciSpace. Du point de vue de la propriété intellectuelle, il ne s’agit pas de plagiat puisque ce sont des contenus produits par une machine et non des œuvres de l’esprit. En revanche, du point de vue de l’éthique, s’attribuer des contenus qui ne sont pas les siens relève d’une méconduite scientifique. D’ailleurs, pour Elicit, les résumés fournis « ne sont pas prévus pour être utilisés comme votre propre texte ».
En l’état actuel, même si les positions sont variables chez les éditeurs notamment, les consignes données vis-à-vis des IA génératives de type ChatGPT devraient s’appliquer à ces contenus produits par les IA génératives des RAG. On trouve au cœur deux notions fondamentales : la transparence et la responsabilité des usages :
On connaît la valeur des data pour l’IA. A l’heure de l’IA, plus que jamais, « content is king ». Dans le cas des RAG, l’IA générative n’est qu’une couche associée à des index bibliographiques. Il est donc crucial pour les fournisseurs de ces services de disposer au préalable de suffisamment de contenus pertinents pour la partie « recherche » (le R de RAG). Les grands index bibliographiques ouverts, en développement depuis 10 ans, viennent apporter une solution. C’est notamment le cas de Semantic scholar, dont les données soutiennent de nombreuses applications et se retrouvent dans Elicit et Consensus. Néanmoins, toutes les références ne sont pas exploitables par les LLM (métadonnées insuffisantes, absence d’abstracts ou de texte intégral) : cela explique pourquoi Elicit annonce seulement une base de données de 125 millions de références sur les 220 millions de Semantic scholar. Par ailleurs, les limites de Semantic scholar sont connues : couverture privilégiant les sciences dures, anglophones, sous forme d’articles… Il est possible cependant qu’à l’avenir d’autres bases bibliographiques ouvertes soient également prises en charge. Keenious utilise ainsi OpenAlex, d’une couverture plus large et plus diversifiée que Semantic scholar, même si, là encore, la base de données est moindre que l’index d’origine (111 millions contre 250 millions) : articles et preprints, avec suffisamment de métadonnées (DOI). Afin d’accroître les données disponibles et améliorer la couverture de l’outil, certains acteurs complètent ces index ouverts par des partenariats avec les éditeurs. Scite, par exemple, à des agréments d’indexation avec des éditeurs – Google Scholar ne fait pas autrement pour son index. Or, bien souvent, ces tiers restent dépositaires du copyright sur les abstracts et les textes intégraux, empêchant toute utilisation par les LLM sans accord préalable. Ainsi, Scopus AI – et sans doute d’autres – ne dispose pas de licence pour accéder au texte intégral et doit se contenter des abstracts obtenus dans le cadre du service Scopus.
Pour favoriser le développement des LLM sur les contenus scientifiques, il existe deux voies : la première concerne l’ouverture des informations de recherche scientifiques ; la seconde concerne le développement de partenariats avec les éditeurs. Concernant l’ouverture des données, on connaît l’essor évident de l’open access et de la science ouverte ces quinze dernières années. Dans la lignée de l’appel aux éditeurs à rendre accessibles les citations (Initiative for Open Citations IAOC), de plus en plus d’acteurs appellent désormais les éditeurs à rendre accessibles également les résumés (Initiative for Open Abstracts – IAO4 et Déclaration de Barcelone sur l’information de recherche ouverte). Après les initiatives individuelles et les négociations avec les éditeurs, le développement de l’IA générative serait le troisième âge de l’accès ouvert. Mais si le mouvement est bien implanté désormais pour les citations, nombre d’éditeurs, à commencer par Elsevier, Taylor et Francis ou encore IEEE, sont encore réticents à ouvrir les résumés. Cette timidité à l’égard de l’ouverture a des fondements stratégiques et économiques : l’IA n’est qu’un moyen supplémentaire de monétiser les contenus éditoriaux et leur expertise disciplinaire à une époque où les fournisseurs de ces contenus deviennent de plus en plus des fournisseurs de services complets et où l’intermédiation de l’IA entre les productions scientifiques et les éditeurs risque de faire baisser le lectorat monétisable direct. Les fournisseurs de données de qualité comme les grandes maisons d’édition seraient parmi les « gagnants inattendus » (Alex Zhavoronkov) de la révolution générative. De la même façon que les IA génératives généralistes tendent à renforcer le poids des GAFAM, l’implémentation généralisée de fonctionnalités IA dans les outils de recherche académique pourrait finalement renforcer ou maintenir le poids des principaux acteurs du domaine, possesseurs de contenus éditoriaux de niche essentiels aux futurs développements qualitatifs des LLM.
Les données scientifiques de qualité sont importantes non seulement pour les contenus interrogés mais aussi pour l’entraînement des LLM, a fortiori pour des LLM ayant à interagir avec des contenus scientifiques (le G de RAG). Problème : non seulement les données d’entraînement de modèles généralistes comme GPT couvrent mal les contenus scientifiques, mais on semble arriver au bout du web interrogeable, faisant craindre un « effondrement du modèle » (« model collapse », Illia Shumailov et al.). Il est devenu crucial pour les IA génératives de couvrir désormais les contenus de niche, souvent de haute qualité, à commencer par les médias et les publications scientifiques. C’est ce qui explique les partenariats noués entre OpenAI et des journaux comme Le Monde ou le Financial Times. Après une période de refus, nombre de fournisseurs de contenus font le pari de partenariats avec les fournisseurs d’IA, selon une logique gagnant-gagnant : fiabilisation des réponses de l’IA d’un côté et ressources financières complémentaires de l’autre. Si le mouvement était déjà bien engagé du côté des médias, l’annonce durant l’été 2014 de plusieurs éditeurs scientifiques d’ouvrir leurs données à l’IA a fait l’effet d’une bombe pour la communauté académique. Taylor & Francis, Wiley et Oxford University press ont ainsi annoncé des rapprochements avec des sociétés d’IA, tandis que Cambridge Universty press propose désormais une option opt-in à ses auteurs. Comme dans le cas du Monde, il s’agit pour ces éditeurs de « protéger l’intégrité » des chercheurs, de « limiter la reproduction in extenso des textes » ou encore de « défendre le rôle vital des chercheurs » dans un monde d’IA. Mais il s’agit tout autant de diversifier le modèle économique : du côté de Taylor & Francis, on escompte ainsi 58 millions de livres sterling ; 44 millions de dollars chez Wiley. Dans l’immédiat, tous les détails ne sont pas encore connus, mais le mouvement semble lancé et l’on pourrait envisager deux modes d’utilisation de ces contenus : pour l’entraînement des LLM et leur fine-tuning (accès aux contenus derrière paywall) et pour le RAG à la volée (résumé des contenus permettant ainsi leur diffusion et leur réutilisation indépendamment du texte intégral). En outre, le RAG permet de mieux conserver les sources d’origine des données.
« A cause des intelligences artificielles, le Web se ferme de plus en plus » (Le Monde, 13/09/2024). Ce qui est vrai pour le web en général est également vrai pour le web scientifique et c’est tout le paradoxe de la période. A l’heure du développement d’index bibliographiques ouverts mondiaux, le développement parallèle des IA génératives dans les outils de recherche risque à terme de renforcer un web scientifique à deux vitesses, nouvelle illustration des jardins fermés (« walled gardens ») de Tim Berners-Lee et du souhait des éditeurs de se placer de plus en plus comme des fournisseurs de données : d’un côté un web ouvert et gratuit, interrogeable par les IA mais risquant d’être de plus en plus pollué par les dérives actuelles (paper mills et éditeurs prédateurs en tête), de l’autre, un web payant pour certains contenus et fermé à l’interrogation des IA – entraînant un raidissement des chercheurs et remettant en question des années d’ouverture de la science. Preuves en sont le retrait de certains abstracts d’Elsevier et Springer Nature dans OpenAlex, l’opt-out de certains fournisseurs de Primo research assistant ou encore les positions des éditeurs sur la réutilisation de leurs contenus dans le cadre d’IA institutionnelles. On peut s’interroger aussi sur le futur positionnement des éditeurs face aux fonctionnalités Deep research en cours de déploiement : accepteront-ils les crawlers de ces services ? Le développement des LLM et des IA génératives devient une nouvelle source de revenus pour les éditeurs, au prix d’inégalités entre les acteurs eux-mêmes.
Le modèle « freemium » gagne de plus en plus de plateformes web et de moteurs de recherche ; les moteurs académiques avec de l’IA générative ne font pas exception. Non seulement faut-il généralement disposer d’un compte, mais aussi d’un abonnement pour profiter de l’ensemble des fonctionnalités. C’est le cas pour Elicit, SciSpace ou encore Consensus, tandis que Scopus AI et le Web of science Research assistant nécessitent un abonnement supplémentaire par rapport aux bases historiques. Et même les initiatives ouvertes développent progressivement un business model : ainsi d’OpenAI passé d’une organisation à but non lucratif à une société valorisée à + 150 MM. $ ; ainsi d’Elicit, issue d’une organisation à but non lucratif à une société levant 9 M. $ ; ainsi de Consensus d’abord financé par l’Allen Institute for Artificial Intelligence, levant + 11 M. $ de capitaux risques ; ainsi enfin de SciSpace issu d’un hackathon. Le fait que le service donne son nom à l’entreprise est d’ailleurs révélateur, tout comme les rachats par des acteurs plus importants ; ainsi de Scite, récipiendaire de grants du National Science Foundation et du National Institute on Drug Abuse of the National Institutes of Health, acquis par Research Solutions fin 2023.
Outre les infrastructures nécessaires à tout service numérique, l’utilisation de l’IA générative accroît de fait les coûts de fonctionnement, balançant entre qualité et coût : chaque requête pourrait coûter ainsi plusieurs centimes, soit un coût marginal très élevé pour chaque utilisateur. Par ailleurs, le coût (et les émissions en CO₂) diffère selon l’action demandée : les fonctions de recherche de littérature et d’extraction de donnée consomment ainsi moins que les recherches plus poussées (listes des concepts, fonction Copilot). Dans ces conditions, le principe même d’un abonnement mensuel fixe peut vite toucher ces limites, et l’on voit certains acteurs privilégier un système de crédits de consultation, qui n’est pas sans rappeler le payement à l’acte des bases de données des années 1980 (exemple pour Elicit jusqu’en 07/2024 et pour ScholarAI). Il peut alors revenir à l’outil ou à l’utilisateur de définir dans quels cas utiliser des fonctionnalités plus poussées, mais plus coûteuses (ex. : high-accuracy model chez Elicit) ; l’outil peut aussi mettre en place un système qui limite la « lecture » des documents, en ne proposant les documents moins pertinents qu’à la demande (ex. : Undermind). Se pose aussi la question des modalités d’accès aux modèles LLM, souvent fournis par d’autres acteurs. Sur le modèle de Bing, dont le prix de l’API avait bondi en 2023, faut-il envisager un bond conséquent du prix de l’API d’OpenAI, sous-couche LLM traditionnelle de nombre d’outils, alors que l’abonnement à ChatGPT est amené à augmenter rapidement et que les derniers modèles sont souvent plus coûteux que leurs prédécesseurs ? On comprend alors mieux le souhait de gros acteurs, de développer leurs propres modèles LLM pour être autonomes : Scopus a ainsi en instance de brevet sa propre technologie RAG. Enfin, quid de coûts pour d’éventuels partenariats avec des éditeurs ? Dans ces conditions, malgré les progrès techniques, les coûts d’accès à ces outils risquent d’augmenter et l’on risque d’assister à la même situation que les moteurs de recherche au début des années 2000 ou des réseaux sociaux académiques à la fin des années 2000 : une fois la mode passée, quand les financeurs se lasseront, le paysage va se simplifier, en lien aussi avec la confiance que l’on peut accorder à ces acteurs. D’autant que les utilisateurs ne sont peut-être pas prêts à payer pour de tels outils. Consensus annonçait ainsi seulement 12 000 utilisateurs payants sur 400 000 utilisateurs mensuels. Dans ces conditions, on peut aussi envisager le développement de publicités sponsorisées : c’était déjà l’un des choix de ResearchGate ; on l’a vu pour Perplexity et la réflexion est en cours chez OpenAI.
Dernier point récurrent pour ce genre d’initiative : l’ouverture de services encore souvent mal testés. Rappelons, pour l’anecdote, que ChatGPT est sorti fin 2022 malgré tous les appels à la prudence émis précédemment sur les hallucinations des tchatbots. C’est aussi le cas avec ces outils bibliographiques, sortis « inconfortablement en bêta pour itérer rapidement avec les retours des utilisateurs » (Elicit), « avec beaucoup de points à améliorer » (Consensus). Mais c’est aussi le cas chez des acteurs historiques : JSTOR présente ainsi son assistant IA en version bêta. Du côté de Scopus et du Web of science, en revanche, une attention particulière a été donné à des tests usagers avant l’ouverture générale. Dans la mesure où la technologie des LLM est très jeune, ces sociétés manquent encore d’informations pour évaluer leurs propres plateformes. Face aux questions voire aux risques que ces IA peuvent représenter pour la recherche et l’expertise des chercheurs, les appels à des audits indépendants se multiplient « pour assurer le futur de l’accès au savoir » (Michael Gusenbauer).
La multiplication et la démocratisation des outils bibliographiques boostés à l’IA générative s’accompagnent d’une progressive homogénéisation des principales fonctionnalités proposées. Il est donc important de noter les différences et les pistes de développement entre les outils :
Les principales pistes d’évolution semblent cependant se tourner vers une intégration de ces outils au plus près du worflow du chercheur. Les fonctions « copilot » ouvrent la voie vers une véritable « ère de l’assistance ». Ce concept démocratisé par Google dès 2017 doit faire sortir des outils de recherche pour une vraie assistance personnalisée et individuelle. Deux modèles sont d’ores et déjà visibles :
Outils de découverte permettant de tester rapidement des hypothèses, de prioriser quoi lire et de faire un pas de côté transdisciplinaire ? Outils de lecture rapide permettant de gagner du temps pour favoriser le reste du processus académique ? Ou au contraire, illustration d’une recherche scientifique privilégiant la vitesse et la productivité au détriment de la qualité ? Sans doute, tout cela à la fois. Bien sûr, nombre de limites signalées ici préexistent au développement des LLM dans les outils bibliographiques : manque d’exhaustivité des outils, sélection de citations appropriées, déformation de citations, outils propriétaires dans un environnement académique… Ces interrogations sont au cœur de la recherche documentaire et de la méthode scientifique. Comme bien souvent, l’IA vient surtout mettre en valeur les interrogations sur la manière de faire de la recherche.
Au croisement des questions disciplinaires, informationnelles et épistémiques, nous ne sommes encore qu’au début de l’intégration de ces IA génératives dans les outils documentaires et nous manquons de recul sur les usages et les enjeux éthiques. Néanmoins, « les fondements de ces développements sont déjà en place, faisant des avancées significatives une question de « quand » et non de « si » » (Mark Glickman et Yi Zhang). Il convient dès lors de prendre en compte dès maintenant la mesure des changements en cours et de savoir accompagner étudiants, chercheurs, personnels d’appui à la recherche et décideurs. Et ce, alors même que les étudiants sont en attente d’accompagnement et de cadre institutionnel clair pour utiliser ces outils. Car derrière la facilité d’utilisation de ces outils, la vigilance reste de mise pour vraiment les comprendre et les utiliser. Bien sûr, le développement de ChatGPT ne semble souvent que réactiver des réflexions et des craintes antérieures. Le développement de Google au tournant des années 2000 et l’apparition de Wikipédia quelques années plus tard nous ont habitués à s’adapter dans un paysage documentaire en constante évolution et nous fournissent des éléments de réflexion pour la situation actuelle. Les pistes d’action perçues actuellement face à l’IA générative sont dans la continuité de 25 ans de réflexion autour des compétences informationnelles. Il n’en reste pas moins que les professionnels de l’information sont pris entre plusieurs mouvements et injonctions contradictoires, reflet aussi des préoccupations sociales et académiques actuelles – on notera notamment que la récente mise à jour du Référentiel des compétences informationnelles de l’ADBU mentionne spécifiquement de savoir « utiliser l’IA de façon éthique et responsable ».
En complément du décalogue du formateur en usages LLM de Christophe Deschamps, complété des remarques d’Emmanuel Barthe, on notera l’importance des points suivants pour la recherche documentaire académique :
Dès lors, comment intégrer l’IA aux formations ? Que faut-il adapter ? De fait, les formateurs ont parfois du mal à se positionner : ils ne sont pas toujours eux-mêmes utilisateurs de ces outils au quotidien, et il est difficile de faire face aux constantes évolutions et multiplication d’outils IA. En l’état actuel des choses, nous ne sommes qu’au début de l’analyse de ces outils ; il convient désormais d’approfondir notre connaissance aux questions disciplinaires, d’une part, et aux besoins et aux compétences des usagers, d’autre part, tout en respectant quelques principes méthodologiques clés afin de comparer ce qui est comparable. S’il revient aux professionnels de l’information de connaître et de savoir former aux grands principes et aux limites de ces outils, la meilleure adaptation serait « l’exploration collaborative (avec les étudiants) » (Sheila Webber), notamment par des travails de groupe, chacun apportant ses connaissances, ses interrogations et ses pratiques. Cela permet non seulement d’expérimenter, mais aussi de se situer au plus près des usages, de lutter contre les inégalités entre participants, et de mieux évaluer les offres commerciales des outils, voire les intégrer dans les outils mis à disposition. Il sera tout aussi intéressant de se rapprocher des experts disciplinaires, enseignants et chercheurs, pour évaluer au mieux les outils. Ce sera aussi l’occasion de suivre les développements, annoncés et prévisibles, de l’IA agentique. Mais ceci est une autre histoire…
Aucun chat(bot) n’a été martyrisé pendant la rédaction de ce billet. D’autres technologies IA ont en revanche été utilisées ou testées (moteurs de recherche [Google, Brave search, Perplexity], bases de données bibliographiques [Scite, SciSpace, Consensus, Elicit pour quelques références et bien sûr, toujours, Google scholar] pour la recherche documentaire ; DeepL Translator pour une aide ponctuelle pour les traductions). Ainsi que beaucoup d’intelligence (humaine) collective 😉.
Aussi merci à tous les collègues et participants à nos actions de formation et sensibilisation pour les échanges, leur veille et leurs questions. Et s’il ne fallait n’en citer qu’un : le travail de l’incontournable Aaron Tay.
Top 5 pour une sélection subjective :
L’URFIST de Paris met à disposition sur son site des ressources sur le sujet (supports commentés, bibliographies) :
Du 17 au 21 mars 2025, le Réseau des Urfist vous propose une série, intégralement à distance, de rencontres, ateliers, formations et webinaires pour outiller vos recherches. A travers ce programme, les 7 URFIST vous invitent à découvrir ou compléter vos connaissances sur OpenRefine, Stylo, les data papers, Obsidian, Heurist, OpenStreetMap, Mastodon, Osint ou encore Lodex.
***
Lundi 17 mars :
Mardi 18 mars :
Mercredi 19 mars :
Jeudi 20 mars :
Vendredi 21 mars :
***
Pour retrouver le programme détaillé et vous inscrire : https://urlr.me/Zbrukn
A bientôt, pendant la Semaine Numérique des Urfist ou dans les formations du semestre : https://sygefor.reseau-urfist.fr
Le Réseau des URFIST
A la suite des réflexions menées dans le Réseau et le Centre de ressources Urfist, les formations d’Introduction aux données de la recherche dispensées dans chaque Urfist permettent désormais d’obtenir un open badge.
L’Urfist Méditerranée avait participé en 2019-2022 au projet OBERRED (Open badge Ecosystem for Recognition of skills in research Data management and sharing), mobilisant différents partenaires européens dont l’Inist-CNRS. À l’échelle du Centre de ressources Urfist, la réflexion s’est poursuivie en 2023-2024 autour de l’articulation entre les objectifs des formations d’introduction aux données de la recherche, régulièrement programmées dans les Urfist, et les compétences qui composent le référentiel OBERRED. Elle a conduit à la création d’un open badge fondé sur les compétences correspondant à la première étape du cycle de vie des données (planification et conception).
Utilisés dans le monde de l’éducation, mais aussi de l’entreprise ou du social, les open badges contribuent à la reconnaissance des compétences et des apprentissages tout au long de la vie. Image numérique dans laquelle sont enregistrées différentes informations (récepteur, émetteur, critères, preuves justifiant d’attribution), elle permet notamment :
Sécurisé par des spécifications techniques internationales, un open badge est affichable sur des plateformes numériques dédiées, mais aussi sur un CV, un réseau social professionnel…
Pour faire connaître le dispositif dans le cadre de l’écosystème Recherche data gouv, un atelier avait été organisé sur le sujet lors du séminaire de décembre 2023 à Reims.
Les formations suivies dans les Urfist sur les données de la recherche donnent désormais la possibilité de répondre à une évaluation mise en place sur la plateforme de formation Callisto. Dans les jours qui suivent la séance, les stagiaires qui le souhaitent pourront faire un test constitué d’une quinzaine de questions portant sur les principaux éléments de la phase de planification et de conception des données :
Le badge est validé à partir de 75% de réussite au test (avec 2 tentatives possibles).
Vous souhaitez obtenir votre Open Badge Introduction aux données de la recherche ?
Pour en savoir plus, le Centre de ressources Urfist se tient à votre disposition (urfist-rdg@groupes-renater.fr).
Depuis plus d’un an, les URFIST accueillent des wikimédiens et wikimédiennes en résidence. Une de leurs missions est de former le monde de l’enseignement supérieur et de la recherche aux projets Wikimédia : Wikipédia le plus connu, mais aussi sa base de connaissances Wikidata, sa photothèque Commons et des projets moins connus comme Lingua Libre (langues), le Wiktionnaire (dictionnaire multilingue) et Wikisource (bibliothèque de textes libres).
Ces formations, disponibles sur Sygefor, se déroulent le temps de quelques heures en présentiel ou en visio. Pour les structures éloignées souhaitant monter en compétences collectivement, ou pour les personnes aux emplois du temps très contraints, un autre type de format trouve ici son intérêt : l’école thématique.
Une semaine pour mettre la science ouverte au cœur des projets wikimédia
Durant l’été 2024, 8 formations réparties sur cinq jours ont été réalisées à la Maison des Sciences de l’homme de Dijon. A partir du catalogue de formation de l’URFIST, la MSH a sélectionné les formats et les projets qui l’intéressaient et qui trouveraient leur public à l’université de Bourgogne : Wikipédia, Wikidata, OpenRefine, Commons, Wikisource auquel s’est joint un projet invité, OpenStreetMap. Si la plupart des ateliers ont été réalisés en présentiel, deux sessions ont été proposées en visio pour toucher un large public. Grâce à cette formule, l’école a comptabilisé une trentaine de participations.
Un programme diversifié mais complémentaire
Les formations alternaient théorie et pratique, en s’adaptant au contexte dijonnais : des publications issues de HAL ont été ajoutées comme sources à Wikipédia, mais aussi des documents sur les océans (thème de l’exposition en cours au Museum de Dijon) et sur les œuvres du musée des Beaux-Arts de Dijon.
Pour enrichir Commons, c’est le campus de Dijon qui a été choisi comme modèle et les cartographes d’OpenStreetMap ont pu compléter les alentours du lieu de formation (en espérant que cela donnera envie au site internet de l’université de Bourgogne de changer de fond de carte pour passer à OSM, comme l’avait déjà fait la MSH).
La MSH de Dijon accueille un pôle éditorial, ce qui a permis de faire découvrir la bibliothèque Wikisource à travers la retranscription d’un ouvrage rare de Marceline Desbordes-Valmore, autrice au concours de l’agrégation 2024.
Enfin, la proximité avec les jeux olympiques a offert un très bon exercice pratique sur Wikidata. L’ensemble des sportifs paralympiques français participant aux Jeux Olympiques de Paris 2024 ont été intégrés à la base de connaissance. Certaines ont d’ailleurs depuis remporté une médaille et ont à présent leur page sur Wikipédia.
By Chris93 – Own work, CC BY 4.0,Djelika Diallo
Bilan de l’école et perspectives
Les différents projets Wikimédia sont interconnectés : les faire découvrir sur un temps court permet de mieux faire comprendre aux stagiaires les liens qui existent entre eux. Les ateliers condensés ont permis de poursuivre et d’approfondir certains points qu’une formation de deux heures ne permet pas de couvrir. Les échanges ont été facilités par les intérêts des différentes personnes et ont ouvert des perspectives de recherche à la MSH.
Ce panorama a également permis aux différentes personnes de faire leur choix parmi les projets, certaines préférant un projet pour des qualités qui sont pour d’autres limitantes. Chaque profil a ainsi pu poursuivre son exploration de Wikimédia en ayant trouvé le projet qui lui convenait le mieux.
Au total, l’école a permis d’enrichir 230 articles et d’y ajouter plus de 700 000 octets. Son format est déjà prévu pour être décliné en école d’hiver à Bordeaux (inscriptions ici).
Remerciements
Cette école a bénéficié de l’appui de l’équipe de numérisation de la bibliothèque de l’ENS de Lyon et de Philippe Gambette (Université Gustave-Eiffel) sur le projet Wikisource.
Chaque année, le Réseau des URFIST est accueilli dans une des unités pour son séminaire d’été. Du 4 au 6 juin, l’équipe niçoise s’est prêtée à l’exercice.
A cette occasion, les URFIST en ont profité pour faire un point sur les jeux sérieux et modalités de ludification utilisés en formation. Cette session a donné lieu à plusieurs ateliers.
Claire Tignolet, URFIST de Paris, a fait un retour sur la liste où elle recense les jeux sérieux existants sur l’IST et la Science Ouverte. Un nouvel onglet sur les fresques est venu enrichir ce travail. Cette production accompagne la session de formation de formateurs sur la thématique “Promouvoir l’IST par le jeu” qu’elle anime à Paris depuis 2023.
D’autres URFIST proposent également des actions sur cette thématique dans leurs programmes, par exemple avec l’accueil de formations de Marie Latour de l’Université de Guyane à Paris, Lyon et Strasbourg en 2023. Les jeux sont mis à disposition sur Zenodo au fur et à mesure de leurs parutions et actualisations.
L’URFIST de Bordeaux, dans le cadre du projet ECODOC, propose des ateliers de conception de jeux à partir de données scientifiques, dans l’objectif de créer des outils ludiques de vérification des connaissances. La méthode est expliquée sur le site du projet : https://ecodoc.u-bordeaux.fr/actualites/de-la-science-aux-jeux
Le groupe 1 a organisé ses réflexions en deux axes : d’une part, l’identification des arguments qui motivent à “jouer” en formation face aux arguments qui restent un frein à la ludification ; d’autre part, une réflexion autour de l’ingénierie pédagogique lorsqu’on souhaite transformer sa formation “classique” en formation “ludique”.
Arguments en faveur de la ludification | Freins à la ludification |
Casser le côté descendant ; favoriser les interactivités même en grands groupes ; favoriser la mémorisation, les mises en situation collectives, les résolutions de problèmes, les échanges ; travailler l’affect en formation ; activer ou réactiver des connaissances |
Gestion du bruit et difficultés d’inclusion de certains publics ; mise en difficulté de publics timides et de formateurs qui n’aiment pas “jouer” (changement de posture, sortir de la zone de confort) ; disparition de la structure du cours ; moyen de détourner l’objectif d’apprentissage initial ; reproduction des logiques de ludification venues des entreprises privées ; avoir le sentiment d’infantiliser son public ; nécessité de passer du temps à comprendre le jeu ; difficulté de gestion du temps et de la dynamique de groupe ; apprenants parfois mis en “compétition” |
La seconde réflexion a permis au groupe 1 d’évoquer les questions suivantes :
Restitution des réflexions du groupe 1 sur la ludification des formations
Cette session a été l’occasion de tester la fresque créée par Datactivist’ en 2023 sur la thématique des données ouvertes. Deux équipes ont réalisé chacune une fresque, donnant lieu à des échanges sur l’expérience et l’intérêt de ce type d’animation pédagogique en formation.
En fin de jeu, les participants ont fait part de leurs retours sur l’expérience en elle-même :
et l’intérêt qu’ils y trouveraient en tant que formateur/trice :
Un troisième groupe a commencé à concevoir un jeu sérieux qui permettrait de vérifier l’acquisition de connaissances et de compétences relatives à la question de l’intelligence artificielle au service de la recherche. Cette ébauche doit donner lieu à de nouvelles discussions, à une poursuite vers un prototype, à tester au prochain séminaire des URFIST à Paris en janvier 2025. A suivre !