Cette page présente les principaux éléments à considérer avant d’intégrer l’intelligence artificielle (IA) dans un projet de synthèse de la connaissance, ainsi qu’une sélection d’outils spécialisés qui pourraient vous être utiles à certaines étapes.
Note: Ce contenu a été produit en avril 2025. Étant donné l’évolution très rapide des outils d’IA, certaines informations sur le sujet pourraient ne plus être à jour au moment de votre consultation. Une actualisation du contenu de cette page est prévue sur une base périodique.
Bien que l'IA présente un potentiel significatif pour accélérer et automatiser la réalisation de synthèses de la connaissance, son utilisation soulève certains enjeux importants à prendre en compte.
Traitement rapide de grandes quantités de données: L'IA permet d'analyser rapidement de vastes ensembles de données, ce qui accélère le processus de synthèse de la connaissance.
Automatisation des tâches répétitives: L'IA peut automatiser des tâches fastidieuses, telles que le tri des articles et l'extraction des données, libérant ainsi du temps pour des analyses plus approfondies.
Opacité: Comme les synthèses de la connaissance, et plus particulièrement les revues systématiques, peuvent servir à guider la prise de décisions, notamment en santé, il est important de s’assurer de la qualité de leur processus.
La plupart des outils d'IA reposent sur des modèles d'apprentissage qui ne sont pas accessibles au public. Même si ces modèles l'étaient, leur nature de «boîte noire» rendrait les résultats difficiles à expliquer. Leurs processus décisionnels, très complexes et non linéaires, échappent souvent à toute interprétation claire. Cette opacité des processus empêche une vérification complète des résultats et leur reproductibilité.
Biais: Les outils d'IA peuvent introduire des biais, souvent hérités des données sur lesquelles ils sont formés. Si les ensembles de données sont incomplets, erronés ou biaisés (par exemple, en raison de biais historiques ou démographiques), ils risquent de fausser les résultats. Ces biais peuvent affecter la validité des conclusions tirées d'une synthèse. La performance des modèles dépend ainsi de la qualité, de la diversité et de la représentativité des données utilisées pour leur entraînement.
Il est donc fortement conseillé d'avoir une compréhension approfondie de la méthodologie de synthèse utilisée avant d'intégrer des outils d'IA.
Contextualisation et analyse critique: L'IA peut analyser des volumes massifs de données et en extraire des tendances ou des corrélations. Elle demeure toutefois limitée dans sa capacité à contextualiser les résultats et à fournir une analyse critique approfondie, en comparaison aux chercheurs et chercheuses. Ces facultés sont essentielles pour interpréter correctement les résultats et en tirer des conclusions pertinentes.
Les principales organisations responsables de la production des guides méthodologiques pour les synthèses de la connaissance n'ont pas encore produit de recommandations claires sur l'utilisation appropriée de l'IA, à l'exception de Cochrane qui:
Cochrane, Campbell, JBI, l'International Collaboration for Automation in Systematic Reviews (ICSAR) et d'autres acteurs collaborent à l'élaboration de lignes directrices pour une utilisation responsable de l'IA dans la synthèse des preuves. Une première version de travail du projet Responsible AI in Evidence Synthesis (RAISE) a été publiée en 2024 sur OSF.
L'intégration des outils d'IA dans un projet de recherche, comme une synthèse de la connaissance, soulève plusieurs questionnements. Voici quelques éléments à considérer pour vous assurer d’une utilisation transparente et éthique de ces technologies.
Avant d'intégrer l'IA à votre projet de recherche, vérifiez les politiques d'utilisation de l'IA des revues ciblées pour la publication ou contactez directement les éditeurs pour obtenir des précisions.
Plusieurs revues interdisent d’attribuer un rôle d’auteur à un outil d’IA génératif, mais permettent de le citer ou de le mentionner dans la section «Méthodologie» ou «Remerciements». Assurez-vous de connaitre leurs exigences avant de soumettre votre article.
L'utilisation de l'IA dans votre recherche peut affecter la reproductibilité des résultats, un enjeu considérable dans un projet de synthèse de la connaissance.
L’accès aux outils d’IA est un élément que vous devez considérer pour assurer la transparence et la reproductibilité de votre recherche. Indiquez comment l’outil a été obtenu, en précisant s’il s’agit:
Les outils d'IA ne garantissent pas systématiquement des résultats exacts, et leur utilisation doit s’accompagner d’une validation rigoureuse pour vous assurer de l’exactitude et de la pertinence des informations obtenues. Déterminez le niveau de vérification appliqué aux données générées et évaluez leur fiabilité.
La section «Utilisation responsable de l’IA en recherche» est traduite et adaptée de la page Using AI Tools for Research produite par la Bibliothèque de l’Université McGill, avec sa permission.
Voici une sélection d'outils d’IA qui peuvent vous aider ou vous assister dans la réalisation de certaines étapes d'une synthèse de la connaissance.
Certains agents conversationnels et assistants de recherche peuvent vous aider à élaborer un protocole de recherche et à mener des recherches exploratoires sur votre sujet.
Agents conversationnels
Outils permettant d’interagir en langage naturel avec un système capable d’interpréter et de générer des informations textuelles.
*Copilot Web est accessible gratuitement à la communauté universitaire de l'Université Laval par les services de la plateforme Microsoft 365. En savoir plus.
Assistants de recherche
Outils offrant la fonctionnalité de recherche sémantique à partir d'une question de recherche textuelle.
**La Bibliothèque offre aux membres de la communauté universitaire de l'Université Laval un accès gratuit à ces outils. Pour plus d'informations sur leur utilisation, consultez la page Utiliser les outils d’IA en recherche documentaire.
À ce jour, aucun outil d'IA ne peut remplacer la recherche structurée dans les bases de données pour repérer l’ensemble des études portant sur un sujet. Toutefois, certains assistants de recherche et agents conversationnels peuvent s'avérer utiles pour réaliser des recherches complémentaires.
Assistants de recherche
Agent conversationnel et assistant de recherche
Pour de l’information sur d’autres outils pouvant vous être utiles, consultez la page Utiliser les outils d’IA en recherche documentaire.
Visionnez le webinaire ci-dessous offert par Cochrane.
(How) can AI-based automation tools assist with systematic searching? [January 2025] Dr. Maria-Inti Metzendorf, Public Health & Information Scientist, Germany: Cochrane Evidence Synthesis Unit – Sub-unit Düsseldorf. Irma Klerings, Information specialist, Cochrane Austria.
Entraînée par l’humain, l’IA peut réorganiser les références pour présenter en premier celles qui sont les plus susceptibles d’être incluses dans votre synthèse. Dans certains outils, comme Covidence, cet entraînement se fait de façon invisible, en parallèle du processus de tri des références. Dans d’autres, comme ASReview, l’entraînement doit être réalisé avant de commencer le tri.
Certains fournisseurs d'outils suggèrent d'arrêter le tri des références lorsqu'un plateau est atteint. Comme l’IA réorganise constamment les résultats pour afficher d’abord ceux qui ont le plus haut taux de correspondance avec les critères d’inclusion, ces fournisseurs affirment qu’après un certain pourcentage d’articles triés, il ne reste plus d’articles pertinents à inclure. Ce «seuil d'arrêt» (ou stopping point), moment où le tri s’arrête, est fixé par les réviseures ou réviseurs. Il varie selon la question de recherche et le type de documents à trier. Le graphique ci-dessous montre qu'un plateau est atteint lorsqu'environ 65% des références ont été triées à l'aide de l'IA, suggérant qu'un «seuil d'arrêt» pourrait être envisagé à ce moment.
Les outils suivants permettent de réaliser plusieurs étapes d'une synthèse de la connaissance, dont la sélection des références.
Pour aller plus loin
Visionnez le webinaire suivant offert par Cochrane.
Could large language models and/or AI-based automation tools assist the screening process? [February 2025] Dr. Siw Waffenschmidt, Head of the Information Management Department at the Institute for Quality and Efficiency in Health Care.
Certains outils exploitent des modèles d’IA pour extraire automatiquement des informations à partir d’un texte. Cependant, ils doivent avoir accès au texte intégral du document, ce qui peut soulever des enjeux liés au droit d’auteur, notamment si l’outil conserve ou réutilise le contenu pour entraîner ses algorithmes.
Les outils suivants permettent de réaliser plusieurs étapes d'une synthèse de la connaissance, dont l'extraction des données.
Attention: Malgré les campagnes de communication d’Elicit affirmant la possibilité d’effectuer une synthèse de la connaissance complète en quelques clics, l’utilisation de cet outil devrait se limiter à la fonctionnalité d’extraction à partir des PDF. Toutes les informations extraites par Elicit devraient être validées manuellement.
La Bibliothèque offre à la communauté universitaire un abonnement d’un an à la version Plus de cet outil. En savoir plus.
Visionnez le webinaire ci-dessous offert par Cochrane.
Opportunities and challenges for data extraction with a large language model [March 2025] Prof. Gerald Gartlehner, Co-Director, Cochrane Austria & Co-Convenor, Cochrane Rapid Review Methods Group.
L’évaluation du risque de biais d’une étude repose sur un jugement critique, rendant difficile la substitution de l’humain par la machine. Même si des tests ont été menés avec des grands modèles de langage, tels que ChatGPT, les résultats demeurent mitigés. L’IA pourrait être efficace pour certains domaines d’évaluation, mais inefficace pour des domaines plus subjectifs, comme la généralisation des résultats de l’étude (Ohra et al., 2024).
Visionnez le webinaire ci-dessous offert par Cochrane.
(How well) can large language models and AI-based automation tools assist in Risk of Bias Assessment? [April 2025] Prof. Gerald Gartlehner, Co-Director, Cochrane Austria & Co-Convenor, Cochrane Rapid Review Methods Group.
La synthèse des données devrait toujours être réalisée par les chercheurs et chercheuses spécialistes du domaine de la synthèse. Par contre, les agents conversationnels généraux peuvent être utilisés pour l'élaboration de lignes de code permettant d’effectuer des analyses statistiques avec des logiciels comme R ou Python.
*Copilot Web est accessible gratuitement à la communauté universitaire de l'Université Laval par les services de la plateforme Microsoft 365. En savoir plus.
Bien que l'assistance à la rédaction soit couramment intégrée aux modèles de langage comme ChatGPT, un seul outil conçu spécifiquement pour les synthèses de la connaissance permet la rédaction de manuscrits avec l'IA.
Pour pousser l’exploration des outils d'IA permettant de faciliter certaines étapes d'une synthèse de la connaissance, consultez la ressource suivante.
Fabiano, N., Gupta, A., Bhambra, N., Luu, B., Wong, S., Maaz, M., Fiedorowicz, J. G., Smith, A. L., & Solmi, M. (2024). How to optimize the systematic review process using AI tools. JCPP Advances, 4(2), e12234. https://doi.org/10.1002/jcv2.12234
Boetje, J., & van de Schoot, R. (2024). The SAFE procedure: a practical stopping heuristic for active learning-based screening in systematic reviews and meta-analyses. Systematic Reviews, 13(1), 81. https://doi.org/10.1186/s13643-024-02502-7
Ohra, S., R.R., C., Siddiqui, M.T., Gupta, J., & Siddiqui, M.K. (2024). P54 Evaluating ChatGPT's Efficacy and Efficiency in the Risk of Bias Assessment in Health Economic Evaluations: A Comparative Analysis Using the Drummond Checklist. Value in Health, 27(6), S13. https://doi.org/10.1016/j.jval.2024.03.080
Thomas, J., Flemyng, E., & Noel-Storr, A. (2025). Responsible AI in Evidence Synthesis (RAISE): guidance and recommendations. https://osf.io/fwaud/
Thomas, J., McDonald, S., Noel-Storr, A., Shemilt, I., Elliott, J., Mavergames, C., & Marshall, I. J. (2021). Machine learning reduced workload with minimal risk of missing studies: development and evaluation of a randomized controlled trial classifier for Cochrane Reviews. Journal of Clinical Epidemiology, 133, 140-151. https://doi.org/10.1016/j.jclinepi.2020.11.003
Cette page Web a été rédigée avec l'assistance de ChatGPT 4.0 (Open AI).