Espace Web de travail (accès et tests d'édition)
Dernière mise à jour : 27 mars 2025
Cette page présente une sélection d’outils d’intelligence artificielle conçus pour faciliter la réalisation de synthèses de la connaissance. Ces outils ont été retenus en raison de leur accessibilité et de la qualité des résultats qu’ils permettent d’obtenir. Il ne s’agit pas d’une liste exhaustive. Bien que d’autres outils, tels que ChatGPT, puissent être utiles à certaines étapes, comme la planification, cette page se concentre uniquement sur ceux spécifiquement développés pour les synthèses de la connaissance et les revues de littérature.
Bien que l'IA présente un potentiel significatif pour accélérer et automatiser la réalisation de synthèse de la connaissance, son utilisation soulève également certains enjeux importants à considérer.
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 sont utilisées pour guider la prise de décisions, notamment en santé, il est important de s’assurer de la qualité des processus utilisés dans la synthèse. La majorité des outils qui utilisent l’IA pour faire des synthèses ne rendent pas leur modèle public et même si un modèle était accessible publiquement, la nature de « boîte noire » des modèles d'apprentissage profond et des réseaux de neurones rendrait les résultats difficilement explicables. Ces modèles, bien que puissants, prennent des décisions à travers des processus très complexes et non linéaires, qui échappent souvent à toute forme d'interprétation claire.
Par conséquent, même en ayant accès au modèle, la transparence sur les mécanismes de prise de décision reste limitée, empêchant une vérification complète et une reproduction des résultats.
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), les modèles d'IA risquent de produire des résultats faussés. 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 l'entraînement.
Il est donc fortement conseillé d'avoir une compréhension approfondie de la méthodologie utilisée avant d'intégrer des outils d'IA.
Contextualisation et analyse critique : Bien que l'IA soit capable d'analyser des volumes massifs de données et d'en extraire des tendances ou des corrélations, elle demeure limitée dans sa capacité à contextualiser les résultats et à fournir une analyse critique approfondie si l’on compare au travail de chercheurs humains.
Cette capacité à contextualiser est essentielle 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 actuellement sur l'élaboration de lignes directrices pour une utilisation responsable de l'IA dans la synthèse des preuves. Le projet, intitulé "Responsible AI in Evidence Synthesis" (RAISE), a publié une première version de travail en octobre 2024 et est accessible à l'adresse suivante : https://osf.io/fwaud.
L'intégration des outils d'intelligence artificielle dans un projet de recherche comme une synthèse de la connaissance, soulève plusieurs questionnements. Voici quelques éléments à considérer afin d'assurer une utilisation transparente et éthique de ces technologies.
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 « Méthodes » ou "Remerciements". Assurez-vous de connaitre les exigences en vigueur avant de soumettre votre travail.
L'utilisation de l'IA dans la recherche peut affecter la reproductibilité des résultats, un enjeu considérable dans le cadre des synthèses de la connaissance.
Il est essentiel de tester vos méthodes afin de déterminer si les résultats obtenus peuvent être reproduits de manière fiable. Si la reproductibilité de votre travail est compromise, il est recommandé de le mentionner explicitement dans votre article. Une description détaillée des étapes effectuées avec l’outil d’IA doit être fournie afin de permettre une vérification aussi rigoureuse que possible et d’assurer la transparence de votre démarche.
L’accès aux outils d’intelligence artificielle est un élément à prendre en compte pour assurer la transparence et la reproductibilité d’une recherche. Il est recommandé d’indiquer comment l’outil a été obtenu.
S’agit-il :
Ces précisions permettent de mieux contextualiser l’utilisation de l’outil et d’en faciliter l’évaluation par les lecteurs et les évaluateurs.
L’utilisation d’outils d’intelligence artificielle en recherche nécessite une évaluation critique des informations produites. Il est important de déterminer le niveau de vérification appliqué aux données générées et d’évaluer leur fiabilité.
Ces outils ne garantissent pas systématiquement des résultats exacts, et leur utilisation doit s’accompagner d’une validation rigoureuse pour assurer l’exactitude et la pertinence des informations obtenues.
La section “Utilisation responsable de l’IA en recherche” est traduite et adaptée de https://libraryguides.mcgill.ca/ai/plan, avec leur permission.
Voici une sélection d'outils qui intègrent l'intelligence artificielle afin de faciliter ou d'assister la réalisation de certaines étapes d'une synthèse de la connaissance.
Plusieurs outils d'IA peuvent être utilisés à l'étape de la planification du projet afin de vous aider à élaborer un protocole de recherche et à mener des recherches exploratoires sur votre sujet.
Agents conversationnels
Assistants de recherche :
Outils de recherche offrant la fonctionnalité de recherche sémantique (à partir d'une question de recherche textuelle). Pour plus d'information sur leur utilisation, consultez la section suivante.
*Disponible gratuitement pour les membres de la communauté universitaire
À ce jour, aucun outil d'intelligence artificielle ne peut remplacer la recherche structurée dans les bases de données pour identifier l'ensemble des études sur un sujet. Toutefois, certains outils peuvent s'avérer utiles pour réaliser des recherches complémentaires.
Pour plus d'outils, visitez la page dédiée aux outils d'IA pour la recherche documentaire.
L’intelligence artificielle peut réorganiser les références afin d’afficher en premier celles qui sont le plus susceptibles d’être incluses. Pour ce faire, l’IA doit être entraînée par l’humain. Dans certains outils, comme Covidence, cet entraînement est invisible et se fait en même temps que le tri. Dans d’autres, comme ASReview, l’entraînement doit être fait avant de commencer le tri.
Certains producteurs de ces outils suggèrent d'arrêter le tri des référence 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, ils affirment qu’après un certain pourcentage d’articles triés, il ne reste plus d’articles pertinents à inclure. Ce moment où les chercheurs décident d’arrêter de trier se nomme le seuil d'arrêt ou stopping point et est fixé par les chercheurs eux-mêmes. 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 50 % des références ont été triées à l'aide de l'IA, suggérant qu'un seuil d'arrêt pourrait être envisagé à ce moment.
Impression d’écran du webinaire Time to Confidence- AI in Systematic Review. 14 avril 2023. PicoPortal. Enregistrement disponible à https://picoportal.org/2023/04/14/recording-time-to-confidence/
Pour déterminer un seuil d'arrêt prudent, mais efficace, il est possible de se baser sur la « SAFE procedure » (Boetje, 2024). Il est important de mentionner que le fait de ne pas trier la totalité du corpus de littérature ne fait pas consensus et pourrait être problématique lors de la révision du manuscrit par les pairs. (Voir l’avis de Cochrane, section Guides méthodologiques).
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.
Pour la réalisation de cette étape, plusieurs outils d'IA comme les grands modèles de langage peuvent être utilisées, mais l'analyse devrait toujours être réalisée par les chercheurs spécialistes du domaine de la synthèse. Les agents conversationnels généraux peuvent être utilisés pour l'élaboration de ligne de code afin de réaliser des analyses statistiques avec des logiciels comme R ou Python.
Outils :
Bien que l'assistance à la rédaction soit couramment intégrée aux modèles de langage comme ChatGPT, un seul outil spécifiquement conçu pour appuyer les synthèses de la connaissance permet la rédaction de manuscrits avec l'IA.
Pour aller plus loin dans l'exploration des outils d'IA permettant de faciliter certaines étapes d'une synthèse de la connaissance :
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
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/https://doi.org/10.1016/j.jclinepi.2020.11.003
RAISE
Cette page web a été rédigé avec l'assistance de ChatGPT 4.0 (Open AI).