Étienne Ollion (École polytechnique) — Merci aux organisatrices, organisateurs pour cette très belle journée qui m'a fait rencontrer plein de monde qui m'a donné beaucoup à penser. Je suis un petit peu embêté parce que d'une part, je sais que je suis la seule chose qui se situe entre vous et la fin de cette journée qui pour sympathique qu'elle était a besoin de s'arrêter à un moment, et puis il faut qu'on profite du temps gris évidemment de ce ciel de novembre, et puis d'autre part, suis aussi un petit peu embêté parce que, pour une fois, j'ai l'impression que je ne suis pas le plus techno critique dans la salle. D'habitude dans les espaces dans lesquels je me situe, je suis vraiment celui qui vient porter la voix de la contradiction et j'ai l'impression qu'aujourd'hui je vais plutôt vous dire que dans certains cas, l'intelligence artificielle peut marcher, elle peut être utile. Alors je vais le faire de quel point de vue ? Je vais le faire du point de vue de quelqu'un qui depuis six ans maintenant travaille sur des modèles de langage. On les a connu très tôt et donc on a constitué une équipe à l'École polytechnique qui s'appelle le groupe CSS, "Computational Social Sciences" (science sociale computationnelle) et qui cherche à réfléchir à quand on peut utiliser de l'IA, quand on ne doit pas utiliser de l'IA et quand on utilise de l'IA, qu'est-ce que ça fait ? Et ce qu'on rajoute en plus, c'est que, et je vais essayer de l'évoquer dans ma présentation aujourd'hui, dire IA, ça n'a pas beaucoup de sens. En fait, il y a des IA, il y a des formes d'IA, il y a des usages de l'IA et c'est quelque chose auquel on est assez attentif. Donc le but du jeu, c'est toujours de soumettre après expérimentation l'IA à une série de critiques. Alors, je ne vais pas revenir sur le fait que l'IA s'immisce partout. Je pense que on l'a vu suffisamment aujourd'hui. Pour le point précis qui est celui que je vais évoquer aujourd'hui qui me paraît à la fois très limité par ce qu'on a dit, et en même temps peut-être, ajusté par rapport à des problématiques qui sont celles qu'on peut croiser dans les Urfist. Je vais revenir sur la question de l'analyse de contenus et de ce qu'on peut faire en analyse de contenus. Vous savez comme moi que c'est un domaine ancien puisque cela fait très longtemps, plus d'un siècle en fait, qu'on cherche à analyser les contenus. Alors, ça fait plus longtemps qu'on cherche à analyser les contenus et si on cherche à le faire de manière quantifiée, ça fait presque plus d'un siècle que ça peut prendre des déclinaisons différentes. On peut avoir des gens qui ont tenté de le faire manuellement sur des petits échantillons et d'interpoler ensuite. Vous avez des gens qui ont cherché à le faire de manière quantitative et ce domaine là a été réinvesti depuis quelques années, je dirais depuis 3 - 4 ans avec l'arrivée des modèles de langage, d'abord non génératifs, c'est une première distinction qu'il faudra faire et puis génératifs, par la suite. Alors ce que je vais tenter de défendre aujourd'hui, c'est que sous conditions et je reviendrai sur lesquelles, il est possible à la chercheuse qui fait de l'analyse de contenus de s'augmenter. Qu'est-ce que ça veut dire s'augmenter ? J'y vois trois points. Le premier, c'est qu'on peut annoter du texte ou extraire de l'information depuis le texte avec à peu près le même niveau de précision que ne le ferait un expert, pas un étudiant de master même formé, pas un "crowdworker" embauché sur Amazon pour un sa…