Sandrine Wolff (Urfist de Strasbourg) — Bonjour à tous. C'est vraiment un plaisir pour moi d'ouvrir cette 1ère session sur les IA génératives et la production scientifique, son impact sur la production scientifique. En particulier, je crois qu'il y a une question qui va être un peu transversale aux deux présentations, c'est est-ce que finalement ces IA génératives, favorisent la nouveauté dans la production scientifique ou bien plutôt l'homogénéisation ? Vous verrez que c'est un questionnement qui traverse les deux présentations qui vont venir.
Alors d'abord la présentation de Floriana Gargiulo qui est chargée de recherche au GEMAS qui est un laboratoire du CNRS qui est ici sur le campus (Condorcet) qui est rattaché à l'Université Paris Sorbonne. Floriana nous vient de la physique des systèmes complexes, donc des sciences dures et elle fait ses recherches en sciences sociales computationnelles avec une focale sur tout ce qui est découverte et exploration scientifique. Elle coordonne entre autres une ANR, donc un projet de recherche qui s'interroge sur les effets dans différentes disciplines de la diffusion de l'IA dans l'écosystème scientifique. La première présentation, s'intitule
" L'histoire de la diffusion de l'IA dans la littérature scientifique" et c'est donc Floriana qui va prendre ma place.
Floriana Gargiulo (GEMAS) — Bonjour à toutes et tous et un grand merci aux organisateurs pour m'avoir invitée pour cette journée. Donc ce que je vais vous présenter, c'est une série de travaux qui cherchent à retracer la diffusion de l'IA dans la recherche scientifique.
Je me connecte directement à la présentation précédente avec avec la promesse de Sam Altman qui nous dit que dans les prochaines 5 à 10 années l'intelligence artificielle sera capable de faire elle-même la recherche et probablement beaucoup mieux que les équipes de recherche actuelles. Mais peut-être, avant d'accepter cette affirmation et de demander notre retraite collective anticipée, peut-être avons-nous encore 5 à 10 ans pour exercer notre capacité de chercheur de se positionner de manière critique par rapport à certaines affirmations et surtout de chercher à comprendre quel est l'état actuel du rapport entre la science
et la technologie de l'intelligence artificielle. Donc je pars avec un simple graphique qui représente la fraction des papiers qui utilise l'IA dans la recherche scientifique. Ce graphique montre en fait, un peu ce qui était déjà présent précédemment, c'est-à-dire un rapport d'amour suivi par de la désillusion. Cette pénétration de l'IA s'est faite en plusieurs phases dans les sciences. On veut donc chercher à comprendre quelle est l'origine de ces phases d'amour et de désillusion.
C'est pour ça qu'on a commencé à utiliser des approches basées sur les données pour traiter la publication scientifique. Les travaux que je vais donc vous présenter sont développés dans le cadre d'un projet ANR qui s'appelle ScientIA qui cherche à mélanger différentes approches de l'étude des sciences, des approches microscopiques qui sont typiques de la sociologie des sciences, des "science technology studies" avec des techniques plus macroscopiques comme la science des sciences qui est un peu l'approche de l'étude des sciences qui vient des systèmes complexes de la science des réseaux. Les buts finaux du projet ScientIA, sont d'étudier les "patterns" de propagation de l'IA dans la recherche scientifique, mais aussi de chercher d'investiguer les changements de pratiques de recherche au sein de la science avec l'introduction de l'intelligence artificielle. Celle que je vais vous présenter est basée sur une base de données très utilisée en général pour la scientométrie, pour la recherche quantitative sur la science, qui est la base Open Alex qui est l'évolution de la base Microsoft Academy Graph à partir de 2022. Cette base contient les métadonnées relatives à plus ou moins 230 millions de papiers scientifiques. Ces métadonnées, sont des informations sur les textes papier, sur les auteurs, les journaux de publication et aussi dans Open Alex, on a le concept de "topics" qui nous permet de colloquer
un papier dans une certaine discipline. Au sein de cette grande base de données, nous avons opéré une sélection de plus ou moins 600 mots clés relatifs à la thématique IA qui était construite avec des critères plus qualitatifs que quantitatifs.
Il s'agit d'expertises, de recherches de glossaires, etc. À partir de ces 230 millions de papiers, on se retrouve avec une base de plus ou moins 3 millions de papiers qui contiennent dans leur texte des mots clés de l'IA, papiers, pour lesquels on peut identifier les auteurs, la discipline et quels mots clés de l'IA ils utilisent. La première question que l'on s'est donc posé en utilisant ces données, c'est qu'est-ce que l'IA ? En fait, c'est un terme qui revient toujours mais qu'est-ce que c'est au juste ? Pour cela, on a cherché à
le reconstruire à travers la co-occurrence des mots clés dans les papiers scientifiques et à identifier des sous-domaines de l'IA
pour pouvoir comprendre ce qu'est cet énorme ensemble de technologies dont on parle tous les jours maintenant. Ceci est une cartographie de l'IA. qui nous permet de voir une série de sous-disciplines qui ont constitué l'IA depuis sa naissance dans les années 50. À l'intérieur de cette sous-discipline, on identifie le "Deep learning", c'est-à-dire la base technique, les techniques qui sont à la base de celle qu'on appelle l'IA générative. L'IA, c'est une question de "hype", c'est vrai. Et si on regarde ces sous-disciplines, on peut voir que chacune de ces sous-disciplines a des "patterns" d'évolution, de naissance et de mort très évidents. Donc des cycles d'attention très rapides autour de ces différentes sous-disciplines. Et ces cycles de vie, cette phase de "hype" sont à la base de ce graphique que j'ai présenté au début, c'est-à-dire la présence de l'IA dans la recherche scientifique. Les systèmes experts ont été les premiers paradigmes qui se sont affirmés dans l'IA à partir des années 50. C''est un paradigme qui s'est affirmé sur la base de ces promesses, surtout toutes celles concernant le secteur militaire. Il y a eu d'énormes financements du secteur militaire dans les systèmes experts parce qu'ils proposaient de nouvelles méthodes pour piloter des fusées. Un grand investissement donc, surtout des militaires dans ces systèmes qui sont, à la base, des systèmes où des algorithmes sont programmés pour imiter les raisonnements humains. Donc la méthode de raisonnement est donnée par la personne qui programme les algorithmes. C'était une promesse, une promesse non maintenue et il s'en est suivi une phase de baisse des financements appelée "l'hiver de l'IA", "l'hiver de l'intelligence artificielle". À partir des années 80-90, on a un deuxième paradigme qui s'affirme qui sont les paradigmes des réseaux neuronaux. Ces paradigmes sont identifiés dans un papier de D. Cardon et J.P. Cointet comme "La revanche des neurones". C'est en partie de l'IA qui était moins traitée au début mais qui existait déjà, qui connaît une nouvelle renaissance en 1990 et qui porte la nouvelle conception des modèles d'intelligence artificielle lesquels ont une nouvelle capacité, celle de classifier les données. Les algorithmes basés sur les réseaux neuronaux et surtout avec l'introduction de l'algorithme de rétro propagation, ont une capacité énorme notamment pour classer des données. Ce sont donc des algorithmes qui font de la classification. Ils sont capables d'identifier des "patterns" à l'intérieur des systèmes. Ça décolle donc un peu. Après ça marche sans qu'il y ait beaucoup de domaines d'application. Ceux-ci arrivent dans les années 2000 avec l'explosion des données à analyser. C'est le domaine
où cette technologie trouve son application. D'où la montée rapide autour des années 2000. de la recherche sur l'IA.
Après, cependant, il y a une deuxième phase de désillusion, car ces algorithmes ne sont pas explicables et ça devient difficile pour la communauté scientifique d'accepter ces structures "boîte noire". Il y a donc un peu une baisse de succès.
Finalement en 2017, en fait, plus ou moins 2015-2016, recommence le grand "hype" du "Deep learning". de l'IA générative et on est clairement dans cette phase de grand "hype" où la diffusion est très élevée et l'IA générative constitue
un changement très important par rapport à nos algorithmes de classification car elle est, non seulement capable de classer les données, mais aussi de les prédire. il y a donc un passage logique très important qui n'est possible que grâce aux structures de calculs qui ont permis d'entraîner à grande échelle ces réseaux de neurones. J'en viens rapidement à la diffusion de la discipline et ce graphique représente la distance entre l'informatique dans laquelle l'IA est développée et les domaines d'application. Ceci nous montre trois périodes de relations entre les disciplines scientifiques et l'IA. La première phase qui correspond aux périodes des systèmes experts où l'IA était largement utilisée, largement diffusée à travers plusieurs disciplines très éloignées de l'informatique. Les systèmes experts avaient besoin de psychologues, de scientifiques des sciences cognitives, des philosophes, pour pouvoir expliquer à la machine comment fonctionne le raisonnement humain. Après, avec "l'hiver de l'IA", l'intelligence artificielle est restée très concentrée autour de l'informatique. Ça reste donc un domaine qui est développé en informatique, en maths, mais ça ne sort pas beaucoup de ces domaines de production. À partir des années 2000-2010, avec le "Deep learning", on voit une deuxième
phase de diffusion hors de l'informatique et une reprise de la popularité dans toutes les disciplines scientifiques. Si on regarde les comportements des auteurs, des chercheurs, ici on a un résultat intéressant qui nous dit qu'effectivement les personnes qui développent l'IA n'ont aucune collaboration avec qui utilisent l'IA. Ça nous dit que cette interdisciplinarité, les collaborations qui sont mises en avant par les projets ANR, etc., n'existent pas. En fait, l'IA n'est pas développée pour les sciences et les chercheurs sont simplement fréquemment des utilisateurs de technologies qui ne sont pas développées explicitement pour eux. C'est le même résultat, on le constate, par exemple dans le cas spécifique des neurosciences où on voit les points blancs qui représentent les papiers d'IA qui sont diffusés partout dans le domaine des neurosciences. Mais encore ici dans ce domaine, on voit que les personnes qui utilisent l'intelligence artificielle, sont dans des collèges invisibles, différents de ceux qui ne l'utilisent pas. Il existe donc une ségrégation technologique à l'intérieur de cette discipline. On a une inclusion épistémique d'un côté mais une ségrégation sociale à l'intérieur des neurosciences pour l'utilisation de l'IA. On a aussi étudié le cas de la Covid, qui était un cas classique pour lequel il y a eu beaucoup de productions de papiers par le biais des technologies de l'IA un peu partout, en particulier dans l'imagerie médicale et la santé publique. Mais nos études montrent qu'effectivement, le fait d'utiliser des IA ou d'avoir des collaborations avec quelqu'un qui fait de l'IA n'a pas d'impact sur les succès en termes quantitatifs par nos agences d'évaluation, voire, au contraire, un impact négatif sur le succès d'un papier. Donc utiliser l'IA actuellement, n'est pas une certitude d'avoir un papier qui est bien accepté par la communauté scientifique. Dernière question, au niveau des pratiques, ici, il y a une étude faite par mon doctorant, Antoine Houssard, qui est parti en fait de cette discussion sur Twitter entre Yann Le Cun et Elon Musk. Yann Le Cun dit
que quelque chose qui n'est pas publiée n'est pas de la science tandis que Musk dit que c'est la plus grande bêtise qu'il a jamais entendu. Nous nous trouvons donc face à une vision de ce qui est scientifique très différente de celle admise dans le champ académique. Ce qui a émergé de cette étude, c'est qu'en fait, l'intelligence artificielle s'est développée surtout hors du champ académique et que les scientifiques qui collaborent avec le domaine industriel, où les pratiques dans la production de l'IA sont très éloignées des approches et des normes utilisées dans les pratiques scientifiques du monde académique prêtent moins d'attention à certaines caractéristiques académiques, notamment à la publication et à l'évaluation par les pairs. Je vais rejoindre un peu certaines considérations négatives sur l'impact de l'IA dans les sciences. C'est diffusé partout mais il n'y a pas d'intégration, de coévolution avec les disciplines scientifiques. Pour le moment, il n'y a pas d'exemple d'impact fort de papiers IA dans la recherche et surtout les pratiques de recherche dans l'industrie sur l'IA semblent être très loin des normes scientifiques actuelles. Ça ouvre à deux questions. Est-ce que la prophétie d'Altman peut actuellement se réaliser ?
C'est encore loin d'être le cas, notamment pour des questions de performances de l'IA. Il s'agit d'un problème d'hallucinations qu'on peut résoudre avec de meilleurs entraînements, de meilleurs systèmes de gestion de données, de meilleures infrastructures technologiques, afin de résoudre les points bloquants qui empêchent l'IA de faire de la science. La deuxième question, même si c'est possible donc pour les IA de produire de la science, c'est de savoir si cette science est compatible avec celle qu'on appelle "science" aujourd'hui ? Un système, donc, avec des normes qui sont surtout basées sur celles de la communauté scientifique,
de ces collaborations et qui passent par l'évaluation par les pairs et des critères de validation qui sont ceux que l'on connaît aujourd'hui. Merci.
Sandrine Wolff (Urfist de Strasbourg) — Compte tenu du timing, je vous propose de garder les questions y compris d'éclaircissement pour la fin de cette session. J'appelle tout de suite Pierre Pelletier qui va nous faire la deuxième présentation. Pierre est Maître de Conférences à l'Université de Strasbourg. Il est responsable d'un master en data science pour l'économie et les sciences de gestion et il fait ses recherches, la plupart de ses travaux, dans le domaine de l'économie de la science et de la scientométrie.
Pierre Pelletier (Université de Strasbourg) — Bonjour à tous. Juste pour rectifier, je ne suis pas le coordinateur principal, je suis co-coordinateur du master en question. Donc aujourd'hui, je vais vous présenter un article de recherche qu'on qu'on est encore en train de faire. Si vous avez des suggestions, s'il y a des choses que vous ne trouvez pas tellement logiques, etc., n'hésitez pas à faire vos remarques. Donc voilà, cet article est coécrit justement avec Stefano Bianchini, Ivan Napoli et Gabriele Pellegrino
qui sont de l'Université de Milan. On va essayer de s'interroger ici sur comment cette technologie des "Large Language Models", les "LLM", vient justement façonner le contenu des thèses des doctorants.
Je ne vais pas revenir sur les raisons qui nous amènent à vouloir vraiment étudier comment l'IA vient affecter la science mais il y a donc cette idée que d'ici 2050 nous serions potentiellement capables d'avoir des IA qui feraient de la recherche digne de prix Nobel. Évidemment, l'IA vient toujours avec énormément de promesses. Ça va permettre d'automatiser certaines tâches d'écriture, etc., avec la promesse de laisser plus de temps aux chercheurs pour des tâches dites créatives et donc pour trouver des meilleures idées. Pour le moment, on voit effectivement qu'il y a certaines évidences qui montrent qu'on peut déjà automatiser certaines tâches, mais on est très loin en fait de pouvoir réaliser des publications qui sont dignes d'un prix Nobel pour la simple raison que pour pouvoir arriver à avoir une publication digne d'un d'un prix Nobel, il faut être capable de mettre ensemble des concepts, des méthodes qui n'avaient jamais été mises ensemble auparavant. L'exemple d'AlphaFold 2 est un bon exemple. Pour la première fois pour Alpha Fold 2, on utilise non seulement des réseaux de neurones mais avec des mécanismes d'attention et on vient l'appliquer à des questions de "prrotein folding" et c'est ça qui crée une découverte et un outil majeur.
Ce fait de toujours combiner de nouvelles manières, des pièces de connaissance, ça ne s'arrête pas uniquement aux prix Nobel.
on voit très bien que la plupart des prix Nobel ont ces caractéristiques là. C'est une condition nécessaire. Néanmoins, ce n'est pas forcément suffisant et c'est le fonctionnement global de notre système scientifique. Mais néanmoins, ces dernières années, on a certaines évidences qui nous montrent que les idées sont de plus en plus dures à trouver. De nouvelles idées, sont de plus en plus dures à trouver. On a besoin de plus en plus de ressources et de personnes pour résoudre un certain problème. Et donc la question primordiale, c'est de savoir si l'IA va justement accentuer ce problème. Est-ce qu'on va avoir d'autant plus de mal à trouver des nouvelles idées ou au contraire est-ce que ça va venir nous aider ? Et donc les premières évidences qu'on a, c'est plutôt pessimiste puisque l'IA en fait vient plutôt homogénéiser nos pratiques. Un exemple assez marquant, c'est le fait que quand on demande à une IA de générer des références, quand on lui donne un abstract, l'IA a tendance à proposer des citations, des références qui sont déjà extrêmement citées. Donc ça homogénéise les savoirs qui sont utilisés et ça vient renforcer cet effet Matthieu. Au-delà donc de ces questions d'homogénéisation, les IA, ce sont des modèles qui sont probabilistes. À partir du moment où elles donnent des recommandations, forcément elles ne sont pas neutres dans les recommandations qu'elles donnent. Il est donc important d'étudier justement comment les thèses, comment les doctorants monopolisent certaines pièces de connaissance, leurs références et comment c'est impacté par l'utilisation de cet outil. La raison pour laquelle on s'intéresse aux doctorants, elle est double. La première, c'est tout simplement parce qu'il y a déjà des papiers qui montrent que ce sont les jeunes qui sont les plus réceptifs à ce type d'outils et ce sont les jeunes qui trouvent ces outils les plus utiles. Il y a aussi d'autres évidences qui montrent que quand un chercheur est en train d'interagir avec une IA, quand l'IA lui propose en fait des idées par rapport à un "research proposal", le jeune chercheur va avoir tendance à trouver les idées de l'IA meilleures. Ça va le réconforter dans les idées que lui-même il avait alors que les chercheurs qui sont plus expérimentés ont tendance à rejeter directement les suggestions de l'IA. La deuxième raison, c'est tout simplement parce que les doctorants sont la force de travail du système scientifique. On a des évidences, au Québec par exemple, c'est 30 % des papiers qui sont cosignés par des doctorants. Et en fait, durant le doctorat, les chercheurs, ils créent les bases de leur routine de travail. Ils créent les bases de ce qui plus tard va façonner leur carrière. Donc c'est la question qu'on se pose dans ce papier, à savoir comment les "LLM" vont venir modifier la composition des thèses. Et on va se poser cette question sur deux aspects, notamment sur l'aspect textuel et la deuxième partie va être sur l'aspect des citations. Cette étude est quantitative mais on a mené aussi une enquête auprès des doctorants. On va se baser sur les données de theses.fr. On va télécharger
finalement 18 000 thèses en PDF entre 2019 et 2025 et on va essayer de récupérer aussi les adresses mail pour toutes les personnes qui ont soutenu après 2023. Grosso modo, ce qu'on essaie de faire ici, c'est d'essayer d'analyser la différence de composition des thèses entre deux personnes, une qui aurait terminé après ChatGPT et une personne qui aurait terminé avant ChatGPT.
Pour essayer de limiter au plus les influences de caractéristiques inobservables, on va justement "matcher" ces individus sur le directeur ou la directrice de thèse, ce qui veut dire que les personnes qui sont comparées après ChatGPT et avant ChatGPT ont en réalité le même directeur ou la même directrice de thèse. Dans le meilleur des mondes, on adorerait pouvoir faire une analyse statistique où on trouve quelqu'un qui se trouve après ChatGPT et observer cette personne avec la certitude que qu'elle n'a pas utilisé ChatGPT à aucun moment de sa recherche. Or, c'est très difficile de faire cette hypothèse là. Donc on est obligé de faire l'hypothèse que tout le monde utilise ChatGPT. Donc à partir de là, on ne peut pas vraiment faire une méthode de différence en différence. Et donc ce qu'on va faire c'est qu'on va essayer de créer un échantillon placebo. On va reproduire exactement la même analyse mais juste avant. On va donc comparer des personnes qui ont soutenu entre 2019 et 2020 avec des personnes qui ont soutenu entre 2021 et 2022 pour voir si les effets qu'on trouve entre avant et après ChatGPT sont issus d'une tendance qui était déjà là avant ou pas. On vient également compléter ces résultats avec des questionnaires qu'on a envoyés à 5 000 personnes et pour le moment, on a évidemment très peu de réponses. 265 réponses exactement. Comment a-t-on traité ces données ?
On a téléchargé sur theses.fr la liste des thèses qui ont été défendues. Sur theses.fr on a des liens vers les PDF qui sont hébergés sur Hal. On a téléchargé ces PDF et on est venu extraire page par page le texte dans ces PDF et ensuite on a donné à ChatGPT4.0 les pages liées aux références et on lui a demandé d'extraire justement ces références, les journaux, les auteurs, les années des publications de ces références. Et donc, ça nous a donné à peu près sur ces 18 000 thèses, 3 millions de références. Nous avons, ensuite vérifié que ces 3 millions de références étaient bien des vraies références en contrôlant que le journal existe bien dans une liste de journaux du Web of Science. Une fois qu'on a récupéré d'une part, le texte et d'autre part, les références, on peut faire deux types d'analyses, une première qui est textuelle, donc on va utiliser des indicateurs de qualité rédactionnelle, complexité textuelle qui sont assez classiques, qui regardent finalement la taille des mots, la taille des phrases, le nombre de syllabes par mot et d'autre part, on va utiliser des indicateurs qui sont basés sur les citations et ici on regarde en fait à quel point les combinaisons de références qui sont réalisées dans les thèses, elles sont probables ou pas par rapport au socle des thèses. On utilise toutes les thèses pour définir finalement la probabilité de mettre le journal A avec le journal B et à partir de là, on essaie de voir si cette probabilité a changé au cours du temps. Et donc, on agrémente aussi notre analyse avec des informations sur l'âge, le genre par exemple ou la nationalité de la personne en utilisant l'API de IdRef. La première question qu'on peut se poser, c'est est-ce que d'une manière naïve les gens utilisent l'intelligence artificielle et est-ce qu'on peut nous, d'une manière naïve la capturer ? Ce qu'on a fait, c'est qu'on a utilisé une liste de 100 mots qui sont donnés par GPT 0, une interface qui permet justement de vérifier si un texte a bien été généré ou pas par une intelligence artificielle. En fait, ça coûte très cher à utiliser. Donc, on n pas utilisé cette interface mais il nous donne en fait 100 mots-clés qui sont extrêmement utilisés. On a récupéré ces 100 mots clés et on a essayé de voir si on arrive à les voir dans les thèses. Et ce qu'on voit finalement, parce que les gens ne modifient pas les "outputs" de ChatGPT c'est qu'après 2023, on a en fait 30 % des tests toutes disciplines confondues qui utilisent au moins une fois dans le texte une de ces 100 expressions. Grosso modo donc, dans ces expressions, il va y avoir "delve" dedans. C'est l'exemple le plus courant. "Delve" est un mot qui est extrêmement utilisé par les "LLM" et c'est un mot qui est vraiment populaire dans toutes les thèses, dans tous les articles scientifiques. On voit qu'il y a des différences entre certaines disciplines, notamment en sciences de l'informatique où c'est extrêmement utilisé. il y a 38 % des thèses qui utilisent déjà cette liste de 100 mots. C'est relativement faible 100 mots, donc ça veut dire que l'utilisation qu'on estime ici, est vraiment une "lower band". Et on voit par exemple, qu'en sciences sociales et humaines, par contre, on n'a effectivement que 15 % des tests qui vont utiliser ce type de termes. Dans notre analyse qualitative, on a justement pas mal de personnes, surtout en sciences humaines, qui nous disent être très réticentes en fait à utiliser ce type d'outils. Il y a très peu de personnes en fait dans ces sciences là qui les utilisent, du moins qui disent les utiliser. On a donc fait le choix ici, de supprimer tout simplement les SHS de notre analyse quantitative.
Je vais rapidement présenter les résultats. Je ne sais pas si vous voyez bien, mais, grosso modo, ce qu'il faut regarder sur ce tableau de régression, c'est finalement cette ligne avant et après ChatGPT. C'est juste une variable binaire. Et ce qui nous intéresse ici, ce n'est pas tant la significativité des coefficients, mais plutôt de savoir si l'effet est le même dans le test placebo que dans le test qu'on fait ici. Quand vous voyez un un coefficient finalement en rouge clair, ça veut dire qu'avant il y avait une tendance positive qui était observée et tout d'un coup, il n'y a plus de différence entre avant et après. Et quand vous voyez des chiffres en bleu, finalement ça veut dire qu'avant il n'y avait pas de différence dans nos tests placebo, mais après il y a une différence positive. On pourrait donc se dire, "Ah bah tiens, il y a un ralentissement dans la probabilité de mettre deux références ensemble. Les gens sont de moins en moins nouveaux, c'est à cause de chat GPT." Mais en fait, on va se rendre compte que dans notre enquête, ce n'est pas du tout vérifié. Par contre, ce qui est vérifié, c'est sur toutes les autres colonnes ici, les deux premières colonnes, ce sont sur les indicateurs de citations et les six autres colonnes, ce sont sur des indicateurs textuels. Et on a quelques indicateurs où on a effectivement un effet positif qui n'était pas là avant. Ça veut dire que la complexité linguistique, le niveau d'étude requis pour pouvoir lire le texte a augmenté par rapport à la période précédente. Au sujet de cette question d'homogénéisation, on ne va pas valider le fait qu'il y a un ralentissement tout simplement parce que dans notre enquête, ce qui ressort le plus, c'est que les gens n'utilisent pas les "LLM" pour faire des références, enfin pour faire de la recherche bibliographique. Donc, le fait que nos répondants nous disent "Bah non, nous on ne l'utilise pas" et qu'on ne voit pas trop d'effets, on ne va pas essayer de bâtir une histoire là-dessus. En revanche, s'il y a quelque chose sur laquelle nous avons bien des informations, c'est sur le fait qu'ils utilisent principalement les "LLM" pour pouvoir améliorer des contenus qui sont déjà existants plus que pour en créer des nouveaux. Ce n'est donc pas forcément non plus à l'étape de la recherche bibliographique que ça va être utilisé. À contrario, notre étude qualitative et notre enquête, révèlent que oui, en effet, les doctorants, utilisent à outrance les "LLM" pour pouvoir justement reformuler, améliorer la qualité de leurs textes. Quasiment les 3/4 des personnes utilisant les "LLM" dans le cadre de notre étude disent que pour eux, c'est au moins, de manière modérément importante qu'ils se servent de ChatGPT ou des "LLM" en général pour corriger la syntaxe, la grammaire, etc. On a 63 % de nos répondants qui disent que ça ça a bien amélioré la clarté et la manière dont ils pouvaient écrire, mais ça a aussi tout simplement permis d'automatiser certaines tâches et de rendre plus rapide leurs recherches. Il y a aussi quelques exemples de ce que nous avons pu avoir dans les questions plus ouvertes de nos questionnaires. Ce qu'il faut retenir ici, c'est qu'effectivement la majeure partie des gens revient sans cesse avec le fait qu'elle utilise ChatGPT pour des questions principalement d'écriture. Il y a beaucoup de personnes qui nous montrent quand même qu'ils ont une certaine réticence à l'utiliser aussi parce que tout simplement, ils trouvent que ChatGPT ou les "LLM" en général font énormément d'erreurs et inventent des sources. Même si c'est de moins en moins le cas, c'est quand même quelque chose qui colle à la peau de ChatGPT, des "LLM", c'est-à-dire qu'au tout début, on voyait vraiment des sources qui n'avaient rien à voir. Moi Personnellement, par rapport à mon expérience, je trouve que c'est de moins en moins le cas. J'ai de moins en moins de références qui n'existent pas, qui me sont proposées par les "LLM". Pourtant, on reste dans cette idée qu'ils n'en sont pas capables. Et finalement, ça se retranscrit encore dans les habitudes actuelles. Il y a quelque chose qui est assez intéressant qui est décrit par les doctorantes et doctorants ici, c'est de dire qu'à force d'utiliser ChatGPT, je vais moins parler avec mes collègues et je vais peut-être aussi utiliser ces outils pour pouvoir acquérir des connaissances qui ne sont pas vraiment disponibles dans mon laboratoire. Ça pose finalement la question de à quel point on arrive vraiment à maîtriser ses compétences quand on fait de l'apprentissage uniquement supervisé par un "LLM". Enfin, il y a vraiment toute une partie de nos répondants qui sont extrêmement critiques vis-à-vis des des "LLM" au niveau de l'éthique scientifique et des problématiques environnementales. On a en fait quasiment 20 % des gens qui nous répondent qu'ils sont
radicalement critiques par rapport à l'utilisation des "LMM". Ça fait quand même 1 personne sur 5, 1 doctorant sur 5. Pour résumer, pour le moment, ce qu'on voit nous dans notre étude c'est que les "LLM", l'IA générative n'ont pas l'air de vraiment impacter la manière dont les personnes utilisent des connaissances, citent des articles dans leur thèse mais par contre on voit bien qu'il y a effectivement une aide qui est apportée de la part des "LLM" sur l'écriture, sur les tâches liées par exemple aussi au "coding". On a 50 % des gens en fait qui nous répondent qu'ils utilisent aussi les "LLM" pour coder tout simplement. Ça c'est vrai que c'est une tâche qui est extrêmement utilisée. Ce qui est assez important, c'est de voir que, potentiellement, les "LLM" ne nous permettent pas spécialement d'être nouveau au niveau du système scientifique, de proposer des nouvelles idées. Mais quelque chose qui est potentiellement à analyser, c'est de voir si les "LLM" nous permettent d'avoir de nouvelles informations au niveau local, c'est-à-dire dans notre laboratoire, ce qui nous permet de faire le pont quand l'humain manque. Et donc justement, cette question de quand l'humain manque, c'est quelque chose aussi qu'on a retrouvé et qu'on aimerait un peu plus approfondir dans l'étude. On a posé des questions sur l'indépendance des doctorants vis-à-vis de leur directeur ou directrice durant le "PhD" et il y en a très peu qui disent que, finalement, les "LLM" leur ont permis d'être plus indépendants. Par contre, il y en a quand même 50 % qui nous disent qu'ils ont moins besoin de parler avec des collègues. Et ça, ça pose de nouveau cette question de l'apprentissage parce que quand on parle avec des collègues, du fait des interactions informelles qu'on peut avoir, ça permet de créer de nouvelles idées. C'est informel, on est détendu, on peut réfléchir facilement. Le fait d'apprendre à travers un "LLM", il y a déjà des évidences qui montrent que pour la même information, si c'est un "LLM" qui nous la donne ou si on est en train de la chercher sur internet, on la retient déjà moins bien. Donc finalement, une interaction humaine, ce sera forcément moins bien aussi. Donc il y a cette question de l'illusion de la compréhension en fait chez les doctorants. Est-ce qu'on a l'impression de comprendre finalement alors qu'en réalité si on nous demande d'expliquer, on ne comprend pas trop ? Donc ce sont aussi des questions qui sont ouvertes sur lesquelles il faut creuser pour voir un peu ce qui se passe. Et la grande question c'est est-ce qu'on fait notre étude trop tôt en fait ? Parce que finalement, les gens qui ont soutenu leur thèse au cours des dernières années, ont commencé à bâtir leur routine de travail sans ChatGPT. Ce ne sont donc pas des individus qui sont totalement formés sous la potentielle supervision de ChatGPT. Il va falloir attendre l'année prochaine pour avoir cette première génération de doctorants, donc 2026 où les gens qui finissent leur thèse
en 3 ans auront connu ChatGPT ou des "LLM" durant toute la durée de leur thèse. Ça peut changer aussi la donne. D'autant plus que dans nos réponses, on voit que les gens qui n'utilisaient pas l'IA, donc on a à peu près 40 % des gens dans nos réponses qui n'utilisaient pas l'IA durant leur thèse,. sur ces 40 % il n'y a plus que 12 % qui aujourd'hui, n'utilisent toujours pas l'IA. Donc finalement, en fait, tout le monde utilise l'IA maintenant, c'est sûr. L'IA qu'on avait en 2023 2024, elle n'est plus forcément exactement la même et aussi performante que ce qu'on est capable d'avoir aujourd'hui. Et donc la question, à terme, c'est est-ce que vraiment on va avoir des changements ou pas ? Pour le moment, on n'en observe pas tellement, mais ça ne veut pas dire que ce ne sera pas le cas pour la suite.
Voilà, je m'arrête là et je vous remercie pour votre attention.
Sandrine Wolff (Urfist de Strasbourg) — Alors, peut-être pour lancer un petit peu les discussions avant de passer la parole à à la salle, en vous écoutant, on a un peu l'impression quand même d'une opposition quelque part. Beaucoup de de crainte d'un côté, peut-être sur la perte de créativité, les problèmes de peer-reviewing qui ont été évoqués par Floriana et puis, quelque chose de plutôt rassurant du du côté des jeunes chercheurs.
Je me posais une question très simple puisqu'on est à une journée des Urfist, l'information scientifique et technique, cela passe par des recherches bibliographiques et donc des citations. Et est-ce que vous partagez tous les deux les craintes qui sont souvent mises en avant sur les pratiques citationnelles des chercheurs comme d'avoir des citations complètement fausses ou bien générées par hallucinations ou bien des tendances à l'homogénéisation finalement des corpus qui servent à faire les états de l'art ? Est-ce que vous partagez ces craintes là ou est-ce que vous êtes plutôt confiants sur l'avenir ? Vous ne devriez pas être trop 100 % d'accord là-dessus. Donc peut-être Floriana d'abord.
Floriana Gargiulo (GEMAS) — Je pense qu'en tout cas ces technologies sont en train d'évoluer très vite comme déjà dit et la question des hallucinations qui génèrent des fausses citations, etc., est en train de se corriger. On entraîne, on fait des "fine tuning" sur les publications scientifiques du Web of Science, on a des manières de les corriger. Donc, disons sur la question des fausses citations que je ne serai pas trop inquiète. La question du choix des citations,, par contre, c'est un peu différent. La science actuelle a déjà un cas problématique de surcharge. Même si on produit des recherches très proches, je vois les recherches des collègues présentées avant que je ne connaissais pas, même si sur des thèmes très proches du nôtre. C'est donc très difficile de se retrouver dans le monde académique si on fait les recherches tout seul, si on les fait avec l'IA. Nous, quand même, on va à des conférences, on rencontre des collègues, c'est quelque chose d'intéressant au sens de l'excellence de cette communauté, on arrive encore à repérer des liens. C'est difficile parce que le problème de surcharge est énorme. Mais encore, à travers la collectivisation, on arrive par des rencontres aléatoires à faire des découvertes qui sont loin des nôtres mais, en même temps, connectées, qui font avancer probablement, en variété, en différenciation des contenus de citations. L'IA nous fait des réponses proches de nos recherches. Donc, la proposition de l'IA sera quelque chose qui a déjà une grande popularité. C'est le concept d'avantage cumulatif de
Merton qui sera encore augmenté mais en même temps ça reste quelque chose de proche de nous. Donc, je pense que le problème c'est la variété et la distance des propositions faites par l'IA qui risquent d'accroître la littérature scientifique sans nous faire
faire de grandes découvertes.
Pierre Pelletier (Université de Strasbourg) — , je crois que je suis assez d'accord en fait sur la question des hallucinations. Je partage totalement ça. Je trouve que c'est de moins en moins visible et effectivement à terme, il n'y a pas de raison que ce ne soit pas
quelque chose qui soit corrigé. En termes de pratiques de citations, il y a cet effet Matthieu qui est déjà problématique, mais il y a aussi d'autres évidences qui montrent en fait que les pratiques de citations des "LLM" vont plutôt favoriser des articles qui sont avec des titres courts, avec des abstracts courts, etc. Donc même le choix en fait de la citation, il n'est pas induit que par le nombre de citations de l'article mais aussi par la structure de l'article. Peut-être qu'à terme aussi, les gens vont vouloir faire des articles qui ont des titres plus courts, des abstracts plus courts pour être plus référencés par des IA. Donc ça, ça implique d'autres problèmes à partir du moment où les chercheurs peuvent aussi anticiper la manière dont les IA sont utilisées et font des citations.
Sandrine Wolff (Urfist de Strasbourg) — Je pense que je peux passer la parole à la salle pour une dizaine de minutes sinon on n'aura pas le temps de vous interroger, enfin de vous laisser la parole. Je ne vais pas trop continuer sauf si personne ne se manifeste. J'ai quelques questions, ah...
Elsa Poupardin (Université Paris Cité) — Bonjour, une question toute bête. C'est quoi "Delve" ?
Pierre Pelletier (Université de Strasbourg) — Oui, oui c'est extrêmement utilisé. C'est toujours l'exemple qui est donné...
Elsa Poupardin (Université Paris Cité) — Mais du coup, ce sont des thèses en français ou en anglais que vous avez...
Pierre Pelletier (Université de Strasbourg) — Ce sont des thèses qui sont en Français ou en Anglais et on utilise uniquement les pages qui sont en Anglais, donc on a un algorithme qui vient détecter d'abord chaque page, est-ce que c'est du Français, est-ce que c'est de l'Anglais et tous les indicateurs de textes sont basés sur des pages en Anglais uniquement.
Question de la salle — Merci beaucoup pour ces présentations très intéressantes. J'avais une question.
Floriana Gargiulo a commencé avec cette citation de Sam Altman que, personnellement, je trouve extrêmement choquante et qui est une croyance, disons le comme telle. En ce qui me concerne, j'ai une autre croyance qui est totalement opposée à ça. Moi, ce que je voulais savoir c'est si dans dans les travaux que vous avez fait tous les deux, vous avez des éléments sur la perception, ça rejoint un peu la question d'Olivier tout à l'heure, la perception que le narratif qu'il y a sur l'IA et la citation de Sam Altman en fait partie, c'est-à-dire, au final, que de toute façon on va se faire dépasser par une intelligence qui serait supérieure à la nôtre a un impact sur la manière dont se perçoivent notamment les jeunes chercheurs d'une certaine manière ? Moi, je suis mathématicien, j'ai grandi dans les années 70 à l'époque où les calculatrices sont arrivées. On a été éduqués à continuer à faire des calculs et apprendre à faire des calculs. Et je suis toujours très perplexe sur la question. Alors, je ne suis pas en train de dire que je fais tous mes calculs à la main parce que ce n'est pas vrai, bien entendu, mais le fait de faire des calculs à la main m'a appris des choses sur les mathématiques bien au-delà de la simple capacité à réaliser une tâche qui en elle-même effectivement n'a pas beaucoup d'intérêt que de faire un calcul à la main. Et on peut aller très, très loin quand on prolonge cette idée-là. Et au final, cette idée que l'IA nous dépasserait en termes d'intelligence et qu'il y aurait quelque chose de l'ordre du prix Nobel, voilà, c'est une chose, mais d'autre part, cette idée qu'on se limiterait aux tâches qui seraient les plus créatives et que les autres, au fond, on les abandonnerait, passe complètement sous silence l'impact cognitif du fait d'effectuer un certain nombre de tâches, peut-être un petit peu laborieuses, mais parce qu'elles nous font apprendre des choses et ancrer en fait cognitivement des choses qui vont bien au-delà de la seule réalisation de ces tâches. Est-ce que vous avez déjà des éléments dans cette direction là sur les pratiques, alors en particulier Pierre Pelletier sur les pratiques des jeunes chercheurs ? Ce n'était peut-être pas dans vos questionnaires mais...
Pierre Pelletier, Université de Strasbourg — Alors non, ce n'était pas dans nos questionnaires mais en revanche, c'est vrai qu'il y a cet article que j'ai mentionné récemment qui essaie de voir comment l'âge justement influe sur comment on voit comme nouvelles ou pas les propositions faites par une intelligence artificielle. Donc le problème en fait qu'il y a dans cette étude, c'est que finalement, il n'y a pas de contrôle sur une suggestion faite par un humain. Du coup, on trouve que les jeunes vont avoir tendance à considérer que les réponses de l'IA sont plus nouvelles, donc vont avoir tendance à être impactés eux aussi plus par les réponses de l'IA, c'est-à-dire qu'ils vont modifier leurs propositions de recherche à la suite d'une suggestion de l'IA. Les personnes plus expérimentées ne vont pas le faire. Le problème c'est que l'on n'a pas vraiment la certitude sur cette étude de voir si les comportements seraient similaires si c'était un humain senior qui avait fait une suggestion au doctorant. Je pense qu'en étant doctorant, enfin il y a 3 ans, j'étais encore doctorant, si mon directeur de thèse m'avait fait une recommandation, j'aurais peut-être pris cette recommandation avec le même entrain que si c'était une IA. Donc là-dessus, je n'ai pas tellement d'éléments de réponse. Il y a des évidences empiriques. Après, voilà, je ne suis pas sûr de les croire entièrement. C'est pour cette raison que je viens temporiser justement. Mais après, je vous rejoins sur le fait qu'effectivement je parle d'IA prix Nobel 50, c'est effectivement un peu pour commencer la la discussion. Je n'y crois pas spécialement à l'heure actuelle. Mais je pense que c'est très important, effectivement, qu'on fasse ces tâches annexes et je pense que c'est aussi la raison pour laquelle quand on utilise un "LLM", on retient moins bien ce qu'il nous dit que quand on utilise finalement le net en général. Je pense à un exemple particulier, c'est quand on passe son temps à regarder des forums pour résoudre un problème dans un code, on lit finalement les réponses des autres personnes. Donc on a une compréhension contextuelle qui est beaucoup plus large puisque on a quelqu'un qui a un problème, on doit appliquer notre problème au sien, voir le lien entre les deux et ensuite lire la réponse d'autres personnes qui, parfois, n'a rien à voir avec notre réponse. Le "LLM" nous donne une réponse uniquement pour la tâche qu'on lui a demandé. Donc forcément, à chaque interaction qu'on a avec un "LLM" comparativement à internet, on a moins d'informations qui sont données.
Floriana Gargiulo (GEMAS) — J'ai vu passer sur ma page Facebook une pub d'IA pensée pour la recherche où dans les vidéos, il est proposé à un étudiant de doctorat de jouer sur son téléphone pendant qu'elle a fait sa recherche. Je trouve ça très significatif parce que c'est ça, un peu le message, la promesse faite à l'étudiant de doctorat, qu'il peut ne rien faire puisque c'est l'IA finalement qui fera son travail. Est-ce que c'est quelque chose qui est très loin de ce que nous demandent les institutions académiques ? On a des institutions académiques qui nous demandent d'avoir une production de plus en plus rapide. Il nous est demandé d'être jugés sur le nombre d'évaluations. Le Hcéres a jugé que le Collège de France n'est pas suffisamment productif. Donc l'A va résoudre les problèmes quantitatifs qui sont probablement demandés par beaucoup d'évaluateurs de la recherche
de beaucoup d'institutions. Donc c'est vrai, les prédictions de l'IA, par elles-mêmes vont produire de la recherche mais comme la calculatrice devenue un instrument qu'on enseigne depuis l'école, qu'on utilise depuis les années d'école tout en continuant à apprendre à faire des calculs sans cet instrument, je pense qu'il est très important d'introduire de la littératie sur l'utilisation de l'intelligence artificielle depuis l'école, de rendre donc les personnes capables d'interagir avec ce mécanisme et d'être suffisamment critiques. Bref, exercer sa capacité de critique humaine pour comprendre et savoir gérer ce type d'instruments, de technologies depuis qu'on l'utilise, depuis l'enfance donc.
Sandra Kerzanet (Santé publique France) — J''avais une question. Bonjour. Oui, je suis Sandra Kerzanet. Je suis documentaliste dans une agence publique qui s'appelle Santé publique France et se pose en fait la question de mon métier de documentaliste aujourd'hui, dans la salle on doit être assez nombreux en tant que bibliothécaires, documentalistes, chargés de recherche, chargés d'information, etc. Ce que disait Monsieur Pelletier m'interpelle particulièrement puisqu'on a des doctorants aussi qui viennent chez nous et qui nous sollicitent différemment et on a encore un petit peu du mal à savoir quelle posture on doit prendre en tant que professionnels de la recherche d'informations puisqu'avant ils venaient, ils nous demandaient une recherche sur Medline ou sur Scopus, on leur faisait leur recherche, on mettait ça dans une base End Note, ils sélectionnaient, etc.
Dorénavant, ce n'est plus tout à fait pareil, mais on n'a pas de visibilité sur ce qu'ils font. Donc nous, on est un peu aussi en tant que professionnels, en train de se chercher et un peu perdus par rapport à leurs pratiques. Et il faut aussi qu'on se resitue professionnellement. on s'aperçoit qu'ils ont besoin d'être formés aux outils et qu'on a un rôle aussi de charte interne et de transparence dans leurs travaux. Il faut qu'ils puissent aussi retracer, reproduire leurs recherches, etc. On s'aperçoit que ce
n'est plus possible en fait avec les outils de l'IA. Je ne sais pas si vous avez aussi dans vos étudiants certains qui font encore
un petit peu appel à des documentalistes, plus du tout ou alors qui font différemment appel à des documentalistes pour autre chose. Voilà.
Pierre Pelletier (Université de Strasbourg) — Du coup, je ne sais pas en fait parce qu'on ne leur a pas posé la question mais j'aimerais juste vous poser la question. Vous dites qu'il y a quelque chose qui a changé. Donc avant, ils venaient vous demander justement de faire une recherche pour eux sur Scopus... Qu'est-ce qui a changé maintenant ? Sur quel(s) aspect(s) vous voyez une différence justement ?
Sandra Kerzanet (Santé publique France) — Ils viennent moins nous voir en fait, donc forcément, notre métier pourrait être menacé. Il faut dire les choses. Et en même temps, on s'aperçoit qu'ils font des requêtes avec ChatGPT sur des bases comme Medline et, qu'en fait, c'est n'importe quoi au final. Mais malgré tout, si la requête n'est pas suffisamment poussée, ils ont quand même, néanmoins, des résultats qui ne sont pas complètement à côté de la plaque et même les équations de recherche, ne sont quand même pas si mal. Maintenant quand GPT propose une des équations sur Medline, elles ne sont pas si mal par rapport à il y a 2 ou
3 ans ou c'était n'importe quoi. Il inventait des termes de thésaurus, etc. Ce n'est plus tout à fait le cas... C'était aussi pour avoir peut-être d'autres témoignages dans la salle en fait, de la part de professionnels de l'info...
Claire Tignolet (Urfist de Paris) — Je pense qu'il y a des réponses qui seront aussi fournies dans les autres tables rondes. Donc voilà. Et on pourra échanger au moment de la pause. Je passe à une autre question.
Luc Bellier (MESRE) — Merci. Bonjour, Luc Bellier du Ministère supérieur de la recherche et de l'espace. Je me posais une question, Vous évoquiez à l'instant le fait que les IA encourageaient le raccourcissement des résumés, etc. et on constate par ailleurs qu'il y a une production de plus en plus importante d'articles encouragée par la pression à la publication, mais que ces articles sont aussi de plus en plus courts. Est-ce qu'il n'y a pas un phénomène d'entraînement double qui n'est pas que lié à l'IA mais aussi à un écosystème de publications scientifiques qui est moins exigeant, et on verra sans doute plus tard les questions d'évaluation assistée ou pas par l'IA, etc., mais où la question de l'évaluation des publications et en termes de volume de production, d'intérêt scientifique spécifique pour l'article et la publication est encouragé par les changements de modèle économique et les pressions faites sur les communautés de recherche à la publication ? Et là, comment on peut distinguer les effets propres à l'IA et les effets d'un écosystème plus global, que l'IA peut, par ailleurs alimenter ?
Floriana Gargiulo (GEMAS) — Oui, moi je je pense que la question de surcharge de la littérature scientifique, ça reste central parce que si on examine la situation actuelle, on voit que déjà le "peer-review" est en crise parce que le nombre de papiers qui sont envoyés ce n'est plus gérable par des "reviewers". Donc qu'est-ce qu'on fait ? on cherche les "technofix", on va chercher l'IA qui peut faire le travail des évaluations à la place des humains. Mais après, ça génère bien sûr des implications. Est ce que l'IA est capable
d'avoir un certain type de jugement ? Est-ce qu'on peut faire un "technofix" pour fixer les "technofix", pour enlever les hallucinations ? Peut-être, le problème, c'est déjà à la base dans l'écosystème scientifique actuel., un écosystème dans lequel on produit trop de papiers qui sont de plus en plus courts. Les revues prédatrices dont on parle beaucoup sont très peu diffusées, un peu en médecine mais ça reste un phénomène qui touche 2 % des publications en physique, en SHS... Donc ça reste un phénomène (marginal), même si on en parle beaucoup, donc c'est un "hype" médiatique aussi les revues prédatrices, ça n'est pas le moyen principal pour diffuser la science mais c'est vrai, que même si le niveau est bon, ça reste très difficile de se repérer. C'est comme naviguer dans un univers sans avoir une carte. Donc est-ce que l'IA peut créer cette carte ? Je ne sais pas parce que l'IA c'est fait toujours de raccourcis statistiques, donc elle va toujours indiquer des distances proches. Peut-être devons-nous réfléchir vraiment sur comment faire pour rendre la science plus diffusée. Peut-être des solutions sont à envisager, non pas sur la globalisation de plus en plus forte de la science mais sur des communautés scientifiques locales, sur des échanges locaux.
On ne peut pas seulement penser à l'internationalisation de la communauté scientifique. Peut-être faut-il avoir des communautés locales avec des échanges plus forts où les rencontres aléatoires sont davantage possibles. C'est mieux qu'avoir une littérature qui continue à grandir énormément à l'échelle internationale. Mais moi, je pense que la première chose sur laquelle on devrait réfléchir, c'est la structure du système actuel.
Sandrine Wolff (Urfist de Strasbourg) —Une question. Oui, Gabriel.
Claire Tignolet (Urfist de Paris) — Et après ce sera la pause de midi.
Gabriel Gallezot (Université de Côte d'Azur) — Une question courte. Du coup, est-ce que, puisque vous avez étudié les textes scientifiques, que ce soit les thèses ou les articles, est-ce que vous avez vu une mention de l'usage de l'IA dans ces textes ?
Pierre Pelletier (Université de Strasbourg) — Moi non, parce que je n'ai pas étudié l'IA Gen dans les articles scientifiques donc je ne me suis pas trop intéressé à cette question mais je sais que c'est visible. Le seul truc c'est que j'ai toujours un doute par rapport à ces mesures parce que la plupart des gens n'avoue pas en fait utiliser de l'intelligence artificielle d'autant plus chez les jeunes chercheurs, etc. Je pense que la plupart des gens n'avoue pas utiliser de l'intelligence artificielle. Donc même si c'est effectivement marqué dans certains articles. Oui, il y a l'utilisation de ChatGPT ou autre "LLM", je pense que c'est vraiment minime par rapport à l'utilisation réelle.
Floriana Gargiulo (GEMAS) — Je ne suis pas trop experte de ce type de questions lié à l'intégrité scientifique, mais je pense que les passages sur lesquels on devra discuter, se situent à la fin des papiers. On devrait avoir au moins un paragraphe dans lequel on indiquerait les crédits, qui a financé la recherche et une déclaration très claire sur quelle IA a été utilisée, à quel niveau et quand. Je pense que c'est le minimum nécessaire pour pouvoir continuer dans notre travail.
Claire Tignolet (Urfist de Paris) — Merci beaucoup. On peut encore vous applaudir pour cette intervention. [Applaudissements de la salle]