Tendances et perspectives de l’intelligence artificielle dans le secteur de l’information-documentation : vision prospective R&D et applications dans le monde des affaires
Notice bibliographique
Résumé
L’intelligence artificielle envahit le monde. Le secteur de l’information et de la documentation ne lui échappe pas d’autant qu’il est en réalité l’un des tout premiers secteurs sur lequel elle a fait ses armes et forgé ses premières victoires. Indexation automatique, moteur de recherche, traduction automatique, reconnaissance d’image, analyse sémantique de contenu, Text Mining , résumé automatique et plus généralement, traitement automatique des langues, étaient les prémisses de cette révolution bouleversante qu’apporte l’IA. Est-ce à dire que tout a été réalisé ? Certes non ! De nouvelles approches, fondées sur des données multimodales et des modèles de langage prometteurs, tels que Embedded Word , Bert, GPT, font l’objet de travaux très importants en R&D. Ces dernières innovations s’intègrent au sein de développements logiciels de plus en plus utilisés dans le monde des affaires, notamment de la presse, de l’édition et de la production cinématographique.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,010 |
| Communication savante | 0,023 | 0,020 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».