L’intelligence artificielle au Québec: « révolution » et ressources publiques
Notice bibliographique
Résumé
Maxime Colleret et Yves GingrasDepuis le milieu de la décennie 2010, l'intelligence artificielle (IA) est sur toutes les lèvres : celles des politiciens, des universitaires, des entrepreneurs, des journalistes, des cinéastes et des enthousiastes de technologies.À l'échelle planétaire, des milliards de dollars sont investis par les États dans ce qui est présenté comme une « course contre la montre » visant à sécuriser un hypothétique « avantage […] face à la concurrence internationale » (COGIA, 2018, p. 12).Après d'autres technologies, l'IA profite d'un engouement aux accents hyperboliques, et les acteurs les plus stratégiques de ce domaine de recherche profitent de cette conjoncture pour tenter de convaincre les gouvernements d'investir massivement afin de ne pas rater cette quatrième, sinon cinquième « révolution industrielle ».Le Canada et le Québec n'échappent pas à ce mouvement.À lui seul, le gouvernement québécois a annoncé, dans son budget de l'année financière 2019-2020, des investissements de plus de 329 millions de dollars sur 5 ans pour appuyer le développement et l'adoption de l'IA dans divers secteurs industriels (Québec, 2019).Présentée comme la pièce maîtresse de la prochaine révolution industrielle, l'IA est actuellement portée par un enthousiasme caractéristique des promesses technologiques qui se succèdent
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,006 | 0,009 |
| Communication savante | 0,012 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,001 |
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 ».