Notice bibliographique
Résumé
This paper reports a comparative study of the ways in which large language models understand and represent the domain of information science. Five large language models were selected for this study, namely ChatGPT, Perplexity.ai, Google Gemini, Meta AI and Claude. A set of five prompts were utilized in this study for comparison. The findings suggest differences and variations in how these LLMs conceptualize and represent information science, its definitions and interdisciplinarity, theoretical models, and methods. Conceptualisations des sciences de l'information par les grands modèles de language RésuméCet article porte sur une étude comparative étayant comment les grands modèles de langage comprennent et représentent le domaine des sciences de l'information. Cinq grands modèles de langage ont été sélectionnés pour cette étude, c'est-à-dire ChatGPT, Perplexity.ai, Google Gemini, Meta AI et Claude. Un ensemble de cinq instructions ont été utilisés pour la comparaison au sein de cette étude. Les résultats suggèrent des différences et des variations par rapport à comment ces grands modèles de langage conceptualisent et représentent les sciences de l'information et ses définitions, ainsi que l'interdisciplinarité, les modèles théoriques et les méthodes. Mots-ClésGrands modèles de langage; GML; Sciences de l'information; Analyse de domaine
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 | 0,019 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,008 | 0,019 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».