Intelligence artificielle générative et usages scientifiques : les bibliothèques face à une littératie post-informationnelle
Notice bibliographique
Résumé
L’intelligence artificielle générative (IAG) se fait de plus en plus présente dans la recherche scientifique, sous la forme de robots conversationnels comme ChatGPT, qui facilitent la découverte, l’analyse et la rédaction. La première partie de l’article passe en revue l’architecture complexe de l’intelligence artificielle, les avantages et les risques socioéthiques associés à son utilisation en milieu universitaire. Une sélection d’assistants virtuels classés selon leur fonction est proposée, ainsi qu’une grille d’évaluation de ces outils. La technologie générative agit comme catalyseur des mutations profondes dans la culture informationnelle, en remettant en question les méthodes de recherche d’information et la propriété intellectuelle sur le contenu algorithmique. La seconde partie est centrée sur la littératie IA ( AI literacy ) et son intersection avec la littératie informationnelle, ce qui fera ressortir les lacunes de la littérature et le besoin d’études subséquentes. L’intelligence artificielle étant un phénomène cumulatif, fort spécialisé et très controversé, les bibliothèques universitaires ne sont pas encore équipées pour une implantation avisée de cette technologie, d’où l’importance de mettre sur pied un nouveau cadre de compétences et un programme de formation adaptés aux métiers de l’information et de la documentation.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,006 | 0,022 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,067 | 0,106 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».