La révolution causale à l'ère de l'IA : Vers une approche hybride entre théorie scientifique et découverte automatisée
Notice bibliographique
Résumé
La “révolution causale” en sciences des données promet de transformer notre capacité à comprendre les relations causales complexes dans divers domaines. Cette présentation examine les rôles complémentaires des humains et des machines dans la modélisation causale, en prenant pour exemple la recherche sur le trouble de la personnalité limite. Nous analysons d’abord les limites des approches purement automatisées de découverte causale, particulièrement en présence de données manquantes ou partielles. Nous montrons ensuite comment les modèles théoriques issus des sciences sociales et de la santé peuvent servir de “priors” informatifs pour guider la construction de modèles causaux. En particulier, nous explorons l’utilisation du modèle écosocial de Krieger comme cadre théorique initial. Nous proposons une approche hybride qui combine systématiquement trois éléments : les modèles théoriques existants, l’expertise clinique, et les méthodes de découverte automatisée. Cette approche permet d’exploiter les forces complémentaires des humains (connaissance du contexte, jugement clinique) et des machines (traitement de grandes quantités de données, identification de motifs). Cette réflexion s’inscrit dans une perspective plus large sur l’automatisation en santé mentale, où la complémentarité homme-machine apparaît comme une piste à approfondir.
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 | 0,020 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,015 |
| Communication savante | 0,012 | 0,019 |
| Science ouverte | 0,005 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 ».