Towards artificial intelligence assistants for the information ecosystem
Notice bibliographique
Résumé
L'ère numérique et l'ère de l'Intelligence Artificielle (IA) générative ont eu un impact transformateur sur l'accès et la diffusion de l'information, souvent de manière positive. Cependant, ces développements risquent également de noyer le contenu fiable sous un déluge de fausses nouvelles et de désinformation. Cette thèse soutient que l'objectif d'intégrité de l'information doit dépasser une focalisation étroite sur l'exactitude et aborder les problèmes fondamentaux dans la manière dont nous construisons et évaluons les assistants d'information d'IA.Premièrement, ce travail remet en question les fondations fragiles d'une grande partie de la recherche existante portant sur la détection de la désinformation. Cette démarche repose sur une comparaison approfondie de systèmes complexes et spécialisés par domaine, mettant en évidence leur incapacité à surpasser systématiquement la performance de simples modèles de référence génériques. Nous poursuivons avec une évaluation critique à grande échelle des bases de données et des protocoles d'évaluation par domaine, mettant en lumière des failles systémiques telles que des corrélations fallacieuses, des cas ambigus et des mesures inadéquates, tous susceptibles de conduire à des conclusions trompeuses quant à l'efficacité des modèles.Deuxièmement, reconnaissant que des systèmes d'IA parfaitement infaillibles sont inatteignables, cette thèse se tourne vers la conception d'assistants utiles et dignes de confiance pour détecter la désinformation même lorsque ceux-ci sont potentiellement incorrects. Nous démontrons que les grands modèles de langage (LLMs) modernes offrent une généralisation supérieure. Nous développons et évaluons ensuite des méthodes pour une quantification productive de l'incertitude, qui permet à un modèle de reconnaître les limites de ses connaissances, et concevons un cadre de génération augmentée par la récupération (RAG) pour fonder ses jugements sur des preuves externes et vérifiables provenant du web. Enfin, ces principes sont intégrés dans Veracity, un système de vérification des faits par l'IA entièrement fonctionnel et \textit{open-source} qui sert à la fois de preuve de concept et de plateforme pour des recherches futures.Collectivement, ces contributions tracent une feuille de route, de la critique à la construction et à l'application, pour développer des outils d'IA faillibles mais fiables, capables d'aider les utilisateurs à naviguer de manière éclairée dans un écosystème d'information complexe et souvent trompeur
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 | 0,010 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,010 | 0,012 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,004 |
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 ».