Intelligence artificielle générative et usages scientifiques : les bibliothèques face à une littératie post-informationnelle
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.010 | 0.011 |
| Science and technology studies | 0.005 | 0.012 |
| Scholarly communication | 0.016 | 0.015 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.016 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".