Dans le nouveau paradigme de la publication, l’IA est indispensable

Les modèles d’édition traditionnels se transforment rapidement à mesure que le soutien croissant à l’accès ouvert continue de s’envoler. L’année dernière, les soumissions ont bondi de 30%, selon Springer Nature. Mais cette demande se révèle être une arme à double tranchant, les articles rétractés ayant atteint un record historique au cours de la dernière décennie, et les revues sont submergées d’articles générés par l’IA et de recherches fabriquées.

Naturellement, cela crée des goulets d’étranglement qui nuisent aux éditeurs, aux chercheurs et aux évaluateurs. Les publications peinent à respecter les calendriers éditoriaux parce que les évaluateurs se précipitent pour examiner les articles, et les auteurs restent en attente pendant des mois, voire des années, pour être publiés. Le modèle actuel d’évaluation par les pairs n’a jamais été conçu pour soutenir une telle ampleur de demande.

Dans ce contexte, il est essentiel de reconnaître le rôle de l’IA comme outil de soutien indispensable pour renforcer les processus d’évaluation par les pairs existants et aider l’industrie à surmonter ses plus grands obstacles.

Pourquoi les processus traditionnels s’effondrent

L’évaluation par les pairs est un travail non rémunéré. Les évaluateurs offrent bénévolement leur temps en signe de bonne volonté envers les communautés académiques et scientifiques. Les exigences sont élevées et les récompenses moins attrayantes, toutes les pressions se cumulant. En raison de la demande croissante et des contraintes excessives, de moins en moins d’évaluateurs acceptent les invitations à examiner des articles. De plus, la recherche d’évaluateurs constitue un défi grandissant pour les éditeurs, ce qui aggrave les arriérés et allonge les délais de publication.

Parallèlement, les universitaires sont confrontés à un environnement « publier ou périr ». Pour progresser professionnellement, on attend d’eux qu’ils aient publié dans un paysage de plus en plus congestionné. Il s’agit d’une attente universelle à l’échelle mondiale, et la pression pour se démarquer dans ce bruit, en plus de la contrainte de répondre à la demande qui en découle, est forte. Ces facteurs sont à l’origine de la crise de l’évaluation par les pairs, où le système actuel, tel qu’il est, n’est pas durable.

Pour clarifier, les outils d’IA ne doivent pas être adoptés dans le processus d’évaluation par les pairs afin de remplacer le jugement humain, mais plutôt pour le renforcer. Les auteurs et les éditeurs attendent un certain niveau de respect et de dévouement dans le processus d’évaluation, comme c’est le cas pour la recherche.

Cependant, de petites erreurs peuvent facilement passer inaperçues, surtout lorsque les évaluateurs se précipitent pour examiner un grand nombre d’articles. Pour illustrer, une étude a révélé qu’en 2020, plus de 100 millions d’heures – soit l’équivalent de 15 000 ans – ont été consacrées aux évaluations par les pairs à l’échelle mondiale.

Cela ne rend toutefois pas ces erreurs acceptables. Ce qui peut sembler être une négligence insignifiante, comme un défaut minime dans les données, peut nuire à la perception qu’ont les lecteurs de la qualité de la recherche.

L’IA comme outil de soutien, pas comme substitut

Les outils d’IA signalent les erreurs subtiles qui pourraient autrement passer inaperçues. Les erreurs de citation, les omissions de données et les chevauchements potentiels avec la littérature existante ne sont que quelques exemples d’erreurs petites mais significatives que les évaluateurs peuvent manquer.

Ces outils sont conçus pour gérer des tâches à faible risque afin que les évaluateurs puissent se concentrer sur les aspects plus avancés de l’édition, tels que l’analyse experte et l’évaluation contextuelle. Un outil est limité aux données qui lui sont fournies, mais un évaluateur humain doté d’une expertise spécialisée peut contextualiser la recherche à un niveau bien plus large et éclairé. De plus, un algorithme ne peut remplacer le raisonnement subtil des experts du domaine, et ne le devrait pas. Il peut toutefois alléger certaines des charges de moindre importance auxquelles ils sont confrontés.

L’IA peut aider les évaluateurs à fournir des commentaires plus clairs et plus perspicaces, mais uniquement lorsqu’elle est utilisée judicieusement. Elle peut aider à vérifier les citations, à mettre en évidence les problèmes méthodologiques, à détecter les données manquantes et à repérer les similitudes avec des recherches publiées antérieurement. Une autre raison pour laquelle elle séduit les évaluateurs est le potentiel de la recherche assistée par l’IA à les tenir informés des nouvelles connaissances.

De manière cruciale, cependant, les leaders de l’industrie, tels que les rédacteurs en chef senior chez Elsevier, soutiennent importance de l’équilibre. Ils le considèrent comme un outil utile pour améliorer la qualité des évaluations, mais uniquement lorsqu’il est appliqué de façon éthique et toujours sous supervision humaine.

Aborder les implications plus larges de l’adoption de l’IA

Des inquiétudes abondent au sein de la communauté académique. Récemment, des chercheurs ont constaté que l’afflux de soumissions post-ChatGPT a augmenté de 42%, mais la qualité de la rédaction en a malheureusement souffert. La même étude a également signalé des préoccupations quant à la manière dont l’IA est utilisée pour éclairer les décisions éditoriales lorsqu’elle est employée dans les évaluations par les pairs.

De plus, les directives et les réglementations sont encore en train de rattraper la technologie afin de garantir que les outils sont utilisés de manière éthique et modérée. Les individus et les publications doivent tous deux comprendre les risques associés. L’abus de ces outils garantit l’apparition de biais, d’hallucinations, de conclusions incorrectes et de fausses perceptions.

La communauté de la publication académique s’inquiète également de la confidentialité et de la protection de la vie privée. Les auteurs ont tendance à se sentir mal à l’aise lorsque des outils externes sont intégrés au processus d’évaluation, en particulier dans les cas où la recherche contient des données sensibles. Cette anxiété face aux fuites potentielles est compréhensible compte tenu du temps et des efforts que les auteurs consacrent à leurs travaux.

Pour ces raisons, les perceptions de l’IA dans le processus d’évaluation sont assez faibles. Une recherche conjointe de KPMG et de l’Université de Melbourne a révélé que 46% des personnes sont disposées à faire confiance à l’IA. Cette enquête a également montré qu’une large majorité (70 %) estime que la réglementation est nécessaire.

Ces facteurs doivent être pris en compte, ce qui nécessite formation et transparence quant à l’application de l’IA, quel que soit le degré d’utilisation dans les évaluations par les pairs. Toute personne utilisant l’IA dans le processus d’évaluation doit en comprendre les meilleures pratiques et faire preuve de pensée critique tout au long du processus. Les évaluateurs et les équipes éditoriales devront développer leurs compétences en IA et en littératie des données, ce qui inclut la capacité à interpréter le comportement des modèles, à reconnaître leurs limites et à atténuer les risques tels que les hallucinations.

La transparence est fondamentale pour les stratégies d’adoption, et les publications ainsi que les évaluateurs doivent être prêts à clarifier et justifier le déploiement de l’IA. Des audits réguliers peuvent aider à confirmer la précision et la fiabilité. Il est également crucial que les publications précisent comment les modèles sont entraînés et quelles données les guident. Dans le milieu académique, les auteurs doivent toujours démontrer leurs méthodes de recherche et leur raisonnement. Le même niveau de divulgation devrait s’appliquer à l’utilisation de l’IA.

La sécurité de ces outils ne peut pas non plus être négligée. Le chiffrement des données ajoute une couche de protection cybernétique indispensable contre les menaces tierces, telles que d’éventuelles tentatives de piratage. De nouveau, les audits sont une composante essentielle du renforcement de la sécurité, car ils sont conçus pour détecter les points aveugles avant qu’ils ne causent des dommages.

Le secteur se trouve à un carrefour, soit en choisissant de rejeter la technologie afin de rester fidèle aux modèles traditionnels de validation de la recherche, soit en l’adoptant. Le premier cas signifie qu’il ne s’agit que d’une question de temps avant que le processus ne s’effondre sous la pression de la demande. Le second, en revanche, donne aux éditeurs et aux évaluateurs les moyens non seulement de suivre le rythme, mais aussi de devancer la demande croissante.