L'IA dans la revue de littérature : opportunité et risque
L'intelligence artificielle a envahi les workflows de recherche. Des outils comme Elicit, ASReview, Rayyan, Semantic Scholar, ResearchRabbit ou Scite promettent de réduire le temps de lecture, de triage et de synthèse. Ces promesses sont partiellement tenues — mais les risques méthodologiques sont réels si ces outils sont mal utilisés.
La règle centrale est simple : l'IA propose, le chercheur décide et justifie. Cette règle n'est pas seulement une précaution méthodologique — c'est une exigence éditoriale. COPE (Committee on Publication Ethics), ICMJE (International Committee of Medical Journal Editors) et WAME (World Association of Medical Editors) convergent sur le même principe : l'auteur demeure pleinement responsable du contenu, quels que soient les outils utilisés.
Zone verte — Ce que l'IA peut faire sans restriction majeure
Ces usages améliorent votre productivité sans compromettre la rigueur :
- Expansion de mots-clés — Un LLM peut suggérer des synonymes, des variantes terminologiques, des traductions et des termes connexes que vous n'auriez pas pensé à inclure dans votre stratégie de recherche.
- Clustering et cartographie — Des outils comme Open Knowledge Maps permettent de visualiser rapidement les sous-domaines d'un champ à partir d'une recherche.
- Priorisation du screening — ASReview (open source, « human-in-the-loop ») utilise l'apprentissage actif pour faire remonter les articles les plus pertinents en début de liste, réduisant le temps de triage sans automatiser les décisions d'inclusion.
- Veille et exploration de réseaux — ResearchRabbit et Litmaps facilitent le citation chaining visuel et la découverte de travaux connexes.
- Reformulation stylistique — Améliorer la clarté de vos propres notes ou synthèses déjà rédigées.
Zone orange — Ce qui nécessite une vérification systématique
Ces usages sont utiles mais réclament un contrôle humain sur chaque sortie :
- Résumés automatiques de PDFs — Des outils comme Elicit ou des LLMs généraux peuvent produire des résumés d'articles. Utiles pour dégrossir rapidement un grand corpus, mais à vérifier contre le texte original : les nuances, les limites et les résultats contradictoires sont souvent aplatis.
- Tables comparatives générées — Elicit propose notamment l'extraction automatique de données dans des tables structurées. Chaque cellule doit être vérifiée contre la source primaire avant usage dans votre revue.
- Réponses « grounded » d'outils académiques — Consensus et Semantic Scholar fournissent des réponses à des questions scientifiques en citant des sources. Utiles pour la découverte, mais les affirmations doivent être vérifiées individuellement.
- Screening collaboratif assisté — Rayyan propose des suggestions d'inclusion/exclusion basées sur l'historique de vos décisions. Ces suggestions sont plus fiables pour exclure des articles manifestement non pertinents que pour garantir l'inclusion de tous les articles pertinents.
Zone rouge — Ce qu'il ne faut jamais déléguer à l'IA
Ces pratiques sont méthodologiquement inacceptables et peuvent invalider votre revue :
- Décisions d'inclusion/exclusion opaques — Laisser un algorithme décider seul, sans que chaque décision soit documentée et vérifiable, contrevient aux principes de reproductibilité.
- Bibliographies générées sans contrôle — Les LLMs généraux hallucinent des références. Une citation « fantôme » dans une revue académique est une faute grave.
- Rédaction autonome des résultats ou de la discussion — Un texte généré par IA sur votre question de recherche n'a pas lu les articles que vous avez sélectionnés. Il synthétise son entraînement, pas votre corpus.
- Attribution à l'IA comme co-auteur — L'ICMJE rappelle explicitement que les outils d'IA ne peuvent pas être désignés comme auteurs. La responsabilité d'auteur implique une reddition de comptes que les systèmes d'IA ne peuvent pas assumer.
Comment déclarer l'usage de l'IA
La déclaration d'usage de l'IA est devenue une exigence dans de nombreuses revues. Voici un modèle adapté à la section « Méthodes » d'une revue de littérature :
« Des outils d'intelligence artificielle ont été utilisés à des fins d'assistance lors de la phase de screening pour la priorisation des titres et résumés [ASReview, version X]. Aucune décision d'inclusion ou d'exclusion n'a été prise automatiquement : toutes les décisions finales ont été prises par les auteurs. Aucun outil d'IA générative n'a été utilisé pour la rédaction des résultats ou de la discussion. »
Adaptez ce modèle à vos outils réels et à votre usage effectif. La précision vaut mieux que le silence.
Les outils en détail
Semantic Scholar
Moteur de recherche académique gratuit maintenu par l'Allen Institute for AI. Offre une recherche sémantique, des résumés générés par IA et des graphes de citations. Utile comme radar complémentaire, notamment pour les articles en informatique et en sciences cognitives.
Elicit
Plus orienté vers l'automatisation de workflows de revue : recherche, résumé par colonnes, extraction de données. Le plan gratuit est limité, mais suffisant pour explorer la fonctionnalité. Chaque extraction reste à vérifier.
Rayyan
Interface web de screening collaboratif. Plan gratuit disponible. Permet d'importer des résultats de recherche, de les trier à deux réviseurs et de voir les suggestions de l'algorithme. Bonne option pour les équipes.
ASReview
Logiciel open source d'apprentissage actif pour le screening. Le chercheur étiquette des articles pertinents/non pertinents ; le modèle réordonne la liste pour que les articles les plus susceptibles d'être pertinents remontent. Transparent, documentable, recommandé pour les grands corpus.
ResearchRabbit
Outil de visualisation de réseaux de citations. Gratuit dans sa version de base. Excellent pour le citation chaining et pour identifier des clusters de littérature connexe.
Scite
Ajoute le contexte des citations : un article est-il mentionné, soutenu ou contredit par les travaux ultérieurs ? Très utile pour évaluer la réception d'une étude clé dans la littérature.