Politique d’IA et ressources
Le labo SAGE encourage une utilisation réfléchie de l’IA pour la recherche et l’apprentissage. Utilisez-la pour améliorer le travail et développer votre compréhension. Vous demeurez responsable de ce que vous soumettez, partagez ou publiez.
Rehausser les exigences
Notre objectif est de rehausser les exigences à effort constant, plutôt que de maintenir les mêmes exigences en réduisant l’effort. Réinvestissez le temps gagné dans l’apprentissage, la vérification des sources, les tests des analyses et l’examen d’autres explications. La vérification fait partie du travail de recherche. Il s’agit de mieux utiliser une charge de travail soutenable, sans allonger les heures de travail.
Utiliser l’IA avec un objectif
L’IA peut aider à comprendre une méthode, explorer des idées, écrire et corriger du code, améliorer un texte et examiner une étude ou un manuscrit. Choisissez des outils adaptés et discutez des usages importants avec votre direction ou vos collaborateurs. Convenez des accès et des coûts avant de choisir des outils payants; un abonnement personnel ne doit pas être tenu pour acquis.
Développer une compréhension utilisable
Utilisez l’IA pour apprendre des concepts et des méthodes qui seraient autrement trop difficiles ou trop longs à aborder. Demandez des exemples détaillés, des explications concurrentes, des exercices et de la rétroaction sur votre raisonnement. Développez vos bases en statistiques, en conception de recherches et en pensée critique pour pouvoir juger si les choix et les conclusions d’une IA sont justifiés.
Nous visons un cercle vertueux : l’IA soutient un apprentissage approfondi; cette compréhension renforce votre capacité à questionner et vérifier l’IA; de meilleures vérifications améliorent à la fois vos recherches et votre compréhension.
Pouvez-vous expliquer pourquoi une méthode convient à la question, préciser ses hypothèses, repérer un résultat trompeur et le vérifier à partir des données ou des sources originales? Sinon, utilisez cette lacune pour orienter votre apprentissage et votre encadrement. Pour les tâches de formation, convenez de ce qui doit être essayé sans aide et de l’assistance appropriée. Lisez les articles originaux sur lesquels vous vous appuyez et signalez tôt les incertitudes et les erreurs à votre direction.
Vérifier avant de partager
- Sources : consultez la référence originale et vérifiez qu’elle appuie l’affirmation. Ne citez jamais une source uniquement parce qu’une IA l’a proposée.
- Analyses : exécutez le code, examinez les transformations des données et vérifiez les hypothèses et résultats par rapport à la question de recherche.
- Textes : vérifiez les faits, nombres, citations et conclusions. Vous devez pouvoir expliquer et défendre le travail.
- Critiques par IA : évaluez chaque suggestion à partir des données probantes. Un avis assuré, ou l’accord de plusieurs modèles, ne constitue pas une confirmation indépendante.
Avant de diffuser un manuscrit, envisagez une critique ou une vérification de reproductibilité assistée par IA lorsque les autorisations et la confidentialité le permettent. Les résultats servent à orienter les vérifications et les échanges avec les coauteurs.
Quelques outils à explorer à cette étape :
- Stanford Agentic Reviewer (PaperReview.ai) : des commentaires sur le manuscrit appuyés par des travaux connexes sur arXiv. Sa documentation précise que la couverture peut être moins bonne dans les domaines moins présents sur arXiv; l’outil traite actuellement les articles en anglais.
- statcheck : un outil complémentaire sans IA qui recalcule les valeurs p de certains tests statistiques présentés au format APA. Il vérifie la cohérence des résultats rapportés, pas la pertinence de l’analyse ou du devis.
Une évaluation du manuscrit ne démontre pas sa reproductibilité informatique : réexécutez le code d’analyse sur les données appropriées et comparez les sorties aux résultats rapportés. Vérifiez les autorisations, le traitement des données et les coûts avant tout transfert; ces liens présentent des options à évaluer, sans achat obligatoire ni garantie d’exactitude.
Pour des exemples de rapports de recherche assistés par IA, explorez The File Drawer, une archive d’études et d’explorations précisant la provenance de chaque article. Ses rapports constituent des pistes pour examiner les travaux sous-jacents, plutôt que des résultats établis ou un service d’évaluation de manuscrits.
Utilisez le contrôle de version, testez les fonctions réutilisables et maintenez une documentation claire. Le code produit par IA nécessite les mêmes vérifications que tout autre code de recherche.
Protéger les données et les travaux confidentiels
Ne transmettez pas à un service d’IA des données permettant d’identifier des participants, des dossiers confidentiels, des identifiants d’accès ou du matériel reçu dans une évaluation confidentielle sans autorisation explicite et garanties adaptées. Retirer les noms ne suffit pas toujours à anonymiser les données. Vérifiez les exigences institutionnelles, approbations éthiques, consentements, ententes et pratiques de traitement des données de l’outil avant tout transfert. En cas de doute, demandez conseil; utilisez entre-temps des exemples publics ou synthétiques.
Documenter les usages importants
Conservez ce qui permet de comprendre et reproduire les travaux assistés par IA : outil et modèle, date ou version, instructions et paramètres pertinents, code, résultats et vérifications humaines. Consignez les décisions importantes. Lorsque l’IA constitue une méthode de recherche, décrivez la procédure dans la méthodologie et conservez le matériel approprié.
Discutez de l’aide importante avec les coauteurs et déclarez-la selon les exigences de la revue, de l’organisme subventionnaire, de l’établissement ou du cours. Les auteurs humains demeurent responsables; les outils d’IA ne sont pas coauteurs. Les règles des cours et de l’évaluation par les pairs peuvent différer des pratiques quotidiennes du labo.
Respecter le temps des lecteurs
Identifiez clairement les suggestions ou critiques produites par IA que vous partagez. Relisez et révisez les documents avant de les transmettre; donnez à vos collègues une présentation concise de l’essentiel et de ce que vous attendez d’eux.
Ressources pour alimenter la discussion
- King et Worthington (2026) : AI Article Reviews Dominate Human Peer Reviews at Their Best: Evidence and Policy Choices (en anglais). Une étude sur les évaluations produites par IA et les politiques des revues; ses résultats doivent être interprétés selon la portée de l’étude.
- Michael Frank : My lab’s AI policies and norms (en anglais). Des conseils pratiques sur l’évaluation par IA, la déclaration des usages, la protection des données, la qualité du code et l’apprentissage. Ses restrictions sur la rédaction des manuscrits sont propres à ce labo.
Ces pratiques évolueront avec les outils, les données probantes et les exigences institutionnelles.