Les scientifiques génèrent plus de 10 millions d’articles de recherche chaque année, mais tous les résultats ne sont pas fiables. Le défi consiste à identifier rapidement des études fiables, avant que des efforts inutiles ou des décisions politiques erronées n’en résultent. Pendant des années, l’examen par les pairs et la réplication ont été la norme, mais tous deux sont lents et coûteux.
Le projet SCORE financé par la DARPA
En 2017, la Defense Advanced Research Projects Agency (DARPA) a lancé le projet Systematizing Confidence in Open Research and Evidence (SCORE). Dirigé par Adam Russell, l’objectif était de développer des systèmes d’IA capables de prédire la validité à long terme d’une étude avant sa réplication. Le projet visait à créer une « cote de crédit » pour la recherche scientifique, permettant aux décideurs d’évaluer la fiabilité d’un seul coup d’œil.
Comment ça marche
Les systèmes d’IA analysent la nouvelle littérature scientifique à l’aide de mesures non divulguées. La méthodologie sous-jacente reste floue, même si elle implique probablement l’exploration de données, la modélisation statistique et potentiellement l’analyse du réseau de citations. Le principe est que les modèles de conception, de méthodologie et de validation précoce de la recherche peuvent révéler des vulnérabilités.
Pourquoi c’est important
Les implications sont importantes. Une science fiable sous-tend la politique, la médecine et la technologie. Une évaluation plus rapide réduit le gaspillage de ressources sur des études erronées. Cependant, il existe des risques. Une dépendance excessive à l’égard de l’IA pourrait étouffer la recherche exploratoire ou renforcer les préjugés existants au sein de la communauté scientifique. Le véritable défi est d’assurer la transparence et d’empêcher le contrôle algorithmique.
« Le but n’est pas d’éliminer les risques, mais de prendre plus rapidement des décisions éclairées. » — Adam Russell, Université de Californie du Sud
Le projet SCORE met en évidence une tendance plus large : l’intégration de l’apprentissage automatique dans la validation scientifique. Même si la réplication reste essentielle, les outils basés sur l’IA deviendront probablement de plus en plus influents pour déterminer quelles recherches gagnent du terrain et lesquelles sombrent dans l’obscurité.
