L’IA transforme-t-elle l’écriture universitaire ? En observant directement le processus de rédaction d’étudiants, une étude pilote suggère que les outils génératifs servent surtout à débloquer les idées et à retravailler les textes, sans remplacer entièrement l’auteur.

Les débats sur l’IA générative dans l’enseignement supérieur se sont appuyés sur des études portant sur des travaux d’étudiants déjà terminés, ou sur des données d’enquête déclaratives. Ces recherches montrent que les outils d’intelligence artificielle peuvent soutenir l’apprentissage, mais elles ont aussi soulevé des inquiétudes, notamment concernant la dépendance excessive des étudiants, la triche et la possible dégradation de l’esprit critique et de l’engagement.

Si ces types d’études offrent des instantanés intéressants des pratiques déclarées, leurs méthodologies peuvent toutefois passer à côté d’un aspect essentiel : la manière dont l’écriture se déroule réellement lorsque les étudiants rédigent avec l’aide de l’IA.

L'étude pilote que j’ai menée auprès d’étudiants de premier cycle à Kennesaw State University adopte une approche différente. En utilisant des protocoles de pensée à voix haute (think aloud protocols) – une méthode dans laquelle les participants verbalisent leurs pensées pendant qu’ils réalisent une tâche – notre recherche observe comment les étudiants interagissent avec les outils d’IA générative pendant le processus même d’écriture. Cette méthode permet de comprendre les processus de décision au moment où ils se produisent.

Nos premiers résultats suggèrent une réalité plus complexe que le récit souvent avancé selon lequel les étudiants se contenteraient de laisser l’IA rédiger leurs devoirs. Au contraire, beaucoup semblent négocier quand et comment l’IA a sa place dans leur travail d’écriture.

Regarder à l’intérieur du processus d’écriture

Dans notre étude, 20 étudiants de premier cycle ont réalisé une session d’écriture de vingt minutes en réponse à la consigne suivante :

Les gens passent beaucoup de temps à essayer d’atteindre la perfection dans leur vie personnelle ou professionnelle. Ils exigent souvent la perfection des autres, créant des attentes difficiles à satisfaire. À l’inverse, certaines personnes pensent que la perfection n’est ni atteignable ni souhaitable.

La tâche consistait à rédiger une thèse ainsi que des paragraphes argumentés fondés sur des éléments de preuve pour défendre leur position sur la valeur de la quête de perfection. Les étudiants savaient qu’ils n’étaient pas censés terminer leur texte, mais plutôt avancer dans leur processus d’écriture en direction d’un texte achevé. On leur a également précisé qu’il n’existait pas de bonne ou de mauvaise manière d’utiliser l’IA, et qu’ils devaient utiliser l’IA générative exactement comme ils le feraient habituellement lorsqu’ils écrivent.

Plutôt que d’observer directement les étudiants, l’étude s’est appuyée sur des captures d’écran réalisées après la session et sur l’analyse des descriptions que les étudiants ont faites de leur propre processus d'écriture. La collecte de ces données – leurs actions sur l’ordinateur et les transcriptions des enregistrements vocaux – a permis aux chercheurs d’analyser le processus sans l’interrompre.

Afin de réduire le risque que les étudiants modifient leur comportement s’ils se sentaient observés, les chercheurs ont lancé un minuteur puis quitté la salle pendant la session d’écriture. L’objectif était ainsi de limiter l’effet Hawthorne, un phénomène par lequel les individus modifient leur comportement parce qu’ils savent qu’ils sont observés.

Ce que nous avons observé

À travers les transcriptions, quelques tendances qualitatives sont apparues de manière récurrente dans la façon dont les étudiants collaboraient avec l’IA pendant l’écriture. D’abord, de nombreux participants se sont tournés vers ces outils au début du processus d’écriture afin de générer des idées ou d’esquisser une thèse.

On voit alors ces étudiants utiliser les propositions produites par l’IA pour stimuler et structurer leurs propres idées. Un étudiant décrit cette stratégie ainsi : « Après [avoir généré quelques idées], j’utilise généralement simplement ce [résultat] comme point de départ. »

Dans ces moments-là, l’IA fonctionnait moins comme une réponse définitive que comme un outil de remue-méninges aidant les étudiants à dépasser l’angoisse de la page blanche.

D'ailleurs, les étudiants poursuivaient souvent la rédaction de manière autonome après avoir généré ces premières idées. De nombreuses transcriptions contiennent des phrases comme « Je pense que ma thèse devrait être… » ou « Laisse-moi écrire cette partie », ce qui suggère que certains étudiants conservaient la maîtrise de leur argumentation.

Corriger le bot

Un autre motif fort qui ressort des transcriptions est que les étudiants acceptent rarement les textes produits par l’IA sans les modifier. Au contraire, ils révisent activement le langage généré. Comme l’a décrit un étudiant, l’IA « réécrit » ses premières consignes, puis l’étudiant réécrit à son tour la réponse de l’IA. Cela lui permet de revendiquer « la paternité et la maîtrise » de la version finale.

Un autre participant a également redirigé la réponse de l’outil lorsqu’elle ne correspondait pas à la consigne : « L’IA ne suit pas la consigne… réessaie. »

Ces moments montrent que les étudiants évaluent de manière critique les réponses de l’IA et la traitent presque comme un partenaire de débat, plutôt que de simplement les copier.

Nous avons également constaté que certains étudiants rejetaient totalement les suggestions de l’IA. Dans plusieurs sessions d’écriture, les participants ont explicitement décidé de ne pas utiliser les réponses générées par l’IA. Un étudiant a commenté ce choix pendant qu’il écrivait : « Je n’utilise pas vraiment l’IA pour mes recherches. »

D’autres transcriptions montrent des étudiants revenant à leur propre rédaction lorsque les réponses de l’IA leur semblaient trop génériques ou déconnectées de leur argumentation. Ces moments indiquent qu'ils ne se contentent pas de collaborer avec l’IA : ils tracent aussi des limites quant à la place qu’elle peut occuper dans leur processus d’écriture.

Enfin, plusieurs transcriptions montrent que les étudiants se tournaient vers l’IA dans des moments d’incertitude ou lorsqu’ils se sentaient bloqués. Comme l’a expliqué un participant : « J’ai beaucoup utilisé l’IA parce que j’avais du mal. » Même dans ces cas-là, toutefois, les étudiants l'utilisaient souvent comme un soutien pendant la rédaction de leur essai, plutôt que de copier-coller directement ses réponses.

Ce que cela dit de l’IA et de l’écriture

Notre analyse suggère que l’IA générative s’intègre dans l’écriture étudiante non pas comme un remplacement complet de l’auteur humain, mais comme une forme de collaboration négociée. Les résultats indiquent qu'elle intervient le plus souvent au moment de la génération d’idées, de la révision et lorsque un sentiment de blocage apparaît, tandis que les étudiants conservent le contrôle sur le choix des arguments, la façon d'écrire et la formulation finale.

Comprendre comment les décisions d’utiliser l’IA se déploient pendant le processus d’écriture – et pas seulement ce qui apparaît dans l’essai final – peut aider les enseignants à concevoir des devoirs et des règles qui maintiennent clairement l’humain aux commandes.

Comme ces premiers résultats proviennent d’un groupe pilote de 20 étudiants de premier cycle, ils doivent être interprétés avec prudence. Pour vérifier si ces tendances se confirment à plus grande échelle, l’équipe de recherche étend actuellement l’étude à 100 participants. Cette phase élargie examinera également la manière dont des étudiants neurodivergents interagissent avec l’IA générative pendant le processus d’écriture, un domaine encore largement inexploré par la recherche.

Des étudiants chercheurs de premier cycle à Kennesaw State ont contribué à l’analyse préliminaire présentée dans cet article : Kylee Johnson, Vara Nath, Ruth Sikhamani et Kaylee Ward.

Jeanne Beatrix Law est membre fondatrice, à titre bénévole, du corps professoral de l’OpenAI Educator’s Council. Elle est également membre bénévole, de la communauté consultative d’enseignants de BoodleBox AI.

Le Québec s’apprête à moderniser son système de santé avec l’arrivée du Dossier santé numérique (DSN), un projet attendu depuis plus de 20 ans. Grâce à l’intelligence artificielle (IA), ce dossier unique promet de transformer la prévention, les soins personnalisés et la gestion hospitalière.

Le 12 janvier 2024, le ministère de la Santé et des Services sociaux annonçait la signature d’un contrat avec l’entreprise américaine Epic Systems Corporation pour la mise en œuvre du DSN dans deux premiers établissements. L’annonce a rapidement suscité des critiques sur la souveraineté des données confiées à une firme étrangère. Par ailleurs, le projet dans son ensemble fait l’objet de vives préoccupations quant à ses coûts, dont l’estimation serait passée de 307 millions à 440 millions de dollars, selon Radio-Canada.

Malgré les controverses, cette entente marque le début d’une adoption progressive d’un dossier de santé entièrement numérique, unique à l’échelle du réseau, pour chaque personne.

Le DSN centralisera des informations sociales et médicales, souvent fragmentées et peu intégrées dans les systèmes actuels. Cette centralisation des données de santé facilitera une utilisation accrue de l’IA, ouvrant la voie à plusieurs bénéfices, notamment en matière de promotion de la santé, de personnalisation des soins et de gestion logistique du système de santé.

Notre équipe s’intéresse à l’impact de l’IA et du numérique en santé, un sujet sur lequel nous avons publié plusieurs études. Je suis professeur agrégé en gestion des opérations et logistique à HEC Montréal. Je co-dirige l’axe Santé durable de l’Obvia avec ma collègue Marie-Pierre Gagnon. Cet axe est coordonné par Marianne Ozkan. L’Obvia est dirigé par Lyse Langlois.

Promotion de la santé

Nous avons récemment publié une revue systématique des études montrant que l’IA est efficace pour soutenir les interventions visant les comportements alimentaires, l’activité physique, la cessation tabagique, la santé mentale et les soins préventifs.

L’implantation du Dossier santé numérique offre une possibilité unique d’exploiter de grands volumes de données pour favoriser l’amélioration de la santé. Selon l’Association pour la santé publique du Québec, la promotion de la santé et la réduction de la maladie sont des priorités pour assurer la pérennité du système de santé. Investir dans les saines habitudes de vie pourrait permettre des économies de 8,5 milliards de dollars au Canada.

Pour les individus, l’accès aux informations sur leur santé via le portail patient du DSN pourrait favoriser un rôle plus actif dans leur prise en charge, avec des messages préventifs personnalisés en fonction des facteurs de risques.

Pour le personnel de santé, le DSN offrira une vue d’ensemble de la situation de chaque patient. Les outils intégrés faciliteront le suivi des interventions préventives (vaccination, cessation tabagique) et entre différents professionnels pour des enjeux complexes.

Pour la recherche, le DSN facilitera la réalisation d’études longitudinales à grande échelle à moindres coûts, et le développement de modèles prédictifs pilotés par l’IA, optimisant ainsi programmes et interventions.

Enfin, l’analyse croisée des données du DSN avec d’autres sources (environnement, transports, économie) permettra une meilleure compréhension des enjeux actuels, guidant les politiques publiques.

Personnalisation des soins de santé

L’utilisation du DSN favorise l’émergence d’une médecine personnalisée, qui vise à offrir le bon traitement au bon moment à la personne concernée. Les données cliniques, d’imagerie, de génomique, de même que des données démographiques et celles concernant les habitudes de vie, permettent la conception de modèles de santé spécifiques à une personne.

Ces modèles peuvent représenter des fonctions très détaillées, telles que des fonctions cardiaques précises, ou des interactions complexes du corps humain. Souvent propulsés par des techniques d’IA, ils ouvrent la voie à la personnalisation des soins, que ce soit pour soutenir un diagnostic ou simuler un scénario de traitement. Ainsi, deux personnes atteintes d’une même maladie peuvent recevoir des traitements différents, adaptés à leurs spécificités.

Les jumeaux numériques sont des systèmes qui reproduisent en temps réel le comportement d’un modèle, tout en permettant l’intégration de l’IA. Appliqués à des modèles de santé personnalisés et couplés à des capteurs biométriques, ils permettent de suivre en temps réel l’évolution d’une maladie et de favoriser la détection rapide de problèmes de santé comme des migraines. Ainsi, les traitements, le dosage de médicaments ou encore les habitudes de vie peuvent être ajustés dynamiquement afin d’optimiser les interventions sur l’état de santé.

Déjà des milliers d’abonnés à l’infolettre de La Conversation. Et vous ? Abonnez-vous gratuitement à notre infolettre pour mieux comprendre les grands enjeux contemporains.

L’utilisation du DSN par l’IA permet d’entrevoir de nombreuses retombées positives en matière de médecine personnalisée. Toutefois, il faudra peser soigneusement les bénéfices attendus et les coûts associés, lesquels pourraient être élevés en raison de la nature très spécifique, voire unique, des soins requis. Cette particularité pourrait engendrer des besoins techniques, logistiques ou humains dépassant les standards habituels, ce qui pourrait avoir un impact significatif sur les ressources à mobiliser.

Gestion logistique du système de santé

Au-delà des considérations cliniques, le DSN pourrait aussi transformer la gestion du système de santé. Avec des données cliniques plus accessibles, les hôpitaux pourraient optimiser leurs opérations quotidiennes.

Par exemple, les jumeaux numériques pourraient servir à créer des répliques virtuelles d’un hôpital, permettant de simuler différentes situations et de prendre de meilleures décisions, notamment avec l’aide de l’IA. On peut ainsi prévoir un manque de lits ou ajuster le nombre de personnels selon l’achalandage attendu.

Même si plusieurs applications concrètes existent déjà, leur déploiement à grande échelle demeure difficile. L’un des principaux obstacles : des données parfois incomplètes ou peu accessibles. Le DSN pourrait aider à combler ces lacunes pour les informations cliniques, mais des actions devront être entreprises pour améliorer la qualité et la disponibilité des données logistiques des établissements de santé.

Une étude menée pendant la pandémie a d’ailleurs montré à quel point des données de mauvaise qualité – trop lentes à arriver, trop générales (mensuelles plutôt que quotidiennes), ou simplement inexactes – peuvent nuire à la gestion des stocks médicaux. Même si cette étude a été menée dans un contexte de crise, ses conclusions demeurent pertinentes en temps normal : une gestion efficace repose avant tout sur la qualité des données disponibles.

L’avènement du DSN, combiné aux avancées en IA, ouvre ainsi des perspectives prometteuses pour améliorer la promotion de la santé, la personnalisation des soins et l’efficacité logistique du système de santé. Toutefois, l’intégration de ces technologies doit se faire de manière éthique, transparente et concertée. Il est essentiel d’impliquer l’ensemble des parties prenantes – incluant les bénéficiaires du système de santé, les milieux communautaires et municipaux, le personnel du réseau de la santé et des services sociaux, ainsi que les partenaires technologiques et institutionnels – afin d’assurer l’acceptabilité sociale et l’équité des transformations en cours.

Un dialogue ouvert et continu est nécessaire pour baliser l’usage de l’IA et veiller à ce qu’elle serve véritablement les besoins de la population. L’enjeu n’est pas seulement technique, mais profondément humain et social.

Martin Cousineau est membre de l'Observatoire international sur les impacts sociétaux de l'IA et du numérique (Obvia) et du Centre interuniversitaire de recherche les réseaux d'entreprise, la logistique et le transport (CIRRELT). Il a reçu des financements des Fonds de recherche du Québec (FRQ), du Conseil de recherches en sciences naturelles et en génie du Canada (CRSNG), des Instituts de recherche en santé du Canada (IRSC), de Apogée Canada (IVADO) et de l'Obvia.

lyse Langlois est membre de l'Observatoire international sur les impacts sociétaux de l'IA et du numérique (Obvia), ainsi que du Centre de recherche interuniversitaire sur la mondialisation du travail (Crimt). Elle a reçu des financements du FRQ, CRSH, CRSNG, IRSST, IRSC, Obvia et Apogée (Ivado).

Marianne Ozkan a reçu des financements des Fonds de recherche du Québec (FRQ) et de l'Observatoire international sur les impacts de l'IA et du numérique (Obvia).

Marie-Pierre Gagnon est membre de Vitam - Centre de recherche en santé durable. Elle a reçu des financements des Instituts de recherche en santé du Canada (IRSC), des Fonds de recherche du Québec (FRQ), de l'Observatoire international sur les impacts sociétaux de l'IA et du numérique (Obvia).

Selon Gartner, l’intelligence artificielle (IA) devrait remplir 60 % des tâches de vente d’ici à 2028. Cependant, les forces de vente ont encore du mal à discerner comment l’IA améliorera leurs décisions et leurs pratiques. Pour le moment, les commerciaux disposent de diverses applications numériques basées sur l’IA répondant à des usages spécifiques. Par exemple, il existe des outils d’IA pour recueillir des informations sur les prospects. D’autres permettent de créer une liste de contacts qui peut ensuite être utilisée dans le cadre de campagne de sensibilisation par courriel. Des outils comme Lavender aident à rédiger des courriels et lorsqu’ils sont associés à des logiciels comme Crystal, ils peuvent même adapter le ton du courriel au type de personnalité du prospect ciblé.

Pourtant, leur utilisation quotidienne auprès de la force de vente reste limitée. Cela est notamment dû à la difficulté à choisir des bons outils complémentaires au processus de vente de l’entreprise.

Dans notre dernier article, publié dans une revue universitaire de référence, consacrée à la vente, Journal of Personal Selling and Sales Management, nous avons interrogé 18 managers et professionnels de la vente à travers des entretiens qualitatifs et étudié les réflexions d’experts du monde entier sur l’utilisation de l’IA dans la vente. Puis nous avons élaboré un guide pratique pour comprendre comment l’IA peut être utilisée à chaque étape du processus de vente. Cela nous a permis d’identifier les opportunités et les défis que l’IA représente pour les commerciaux, les responsables des ventes, l’organisation commerciale et même le client.

Retour sur le cœur de métier ?

C’est dans la phase de prospection commerciale et de recherche d’informations sur les clients que l’IA est le plus rapidement mise à profit. L’IA optimise la génération de « leads » en construisant des profils de clients à prospecter personnalisés et basés sur une variété de données. Une fois les profils identifiés, l’IA pourra qualifier ces « leads » grâce à l’analyse prédictive et identifier la probabilité d’achat de chaque profil, permettant ainsi un travail collaboratif avec les commerciaux. Un exemple concret est le service de Gong qui note et évalue les prospects. Cette utilisation de l’IA contribue à limiter la subjectivité du commercial en se concentrant sur des données factuelles.

Une fois les clients potentiels qualifiés, l’IA générative peut produire un courriel personnalisé pour répondre au plus près aux besoins clients et augmenter les chances d’obtenir un rendez-vous commercial. Cela a un impact direct sur les fonctions commerciales. Cette étape d’avant-vente est régulièrement réalisée par des commerciaux moins expérimentés. Certaines entreprises ont même décidé de restructurer leur force de vente en une force de vente de terrain et une force de vente sédentaire, cette dernière étant souvent destinée à la recherche des prospects. Avec l’émergence de l’IA, ces activités de recherche d’information occuperont de moins en moins de temps dans l’agenda d’un commercial.

Collecte de données facilitée

À cela s’ajoutent les stratégies de marketing numérique et de réseaux sociaux qui jouent un rôle essentiel dans l’acquisition de nouveaux clients dans des contextes interentreprises (BtoB). L’IA générative permet de rédiger des articles de blog ou des publications sur les réseaux sociaux, assurant ainsi aux commerciaux une présence constante auprès de leurs cibles.

Que vous soyez dirigeants en quête de stratégies ou salariés qui s’interrogent sur les choix de leur hiérarchie, recevez notre newsletter thématique « Entreprise(s) » : les clés de la recherche pour la vie professionnelle et les conseils de nos experts.

Abonnez-vous dès aujourd’hui

L’IA permet non seulement de collecter des données clients en amont, mais aussi d’aider les commerciaux lors des négociations. Certains outils basés sur l’IA jouent le rôle d’assistant, analysant les paroles du prospect en temps réel, voire même – c’est la promesse des concepteurs – ses sentiments et ses émotions. Par exemple, la promesse d’un outil comme Showpad est de fournir un retour d’information en temps réel sur la communication verbale et non verbale des commerciaux. Ces outils d’analyse conversationnelle peuvent ensuite être utilisés pour améliorer les compétences des commerciaux eux-mêmes et aider leur manager qui n’a pas toujours le temps de coacher les commerciaux.

Grâce à une meilleure compréhension du prospect et de ses besoins, l’IA offre au commercial

• des conseils en temps réel sur la manière de répondre aux objections ;

• des propositions quant aux produits complémentaires à proposer ;

• des suggestions de la valeur ajoutée à offrir au client ;

• une optimisation de l’offre de prix par une tarification dynamique.

Une meilleure utilisation des CRM

Avec la nécessité de maintenir des relations de long terme, les logiciels de gestion de la relation client (CRM) se développent rapidement en France et dans le monde. Dans les années 2010, une grande partie du rejet de ces logiciels par le personnel de vente était due au travail supplémentaire qu’impliquait la saisie manuelle des informations. Cependant, l’IA pallie cette difficulté. L’outil Modjo propose par exemple de résumer et de transférer automatiquement les informations d’un entretien de vente dans le logiciel de gestion de la relation client.

Après l’échange commercial, l’IA peut transcrire la conversation et automatiser l’envoi d’un courriel de suivi commercial basé sur la conversation avec le client. Cela permet notamment aux commerciaux de s’auto-évaluer et d’améliorer leurs performances futures.

Défis éthiques

Si l’IA permet à la fois d’automatiser les tâches répétitives et d’accroître les activités de vente, elle soulève également des questions éthiques. L’IA s’accompagne d’une transparence des données, tant pour les commerciaux que pour les clients. Le commercial, mieux informé, optimise l’identification et les besoins du client et adapte la solution, ce qui est bénéfique pour le client. Le client, quant à lui, a accès à des informations plus précises sur l’offre, mais aussi sur la concurrence. Cependant, l’IA générative soulève des questions de confidentialité des données et peut générer un sentiment de vulnérabilité chez les clients qui ne savent pas comment ces données sont utilisées.

L’IA en opérant les tâches répétitives force les commerciaux à se focaliser sur des tâches plus complexes. Cela demande de nouvelles compétences commerciales comme la capacité à analyser des données mais accentue également l’importance des compétences propres à l’humain tels que l’empathie, ou l’intelligence émotionnelle. De plus, la quantité d’informations diffusées par l’IA au commercial doit être limitée au strict nécessaire, afin d’éviter de créer une surcharge d’informations qui serait contre-productive pour le commercial.

Enfin, la perception de l’IA par le client va déterminer son utilisation par le commercial. L’IA est déjà suffisamment puissante pour présenter une offre commerciale, développer une solution personnalisée et répondre aux questions des clients. Cependant, la relation acheteur-vendeur reste primordiale. L’approche humaine est perçue comme plus authentique et permet de générer plus de confiance.

Les auteurs ne travaillent pas, ne conseillent pas, ne possèdent pas de parts, ne reçoivent pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'ont déclaré aucune autre affiliation que leur organisme de recherche.

La guerre a son brouillard, a-t-on coutume de dire. Il en est de même des catastrophes naturelles à cinétique très rapide qui viennent impacter de larges territoires en quelques heures (crues éclair ou boues torrentielles comme à la Bérarde en Isère le 20 juin 2024) ou quelques secondes (séismes) seulement.

Elles plongent les acteurs de la gestion de crise (préfectures, mairies, services de secours…) dans le flou quant à l’état exact de la situation. Ce brouillard peut prendre de longues heures à se dissiper, le temps de collecter, d’analyser et de recouper des observations de terrain. Cette construction d’une « connaissance situationnelle » est essentielle pour mieux cibler et anticiper les prises de décisions. En effet, elle vise à comprendre son origine, son intensité, ses évolutions possibles, ainsi que l’ampleur des pertes matérielles, humaines, fonctionnelles…

Elle se heurte pourtant à de nombreuses difficultés, au premier rang desquelles, une forte inertie de la remontée d’informations depuis le terrain jusqu’à l’analyse et la prise de décisions.

Comme l’a souligné en octobre 2018 la crue éclair de l’Aude (qui a causé 14 décès et d’importants dommages matériels), les phénomènes à cinétique rapide mettent en échec la capacité des organisations à comprendre suffisamment rapidement la situation de terrain.

Dès lors, il est tentant de capter les témoignages échangés sur les réseaux sociaux par les sinistrés et les témoins directs, pour en extraire en temps réel de l’information utile. Dans cette tâche, l’intelligence artificielle (IA) se présente comme un atout indispensable… en même temps qu’un partenaire en constante évolution. Et les réseaux sociaux, de précieux alliés… à condition qu’ils jouent le jeu du partage de ces données avec les acteurs de la gestion de crise.

Des capteurs humains sur le terrain grâce aux réseaux sociaux

Le téléphone et les réseaux sociaux font désormais partie de notre quotidien. Lorsque leurs utilisateurs sont exposés à des phénomènes dangereux, ils deviennent des vecteurs de communication privilégiés pour partager les expériences vécues en direct avec nos proches, mais aussi avec des anonymes du monde entier. Cet usage intensif a été constaté à maintes reprises après des catastrophes naturelles. Ce fut par exemple le cas après le séisme du Teil en 2019 ou lors de la tempête Alex en 2020.

Ce flux hétéroclite d’informations plus ou moins parcellaires permet de récolter des informations particulièrement utiles pour la gestion de crise. À condition, bien sûr, d’être en mesure de détecter les pépites parmi les millions de « posts » envoyés chaque minute, puis de les analyser.

Ce travail de fourmi est aujourd’hui assuré avec un succès manifeste par des équipes en « soutien opérationnel virtuel » (c’est-à-dire, des bénévoles qui soutiennent les actions des autorités via de la veille sur les réseaux sociaux, et qui peuvent également combattre la propagation de rumeurs erronées), comme le prouve avec talent l’association VISOV. Ce modèle d’analyse manuelle des réseaux sociaux, quoique précieux et nécessaire, présente des limites dans sa capacité à gérer des flux de données importants. Il est donc nécessaire de développer des outils numériques capables d’analyser automatiquement les réseaux sociaux, pour les filtrer et en extraire des informations potentiellement utiles.

C’est le constat que nous avons dressé en 2020, au sein d’une équipe interdisciplinaire comprenant le BRGM, IMT Mines Albi, l’Université Paris-Dauphine et la société PREDICT-Services, et qui a donné lieu au démarrage en 2021 du projet RéSoCIO, soutenu par l’Agence nationale de la recherche.

Une IA alimentée par les données de Twitter

Comme la grande majorité des études consacrées à ce sujet ailleurs dans le monde à cette époque, l’équipe du projet RéSoCIO a jeté son dévolu sur le réseau social Twitter. Fort de ses quelque 12 millions d’utilisateurs actifs en France et basé sur un principe de messages courts, la plate-forme californienne était particulièrement propice au partage d’informations captées sur le vif.

De surcroît, Twitter proposait (au passé, c’est important, nous le verrons plus tard) une interface de programmation d’application (ou API) gratuite permettant d’automatiser des collectes sur ses données. Celle-ci a notamment été utilisée par le BRGM pour développer une plate-forme dédiée à l’analyse des tweets en cas de catastrophes naturelles.

À lire aussi : Je tremble donc je tweete : quand les citoyens aident à mesurer les catastrophes naturelles

Parmi les objectifs initiaux du projet, il s’agissait en premier lieu d’« enrichir » les tweets de sorte à pouvoir, pour chaque message textuel :

• identifier sa pertinence potentielle pour les acteurs de la gestion de crise,

• repérer et géolocaliser les informations de lieux mentionnées pour les représenter sur une carte,

• et enfin, classer l’information par catégories d’intérêt, pour, par exemple, filtrer les messages signalant des dommages, ceux issus de témoins directs, etc.

Pour ce faire, il était bien sûr prévu d’avoir recours à des techniques d’intelligence artificielle (IA). Mais qui dit IA, dit données : celles-ci étaient essentielles pour que l’IA puisse apprendre et jouer son rôle d’analyse des messages postés sur les réseaux sociaux.

Nous avons d’abord entraîné cette IA à partir de données « froides » (en l’occurrence, des tweets sélectionnés avec attention au cours d’événements passés). Puis, en ajustant les modèles prédictifs ainsi constitués, nous avons pu les utiliser à la volée pour analyser des données « chaudes », à savoir des tweets captés en temps réel.

[Déjà plus de 120 000 abonnements aux newsletters The Conversation. Et vous ? Abonnez-vous aujourd’hui pour mieux comprendre les grands enjeux du monde.]

Des données de moins en moins accessibles

« Si c’est gratuit, c’est que vous êtes le produit », dit l’adage. Les grandes plates-formes de réseaux sociaux ont compris très tôt la valeur des milliards de données générées chaque jour par leurs centaines de millions d’abonnés, et en font le juteux commerce depuis plus d’une quinzaine d’années. Dans ces conditions, pas question pour ces plates-formes de partager leurs données gratuitement : la plupart des API permettant d’accéder aux données sont payantes.

Seul Twitter semblait échapper à ce modèle, notamment dans le cadre de recherches académiques. Le réseau social permettait jusqu’à début 2023 à chacun d’utiliser une partie de ses données de façon totalement gratuite, notamment à travers des applications tierces comme TweetDeck.

Depuis son rachat par Elon Musk, Twitter, devenu X, a effectué la mue à marche forcée de son modèle économique. Cela s’est traduit par la suppression pure et simple de son API gratuite, remplacée par des solutions payantes à des prix rédhibitoires.

S’agissant du projet RéSoCIO, ce revirement de situation a, du jour au lendemain, rendu inutilisables les modèles d’analyse des tweets que nous développions pour améliorer la gestion des crises de sécurité civile. Un événement de nature à démobiliser les acteurs « utilisateurs » impliqués à nos côtés, tels que les sapeurs-pompiers des Alpes-Maritimes, les services de la ville de Cannes ou encore les volontaires de l’association VISOV, en éloignant toute perspective d’application concrète des travaux en cours.

L’évolution rapide, trop rapide des modèles d’IA en traitement du langage

L’autre difficulté que nous avons rencontrée tient à l’évolution rapide des modèles d’IA. En 2020, lors de l’élaboration du projet, nous avions choisi de nous baser sur les techniques d’IA dites d’ « apprentissage supervisé », qui consistent à apprendre aux modèles à réaliser des tâches de prédiction à partir d’exemples annotés. Cette approche est très performante pour réaliser des tâches très spécifiques, mais nécessite de disposer de grandes quantités de données annotées manuellement, pour entraîner puis valider les modèles.

En parallèle de cette approche « traditionnelle », nous avions déjà identifié l’intérêt des nouveaux modèles de langage, comme le modèle BERT développé par Google en 2018, pour analyser des messages courts en français. Ces modèles ont révolutionné le traitement automatique du langage naturel en permettant de construire des modèles prédictifs efficients à partir de quantités limitées de données étiquetées.

Le développement ultrarapide des techniques d’IA et la récente montée en puissance des « grands modèles de langage » (LLM), notamment utilisés par ChatGPT, sont venus percuter notre programme de travail.

Il faut imaginer l’état d’esprit de notre équipe qui, après avoir passé des mois à constituer des jeux de données francophones pertinents, à les annoter, puis à caler des modèles prédictifs aux performances intéressantes, était plutôt satisfaite de son travail… Jusqu’à découvrir, par un petit test réalisé « sur un coin de table », que l’usage d’un outil d’IA générative tel que ChatGPT permettait, en quelques lignes de code, d’obtenir des performances comparables – voire meilleures –, sur la base d’une tâche d’apprentissage réalisée sur quelques tweets seulement !

La recherche appliquée dans les sables mouvants de l’IA

De nombreux projets de recherche comme le nôtre font face à des difficultés liées notamment à l’accessibilité des données, et au développement rapide de l’IA. Les chercheurs qui voudraient tirer parti des réseaux sociaux pour la gestion de crise doivent composer avec des règles d’utilisation changeantes, peu lisibles et non adaptées à des problématiques de bien commun pour lesquelles les coûts d’accès sont souvent prohibitifs. Autant d’entraves à la conduite efficace d’une recherche appliquée qui puisse un jour être applicable.

Face à cette problématique, force est de constater que les acteurs impliqués, issus du monde de la recherche comme de celui de la sécurité civile, tentent chacun de trouver des solutions en ordres dispersés. Ce morcellement des initiatives ne permet pas de faire entendre une voix forte et concordante auprès des grandes plates-formes.

À l’heure où celles-ci se targuent, à l’image de Meta, société mère de Facebook, de politiques de type « data for good » pour favoriser les initiatives utiles aux sociétés, nous pensons qu’il convient d’engager une réflexion plus large. Ceci pour garantir un accès privilégié aux données des réseaux sociaux non seulement aux chercheurs, mais également aux développeurs d’outils présentant un fort impact social… mais pas forcément de viabilité financière. Bien sûr, en respectant des règles strictes, afin d’éviter d’éventuelles entraves à la concurrence ou des atteintes aux intérêts de la population (usage à des fins de surveillance par exemple).

Ce développement rapide pose évidemment des enjeux éthiques. Le compromis à trouver entre l’acceptabilité et l’apport des IA pour les utilisateurs finaux (praticiens de la gestion de crise, dans notre cas) est maintenant central. Se pose également une question concrète : comment bâtir des projets de recherches sur plusieurs années si les hypothèses de recherches peuvent être rendues obsolètes du jour au lendemain par les progrès de l’IA ?

Le projet RéSoCIO (Réseaux Sociaux en situation de Catastrophe naturelle, Interprétation Opérationnelle) est soutenu par l’Agence Nationale de la Recherche (ANR), qui finance en France la recherche sur projets. Elle a pour mission de soutenir et de promouvoir le développement de recherches fondamentales et finalisées dans toutes les disciplines, et de renforcer le dialogue entre science et société. Pour en savoir plus, consultez le site de l’ANR.

Samuel Auclair est membre du BRGM. Il a reçu des financements de l'Agence française pour la recherche (ANR). Il co-pilote également le défi « Résilience Industrielle et Territoriale » au pôle de compétitivité SAFE.

Alexandre Sabouni a reçu des financements de l'agence française pour la recherche (ANR).

Anouck Adrot a reçu des financements de l'agence française pour la recherche (ANR).

Aurélie Montarnal a reçu des financements de l'Agence française pour la recherche (ANR).

Cécile Gracianne a reçu des financements de l'Agence française pour la recherche (ANR).

Sylvain Chave ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'a déclaré aucune autre affiliation que son organisme de recherche.