Intégrer l’IA dans la recherche universitaire

Quand et comment la déclarer et la citer dans vos publications ?

Ce billet est le dernier avant la saison estivale et le début d’une pause bien méritée avant le semestre d’automne. L’intelligence artificielle générative (IAg) a suscité beaucoup d’intérêt depuis janvier 2025, comme en témoignent la moitié de nos articles du Collimateur publiés jusqu’ici. Ce billet ne fait que confirmer que les changements en lien avec l’IAg se poursuivent sans cesse dans le milieu académique.

De plus en plus, on a vu émerger de nombreuses initiatives locales et interordres, comme les communautés de pratique (CoP) dans l’enseignement, mais aussi, à un degré moindre, dans les groupes spécialisés en recherche universitaire.

Par exemple, dans le cadre de l’une d’entre elles, la Communauté de pratique de la Faculté des sciences de l’éducation de l’UQAM sur l’intelligence artificielle (CoPIA), nous présentons dans ce billet deux textes qui ont été soumis à la réflexion sur l’utilisation croissante de l’IA générative, qui transforme inévitablement les pratiques de recherche et de publication académique.

Les deux publications proposent des cadres distincts, mais complémentaires pour guider la déclaration éthique de cet usage.

Un problème de fond mis en évidence par les deux publications

Les deux textes partent du même constat : les citations traditionnelles ne suffisent plus pour encadrer l’utilisation de l’IA.

• Weaver l’explique clairement et cite d’emblée la Pre Rosemary Wette : « Unfortunately, citations do not fully meet the needs of today’s AI-enabled world. Citations emphasize the fixed form of a tangible output. En revanche, les outils génératifs produisent des résultats « uniques » et « souvent non reproductibles ». (Weaver 2024, p. 407)
• Resnik et Hosseini confirment cette difficulté en soulignant que les éditeurs ont adopté « des politiques différentes et parfois contradictoires », ce qui engendre de l’incertitude pour les équipes de recherche.

1 – Les critères de Weaver — Le cadre AID pour déclarer l’usage de l’IA

Weaver propose une méthode simple et structurée appelée AID (Artificial Intelligence Disclosure). Elle s’inspire des taxonomies de contributions (CRediT) et vise à rendre visible l’usage de l’IA dans toutes les étapes du processus de recherche sans alourdir inutilement la publication.

AID Statement: Artificial Intelligence Tool: [description of tools used]; [Heading]: [description of AI use in that stage of the work]
(Weaver 2024, p. 408)

Le principe est simple : « assurer la transparence dans l’utilisation des outils d’IAg durant le processus d’écriture ». Le cadre AID se fonde sur 14 catégories de déclaration d’utilisation, qui abordent les principales étapes d’un projet de recherche. (La traduction ci-dessous a été effectuée avec Claude 4.0 Sonnet.)

1. Outil(s) d’IA : La sélection de l’outil ou des outils et des versions de ces outils utilisés ainsi que les dates d’utilisation. Peut également inclure une note sur tout biais algorithmiques connus ou limitations des modèles ou des jeux de données.
2. Conceptualisation : Le développement de l’idée de recherche ou de l’hypothèse, y compris la formulation ou la révision des questions de recherche et des hypothèses.
3. Méthodologie : La planification pour l’exécution de l’étude, y compris toutes les contributions directes à la conception de l’étude.
4. Collecte d’Information : L’utilisation de l’IA pour faire ressortir des tendances dans la littérature existante et identifier des informations pertinentes pour la formulation, le développement ou la conception de l’étude.
5. Méthode de Collecte de Données : Le développement ou la conception de logiciels ou d’instruments utilisés dans l’étude.
6. Exécution : La conduite directe des procédures ou tâches de recherche (par exemple, extraction de données web par IA, enquêtes synthétiques, etc.)
7. Conservation des Données : La gestion et l’organisation de ces données.
8. Analyse des Données : L’exécution d’analyses statistiques ou mathématiques, de régressions, d’analyses textuelles et plus encore en utilisant des outils d’IA.
9. Confidentialité et Sécurité : Les moyens par lesquels la confidentialité et la sécurité des données ont été maintenues en conformité avec les attentes de conduite éthique de la recherche, les directives disciplinaires et les politiques institutionnelles.
10. Interprétation : L’utilisation d’outils d’IA pour catégoriser, résumer ou manipuler les données et suggérer des conclusions associées.
11. Visualisation : La création de visualisations ou d’autres représentations graphiques des données.
12. Rédaction—Révision et Édition : La révision et l’édition du manuscrit.
13. Rédaction—Traduction : L’utilisation de l’IA pour traduire le texte d’une langue à l’autre à tout moment du processus de rédaction.
14. Administration de Projet : Toute tâche administrative liée à l’étude, incluant la gestion des budgets, des échéanciers et des communications.

L’ensemble prend la forme d’une déclaration concise à la fin de l’article, semblable à une section de remerciements. L’objectif est de faciliter la transparence, sans alourdir la lecture.

2 – Les critères de Resnik et Hosseini — Quand déclarer ou non l’usage de l’IA ?

Resnik et Hosseini abordent la question sous un autre angle : quand la déclaration de l’usage de l’IA est-elle vraiment nécessaire ?

Leur réponse : « La divulgation devrait être obligatoire seulement quand l’usage de l’IA est intentionnel et substantiel ». (Resnik & Hosseini 2025, p. 5)

Ils proposent trois critères pour identifier les utilisations substantielles des outils d’IA dans la recherche. Dans tous ces cas, l’IA a un impact direct sur les résultats ou les conclusions.

• L’IA prend des décisions qui influencent les résultats, par exemple en ce qui concerne l’extraction de données pour une revue systématique.
• L’IA génère du contenu, des données ou des images, comme la rédaction d’un résumé ou la création de données synthétiques.
• L’IA analyse des données, du contenu ou des images, par exemple l’interprétation de données génomiques ou textuelles.

• Déclaration obligatoire : Pour les usages substantiels qui affectent directement les résultats de recherche (analyse de données, génération de contenu, prise de décisions en matière de recherche).
• Déclaration optionnelle : Pour les usages intermédiaires, tels que l’édition grammaticale ou la recherche de références, où la divulgation peut dépendre du contexte disciplinaire ou des préférences éditoriales.
• Déclaration non nécessaire : Pour les usages mineurs, comme la suggestion de synonymes ou l’assistance organisationnelle.

Les auteurs justifient cette dernière catégorie par un argument pragmatique important : les divulgations triviales peuvent créer un « bruit » qui masque les usages vraiment significatifs de l’IAg. En effet, quand un article contient 25 mentions d’usages mineurs, l’usage réellement important peut passer inaperçu. De plus, l’obligation de tout divulguer peut s’avérer si laborieuse qu’elle finit par décourager la transparence.

Cette approche équilibrée vise à maintenir la transparence nécessaire sans entrer dans une surcharge d’information qui nuirait à l’objectif même de la divulgation.

Les points à retenir

Transparence avant tout

Les deux approches accordent une grande importance à la transparence. Weaver souhaite maintenir l’éthique académique et de la recherche, tandis que Resnik et Hosseini insistent sur les valeurs de transparence, d’honnêteté et de responsabilité.

L’IA n’est pas autrice

Les deux textes sont catégoriques : même si l’IA contribue au travail, elle ne peut pas être reconnue comme coautrice. Comme le rappellent Resnik et Hosseini, « Giving credit to an AI tool does not imply that the tool is an author ». (Resnik & Hossein 2025, p. 3)

Nécessité de s’adapter en recherche

Tous conviennent que les pratiques doivent être évolutives. Weaver souligne que le domaine de l’IA connaît une croissance rapide, alors que Resnik et Hosseini recommandent quant à eux de rester calmes et de laisser évoluer sa position.

… et concrètement pour la recherche universitaire

1- Documentez tout usage significatif

Bien que les politiques des revues diffèrent, il est préférable d’adopter une approche prudente et transparente.

2- Distinguez les usages mineurs des usages substantiels

Faire corriger votre grammaire par un outil d’IA n’est pas comparable à utiliser l’IA pour interpréter vos données.

3- Adaptez-vous aux exigences de votre domaine

Les attentes diffèrent selon les disciplines. Certaines demandent davantage de précision, tandis que d’autres se contentent de moins de détails.

4- Restez informé·e

Les politiques éditoriales évoluent rapidement. Les normes d’aujourd’hui peuvent être obsolètes demain.

Comme le concluent Resnik et Hosseini, « the use of AI in research continues to evolve in response to advancements in this technology » (Resnik & Hossein 2025, p. 10), ce qui exige une adaptation constante et nécessaire des pratiques de la recherche universitaire.

Bibliographie

David B. Resnik & Mohammad Hosseini (24 Mar 2025): Disclosing artificial intelligence use in scientific research and publication: When should disclosure be mandatory, optional, or unnecessary?, Accountability in Research, DOI: https://doi.org/10.1080/08989621.2025.2481949

Weaver, K. D. (2024). The artificial intelligence disclosure (AID) framework: An introduction. C&RL News, 85(10), 407-411. https://crln.acrl.org/index.php/crlnews/article/view/26548