Integrating knowledge graphs and multilingual scholarly corpora for domain-adaptive LLMs in SSH
Ce document expose une initiative en cours au sein du projet LLMs4EU et de l'infrastructure ALT-EDIC visant à adapter les modèles de fondation pour la recherche en sciences sociales et humaines en intégrant des graphes de connaissances et des corpus multilingues, en employant un cadre d'évaluation rigoureux, tant quantitatif que qualitatif, afin de garantir un support de l'IA fiable, éthiquement conforme et sensible au domaine pour les tâches académiques.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
La vue d'ensemble : Enseigner à l'IA à lire comme un humaniste
Imaginez que vous avez un robot bibliothécaire super intelligent (un grand modèle de langage, ou LLM) qui a lu presque tout ce qui existe sur Internet. Il est excellent pour répondre à des questions sur la science, les mathématiques ou l'actualité anglophone. Mais si vous l'interrogez sur l'histoire, la philosophie ou la littérature en français ou en italien, il se trompe souvent. Il a tendance à ignorer les livres, à se concentrer uniquement sur les articles de revues en anglais et à passer à côté de la manière profonde, complexe et interprétative dont les chercheurs humains réfléchissent réellement.
Ce document décrit un projet appelé ReSearch_SSH (faisant partie d'une initiative européenne plus large appelée LLMs4EU) qui tente de corriger cela. L'objectif est de prendre ce robot bibliothécaire « généraliste » et de l'entraîner spécifiquement pour qu'il comprenne les Sciences Humaines et Sociales (SHS). Ils veulent une IA qui respecte les différentes langues, comprenne qu'un livre est tout aussi important qu'un article de revue, et sache qu'un même texte peut être interprété de nombreuses façons selon la personne qui le lit.
Le problème : Le piège du « taille unique »
Actuellement, la plupart des outils d'IA pour la recherche sont comme une carte du monde générique. Elles sont dessinées principalement en anglais et ne mettent en évidence que les plus grandes villes (les revues majeures). Si vous essayez de naviguer dans un petit village en Italie ou de suivre un débat historique spécifique en France à l'aide de cette carte, vous vous perdrez.
Les auteurs soutiennent que ce n'est pas neutre. Cela évince les chercheurs qui travaillent dans d'autres langues ou qui étudient des sujets tels que les vieux manuscrits, les blogs numériques ou l'histoire locale. Cela force tout le monde à penser comme un « chercheur en sciences dures » (en cherchant des faits simples et des citations) plutôt que comme un humaniste (en cherchant le contexte, la nuance et les différentes perspectives).
La solution : Une boîte à outils spécialisée
Au lieu de construire un tout nouveau moteur de recherche à partir de zéro, l'équipe améliore une plateforme de recherche française existante appelée ISIDORE. Considérez ISIDORE comme le sous-sol d'une immense bibliothèque bien organisée. L'équipe est en train d'y installer un nouvel « assistant intelligent ».
Voici comment ils le construisent, en utilisant trois outils principaux :
1. La « liste de lecture spécialisée » (Données)
On ne peut pas apprendre à un chef à cuisiner la cuisine française si on ne lui donne que des recettes américaines. Pour entraîner l'IA, ils lui fournissent un régime massif et organisé de textes de sciences sociales et humaines.
- Le menu : Ils utilisent environ 3 millions de documents provenant d'une base de données appelée ISTEX. Cela comprend des livres, des articles et des données dans plus de 60 langues, bien que le français et l'anglais soient les plats principaux.
- Les accompagnements : Pour s'assurer que l'IA comprenne le jargon spécifique des humanités numériques, ils ajoutent des actes de conférences italienes et des revues spécialisées.
- L'objectif : Cela garantit que l'IA apprenne le « dialecte » spécifique des chercheurs, et non seulement le « dialecte » d'Internet.
2. La « carte de vérification des faits » (Graphes de connaissances)
C'est la partie la plus importante. L'IA standard « hallucine » souvent (invente des choses) parce qu'elle devine en se basant sur des modèles. Ce projet utilise un graphe de connaissances, qui est comme un immense réseau de faits interconnectés.
- L'analogie : Imaginez que l'IA est un guide touristique. Une IA normale pourrait deviner l'emplacement d'un monument. Cette IA, cependant, tient une carte détaillée (Wikidata et d'autres graphes) qui lie les auteurs à leurs livres, les livres à leurs thèmes, et les thèmes à des événements historiques.
- Comment ça marche : Quand l'IA répond à une question, elle ne se contente pas de deviner ; elle consulte la carte, trouve la page exacte dans le livre, et dit : « J'ai trouvé cette réponse dans ce document spécifique. » Cela rend la réponse traçable et fiable.
3. La « boucle de rétroaction humaine » (Évaluation)
L'équipe ne teste pas seulement l'IA avec des scores informatiques ; elle la teste avec de vrais experts humains.
- Le panel : Ils ont réuni un groupe de chercheurs en humanités numériques de France et d'Italie.
- Le test : Ces experts poseront des questions complexes à l'IA et vérifieront si les réponses font sens dans un contexte de recherche réel. Ils vérifient : « Est-ce que cette réponse est réellement utile pour un historien ? A-t-elle manqué une nuance cruciale ? »
- Le résultat : Si l'IA échoue, les experts lui expliquent pourquoi, et l'IA apprend à penser davantage comme un chercheur humain.
Les règles du jeu (Juridique et Éthique)
Le document souligne que ce n'on est pas une expérience du « Far West ». Ils construisent cela à l'intérieur d'un cadre juridique strict (comme l'IA Act de l'UE et le RGPD).
- Pas de suppositions sauvages : L'IA est conçue pour être un « assistant de recherche », pas un décideur. Elle suggère, mais l'humain décide.
- Confidentialité : Ils veillent à ne pas utiliser de données personnelles pour profiler les individus.
- Droit d'auteur : Ils respectent les règles des livres qu'ils utilisent. Ils ne se contentent pas de voler du contenu ; ils utilisent des données sous licence et s'assurent que l'IA renvoie à la source originale afin que les auteurs reçoivent le crédit qui leur est dû.
Où en sont-ils ?
Le projet est actuellement dans la phase de préparation.
- Ils rassemblent et nettoient les données (les « ingrédients »).
- Ils mettent en place les règles juridiques et éthiques (les « protocoles de sécurité de la cuisine »).
- Ils sont sur le point de commencer la première phase d'entraînement du modèle sur ces données spécifiques.
L'essentiel
Ce document est un plan pour construire une IA qui ne fait pas que « parler » comme un humain, mais qui pense comme un chercheur. En combinant une bibliothèque spécialisée de livres, une carte de vérification des faits et une équipe d'experts humains, ils espèrent créer un outil qui aide les chercheurs à découvrir de nouvelles idées sans perdre la nuance, la langue et l'éthique qui font la particularité des Humanités. Il s'agit de s'assurer que l'IA serve le chercheur, plutôt que de forcer le chercheur à changer sa façon de travailler pour s'adapter à l'IA.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.