Normative boundaries of AI in scientific work: Evidence from PhD researchers
Basée sur une enquête auprès de 3 785 chercheurs doctorants internationaux, cette étude identifie quatre profils d'attitude distincts concernant l'IA dans le travail scientifique, révélant que le niveau de confort des chercheurs est défini par des limites spécifiques aux tâches — acceptant l'IA pour les tâches de littérature tout en résistant à son utilisation dans les contributions intellectuelles fondamentales comme la rédaction et la conception expérimentale — plutôt que par un simple binaire d'acceptation ou de rejet.
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 science a toujours été une aventure humaine, un processus où les chercheurs posent des questions, rassemblent des preuves et construisent de nouvelles compréhensions grâce à leur propre esprit et à leurs propres mains. Mais un nouvel outil est entré dans le laboratoire et la bibliothèque : l'intelligence artificielle. Ces systèmes peuvent désormais rédiger du texte, analyser des chiffres et parcourir de vastes quantités d'informations plus rapidement que n'importe quel être humain. Ce changement soulève une question fondamentale pour l'avenir de la découverte : si une machine peut faire le travail, qui fait la réflexion ? L'inquiétude ne porte pas seulement sur la réalisation du travail, mais sur la manière dont la nature de la recherche change lorsque l'homme et la machine partagent la charge. Si un ordinateur rédige un article ou conçoit une expérience, le chercheur humain mérite-t-il encore le crédit ? Le processus d'apprentissage qui transforme un étudiant en expert a-t-il toujours lieu si la machine effectue le plus gros du travail ? Ce ne sont pas seulement des questions techniques concernant des logiciels ; ce sont des questions sur les règles et les valeurs qui régissent la manière dont la science est produite.
Pour comprendre comment la prochaine génération de scientifiques navigue dans ce nouveau paysage, les chercheurs Francesco Angelini et Johan Lyrvall ont interrogé directement les personnes qui façonneront l'avenir de la recherche : les doctorants. Ils ont analysé les données d'une enquête massive menée auprès de 3 785 doctorants en sciences, technologies, ingénierie, médecine et santé à travers le monde. Au lieu de poser une simple question fermée sur le fait de savoir si les étudiants aiment utiliser l'IA, les chercheurs leur ont demandé d'évaluer leur niveau d'aisance à utiliser ces outils pour cinq parties spécifiques de leur travail quotidien. Les tâches allaient du suivi et de la synthèse de la littérature scientifique à la rédaction d'articles de recherche, en passant par la collecte et l'analyse de données et la conception d'expériences. En examinant la façon dont les étudiants se sentaient face à chaque tâche spécifique, les chercheurs ont pu voir s'il existait un modèle dans leur pensée. Ils ont découvert que les étudiants ne se divisaient pas simplement en deux camps, les « amoureux » ou les « détesteurs » de l'IA. Au contraire, leurs attitudes formaient quatre groupes distincts, révélant une carte complexe de l'endroit où ils étaient prêts à laisser les machines aider et où ils traçaient la limite.
Le groupe le plus important, représentant près de la moitié de tous les étudiants interrogés, présentait un schéma clair que les chercheurs ont appelé une « division du travail ». Ces étudiants étaient tout à fait à l'aise pour utiliser l'IA pour des tâches telles que la recherche et la synthèse de publications scientifiques existantes. Ils considéraient ces activités comme un travail de soutien, où une machine peut trier efficacement l'information. Cependant, ces mêmes étudiants se sentaient beaucoup moins à l'aise pour utiliser l'IA pour les tâches intellectuelles centrales de la recherche : la rédaction de l'article lui-même, l'analyse des données ou la conception des expériences. Pour ce groupe, la frontière était claire. Ils étaient prêts à laisser la machine gérer le travail de fond, mais ils voulaient garder les tâches exigeant une réflexion profonde, de la créativité et une responsabilité finale fermement entre les mains humaines. Cela suggère que pour beaucoup de futurs scientifiques, la valeur de l'IA réside dans sa capacité à assister la gestion de l'information, et non dans sa capacité à remplacer l'esprit humain dans l'acte de découverte.
D'autres groupes de l'étude entretenaient des points de vue différents. Environ un tiers des étudiants étaient mal à l'aise avec l'utilisation de l'IA pour presque toute tâche de recherche, une position que les chercheurs ont qualifiée de « statu quo ». Ils avaient tendance à se sentir inquiets de la technologie de manière générale, bien que leur inconfort soit plus marqué lorsqu'il s'agissait de l'écriture et de l'analyse de données. Un groupe plus restreint, environ 16 %, était l'opposé ; ils étaient largement à l'aise avec l'utilisation de l'IA pour tout, la considérant comme un outil polyvalent capable d'aider dans n'importe quelle partie du processus de recherche. Enfin, un petit groupe notable de 7 % était « indécis ». Ces étudiants choisissaient fréquemment « ne sais pas » lorsqu'on les interrogeait sur leur niveau d'aisance, ce qui suggère qu'ils n'étaient soit pas sûrs de la technologie, soit ne l'avaient pas assez utilisée pour se forger une opinion, soit cherchaient encore à comprendre où se situaient les règles. Même parmi ceux qui étaient incertains, il était plus probable qu'ils expriment un sentiment positif plutôt que négatif.
L'étude a également examiné si des facteurs tels que le domaine d'études de l'étudiant, son année de programme ou la fréquence de son utilisation de l'IA modifiaient ces attitudes. Les résultats ont montré que les étudiants dans les domaines STEM étaient légèrement plus susceptibles d'appartenir au groupe sceptique du « statu quo » par rapport à ceux des sciences médicales et de la santé. Cependant, les modèles globaux restaient inchangés, que l'étudiant soit en première année ou en dernière année, ou qu'il étudie à temps plein. Cela suggère que la façon dont les étudiants perçoivent le rôle de l'IA n'est pas simplement une question de durée d'accès aux outils, mais plutôt le reflet plus profond de la manière dont ils perçoivent la nature de leur travail. Le fait que le groupe de la « division du travail » soit le plus important indique que la norme émergente la plus courante n'est pas de rejeter entièrement l'IA, ni de l'accepter aveuglément, mais de trier soigneusement quelles tâches appartiennent à la machine et lesquelles doivent rester humaines.
Ces conclusions ont des implications importantes pour la manière dont la science est enseignée et évaluée. Les chercheurs suggèrent que la façon dont nous pensons à l'IA dans la science doit dépasser les simples règles qui interdisent ou autorisent son usage. Au lieu de cela, les institutions et les revues pourraient avoir besoin d'adopter une approche plus nuancée qui reconnaît la différence entre utiliser l'IA pour trouver une référence et l'utiliser pour rédiger une conclusion. Si un étudiant utilise l'IA pour résumer cent articles, c'est un type d'assistance différent de l'utilisation de l'IA pour générer l'argument central d'une thèse. L'étude implique que la formation scientifique future devra se concentrer sur l'aide apportée aux étudiants pour comprendre ces limites. Il ne s'agit pas seulement d'apprendre à utiliser l'outil, mais d'apprendre quelles parties du processus de recherche sont essentielles au développement de leur propre expertise. Si un étudiant laisse une machine rédiger ou analyser les données, il risque de manquer l'occasion de développer les capacités de pensée critique qui découlent de la réalisation de ces tâches par soi-même.
En fin de compte, cette recherche capture un moment de transition. Les attitudes de ces doctorants ne sont pas figées ; elles sont susceptibles d'évoluer à mesure que la technologie s'améliore et que la communauté scientifique établit de nouvelles normes. Aujourd'hui, la vision la plus répandue est sélective, où l'IA est accueillie comme une aide pour l'information mais contestée comme un substitut au jugement. Cette « division du travail » pourrait devenir la norme de la pratique scientifique, avec des machines gérant le volume d'informations et des humains se concentrant sur la synthèse et la création de nouveaux savoirs. À mesure que ces étudiants obtiendront leurs diplômes et deviendront les leaders, éditeurs et réviseurs de demain, les frontières qu'ils tracent aujourd'hui aideront à définir ce qu'est un travail scientifique légitime à l'ère de l'intelligence artificielle. L'article ne prétend pas avoir résolu le débat, mais il offre une image claire de l'endroit où la ligne est actuellement tracée par ceux-là mêmes qui la franchiront dans les années à venir.
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.