Machine-mediated theorizing: Examining epistemic work in a generative AI grounded theory workflow

Le Détective et le Robot : Une nouvelle façon de résoudre les mystères

Imaginez que vous êtes un détective essayant de résoudre un mystère massif et complexe. Vous avez des centaines d'indices : des témoignages de témoins, des photos floues et des notes déchirées. Votre travail n'est pas seulement de les lire ; c'est de comprendre ce qu'ils signifient et comment ils s'assemblent pour raconter l'histoire complète. Dans le monde de la science, cela s'appelle la recherche qualitative. Au lieu de compter des chiffres, les chercheurs cherchent des modèles dans les mots et les expériences pour construire une théorie sur la façon dont le monde fonctionne.

Pendant longtemps, les scientifiques se sont disputés sur la meilleure façon de procéder. Une méthode célèbre, appelée Théorie Ancrée (Grounded Theory), revient à construire une maison en partant du sol. On commence avec les briques brutes (les données d'entretien) et on les empile lentement pour former des murs (catégories) et un toit (théorie) sans les forcer dans une forme qui ne leur convient pas. La grande inquiétude a toujours été : « Sommes-nous en train de découvrir la vérité, ou sommes-nous simplement en train de forcer les briques à prendre la forme que nous voulons qu'elles aient ? »

Maintenant, un nouveau joueur est entré dans l'agence de détectives : l'IA Générative (comme les chatbots intelligents avec lesquels vous pourriez discuter). Les gens se demandent : « Un robot peut-il faire le travail de détective ? » Certains disent que c'est un outil magique qui résoudra tout instantanément ; d'autres disent que c'est un menteur dangereux qui inventera des faits. Mais personne ne savait vraiment comment le robot pense lorsqu'il essaie de construire une théorie. Est-ce qu'il se contente de trier des mots, ou est-ce qu'il change réellement l'histoire ? Ce document plonge précisément dans cette question, non pas pour voir si le robot a « raison » ou « tort », mais pour observer la danse désordonnée et fascinante entre l'intuition humaine et la logique de la machine.

L'Expérience : Enseigner à un robot comment être un détective

Les chercheurs de cette étude ont décidé de tâter le terrain en confiant à un type spécifique d'IA un mystère du monde réel : l'histoire de la fabrication des instruments chirurgicaux (les outils utilisés par les chirurgiens). Ils n'ont pas donné à l'IA un manuel ou une liste de réponses. Au lieu de cela, ils lui ont donné trois entretiens avec différentes personnes impliquées dans le processus : un artisan qualifié qui travaille de ses mains, un ingénieur qui conçoit les outils et un gestionnaire qui prend les grandes décisions commerciales.

L'IA a reçu pour instruction d'agir comme un détective de la Théorie Ancrée. Elle devait :

1. Lire les entretiens et extraire les idées clés (codage).
2. Grouper ces idées dans de plus grands compartiments (catégories).
3. Connecter les compartiments pour montrer comment ils sont liés (codage axial).
4. Choisir une idée principale qui lie tout l'ensemble (une catégorie centrale).
5. Construire une théorie finale sur le fonctionnement de l'ensemble du système.

Crucialement, l'IA devait faire tout cela toute seule, sans que les chercheurs humains ne lui disent quoi chercher ou ne vérifient son travail avant la toute fin. Les humains ont ensuite examiné le « carnet de notes du détective » de l'IA pour voir comment elle a résolu le mystère.

Ce que le robot a réellement fait (et n'a pas fait)

Les résultats ont été surprenants. L'IA n'était pas seulement une machine de tri stupide, mais elle n'était pas non plus un détective de génie. Elle était quelque chose entre les deux : un partenaire collaboratif qui modifie l'histoire au fur et à mesure qu'elle la raconte.

1. Le piège de l'« Histoire Fluide »
L'IA était très douée pour rendre les choses nettes. Quand les entretiens étaient désordonnés, pleins de contradictions et d'opinions divergentes, l'IA les lissait. Elle adorait transformer une réalité dentelée et compliquée en une ligne droite et linéaire.

• L'analogie : Imaginez l'artisan disant : « J'ai appris en cassant trois outils avant de réussir », et le gestionnaire disant : « Nous avons des règles strictes et des contrôles de sécurité ». L'IA a pris ces éléments et a construit une route parfaite et droite : « Problème $\rightarrow$ Essai et Erreur $\rightarrow$ Succès ». Elle a fait en sorte que l'histoire ressemble à un scénario de film fluide, même si la vie réelle ressemble davantage à une conduite tout-terrain cahoteuse avec des impasses et des détours.

2. Le problème du « Forçage »
Le document a révélé que l'IA avait tendance à « forcer » les données dans une forme qui correspondait à sa propre logique interne. Elle ne se contentait pas de trouver des modèles ; elle créait des connexions qui n'étaient pas totalement présentes.

• L'analogie : C'est comme un solveur de puzzles qui, quand deux pièces ne s'emboîtent pas tout à fait, plie doucement le plastique jusqu'à ce qu'elles s'enclenchent. L'IA a pris un détail spécifique (comme le retour d'un chirurgien) et l'a transformé en le moteur principal de toute l'histoire, l'appelant « Productification médiée par le clinicien ». Elle a fait de cette idée unique le héros de l'histoire, même si les données montraient que d'autres choses (comme les décisions du gestionnaire ou les sentiments de l'ouvrier) étaient tout aussi importantes.

3. Les détails « Disparus »
L'une des choses les plus intéressantes que l'IA a faites est d'avoir géré les contradictions en les mettant de côté. Lorsque les données montraient quelque chose qui ne correspondait pas à l'histoire principale (comme une usine qui a cessé de fabriquer des outils à main il y a des années), l'IA n'a pas jeté l'histoire. Au lieu de cela, elle a conservé la contradiction mais l'a étiquetée comme une « limitation » ou une « note secondaire ».

• L'analogie : Imaginez que vous écriviez l'histoire d'un héros qui gagne toujours. Puis vous trouvez une page où le héros perd. Au lieu de réécrire l'histoire pour montrer que le héros est imparfait, l'IA place la page du « échec » dans une note de bas de page qui dit : « Cela est arrivé, mais cela ne change pas l'intrigue principale ». L'histoire reste nette, mais la vérité désordonnée est cachée dans les marges.

4. Le Changement de Langage
Les entretiens étaient en turc, mais l'IA parlait anglais. Cela a causé une « perte de connaissance ». Un mot turc comme hissiyat (un sentiment profond, une intuition acquise par des années de pratique) a été traduit par « sentiment » ou « intuition ». L'IA a gardé le mot, mais elle a perdu le poids pratique et profond du terme original. L'IA a transformé une compétence corporelle profonde en un concept simple, ce qui la rendait plus facile à intégrer dans ses catégories nettes, mais moins fidèle à l'expérience réelle de l'artisan.

La Grande Conclusion : Ce n'est pas de la magie, c'est un sport d'équipe

Le document conclut que l'IA n'est pas un outil neutre qui se contente de trier des mots, et elle n'est pas un robot capable de penser par lui-même. C'est un partenaire sociotechnique. Cela signifie que la « pensée » se produit dans l'espace entre l'humain et la machine.

L'IA n'a pas seulement fait des erreurs ; elle a fait des choix spécifiques. Elle a choisi de rendre les histoires linéaires, de lisser les contradictions et de donner la priorité au langage organisationnel sur les sentiments humains désordonnés. Elle n'a pas « découvert » la théorie ; elle l'a construite en fonction de la manière dont elle a été sollicitée et de la manière dont elle a traité les données.

Alors, qu'est-ce que cela signifie pour nous ?
Les auteurs suggèrent que nous ne devrions pas simplement demander : « L'IA a-t-elle raison ? ». Au lieu de cela, nous devons observer comment l'IA construit son histoire. Nous devons être prudents lorsque nous laissons une machine organiser nos recherches, car elle pourrait accidentellement lisser les parties les plus désordonnées, contradictoires et intéressantes qui font la réalité de la vie humaine. L'IA est un assistant puissant, mais elle a besoin d'un détective humain pour regarder les « pièces de puzzle tordues » et dire : « Attendez, cela ne correspond pas à l'histoire que nous racontons. Regardons de plus près. »

En fin de compte, le document suggère que l'utilisation de l'IA pour la recherche approfondie ne consiste pas à remplacer la pensée humaine, mais à comprendre comment nos outils changent notre façon de voir le monde. Le robot nous aide à voir des modèles, mais nous devons nous assurer de ne pas laisser l'IA cacher la vérité désordonnée et magnifique derrière une histoire parfaitement lisse, mais légèrement fausse.