Extracting and Coding Digital Sustainability Data using Text Mining and AI: A Design Science Approach

Imaginez que vous soyez un détective essayant de résoudre un mystère colossal : comment les entreprises utilisent-elles la technologie pour aider la planète et les gens ? Les indices ne sont pas cachés dans un grenier poussiéreux ; ils sont enfouis dans des milliers de rapports épais et ennuyeux que les entreprises rédigent chaque année. Ces rapports sont comme de gigantesques bibliothèques de textes, remplis de mots sur les « centres de données verts », les « capteurs intelligents » et l'« équité numérique ». Le problème est que lire chaque page de chaque rapport à la main, c'est comme essayer de boire l'océan avec une paille : cela prend un temps infini, et vous pourriez manquer les gouttes les plus importantes. C'est le monde de la « durabilité numérique », un domaine où les chercheurs étudient comment les ordinateurs et les logiciels peuvent rendre le monde meilleur. Mais pour comprendre la vue d'ensemble, ils ont besoin de trouver et de trier ces indices rapidement. C'est là que la magie du « text mining » (apprendre aux ordinateurs à lire et à trouver des modèles) et de l'« IA générative » (des chatbots super intelligents capables d'écrire et de réfléchir) entre en jeu. Au lieu de se noyer dans la paperasse, les chercheurs veulent un assistant robotique pour faire le gros du travail, afin qu'ils puissent se concentrer sur la résolution du mystère.

Ce document traite de la construction de ce très même assistant robotique. Les chercheurs, Thomas Abraham, Viet Dao et Nesreen El-Rayes, ont décidé d'utiliser une méthode appelée « Design Science », ce qui est essentiellement une façon sophistiquée de dire : « Construisons un outil pour résoudre un problème, testons-le et améliorons-le ». Leur objectif était de créer un système semi-automatique capable de scanner les rapports de durabilité, d'en extraire les récits pertinents sur la durabilité numérique, puis de trier ces récits dans des catégories logiques et ordonnées. Ils n'ont pas fait que deviner ; ils ont construit trois « artefacts » spécifiques (outils) pour accomplir la tâche : un dictionnaire de mots spécial pour la recherche, un ensemble d'instructions (prompts) pour apprendre à l'IA comment réfléchir, et l'ensemble du processus pour les utiliser ensemble.

D'abord, ils ont abordé la partie « recherche ». Imaginez que vous cherchiez des types de trésors spécifiques dans une grotte. Si vous vous contentez de crier « Trésor ! », vous obtiendrez beaucoup de cailloux et de terre. Vous avez besoin d'une carte précise. Les chercheurs ont construit un « Dictionnaire de la Durabilité Numérique », qui est comme un détecteur de métaux hautement réglé. Ils l'ont alimenté avec des milliers de mots issus de recherches passées pour lui apprendre à quoi ressemble réellement la « durabilité numérique ». Ils ont testé ce dictionnaire sur des rapports de sociétés comme Biogen et Coca-Cola. Les résultats ont été impressionnants : l'ordinateur a trouvé 94 % des récits de durabilité numérique que les experts humains avaient trouvés manuellement, mais il l'a fait en une fraction du temps. Il a même trouvé 54 récits supplémentaires que les humains avaient manqués ! Cependant, il n'était pas parfait ; l'ordinateur se laissait parfois distraire par des mots comme « site web » qui semblaient importants mais qui n'étaient pas réellement liés à des initiatives de durabilité. Cela a appris aux chercheurs que, bien que l'ordinateur soit un excellent scanner, il a toujours besoin d'un humain pour vérifier les résultats.

Ensuite, ils ont abordé la partie « tri ». Une fois que l'ordinateur avait trouvé les récits, il devait les placer dans les bonnes boîtes. Les chercheurs ont utilisé deux différents « systèmes de classement » basés sur des théories établies. Un système classait les récits selon ce que la technologie fait (comme « Automatiser » un processus ou « Transformer » un modèle économique), et l'autre classait les récits selon qui en bénéficie (comme « Interne » vs « Externe » ou « Aujourd'hui » vs « Demain »). Pour apprendre à l'IA à utiliser ces systèmes de classement, ils ne lui ont pas simplement donné une commande simple. Ils ont utilisé une technique appelée « few-shot prompting », qui consiste à montrer à l'IA quelques exemples d'un puzzle terminé et à lui dire : « Tu vois comment cette pièce s'insère ici ? Maintenant, fais le reste ». Ils ont entraîné l'IA sur des données de trois entreprises, la laissant faire des erreurs, la corrigeant et affinant ses instructions jusqu'à ce qu'elle maîtrise le sujet.

Lorsqu'ils ont testé cette IA entraînée sur de nouvelles entreprises (comme Johnson & Johnson et Volvo), les résultats ont été solides. Pour les catégories « ce qu'elle fait », l'IA a correspondu au tri des experts humains 78 % du temps. Pour les catégories « qui bénéficie », elle a correspondu 85,3 % du temps. Les chercheurs ont calculé un score appelé « Kappa de Cohen », qui mesure à quel point deux personnes (ou une personne et un robot) sont d'accord. Le score était supérieur à 0,7, ce qui est considéré comme un niveau élevé d'accord. Cela suggère que l'IA ne fait pas que deviner ; elle apprend réellement la logique des chercheurs.

Cependant, l'article prend soin de ne pas dire qu'il s'agit d'une « baguette magique » qui résout tout. Les chercheurs excluent explicitement l'idée que ce processus puisse être entièrement automatique. Ils ont constaté que l'IA avait parfois besoin d'aide pour comprendre le contexte d'une entreprise. Par exemple, si une entreprise parlait d'un système de sécurité sur plusieurs années, l'IA pourrait compter cela comme plusieurs projets différents, alors qu'un humain saurait qu'il s'agit d'un seul et même projet de longue durée. Le dictionnaire n'est pas non plus parfait ; c'est une entité vivante qui doit être mise à jour à mesure que de nouveaux mots entrent dans le monde. Les auteurs concluent que la meilleure approche est un partenariat : l'ordinateur agit comme un assistant de recherche super rapide qui effectue le gros du travail de recherche et de tri, mais un expert humain doit toujours être dans la boucle pour entraîner l'IA, corriger ses erreurs et prendre la décision finale.

En fin de compte, ce document suggère que nous n'avons pas à choisir entre la sagesse humaine et la vitesse de la machine. En combinant le text mining et l'IA générative avec un processus d'entraînement méticuleux et étape par étape, les chercheurs peuvent construire des ensembles de données massifs de données de durabilité numérique bien plus rapidement qu'auparavant. Ce n'est pas un problème résolu, mais c'est un nouvel outil puissant qui rend la tâche de sauver le monde un peu moins solitaire et beaucoup plus efficace.