Bibliographic Exploration Methodologies to Support Systematic and Scoping Reviews
Cet article propose et démontre un cadre reproductible exploitant les techniques de traitement du langage naturel et d'apprentissage automatique pour analyser des corpus bibliographiques, aidant ainsi les chercheurs à formuler des questions de recherche, à identifier des lacunes thématiques et à affiner leurs stratégies de recherche avant de mener des revues systématiques ou de portée formelles.
Article original sous licence CC BY 4.0 (https://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
Imaginez que vous essayiez de comprendre une vaste bibliothèque en constante expansion où de nouveaux livres sont ajoutés chaque seconde, écrits dans différentes langues et organisés sans aucun système unique. C'est la réalité de la science moderne. Les chercheurs font aujourd'hui face à un déluge d'informations si immense que le simple fait de trouver les bons livres à lire pour un projet spécifique est devenu une tâche monumentale. Lorsque les scientifiques veulent comprendre un sujet, ils mènent souvent une « revue de portée » (scoping review), un processus minutieux consistant à cartographier ce qui est déjà connu, à identifier les lacunes et à organiser le chaos. Mais avant même de pouvoir commencer à lire les textes intégraux, ils doivent d'abord rassembler des milliers d'articles potentiels à partir de bases de données massives. Le problème est que ces listes initiales sont souvent trop volumineuses et désordonnées pour être gérées à la main. Une nouvelle étude suggère que les chercheurs peuvent utiliser des outils informatiques pour obtenir une vue d'ensemble claire et de haut niveau de cette montagne de littérature avant de commencer le travail lent de lecture de chaque page.
Les chercheurs, une équipe de l'Université Fédérale de ABC au Brésil, ont entrepris de tester une méthode qui utilise l'intelligence artificielle pour explorer la littérature scientifique. Ils se sont concentrés sur un domaine spécifique et critique : la gestion des déchets solides municipaux au Brésil. En janvier 2026, ils ont effectué une recherche dans deux des plus grandes bases de données scientifiques au monde, Scopus et Web of Science, en utilisant des mots-clés liés aux déchets solides et au Brésil. Leur recherche a renvoyé 1 336 notices. Après avoir supprimé les doublons, il restait 1 281 travaux académiques, comprenant des articles de revues, des chapitres de livres et des communications de conférence. Au lieu de lire chaque titre et résumé un par un, ils ont injecté toute cette collection dans un programme informatique conçu pour trouver des motifs dans le langage.
L'équipe a traité les titres et les résumés de ces articles comme un texte unique et massif. Ils ont d'abord nettoyé les données, supprimant les mots communs comme « le » ou « et » qui ne portent pas beaucoup de sens, et se sont concentrés sur les termes significatifs. Ils ont ensuite utilisé plusieurs techniques informatiques pour voir comment les mots et les idées se connectaient. Une méthode examinait quels mots apparaissaient fréquemment ensemble, créant ainsi une carte des relations. Une autre méthode regroupait les documents en grappes basées sur la similitude de leur vocabulaire, un peu comme si l'on triait un tas de cartes mélangées en paquets bien ordonnés sans connaître les règles au préalable. Ils ont également utilisé deux approches statistiques avancées pour découvrir des thèmes cachés, ou « sujets », qui traversaient la collection. L'une de ces approches, qu'ils ont jugée la plus efficace pour cet ensemble de textes spécifique, décomposait les documents en groupes distincts basés sur la combinaison de mots qu'ils contenaient.
Les résultats ont révélé une structure claire au sein de la littérature. L'analyse informatique a montré que la recherche sur les déchets solides au Brésil n'est pas une collection éparpillée d'idées aléatoires, mais qu'elle est organisée autour d'un noyau central. Ce noyau relie l'acte physique de la gestion des déchets à quatre dimensions majeures : les préoccupations environnementales, les politiques institutionnelles, la logistique opérationnelle et les facteurs socio-économiques. Les cartes informatiques ont montré que des termes comme « décharge », « recyclage » et « émissions » formaient un groupe très serré, tandis que des mots comme « politique », « service public » et « municipal » en formaient un autre. Un troisième groupe liait les aspects économiques, tels que « coût » et « valeur », avec des enjeux sociaux comme la « santé » et la « population ». En visualisant ces connexions, les chercheurs ont pu voir que le domaine est dominé par les défis pratiques de la gestion des déchets dans le contexte brésilien, avec des sous-domaines clairs émergeant autour de processus spécifiques comme la logistique inverse et l'énergie du biogaz.
Crucialement, l'étude n'a pas trouvé que l'ordinateur pouvait remplacer le chercheur humain. Les auteurs ont pris soin de préciser que leur objectif n'était pas d'automatiser le processus de revue ni de laisser une machine décider quels articles sont importants. Au contraire, l'ordinateur servait de lentille puissante aidant les chercheurs à percevoir la forme du domaine avant de commencer leur travail détaillé. L'analyse a suggéré que la manière la plus efficace d'organiser ce type spécifique de littérature était une méthode qui crée des groupes de sujets distincts et non chevauchants, plutôt qu'une méthode qui permet aux thèmes de trop se mélanger. Cette distinction a aidé l'équipe à comprendre que si certains domaines de recherche sont très spécifiques et séparés, d'autres se chevauchent naturellement, et les outils informatiques pouvaient mettre en évidence l'endroit où ces frontières se situent.
L'équipe a conclu que cette approche offre une manière reproductible de préparer des revues formelles. En utilisant ces outils, les chercheurs peuvent formuler de meilleures questions, affiner leurs stratégies de recherche et identifier où se trouvent réellement les lacunes de connaissances avant de passer des mois à lire des articles individuels. L'étude démontre que, face à un déluge d'informations, les méthodes computationnelles peuvent fournir une manière structurée, transparente et fondée sur des preuves de faire le premier pas. Cela permet aux scientifiques de passer d'un état de submersion par le volume de données à une vue panoramique et claire du paysage, garantissant que, lorsqu'ils commencent leur immersion profonde, ils regardent dans la bonne direction.
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.