Utiliser l'IA générative dans la recherche (DDN2-A63)

Utilisation de l'IA générative pour la recherche

Introduction

L'intelligence artificielle générative (IA générative) peut traiter et résumer rapidement de grandes quantités d'informations. Cela en fait un outil puissant pour la recherche dans le secteur public. Les tâches qui prennent beaucoup de temps, comme la recherche d'études pertinentes, l'examen de longs rapports, l'organisation de sources, le nettoyage de données ou la rédaction de résumés, peuvent maintenant être réalisées beaucoup plus rapidement grâce aux outils d'IA.

Par conséquent, les spécialistes peuvent passer moins de temps à chercher de l'information et plus de temps à interpréter des données probantes, à formuler des idées et à offrir des conseils pour appuyer la prise de décision. Toutefois, la vitesse à elle seule ne garantit pas la qualité des résultats. Les outils d'IA ne fonctionnent pas tous de la même façon, et l'on ne peut pas toujours se fier aux renseignements générés par l'IA sans vérification.

Les fonctionnaires doivent utiliser l'IA générative de manière responsable. Les recherches gouvernementales doivent respecter des normes élevées d'exactitude, de transparence et d'intégrité.

Le présent article porte sur les façons dont l'IA générative peut soutenir les travaux de recherche et la manière d'évaluer l'information générée par l'IA, et fournit des conseils sur l'utilisation responsable de l'IA à des fins de recherche.

Façon dont l'IA générative s'inscrit dans le cycle de vie de la recherche

L'IA générative fonctionne le mieux lorsqu'elle joue un rôle d'assistante de recherche et non un rôle de chercheuse ou de décideuse. Elle peut appuyer l'accomplissement de nombreuses tâches routinières ou chronophages, mais elle ne peut remplacer le jugement humain, l'expertise en la matière et la responsabilisation ou la compréhension contextuelle.

L'IA s'avère le plus utile lorsqu'elle aide les chercheuses et chercheurs à :

• trouver et analyser les sources pertinentes;
• résumer de longs articles et rapports;
• organiser et regrouper des renseignements;
• cerner des thèmes, des tendances ou des lacunes;
• analyser et visualiser des données de base;
• rédiger des aperçus et améliorer la clarté de la rédaction.

L'IA générative comporte des limites qui font en sorte qu'elle a de la difficulté à :

• comprendre les contextes politiques, sociaux ou culturels;
• exercer des jugements fondés sur des valeurs ou liés à des politiques;
• évaluer les intérêts publics ou les risques;
• savoir ce qui compte le plus pour les populations visées;
• assumer une responsabilité à l'égard des erreurs ou des préjudices;
• évaluer la qualité des sources et classer celles-ci par ordre de priorité.

Utilisations pratiques de l'IA générative pour la recherche dans le secteur public

L'IA générative peut appuyer plusieurs étapes du processus de recherche, de l'identification des sources à la communication des constatations. Ces outils peuvent aider les chercheuses et chercheurs à travailler plus efficacement, mais ne remplacent pas le jugement professionnel ou la vérification.

Texte descriptif

1. Modèles rapides
   • Vitesse : Quasi instantanée (de moins de 1 seconde à 5 secondes).
   • Logique : Raisonnement de base; optimisé pour la vitesse et l'efficacité.
   • Utilisations les plus pertinentes : Vérifications grammaticales, résumés simples, rédaction de courriels et remue-méninges.
   • Exemples : GPT-4o mini, Claude 3.5 Haiku, Gemini 3 Flash et Copilot (Web).
2. Modèles rapides (Pro)
   • Vitesse : Rapide (de 3 à 10 secondes).
   • Logique : Raisonnement général supérieur et précision accrue.
   • Utilisations les plus pertinentes : Rédaction de rapports complexes, tâches multimodales (image/audio) et notes d'information.
   • Exemples : Gemini 3 Pro, GPT 5.2, Claude 4.5 Sonnet et Copilot.
3. Modèles de raisonnement
   • Vitesse : Lente.
   • Logique : Raisonnement logique élevé; utilise une analyse de « requête de décomposition en étapes ».
   • Utilisations les plus pertinentes : Mathématiques avancées, détermination des contradictions dans les politiques et codage complexe.
   • Exemples : OpenAI o3, Gemini 3 Deep Think, DeepSeek R1.
4. Modèles de recherche approfondie et modèles axés sur la recherche
   • Vitesse : Très lente (de 5 à 30 minutes et plus).
   • Logique : IA agentive et autocorrective.
   • Utilisations les plus pertinentes : Revues de la littérature exhaustives, analyses des administrations et recherches approfondies sur le Web.
   • Exemples : ChatGPT Deep Research, Gemini Deep Research.
5. Modèles rapides (axés sur la récupération)
   • Vitesse : Moyenne (de 5 à 15 secondes).
   • Logique : Axée sur la recherche et la citation de renseignements externes.
   • Utilisations les plus pertinentes : Chercher des articles universitaires, analyser des données probantes et trouver des références rapidement.
   • Exemples : Perplexity, Consensus, Elicit, Research Rabbit.
6. Modèles rapides (IA ancrée)
   • Vitesse : Rapide (la vitesse variant selon la taille des fichiers téléversés).
   • Logique : IA strictement ancrée dans les données fournies par l'utilisateur.
   • Utilisations les plus pertinentes : Comparaison de rapports internes, extraction de thèmes et préparation de notes d'information.
   • Exemples : NotebookLM, analyse de fichiers avec ChatGPT, espace de travail documentaire Claude, Quirkos, Humata AI.

• Les modèles rapides sont ceux qui conviennent le mieux lorsqu'il s'agit de vérifier la grammaire et de faciliter la rédaction, la révision et la production de résumés simples.
• Les modèles rapides (versions pro) aident au raisonnement général, à la rédaction complexe et au respect d'instructions détaillées.
• Les modèles de raisonnement aident à analyser des questions complexes, à résoudre des problèmes mathématiques, à effectuer des tâches de codage approfondies et à comparer des données probantes.
• Les modèles axés sur la recherche et les modèles de recherche approfondie aident à trouver et à synthétiser l'information provenant de plusieurs sources.
• Les outils de recherche et de découverte aident à déterminer la documentation universitaire et stratégique pertinente.
• Les outils de synthèse aident à organiser et à analyser des collections de documents.

Les chercheuses et chercheurs utilisent souvent une combinaison de ces modèles selon la tâche à accomplir.

1. Revues de la littérature et analyse des données probantes

Les outils d'IA permettent de repérer rapidement les études pertinentes et de résumer les principales constatations et les recherches liées à un groupe. Cela peut réduire considérablement le temps nécessaire pour analyser une documentation volumineuse.

Méthode :

• Définir la question de recherche, la portée, la période et les mots-clés.
• Demander au système d'IA de repérer les études pertinentes et de résumer les principales constatations.
• Demander le regroupement des sources par thème, répercussions stratégiques ou lacunes.
• Utiliser des outils de découverte pour trouver les sources originales et vérifier les citations.

Exemple de requête

À l'aide du mode de recherche approfondie, repère les 10 principales études évaluées par des pairs des cinq dernières années concernant les projets pilotes sur le revenu de base universel en Amérique du Nord. Plus précisément, cherche des données sur les taux de participation au marché du travail. Fournis un résumé des constatations de chaque étude et regroupe-les selon les répercussions économiques et le bien-être collectif. Inclure des liens directs vers les originaux aux fins de vérification.

Marche à suivre pour assurer une utilisation responsable :

• Traiter les résumés de l'IA comme des points de départ.
• Toujours vérifier les sources et les citations.
• Lire les documents originaux avant de tirer des conclusions.
• Inclure le plus de détails clairs et pertinents possible dans la requête afin que l'IA puisse effectuer une recherche plus stratégique et efficace dans les sources.

2. Comprendre des documents complexes

L'IA générative peut aider à résumer des documents complexes, à mettre en évidence des thèmes récurrents et à schématiser les liens entre les idées. Cela est utile à des fins d'orientation, de préparation de documents d'information et d'analyse précoce.

Méthode :

• Téléverser ou coller des rapports, des lois, des politiques définitives ou des documents techniques.
• Demander des résumés adaptés à vos besoins (par exemple, principales constatations, répercussions).
• Demander des comparaisons entre plusieurs documents.
• Utiliser des outils de synthèse pour organiser et extraire des renseignements.

Exemple de requête

J'ai téléchargé trois rapports distincts sur les stratégies des municipalités en matière de logement. À l'aide de ces éléments comme seule source d'information, crée un tableau comparatif qui met en évidence : 1) leur définition de l'abordabilité, 2) les changements de zonage proposés et 3) les obstacles relevés concernant la mise en œuvre. Une fois le tableau créé, énumère les thèmes récurrents qui figurent dans les trois documents.

Marche à suivre pour assurer une utilisation sécuritaire :

• Vérifier les résumés par rapport aux textes originaux.
• Être à l'affût des nuances manquantes ou des simplifications excessives.
• Ne pas se fier à l'IA pour résoudre des données probantes contradictoires.
• Ne jamais téléverser de contenu protégé, provisoire ou de nature délicate.

3. Travailler avec des données

Certains outils d'IA peuvent aider à nettoyer les données, à explorer les tendances et à créer des visualisations simples. Ces capacités peuvent appuyer l'analyse exploratoire et l'élaboration d'hypothèses.

Méthode :

• Décrire votre jeu de données et votre objectif de recherche.
• Demander à l'IA de suggérer des façons d'organiser ou d'analyser les données.
• Demander des résumés des tendances ou des modèles potentiels.

Exemple de requête

J'examine les données relatives à 12 quartiers portant sur les deux dernières années. À l'aide du fichier ci-joint, indique les tendances saisonnières ou les baisses inhabituelles dans les chiffres. À partir des données, suggère trois raisons possibles de ces baisses que je devrais examiner, et inclus le code d'analyse utilisé pour les trouver.

Marche à suivre pour assurer une utilisation sécuritaire :

• Valider les constatations à l'aide des outils et méthodes établis.
• S'abstenir d'utiliser les résultats produits par l'IA comme éléments probants analytiques définitifs.
• S'assurer que les données de nature délicate sont protégées.

4. Soutien à la rédaction et à la communication

L'IA peut contribuer à améliorer la clarté, la grammaire et la structure. Elle peut également aider à rédiger des aperçus ou à reformuler du contenu en langage clair et à mettre en forme des références.

Méthode :

• Fournir un texte provisoire, des notes ou des aperçus.
• Demander à l'IA d'améliorer la clarté ou de créer des résumés en langage clair. Demander des versions adaptées aux différents publics.
• Utiliser des modèles rapides pour la révision et la mise en forme, et des modèles de raisonnement pour affiner des arguments complexes.

Exemple de requête

J'ai rédigé une note d'information technique sur la planification du transport collectif à zéro émission (collée ci-dessous). Premièrement, utilise tes capacités de raisonnement pour vérifier si la transition entre mon troisième et mon quatrième argument est logique. Deuxièmement, réécris le résumé dans un langage clair et adapté à un public général ayant un niveau de lecture de 8^e année, en évitant tout jargon technique et en gardant les recommandations de base inchangées.

Marche à suivre pour assurer une utilisation sécuritaire :

• Examiner tout le contenu pour en vérifier l'exactitude et le ton.
• Confirmer les références et les citations.
• Maintenir la paternité du texte et la responsabilité.

Évaluation de l'information générée par l'IA

L'IA générative ne « connaît » pas les faits. Elle génère des réponses fondées sur des tendances dans les données. Cela signifie qu'elle peut :

• donner une impression de justesse alors que le contenu produit est erroné;
• inventer des sources, des citations ou des détails;
• reproduire des préjugés présents dans ses données d'entraînement.

Pour cette raison, le contenu généré par l'IA doit toujours être traité comme de l'information non vérifiée. Les compétences en pensée critique utilisées pour évaluer les sources traditionnelles doivent aussi être mises à profit pour évaluer les résultats produits par l'IA.

Des cadres comme SIFT et RADAR peuvent vous aider à déterminer si l'information que vous utilisez dans votre recherche est fiable. Vous pouvez également consulter le cours Démêler la mésinformation et la désinformation, qui présente des stratégies supplémentaires en vue de reconnaître le contenu faux, trompeur ou manipulé.

Méthode SIFT

La méthode SIFT (en anglais seulement) a été mise au point par Mike Caulfield à l'Université de Washington. Il s'agit d'une approche en quatre étapes pour évaluer l'information afin de déterminer si le contenu en ligne peut être considéré comme une source d'information crédible ou fiable.

1. S'arrêter : Avant de lire ou de partager un article ou une vidéo, faites une pause et procédez à un examen critique à l'information.
   • Que savez-vous de la source des renseignements et de sa réputation?

Si vous n'avez pas cette information, suivez les autres étapes pour avoir une idée de ce que vous examinez. N'acceptez pas l'information tant que vous ne savez pas ce en quoi elle consiste.

2. Investiguer la source : Qui a créé l'information, et pourquoi a-t-elle été créée? Prenez un moment pour vérifier les autrices ou auteurs et les sources avant d'accepter ou de partager l'information.
   • Que pouvez-vous trouver au sujet des autrices ou auteurs ou des créatrices ou créateurs des sites Web?
   • Quel est leur objectif?
   • Ces personnes ont-elles des liens financiers, des penchants politiques ou des préjugés personnels qui pourraient influencer leur évaluation?
   • Sont-elles des spécialistes reconnues du domaine?

Le fait de prendre quelques minutes pour déterminer d'où provient l'information avant de la lire vous aidera à décider s'il convient d'y consacrer du temps et, le cas échéant, vous aidera à mieux comprendre son importance et sa fiabilité.

3. Fouiller pour obtenir d'autres informations et plus d'articles sur le sujet : Consultez d'autres sources crédibles pour voir s'il y a concordance.
   • Y a-t-il d'autres sources qui confirment cette information ou qui la remettent en question?
     • Utilisez des outils de vérification des faits comme le Vérificateur de faits de MediaSmarts, Factuel d'AFP, Snopes (en anglais seulement), org (en anglais seulement), PolitiFact (en anglais seulement et Washington Post Fact Checker (en anglais seulement). Vous pouvez également consulter la liste des sites Web de vérification des faits de Wikipédia (en anglais seulement).
   • Pouvez-vous retracer la source originale?
   • S'il s'agit d'une image, effectuez une recherche d'image inversée pour savoir si une image a été modifiée ou copiée à partir d'un autre site Internet ou non. Pour ce faire, copiez l'image ou l'adresse URL de l'image dans la barre de recherche d'un outil de recherche d'images comme TinEye (en anglais seulement) ou Google Lens.

Une fois qu'une compréhension commune est trouvée, devez-vous y adhérer? Absolument pas! Toutefois, la compréhension du contexte et de l'historique de l'information vous aidera à mieux évaluer celle-ci et constitue un point de départ pour une enquête approfondie.

4. Trouver les sources, affirmations, citations et contexte d'origine : Remontez au contexte initial. Si aucune source n'est fournie, poursuivez l'enquête, car cela peut constituer un signal d'alarme.
   • D'où l'information provient-elle?
   • La source originale appuie-t-elle ce qui est dit?
   • L'affirmation, la citation ou les médias sont-ils présentés avec exactitude?
   • L'information a-t-elle été utilisée de façon sélective pour appuyer un point de vue particulier?
   • Une chose a-t-elle été prise hors de son contexte?

L'information en ligne peut perdre de sa signification lorsqu'elle est partagée sans son contexte. Le fait de remonter jusqu'aux sources originales des affirmations, des citations et des médias aide à confirmer que ceux-ci sont exacts et présentés équitablement et ne sont pas pris hors de leur contexte.

Méthode RADAR

La méthode RADAR a été mise au point par Jane Mandalios de l'American College of Greece. Il s'agit d'une approche en cinq étapes qui aide à évaluer l'information. Le segment suivant a été adapté de l'article de Jane Mandalios, publié dans le Journal of Information Science en 2013.

1. Rapport : L'information doit être pertinente pour être utile à votre recherche. Si elle n'a pas de rapport clair avec votre sujet ou votre question de recherche, elle peut s'avérer inutile.
   • Cette information répond-elle à ma question de recherche?
   • Est-elle clairement liée à mon sujet?
   • Qui est le public cible?

2. Autorité : Il est essentiel d'évaluer qui a créé l'information pour en évaluer la crédibilité. Cela comprend l'autrice ou l'auteur, l'éditrice ou l'éditeur et toute organisation responsable du contenu.
   • Qui a créé cette information et qui cite-t-elle?
   • Est-ce que l'autrice ou l'auteur possède une expertise ou une expérience pertinente?
   • Est-ce que l'autrice ou l'auteur est affilié·e à une institution ou à une organisation crédible?
   • Est-ce que l'autrice ou l'auteur est cité·e par d'autres?
   • Des coordonnées sont-elles fournies dans le cas où des précisions seraient nécessaires?

3. Date : La date de création de l'information est importante, mais une date récente ne signifie pas toujours qu'il s'agit d'une information de qualité. La mesure dans laquelle la date de publication est importante dépend du sujet et du domaine concernés.
   • Quand l'information a-t-elle été publiée ou mise à jour pour la dernière fois?
   • Ai-je besoin de l'information la plus récente sur ce sujet?
   • L'information est-elle désuète ou toujours exacte et pertinente?
   • Peut-elle servir à fournir un contexte historique?

4. Apparence : La façon dont l'information est présentée peut être une indication de sa fiabilité.
   • L'information est-elle présentée de manière professionnelle?
   • Respecte-t-elle les conventions concernant, par exemple, les résumés, les citations et les références?
   • Est-elle publiée dans une revue à comité de lecture ou dans une source fiable?
   • Les sources sont-elles citées et semblent-elles crédibles?
   • Des publicités sont-elles présentes et ont-elles une incidence sur la crédibilité?

5. Raison de la rédaction : Le fait de déterminer la raison pour laquelle l'information a été créée aide à cerner les préjugés ou les limites possibles.
   • Pourquoi l'information a-t-elle été publiée?
   • A-t-elle pour but d'informer, d'éduquer, de persuader, de divertir ou de vendre quelque chose?
   • Sa raison d'être est-elle clairement énoncée?
   • L'information est-elle objective et équilibrée?
   • Les méthodes, les données ou les éléments probants sont-ils clairement expliqués lorsqu'il est pertinent de le faire?

La méthode RADAR n'est pas un simple examen réussi ou échoué ni un outil de prise de décision définitive. Elle vise à vous aider à comparer l'information et à évaluer sa qualité globale lorsque vous parcourez et examinez les sources.

Les sources qui sont partiales, fondées sur des opinions ou même inexactes peuvent quand même s'avérer utiles dans le cadre d'une recherche lorsqu'elles sont utilisées dans un but précis, par exemple pour montrer des points de vue opposés ou des idées fausses courantes. Lorsque vous utilisez de telles sources, il est important d'indiquer clairement leurs limites et d'y adjoindre des données probantes plus équilibrées et crédibles.

Considérations relatives à l'utilisation de l'IA générative dans la recherche

L'IA générative est de plus en plus utilisée dans la recherche, mais cela ne va pas sans soulever d'importantes préoccupations. La compréhension de ces considérations aide les chercheuses et chercheurs à adopter une approche plus prudente et responsable en ce qui concerne le recours à ces outils, surtout dans le contexte du secteur public où la confiance, la transparence et la responsabilisation sont essentielles.

Principe d'utilisation de l'IA générative : principes PRETES

Pour gérer ces risques, les chercheuses et chercheurs du secteur public peuvent s'appuyer sur des principes clairs qui guident l'utilisation responsable. Le Guide sur l'utilisation de l'intelligence artificielle générative du GC fournit les principes PRETES, qui s'appliquent également à la recherche :

• Pertinente – n'utiliser l'IA que lorsqu'elle ajoute une valeur claire.
• Responsable – s'assurer que des humains assument la responsabilité des résultats.
• Équitable – éviter de renforcer les préjugés et les exclusions.
• Transparence – faire preuve de franchise quant au moment et à la façon dont l'IA est utilisée.
• Éclairée – comprendre les hypothèses et les limites.
• Sécurisée – protéger les renseignements personnels et de nature délicate.

Si vous ne pouvez pas expliquer comment l'IA a soutenu votre recherche ou défendre le rôle qu'elle a joué, il se peut que vous vous appuyiez dans une trop grande mesure sur celle-ci. L'utilisation de l'IA devrait être documentée, examinée et justifiée, surtout dans les contextes stratégiques ou d'aide à la décision. Pour en savoir plus sur les autres risques associés aux outils d'IA générative, consultez l'article L'utilisation sécuritaire de l'intelligence artificielle au sein du gouvernement.

L'IA générative et l'avenir de la recherche dans la fonction publique

L'IA générative continuera de transformer les pratiques. Les outils deviendront plus puissants, mais les compétences de base en recherche demeureront essentielles. Les chercheuses et chercheurs devront posséder :

• de solides compétences en matière de pensée critique;
• des compétences en matière d'évaluation de l'information;
• des connaissances en matière d'éthique;
• des compétences en matière de communication claire.

L'IA peut renforcer la capacité, mais elle ne peut pas remplacer la responsabilité professionnelle ou l'obligation de rendre compte au public.

Conclusion

L'IA générative ne représente en soi ni une solution ni une menace. Il s'agit d'un outil. Son incidence dépend de la façon dont elle est utilisée. Si l'IA est utilisée de façon judicieuse, elle peut réduire le fardeau administratif, appuyer des analyses plus approfondies, et améliorer la clarté et l'accessibilité des travaux de recherche. Si on l'utilise sans prendre les précautions requises ou sans supervision, elle peut propager de la mésinformation, nuire à la qualité des recherches et compromettre la confiance envers le gouvernement.

En ce qui concerne la recherche dans le secteur public, l'objectif est d'utiliser l'IA de façon réfléchie en vue de soutenir les chercheuses et chercheurs, d'accroître leur productivité et d'améliorer la qualité de leur travail. L'IA générative doit servir à soutenir des tâches comme celles consistant à chercher, à résumer et à organiser l'information, le jugement humain demeurant quant à lui essentiel à l'interprétation, à la validation et à la prise de décisions. Les résultats de recherche doivent toujours être produits avec l'aide de l'IA et non générés par celle‑ci, ainsi que reposer sur orientation humaine claire et s'accompagner d'une responsabilisation évidente.

Il s'agit d'un secteur qui évolue rapidement. Les outils, les pratiques et les attentes continueront de changer. Les fonctionnaires doivent consulter régulièrement les directives mises à jour, des ressources fiables et l'expertise en la matière. Même lorsque des sources sont fournies, les outils d'IA peuvent mal interpréter l'information ou présenter celle-ci de façon trompeuse. L'examen des sources originales et l'exercice d'un jugement professionnel doivent demeurer des éléments centraux du processus de recherche.

Les chercheuses et chercheurs qui exercent une pensée critique, qui appliquent des principes clairs et qui exécutent des examens minutieux peuvent utiliser l'IA générative de manière à appuyer des recherches rigoureuses tout en protégeant l'intégrité de leur travail et la confiance du public qu'ils servent.

Ressources

• Cours | Démêler la mésinformation et la désinformation (TRN506)
• Cours | Démêler la mésinformation et la désinformation au travail (TRN507)
• Cours | Fondements de l'analyse des données : le processus analytique (DDN320)
• Cours | Le processus de conception : Synthèse de données qualitatives (DDN245)
• Cours | Suite Microsoft Excel 365 (TRN247)
• Guide | Orientations pour l'intelligence artificielle générative dans l'éducation et la recherche
• Guide | Living guidelines on the responsible use of generative AI in research (en anglais seulement)
• Outils d'IA | AI Tools for Research – Artificial Intelligence (Generative) Resources (en anglais seulement)
• Article | L'utilisation sécuritaire de l'intelligence artificielle au sein du gouvernement (DDN1-A03)
• Article | Série Travailler à l'aide de l'intelligence artificielle : La confiance à l'égard de l'IA générative (DDN2-A35)
• Article | Fausse nouvelle et piège à clics : repérer la désinformation et la mésinformation (DDN2-A08)
• Article | Réfléchir et réagir à la mésinformation et la désinformation (TRN5-A01)
• Vidéo | Beyond Search: AI-Powered Literature Review in the Age of Deep Research (en anglais seulement)
• Vidéo | Using Generative AI in Research (en anglais seulement)

En savoir plus

• Plus d'articles

Restez branchés

• Abonnez-vous à l'infolettre de l'Académie du numérique de l'EFPC
• Découvrez les ressources de l'Académie du numérique de l'EFPC sur GCÉchange
• Contactez l'Académie du numérique de l'EFPC par courriel