Les articles de Bases

Le peer review d’un article académique est, traditionnellement, une revue par les pairs avant publication. Il reste le fondement du fonctionnement de la majorité des éditeurs, qu’ils publient selon le schéma traditionnel dans lequel le lecteur paie en s’abonnant, ou qu’ils publient en open access, schéma dans lequel l’auteur, son institution ou un sponsor règle les frais (Article processing charges, soit APC).

Les limites du peer review traditionnel

Si cette procédure est supposée garantir aux articles publiés un haut niveau de qualité, elle présente l’inconvénient majeur d’imposer un délai parfois long entre le dépôt du manuscrit et la publication effective de l’article.

Cela devient de moins en moins supportable alors même que les développe­ments de la recherche connaissent une accélération significative comme on a pu le constater, en particulier, lors de la pandémie du COVID-19.

S’ajoute la difficulté croissante à trouver des reviewers (en règle générale bénévoles) disponibles, conséquence à la fois de l’inflation du nombre de publications et de la pression que subissent les chercheurs pour publier toujours plus, ce qui leur laisse moins de temps pour se consacrer aux reviews.

Et enfin, rien ne garantit que deux ou trois reviewers (au mieux) auront pu détecter toutes les failles potentielles d’un article. En effet, ces failles pourraient n’apparaître que lorsqu’un nombre plus important de scientifiques aura pu en prendre connaissance.

L’arrangement de Strasbourg, cela vous dit quelque chose ? On pourrait imaginer un quizz du type : c’est (1) le traité par lequel Louis XIV a réuni Strasbourg à la France le 30 septembre 1681 (2) un projet d’urbanisme de Catherine Trautmann lorsqu’elle était maire de Strasbourg (3) le texte qui a établi la classification internationale des brevets en 1971. Évidemment c’est la troisième réponse qui est la bonne. À l’heure où l’environnement médiatique est saturé par l’IA, nous allons, sans trop rentrer dans des détails théoriques, montrer par un simple exemple que cet outil de recherche conserve son intérêt, et qu’il reste même pour l’instant plus complémentaire qu’antagoniste avec les techniques basées sur l’IA. Le titre de cet article était donc seulement provocateur.

Un bref rappel

La Classification Internationale des Brevets (abrégé CIB) ou, en anglais, International Patent Classification (IPC) a été mise en place pour répondre au défi de rechercher des documents au sein d’une masse croissante de brevets, dans un contexte caractérisé par le multilinguisme, et une syntaxe, qui outre les problématiques habituelles de synonymie, peut être très déconcertante : en « langue brevet », un ballon peut être un « dispositif sphérique de loisir », et une bouteille un « contenant pour liquide ». Chercher par des mots-clés se heurte donc vite à certaines limites.

Il est difficile de suivre ce qui se passe dans la Galaxie IA Google, tant les annonces de fonctionnalités et projets sont nombreuses.

La stratégie de la division IA Google DeepMind s’articule autour de deux modèles : Gemini et Gemma (hors développements spécifiques image et vidéo). Gemini est un modèle ultra puissant, mais fermé, utilisé à la fois pour les services grand public tels que le Search et pour les applications professionnelles ; à l’opposé, Gemma est un système beaucoup moins gourmand en ressources, en open-source, conçu pour la communauté des développeurs.

Les données brevets constituent une source d’information de choix pour effectuer des recherches d’état de l’art, de brevetabilité ou de liberté d’exploitation par exemple. Au-delà d’une recherche ponctuelle, il est souvent utile de surveiller régulièrement l’apparition de nouveaux documents, comme dans le cadre d’une veille technologique ou d’une veille concurrentielle. Patentscope, la base de données brevet de l’OMPI, offre une telle possibilité via la mise en place d’un flux RSS.

Créer une surveillance via un flux RSS sur Patentscope 

Données personnelles et IA : ce que les modèles font vraiment avec nos données

La société de cybersécurité Surfshark a publié une étude très intéressante sur les pratiques de collecte de données des chatbots IA.

. La plupart des applications de chatbot IA collectent des données utilisateurs, avec en moyenne 11 types sur 35. Environ 40 % collectent des données de localisation et 30 % les utilisent à des fins publicitaires ou de revente.

. Google Gemini est la plus intrusive, collectant 22 types de données, y compris des informations sensibles comme la localisation précise et l’historique de navigation.

. ChatGPT et DeepSeek collectent modérément(10 et 11 types) mais présentent des risques, notamment des fuites de données comme Celle qui a touché le Chinois DeepSeek fin janvier dernier.

Naviguer autrement : Comet, le nouveau navigateur IA de Perplexity défie les géants du web

Perplexity AI, désormais un acteur majeur dans la recherche assistée par l’IA, avec plus de 100 millions de requêtes traitées chaque semaine, a laissé filtrer quelques informations concernant le lancement de Comet, son nouveau navigateur web.

Des racines historiques à une nouvelle stratégie

Delphes est une des plus anciennes banques de données bibliographiques toujours disponibles. Elle propose des résumés, avec indexation, d’une sélection d’articles parus dans la presse économique française au sens large, à l’exception des quotidiens.

Issue de la fusion en 1988 des banques de données Grappe et ISIS créées respectivement en 1979 et 1981, toutes deux par des CCI (Chambres de Commerce et d’industrie), elle a été abandonnée fin 2005 et reprise par la société IndexPresse basée à Grenoble.