PARTIE 3 : Outils & Méthodologie de recherche

Où chercher ? Les moteurs scientifiques 🔍#

Oublie Google classique pour la recherche scientifique. Y'a des outils spécialisés bien plus puissants.

Les outils essentiels#

Outil	Usage	Gratuit ?	Points forts
Google Scholar	Base universelle	✅	Le plus complet, simple
Semantic Scholar	Recommandations IA	✅	Suggère des papiers liés
Consensus	Synthèse par IA	✅ (limité)	Répond à des questions directement
Connected Papers	Graph de liens	✅	Visualise les connexions entre papiers
Elicit	Questions → réponses	✅ (limité)	IA qui trouve et synthétise
arXiv	Preprints informatique	✅	Accès immédiat, pas de paywall
IEEE Xplore / ACM	Informatique académique	💰	Conférences top en informatique

Google Scholar : la base#

scholar.google.com - ton point de départ.

Les filtres importants :

• Date : limite aux années récentes (ex: depuis 2022)
• Trier par : pertinence vs date
• "Cité par" : voit qui a utilisé ce papier
• "Articles similaires" : trouve des papiers connexes

Astuce : clique sur les guillemets sous un résultat → génère une citation automatiquement (pratique pour ta biblio) 📚

Semantic Scholar : l'IA qui aide#

semanticscholar.org - propulsé par l'IA d'Allen Institute

Ce qui le rend cool :

• Extrait automatiquement les points clés de chaque papier
• Recommandations basées sur le contenu (pas juste les mots-clés)
• Graph de citations interactif
• Identifie les papiers influents (pas juste le nombre de citations)

Exemple d'utilisation : Tu cherches "LLM energy consumption" → Semantic Scholar te montre les papiers + un petit résumé auto-généré de chacun. Tu gagnes du temps ⏱️

Consensus : cherche ET répond#

consensus.app - l'IA qui lit les papiers pour toi

Comment ça marche :

• Tu poses une question (pas juste des mots-clés)
• Consensus trouve les papiers pertinents
• Il synthétise les réponses avec les sources

Exemple :

• Ta question : "Do large language models consume more energy than traditional search engines?"
• Consensus : "Yes, according to 8 papers. LLMs consume 5-10x more energy per query." + liste des sources

Limite gratuite : ~5-10 recherches/mois, ensuite payant. Mais ultra efficace pour commencer (•̀ᴗ•́)و

Connected Papers : le graph visuel#

connectedpapers.com - visualise les liens entre papiers

Usage :

• Tu entres un papier de départ
• Il génère un graphe montrant les papiers similaires et les citations
• Les papiers proches = sujets similaires
• Super pour découvrir tout un domaine d'un coup

Cas d'usage : Tu trouves UN bon papier sur ton sujet → Connected Papers te montre les 20 papiers les plus liés. Boom, t'as ta base de recherche 🎯

Comment chercher EFFICACEMENT 🎯#

Les règles d'or de la recherche#

1. Commence large, puis affine

❌ Mauvais : "impact environnemental modèles transformers GPT entraînement inférence 2024"
✅ Bon : commence par "LLM environmental impact"

Si trop de résultats → ajoute des mots : "LLM carbon footprint training"
Si pas assez → retire des mots : "LLM energy"

2. Utilise les mots-clés en anglais

Désolé, mais 95% de la recherche en informatique est publiée en anglais. Chercher en français = limiter drastiquement tes résultats.

3. Pense aux synonymes

• "Large Language Model" = "LLM" = "GPT-like model" = "transformer model"
• "Environmental impact" = "carbon footprint" = "energy consumption" = "sustainability"

Teste plusieurs variantes 🔄

4. Utilise les guillemets pour les expressions exactes

• machine learning → trouve "machine" OU "learning"
• "machine learning" → trouve l'expression exacte

5. Filtre par date

En technologie, un papier de 2018 peut être obsolète. Privilégie les 2-3 dernières années pour les sujets récents (IA, frameworks, etc.)

6. Check le nombre de citations

Ce n'est pas un gage absolu de qualité, mais :

• Papier récent (2024) avec 50 citations → probablement important
• Papier de 2020 avec 2 citations → peut-être pas terrible (ou très niche)

7. Regarde qui cite le papier

Sur Scholar, clique "Cité par X". Tu vois qui utilise ce papier. Si des grosses institutions (MIT, Stanford, etc.) le citent → bon signe.

Utiliser les LLMs pour analyser les papiers 🤖#

Les LLMs (comme Claude, ChatGPT) sont excellents pour analyser rapidement des articles scientifiques. Voici comment les utiliser efficacement.

Le prompt d'analyse optimisé#

Voici le prompt à donner à ton LLM préféré pour analyser un papier :

PROMPT À COPIER-COLLER :

Analyse cet article scientifique et fournis :

## 1. IDENTITÉ
- Titre exact
- Auteur(s) + institution/média
- Date de publication
- Type : scientifique peer-reviewed / preprint / presse / corporate

## 2. RÉSUMÉ EN 3 PHRASES MAX
- Quelle est la thèse principale ?

## 3. QUESTION DE RECHERCHE
- Quelle question l'article essaie de répondre ?
- Y a-t-il une problématisation claire ?

## 4. DONNÉES CLÉS
- Chiffres mentionnés (CO2, coût, énergie, etc.)
- Méthodologie utilisée (si scientifique)
- Sources de ces données

## 5. CRÉDIBILITÉ - CHECK
✅ ou ❌ :
- Références citées ?
- Méthodologie expliquée ?
- Limitations mentionnées ?
- Code/données disponibles (si scientifique) ?
- Conflits d'intérêt déclarés ?

## 6. BIAIS & TON
- Ton : neutre / alarmiste / promotionnel / équilibré ?
- Biais possibles (sponsor, auteur employé par BigTech, etc.)

## 7. REPRODUCTIBILITÉ
- L'étude est-elle reproductible ? Pourquoi oui/non ?

## 8. CE QUI MANQUE
- Quelles questions restent sans réponse ?
- Quelles nuances sont absentes ?

Sois concis et factuel.

Comment l'utiliser :

1. Trouve un article (PDF ou lien)
2. Copie son contenu (texte ou upload le PDF si ton LLM le permet)
3. Colle le prompt ci-dessus
4. Boom, analyse structurée en 30 secondes 💥

Exemples de questions à poser au LLM#

Pour comprendre rapidement :

• "Explique-moi ce papier comme si j'avais 15 ans"
• "Quels sont les 3 points clés à retenir ?"
• "Qu'est-ce qui différencie cette approche des autres ?"

Pour évaluer la qualité :

• "Quelles sont les faiblesses méthodologiques ?"
• "Cette étude est-elle reproductible ?"
• "Y a-t-il des red flags dans ce papier ?"

Pour approfondir :

• "Compare ce papier avec [autre papier]"
• "Quelles sont les implications pratiques pour un développeur web ?"
• "Quels papiers je devrais lire ensuite sur ce sujet ?"

⚠️ Limites des LLMs#

Attention, les LLMs ne sont PAS parfaits :

❌ Ils peuvent halluciner (inventer des infos qui n'existent pas)
❌ Ils ne remplacent pas ta lecture critique
❌ Ils peuvent rater des nuances importantes

Utilise-les comme assistants, pas comme source unique de vérité (ಠ_ಠ)

Toujours vérifier :

• Les chiffres clés en relisant le passage du papier
• Les citations (sont-elles exactes ?)
• Les conclusions (le LLM n'a-t-il pas sur-interprété ?)

Organiser ta recherche : le tableau de synthèse 📊#

Pour ne pas te perdre dans tes 10+ articles, crée un tableau de synthèse (Google Sheets, Excel, Notion, ce que tu veux).

Template de tableau#

Titre court	Source complète	Type	Date	Mots-clés	Données clés	Méthodologie OK ?	Paywall ?	Fiabilité /5	Notes
GPT Carbon	Nature Climate	Scientifique	2024-03	LLM, carbon	8.5g CO2/req	✅ Détaillée	❌ Open	5/5	Bonne métho, données publiques
L'IA pollue	Le Monde	Presse	2024-06	IA, pollution	"Autant que 5 voitures"	❌ Vague	❌	2/5	Sensationnaliste, pas de sources

Les colonnes importantes#

Titre court : pour t'y retrouver rapidement
Source complète : pour retrouver le papier facilement
Type : scientifique / presse / corporate
Date : pour prioriser le récent
Mots-clés : pour chercher dans ton tableau plus tard
Données clés : les chiffres importants
Méthodologie OK ? : reproductible ou non
Fiabilité : ta note perso sur 5
Notes : ton avis, ce qui manque, etc.

Astuce : utilise des codes couleur (vert = fiable, orange = moyen, rouge = douteux) 🎨

Le DOI : l'identifiant universel 🔑#

DOI = Digital Object Identifier - c'est le "code-barre" unique d'un article scientifique.

Exemple de DOI : 10.1038/s41586-021-03243-2

Pourquoi c'est utile ?

• Un DOI pointe toujours vers le même article, même si l'URL change
• Tu peux le coller dans Google, Scholar, ou Sci-Hub → accès direct

Où le trouver ?

• Sur la première page du papier
• Dans les résultats Google Scholar
• Dans les citations

Astuce : ajoute "doi.org/" devant un DOI dans ton navigateur → accès direct
Exemple : doi.org/10.1038/s41586-021-03243-2 🔗

Red flags : repérer un papier douteux 🚩#

Voici les signaux d'alarme à surveiller :

Red flags méthodologiques#

❌ Pas de limitations mentionnées → tout a des limites, s'ils en mentionnent aucune = louche
❌ Sample size ridicule → "testé sur 10 personnes" pour conclure sur l'humanité entière
❌ Pas de code/données → surtout en ML/IA, c'est inacceptable
❌ Résultats trop beaux → "99.9% d'accuracy" sur un problème difficile = suspect
❌ Méthodologie vague → "nous avons utilisé des paramètres standards" (lesquels?)

Red flags de crédibilité#

❌ Predatory journal → journal inconnu qui publie n'importe quoi contre paiement
❌ Conflit d'intérêt non-déclaré → auteur employé chez Meta étudie Meta sans le mentionner
❌ Pas de peer review → preprint c'est OK, mais reste critique
❌ Auteurs anonymes → qui sont ces gens?
❌ Journal avec impact factor = 0 → personne ne le cite jamais

Comment vérifier un journal#

Check lists utiles :

• Beall's List : liste noire de journaux prédateurs
• DOAJ (doaj.org) : liste des vrais journaux open access
• Impact Factor : cherche le journal sur Journal Citation Reports

Si un journal te contacte par mail non-sollicité avec "Publish with us! Fast review!" → 99% de chances que ce soit prédateur 🎣

La cascade de distorsion : Science → Média → Twitter 📱#

Dernière chose importante : comprendre comment l'info se déforme.

La cascade de distorsion#

Étape 1 : Papier scientifique
Titre : "Energy and Policy Considerations for Deep Learning in NLP"
Conclusion nuancée : "Sous certaines conditions, l'entraînement de modèles génère X tonnes de CO2"

Étape 2 : Communiqué de presse de l'université
Titre : "New Study Shows AI Training Emits Massive Carbon Footprint"

Étape 3 : Article de presse tech
Titre : "Training GPT-3 Emits as Much Carbon as 5 Cars' Lifetimes!"

Étape 4 : Twitter
Tweet : "L'IA VA DÉTRUIRE LA PLANÈTE 🔥☠️💀"

Étape 5 : Ton oncle sur Facebook
Post : "ILS NOUS CACHENT QUE CHATGPT TUE LES OURS POLAIRES"

Tu vois le problème ? (ಠ_ಠ)

Pourquoi ça arrive#

• Les médias cherchent le clic → titres sensationnalistes
• Les nuances disparaissent → "sous certaines conditions" → omis
• Les chiffres sont décontextualisés → "5 voitures" sans dire sur quelle durée
• Les limitations sont ignorées → personne ne lit la section "limitations"

Ta mission en veille techno : remonter à la source scientifique et comparer avec ce que les médias en font 🕵️

Stratégies de recherche avancées 🎓#

Recherche par citations (citation chaining)#

Méthode :

1. Trouve UN bon papier sur ton sujet
2. Regarde ses références → trouve les papiers cités (= travaux antérieurs)
3. Regarde qui le cite → trouve les papiers récents qui l'utilisent

Résultat : tu remontes ET descends la chaîne du temps. Efficace pour mapper un domaine 🗺️

Recherche par auteur#

Si tu trouves un chercheur qui bosse sur ton sujet :

1. Cherche son nom sur Google Scholar
2. Regarde tous ses papiers
3. Souvent, ils ont une page perso avec CV et liste complète des publications

Les chercheurs spécialisés publient souvent plusieurs papiers sur le même sujet → jackpot 💰

Utiliser les surveys et reviews#

Les papiers de type "survey" ou "review" font le tour complet d'un domaine.

Exemple :

• "A Survey on Energy Efficiency in Machine Learning" → résume 50+ papiers sur le sujet

Cherche ces mots-clés : survey, review, systematic review, state-of-the-art

C'est comme avoir quelqu'un qui a fait le boulot de recherche pour toi (•‿•)

Ce qu'il faut retenir 🎓#

✅ Utilise les bons outils : Scholar pour tout, Semantic Scholar pour les recommandations, Consensus pour les questions directes

✅ Cherche smart : large → affine, mots-clés en anglais, filtre par date

✅ Les LLMs sont des assistants : ultra utiles pour analyser vite, mais vérifie toujours

✅ Organise avec un tableau : titre, source, type, date, fiabilité, notes

✅ Repère les red flags : pas de limitations, méthodologie vague, predatory journals

✅ Remonte à la source : les médias déforment souvent les papiers scientifiques

✅ Citation chaining : utilise les références et les citations pour explorer un domaine

---

Maintenant qu'on a les outils et la méthodo, on va passer à la PARTIE 4 : l'exercice pratique sur l'impact des LLMs ! 🌍💰