Pourquoi l’édition académique a besoin d’un organe de gouvernance neutre à l’ère de l’IA
En réponse à l’évolution des systèmes de communication académique, il devient impératif d’adapter les mécanismes de gouvernance qui régissent la confiance, la correction et l’autorité dans un monde où les systèmes d’intelligence artificielle (IA) ingèrent, remixent et redistribuent de vastes portions des archives académiques.
Un seuil structurel franchi
Les mécanismes qui ont fonctionné durant l’ère imprimée et numérique précoce ne suffisent plus. Les retraits, corrections et le contrôle de version, qui étaient autrefois des problèmes gérables, ont été amplifiés par l’IA. Un article académique, qu’il soit valide ou non, intégré dans un corpus d’apprentissage devient une partie d’un sous-strat computationnel qui ne peut plus être édité de manière chirurgicale.
Un échec de gouvernance
Le système d’édition académique repose sur une fédération lâche de éditeurs, bibliothèques et services d’indexation. Bien que des initiatives comme Retraction Watch et Crossref aient fait des avancées significatives, leur autorité est partielle et inégale. Les signaux qu’ils envoient sont souvent consultatifs plutôt que contraignants, ce qui rend leur intégration dans les pipelines d’IA inconsistante.
Un besoin d’infrastructure neutre
Dans ce contexte, il est crucial de créer un organe de gouvernance neutre et à but non lucratif pour les données académiques à l’ère de l’IA, capable de définir, certifier et faire appliquer des normes sur la façon dont le contenu académique est étiqueté, transmis et utilisé par les machines.
Fonctions de l’organisation à créer
- Signalisation des retraits et corrections : Un registre autoritaire unique des retraits et corrections, accessible via des API.
- Suivi de la provenance et de la lignée : Des enregistrements lisibles par machine de l’origine et des modifications des données.
- Certification des données d’entraînement : Un standard définissant quel contenu académique est éligible pour l’entraînement d’IA.
- Auditabilité et transparence : Un cadre permettant aux fournisseurs d’IA de certifier les ensembles de données utilisés.
- Conformité et application : Non pas une application juridique, mais une application technique et réputationnelle.
La nécessité d’agir maintenant
Sans cette infrastructure partagée, l’avenir se présente comme fragmenté. Chaque fournisseur d’IA aura sa propre définition de la donnée propre, et les chercheurs ne pourront pas comparer ou vérifier les résultats d’une manière fiable.
Il est temps d’adopter une approche proactive pour garantir l’intégrité de la recherche à l’ère de l’IA. L’édition académique n’a pas été détruite par l’IA ; elle est appelée à évoluer.