Dépistage des manuscrits assisté par IA : comment l'intelligence artificielle transforme l'évaluation des soumissions aux revues

Introduction

L'essor de l'intelligence artificielle (IA) transforme presque toutes les étapes du flux de travail de la publication scientifique, et l'un des domaines les plus visibles de changement est le dépistage des manuscrits. Les revues et conférences reçoivent désormais un nombre sans précédent de soumissions du monde entier. Les équipes éditoriales doivent rapidement décider quels manuscrits sont adaptés à l'évaluation par les pairs, lesquels nécessitent une révision avant même d'être considérés, et lesquels sortent complètement du champ de la revue.

Traditionnellement, ce triage initial reposait sur des vérifications manuelles : les éditeurs et assistants éditoriaux vérifient la mise en forme, le style des références, le nombre de mots, les déclarations d'éthique et la pertinence de base. Ils contrôlent également le plagiat et les manipulations évidentes de données ou d'images. C'est un travail répétitif et chronophage qui retarde l'évaluation par les pairs et peut mettre à rude épreuve la capacité des bureaux éditoriaux. Il est aussi sujet à erreurs humaines et biais inconscients.

Les outils de tri de manuscrits alimentés par l'IA visent à relever ces défis en automatisant les tâches répétitives basées sur des règles et en fournissant un soutien fondé sur les données pour les décisions éditoriales. En combinant le traitement du langage naturel (NLP), l'apprentissage automatique (ML) et l'analyse automatisée des textes, images et métadonnées, les systèmes d'IA peuvent aider à garantir que seuls les manuscrits conformes, pertinents et éthiquement solides avancent vers l'examen par les pairs. Cet article examine comment l'IA est utilisée dans le tri des manuscrits, les avantages et risques impliqués, et comment les éditeurs peuvent intégrer ces outils de manière responsable.

Les limites du tri traditionnel des manuscrits

Avant de discuter des solutions d'IA, il est important de comprendre pourquoi le tri manuel est soumis à une telle pression.

1. Augmentation des volumes de soumission

La publication en libre accès, la croissance mondiale de la recherche et la pression croissante sur les publications ont fait grimper le nombre de soumissions à des niveaux records. De nombreuses revues reçoivent des milliers de manuscrits par an. Même une simple vérification initiale — confirmation du nombre de mots, de la structure des sections et de l'adéquation de base — peut rapidement créer des retards.

2. Vérifications préliminaires laborieuses

Les éditeurs et assistants éditoriaux doivent vérifier que chaque manuscrit :

• suit le format et le style de référence de la revue;
• comprend les sections requises (par exemple, résumé, méthodes, éthique, déclarations de financement);
• respecte les limites de mots et de figures;
• contient les divulgations appropriées (par exemple, conflits d'intérêts, enregistrement des essais);
• respecte les directives éthiques et de rapport de base.

Lorsqu'il est effectué manuellement, ce travail est répétitif et lent, détournant du temps des tâches éditoriales de plus haut niveau telles que l'évaluation conceptuelle et la gestion des évaluateurs.

3. Plagiat, manipulation d'images et intégrité des données

Les problèmes d'intégrité de la recherche — tels que le plagiat, l'auto-plagiat, les soumissions en double, les données fabriquées et les figures manipulées — sont une préoccupation croissante. Détecter ces problèmes nécessite de comparer les soumissions à de vastes corpus de littérature publiée et d'archives d'images. Les éditeurs humains ne peuvent pas le faire efficacement sans aide automatisée.

4. Surcharge des évaluateurs et articles mal orientés

De nombreux manuscrits sont envoyés à des revues auxquelles ils n'appartiennent pas vraiment. Un décalage entre le sujet ou les méthodes de l'article et le champ d'application de la revue conduit à des rejets évitables sans examen ou, pire, à une perte de temps des évaluateurs. Des manuscrits mal structurés ou manifestement inadaptés passent parfois en revue par les pairs simplement parce que les équipes éditoriales sont débordées.

5. Biais et incohérence

Les éditeurs humains apportent inévitablement leurs propres expériences et préférences au processus. Sans critères clairs et standardisés, le tri initial peut varier d'une personne à l'autre, et des biais implicites liés au pays, à l'institution ou au sujet peuvent influencer subtilement les décisions.

Comment l'IA transforme le dépistage des manuscrits

Les outils basés sur l'IA sont conçus pour compléter, non remplacer, les éditeurs humains. Ils prennent en charge les parties mécaniques et basées sur des règles du dépistage et fournissent des signaux qui aident les éditeurs à décider quels manuscrits méritent une attention plus approfondie.

1. Vérifications automatisées de formatage et de conformité

L'une des utilisations les plus simples de l'IA est de vérifier automatiquement si une soumission respecte les exigences techniques d'une revue. Les systèmes pilotés par l'IA peuvent :

• vérifier le style des références et citations selon les préférences de la revue (APA, MLA, Chicago, Vancouver, etc.) ;
• confirmer que le manuscrit respecte les limites de mots, figures et tableaux ;
• inspecter la structure des sections (par exemple, présence de Résumé, Introduction, Méthodes, Résultats, Discussion, Conclusion) ;
• détecter les éléments manquants tels que les approbations éthiques, déclarations de consentement ou divulgations de conflits d'intérêts.

Des outils comme Penelope.ai et des systèmes similaires effectuent ces vérifications presque instantanément lors de la soumission, générant un rapport pour les auteurs et les éditeurs. Les auteurs peuvent alors corriger les problèmes de base avant même que l'éditeur ne consulte le manuscrit.

2. Détection du plagiat et de la manipulation d'images basée sur l'IA

La détection du plagiat repose depuis longtemps sur la comparaison automatisée de textes, mais les outils améliorés par l'IA vont plus loin en reconnaissant les passages paraphrasés, l'auto-plagiat et les formes subtiles de duplication. Des systèmes tels que iThenticate comparent les soumissions à de vastes bases de données d'articles, livres et contenus web pour signaler les chevauchements suspects.

Pour les figures et images, des outils dédiés comme Proofig analysent les images à la recherche de signes de duplication, de réutilisation inappropriée ou de manipulation. Ils peuvent mettre en évidence des panneaux répétés, des zones clonées ou des transformations surprenantes pouvant indiquer une faute délibérée ou une préparation négligente des figures.

Ces outils ne portent pas de jugements finaux—ils signalent des alertes pour que les éditeurs les examinent attentivement. Utilisés correctement, ils renforcent l'intégrité de la recherche et protègent les revues de la publication de travaux problématiques.

3. Support linguistique et lisibilité

De nombreuses soumissions sont scientifiquement solides mais difficiles à lire en raison de problèmes linguistiques, en particulier lorsque les auteurs écrivent dans une deuxième ou troisième langue. Les outils linguistiques basés sur l'IA peuvent aider à améliorer :

• grammaire, orthographe et ponctuation ;
• structure des phrases et lisibilité globale ;
• clarté de l'argumentation et ton académique ;
• cohérence terminologique dans tout le manuscrit.

Des services tels que Trinka AI et des éditeurs similaires sont adaptés à l'écriture académique et peuvent être utilisés par les auteurs avant la soumission ou par les revues dans le cadre du pré-dépistage. Bien que la qualité linguistique ne doive pas être utilisée comme un indicateur du mérite scientifique, améliorer la clarté facilite l'évaluation de la recherche réelle par les éditeurs et les évaluateurs.

4. Correspondance de pertinence et de champ

Une autre utilisation précieuse de l'IA est de déterminer si une soumission correspond aux objectifs et au champ d'application d'un journal. En analysant les mots-clés, résumés et classifications thématiques, les modèles d'IA peuvent :

• attribuer les manuscrits à des catégories thématiques ou sous-domaines ;
• signaler les soumissions clairement hors du champ du journal ;
• suggérer des éditeurs associés ou éditeurs de sujet appropriés ;
• aider à identifier des évaluateurs par les pairs appropriés en associant les sujets des manuscrits à l'expertise des chercheurs et à leur historique de publication.

Des outils comme Reviewer Finder de Clarivate et d'autres systèmes de recommandation pilotés par l'IA utilisent les données de citation et l'analyse de mots-clés pour soutenir ce processus d'appariement. Cela peut réduire la surcharge des évaluateurs et garantir que les manuscrits sont évalués par des experts dans la bonne niche.

5. Vérifications de la nouveauté et de l'intégrité statistique

Des outils d'IA plus avancés commencent à évaluer des aspects de nouveauté et de rigueur méthodologique. En comparant une soumission à de vastes corpus de littérature existante, l'IA peut indiquer si des travaux similaires ont été récemment publiés, ou si le manuscrit semble dupliquer des études antérieures sans justification claire.

Dans la recherche expérimentale et clinique, des systèmes tels que StatReviewer peuvent vérifier automatiquement :

• si les tests statistiques correspondent au plan d'étude et au type de données ;
• si les tailles d'effet, intervalles de confiance et valeurs p sont correctement rapportés ;
• si les tailles d'échantillon et les calculs de puissance sont adéquats et documentés de manière transparente.

Encore une fois, ces outils ne remplacent pas les statisticiens experts, mais ils peuvent mettre en évidence des problèmes potentiels tôt, permettant aux éditeurs de demander des clarifications ou des révisions supplémentaires.

Défis et questions éthiques

Bien que l'IA offre des avantages impressionnants, elle introduit également de nouveaux défis qui doivent être gérés avec soin.

1. Dépendance excessive à l'automatisation

Si les éditeurs s'appuient trop sur les scores ou alertes automatisés, ils peuvent involontairement rejeter des recherches valides qui ne correspondent pas aux schémas attendus ou qui utilisent des méthodes non conventionnelles. Les soumissions complexes, interdisciplinaires ou innovantes peuvent dérouter les algorithmes formés sur des formats plus standards.

La solution consiste à considérer les résultats de l'IA comme consultatifs, non décisifs. L'IA doit aider à prioriser l'attention, pas à remplacer le jugement éditorial.

2. Biais algorithmique

Les systèmes d'IA apprennent à partir des données sur lesquelles ils sont entraînés. Si ces données reflètent des biais historiques—par exemple, favorisant certains sujets, méthodes, langues, institutions ou régions—l'IA peut involontairement renforcer ces schémas. Cela risque d'amplifier les inégalités que de nombreux éditeurs s'efforcent activement de réduire.

L'utilisation responsable de l'IA nécessite :

• un audit régulier des modèles pour détecter les résultats biaisés ;
• une documentation transparente sur la construction et la mise à jour des modèles ;
• une supervision humaine continue pour questionner et corriger les schémas problématiques.

3. Confidentialité et sécurité des données

Les manuscrits en cours d'examen sont confidentiels et contiennent souvent des données inédites, des méthodes propriétaires ou des informations sensibles. Tout système d'IA traitant des soumissions doit donc respecter des normes strictes de protection des données. Les éditeurs doivent s'assurer que :

• les manuscrits téléchargés sont stockés en toute sécurité et ne sont pas utilisés pour une formation non liée sans permission explicite ;
• l'accès aux plateformes d'IA est contrôlé et surveillé ;
• les fournisseurs tiers respectent les réglementations sur la vie privée et les obligations contractuelles.

Bonnes pratiques pour une intégration responsable de l'IA

Pour tirer parti des bénéfices de l'IA tout en évitant ses écueils, les revues et éditeurs peuvent adopter plusieurs bonnes pratiques :

• Définissez des rôles clairs pour l'IA et les humains : Utilisez l'IA pour les contrôles préliminaires et le support, mais gardez les décisions finales entre les mains d'éditeurs expérimentés.
• Soyez transparents avec les auteurs et les relecteurs : Expliquez quels outils d'IA sont utilisés, dans quel but, et comment leurs résultats influencent les flux éditoriaux.
• Surveillez la performance et l'équité : Passez régulièrement en revue l'impact du dépistage assisté par IA sur les délais de traitement, les taux d'acceptation et la diversité des auteurs et sujets publiés.
• Fournissez une formation au personnel éditorial : Les éditeurs doivent comprendre les forces et limites des outils qu'ils utilisent, afin de pouvoir interpréter les résultats de manière critique.
• Maintenez plusieurs garde-fous : Combinez les contrôles IA avec des outils anti-plagiat, une revue humaine de l'intégrité et des politiques claires sur la gestion des manuscrits signalés.

Conclusion

Le dépistage des manuscrits assisté par IA a le potentiel de transformer le processus d'évaluation des soumissions. En automatisant les contrôles de conformité, la détection du plagiat, l'analyse d'images, l'amélioration linguistique, la correspondance de pertinence et la revue statistique de base, les outils d'IA peuvent réduire considérablement la charge éditoriale, raccourcir les délais de décision et renforcer l'intégrité du registre publié.

Cependant, l'IA ne remplace pas le jugement nuancé ni la responsabilité éthique des éditeurs, relecteurs et éditeurs humains. Les systèmes les plus robustes seront des flux de travail hybrides dans lesquels l'IA gère les tâches techniques répétitives tandis que les humains conservent l'autorité sur le mérite scientifique, l'équité et les décisions finales. Utilisée judicieusement, l'IA peut aider l'édition académique à devenir plus rapide, plus cohérente et plus transparente—sans sacrifier la rigueur et la confiance sur lesquelles repose la communication scientifique.