Intégration algorithmique transparente dans la revue systématique (IATSR) : une proposition méthodologique pour la recherche en éducation à l’ère de l’intelligence artificielle
DOI :
https://doi.org/10.7346/-fei-XXIV-02-26_03Mots-clés :
Revue systématique, PRISMA 2020, PRISMA-trAIce, Intelligence artificielle, Human-in-the-loop, Transparence, Reproductibilité, Recherche en éducation, Formation à la rechercheRésumé
Cet article propose, décrit et étaye une structure méthodologique (IATSR, Intégration algorithmique transparente dans la revue systématique) destinée à conduire des revues systématiques assistées par des outils algorithmiques dans les domaines non bibliométriques de la recherche en éducation. La proposition part d’un problème désormais perceptible dans la pratique éditoriale et documenté par la littérature internationale : la diffusion d’un usage non déclaré de l’intelligence artificielle dite générative dans la production scientifique, avec des effets sur la qualité, la vérifiabilité et l’équité de la recherche en éducation. Nous soutenons que l’intégration algorithmique, lorsqu’elle est constitutive du protocole et explicitement déclarée dans un dispositif fondé sur PRISMA 2020, peut être mise en œuvre de manière rigoureuse, transparente et vérifiable. Le flux de travail se déploie en sept phases, reprend les items déjà présents dans PRISMA-trAIce et considère comme incontournable le principe human-in-the-loop. La contribution fournit cinq produits théorico-méthodologiques —la formalisation du flux de travail en sept phases, la classification R1/R2 des sources, la matrice des risques épistémologiques, la mise en correspondance avec les items de la checklist PRISMA 2020 et le diagramme de flux adapté—, réutilisables indépendamment de l’adoption intégrale du flux de travail. La proposition s’accompagne de jugements qualitatifs explicites de validité, formulés comme des estimations expertes a priori et non comme le résultat d’une étude pilote ou d’une validation de l’accord inter-évaluateurs : la mise à l’épreuve empirique du protocole constitue la principale piste de recherche future. La contribution se positionne ainsi comme un apport à la méthodologie de la recherche en éducation, à la formation à la recherche et au débat sur l’évaluation transparente de la production scientifique.
Références
Aloe, A. M., Dewidar, O., Hennessy, E. A., Pigott, T., Stewart, G., Welch, V., Wilson, D. B., & Campbell MECCIR Working Group. (2024). Campbell standards: Modernizing Campbell’s methodologic expectations for Campbell Collaboration intervention reviews (MECCIR). Campbell Systematic Reviews, 20, Article e1445. https://doi.org/10.1002/cl2.1445
American Psychological Association. (2024). APA PsycInfo [Research database]. APA PsycNet. https://www.apa.org/pubs/databases/psycinfo
Aromataris, E., Lockwood, C., Porritt, K., Pilla, B., & Jordan, Z. (Eds.). (2024). JBI manual for evidence synthesis. JBI. https://doi.org/10.46658/JBIMES-24-01
Pullin, A. S., Frampton, G. K., Livoreil, B., & Petrokofsky, G. (Eds.). (2022). Guidelines and standards for evidence synthesis in environmental management (Version 5.1). Collaboration for Environmental Evidence. https://www.environmentalevidence.org/information-for-authors
Consensus NLP, Inc. (2024). Consensus [AI-powered academic search engine]. https://consensus.app
COPE Council. (2023). COPE position statement on AI tools in scholarly publishing. https://doi.org/10.24318/cCVRZBms
Culbert, J. H., Hobert, A., Jahn, N., Haupka, N., Schmidt, M., Donner, P., & Mayr, P. (2025). Reference coverage analysis of OpenAlex compared to Web of Science and Scopus. Scientometrics, 130, 2475–2492. https://doi.org/10.1007/s11192-025-05293-3
Elsevier. (2024). Scopus AI (AI Discovery) [Generative AI research tool]. https://www.elsevier.com/products/scopus/scopus-ai
Flemyng, E., Noel-Storr, A., Macura, B., Gartlehner, G., Thomas, J., Meerpohl, J. J., Jordan, Z., Minx, J., Eisele-Metzger, A., Hamel, C., Jemioło, P., Porritt, K., & Grainger, M. (2025). Position statement on artificial intelligence (AI) use in evidence synthesis across Cochrane, the Campbell Collaboration, JBI and the Collaboration for Environmental Evidence 2025. Environmental Evidence, 14, Article 20. https://doi.org/10.1186/s13750-025-00374-5
Glynn, A. (2024). Suspected undeclared use of artificial intelligence in the academic literature: An analysis of the Academ-AI dataset [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2411.15218
Grant, M. J., & Booth, A. (2009). A typology of reviews: An analysis of 14 review types and associated methodologies. Health Information & Libraries Journal, 26(2), 91–108. https://doi.org/10.1111/j.1471-1842.2009.00848.x
Gray, A. (2024). ChatGPT “contamination”: Estimating the prevalence of LLMs in the scholarly literature [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2403.16887
Higgins, J. P. T., Thomas, J., Chandler, J., Cumpston, M., Li, T., Page, M. J., & Welch, V. A. (Eds.). (2024). Cochrane handbook for systematic reviews of interventions (Version 6.5, updated August 2024). Cochrane. https://training.cochrane.org/handbook
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign.
Holst, D., Moenck, K., Koch, J., Schmedemann, O., & Schüppstuhl, T. (2025). Transparent reporting of AI in systematic literature reviews: Development of the PRISMA-trAIce checklist. JMIR AI, 4, Article e80247. https://doi.org/10.2196/80247
Incorrect terminology in Table 2 [Correction]. (2019). JAMA, 322(20), 2026. https://doi.org/10.1001/jama.2019.18307
Institute of Education Sciences. (2024). Education Resources Information Center (ERIC) [Bibliographic database]. U.S. Department of Education. https://eric.ed.gov
International Committee of Medical Journal Editors. (2023). Recommendations for the conduct, reporting, editing, and publication of scholarly work in medical journals. https://www.icmje.org/recommendations/
Kobak, D., González-Márquez, R., Horvát, E.-Á., & Lause, J. (2025). Delving into LLM-assisted writing in biomedical publications through excess vocabulary. Science Advances, 11(27), Article eadt3813. https://doi.org/10.1126/sciadv.adt3813
Kung, J. (2023). Elicit (product review). Journal of the Canadian Health Libraries Association / Journal de l’Association des bibliothèques de la santé du Canada, 44(1), 15–18. https://doi.org/10.29173/jchla29657
Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1), 159–174.
Linardon, J., Jarman, H. K., McClure, Z., Anderson, C., Liu, C., & Messer, M. (2025). Influence of topic familiarity and prompt specificity on citation fabrication in mental health research using large language models: Experimental study. JMIR AI, 4, Article e80371. https://doi.org/10.2196/80371
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education. Pearson Education.
McInnes, M. D. F., Moher, D., Thombs, B. D., McGrath, T. A., Bossuyt, P. M., & the PRISMA-DTA Group. (2018). Preferred reporting items for a systematic review and meta-analysis of diagnostic test accuracy studies: The PRISMA-DTA statement. JAMA, 319(4), 388–396. https://doi.org/10.1001/jama.2017.19163
Moher, D., Liberati, A., Tetzlaff, J., Altman, D. G., & The PRISMA Group. (2009). Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement. PLOS Medicine, 6(7), Article e1000097. https://doi.org/10.1371/journal.pmed.1000097
O’Mara-Eves, A., Thomas, J., McNaught, J., Miwa, M., & Ananiadou, S. (2015). Using text mining for study identification in systematic reviews: A systematic review of current approaches. Systematic Reviews, 4, Article 5. https://doi.org/10.1186/2046-4053-4-5
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., … Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Topaz, M., Roguin, N., Gupta, P., Zhang, Z., & Peltonen, L.-M. (2026). Fabricated citations: An audit across 2·5 million biomedical papers. The Lancet, 407, 1779–1781. https://doi.org/10.1016/S0140-6736(26)00603-3
Tricco, A. C., Lillie, E., Zarin, W., O’Brien, K. K., Colquhoun, H., Levac, D., Moher, D., Peters, M. D. J., Horsley, T., Weeks, L., Hempel, S., Akl, E. A., Chang, C., McGowan, J., Stewart, L., Hartling, L., Aldcroft, A., Wilson, M. G., Garritty, C., … Straus, S. E. (2018). PRISMA Extension for Scoping Reviews (PRISMA-ScR): Checklist and Explanation. Annals of Internal Medicine, 169(7), 467–473. https://doi.org/10.7326/M18-0850
Xiao, Y., & Watson, M. (2019). Guidance on conducting a systematic literature review. Journal of Planning Education and Research, 39(1), 93–112. https://doi.org/10.1177/0739456X17723971
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education: Where are the educators? International Journal of Educational Technology in Higher Education, 16, Article 39. https://doi.org/10.1186/s41239-019-0171-0
Téléchargements
Publié-e
Comment citer
Numéro
Rubrique
Catégories
Licence
(c) Tous droits réservés Maurizio Gentile, Piergiuseppe Ellerani 2026
Cette œuvre est sous licence Creative Commons Attribution 4.0 International.
Formazione & insegnamento est distribué sous licence Attribution 4.0 International (CC BY 4.0).
Pour plus de détails, veuillez vous référer à notre Politique de dépôt et d’archivage ainsi qu’à nos Conditions de droits d’auteur et de licences.
