En bref
Les outils d’IA aident à chaque étape d’une revue de littérature, de la construction de la recherche à la rédaction de la synthèse. Ils peuvent aussi inventer des références et déformer les résultats d’une étude. Des études publiées ont mesuré ces deux erreurs. Chaque référence et chaque résultat se vérifient dans l’article original avant d’entrer dans la revue.
Une revue de littérature présente ce que la recherche publiée dit d’une question. Ce guide décrit la méthode en cinq étapes, les erreurs des outils d’IA à chaque étape et les vérifications qui permettent de les repérer.
Étape 1 : définir la question et les critères
Une revue de littérature commence par une question écrite en une phrase. Cette question fixe le périmètre de la recherche et les critères d’inclusion des études. En santé, beaucoup d’équipes s’appuient sur le modèle PICO : population, intervention, comparaison et critère de jugement.
Les critères d’inclusion et d’exclusion s’écrivent avant la recherche. Ils portent sur la période, les langues, les types d’études et les populations étudiées. Une étude qui ne remplit pas un critère est exclue, et la raison est notée.
Vérifiez qu’une revue sur la même question n’existe pas déjà. Les bibliothèques de l’université de Toronto placent cette vérification parmi les premières étapes d’une synthèse. Pour une revue systématique, le même guide recommande de rédiger un protocole et de l’enregistrer avant de lancer la recherche.
Dès cette étape, l’IA propose des synonymes, des notions voisines et des façons de resserrer une question trop large. Le chercheur choisit la question et les critères.
Étape 2 : chercher dans les bases, les registres et sur le web
Les bases de données spécialisées recensent les articles évalués par les pairs. Les registres listent les études en cours ou terminées, comme les essais cliniques. La littérature grise comprend les rapports, les thèses et les actes de colloques. Les bibliographies et les articles citants mènent à d’autres études.
La déclaration PRISMA 2020 fixe la norme de compte rendu des revues systématiques. Elle demande de nommer chaque base, registre, site web et autre source consultés, avec la date de la dernière recherche. Elle demande aussi la stratégie de recherche complète utilisée dans chaque base, registre et site, avec ses filtres et ses limites.
L’IA aide à construire la recherche. Elle transforme une question en mots-clés et en synonymes. Elle écrit des équations de recherche avec AND, OR et guillemets, adaptées à la syntaxe de chaque base.
La recherche elle-même se lance dans les bases. Dans une étude publiée en 2024, ChatGPT a retrouvé moins d’une étude sur sept parmi celles retenues par des revues systématiques.
Étape 3 : trier les titres, les résumés puis les textes complets
Le tri se fait en deux temps. Le premier tour lit les titres et les résumés et écarte les études hors sujet. Le second tour lit le texte complet des études restantes au regard des critères. Le guide de l’université de Toronto recommande un test préalable avant chaque tour.
Notez le nombre d’études à chaque étape : trouvées, doublons retirés, triées, exclues et incluses. Le diagramme de flux PRISMA présente ces nombres.
PRISMA 2020 demande d’indiquer combien de personnes ont trié chaque référence, si elles ont travaillé de façon indépendante et quels outils d’automatisation ont servi. Un outil d’IA peut classer les résumés et signaler les études probablement pertinentes. Un chercheur confirme chaque inclusion et chaque exclusion, et la revue mentionne l’outil utilisé.
Étape 4 : lire et extraire les données
L’extraction consiste à relever les mêmes informations pour chaque étude retenue. Une grille avec une ligne par étude et une colonne par élément suffit. Les éléments habituels sont la question, la méthode, l’échantillon, la période, les principaux résultats et les limites signalées par les auteurs.
Testez la grille sur quelques études avant de la remplir pour toutes. Ajoutez le numéro de page à côté de chaque valeur. Un chiffre sans page ne pourra pas être vérifié plus tard.
Évaluez la qualité de chaque étude avec une grille d’évaluation adaptée à sa méthode. Cette évaluation indique au lecteur le degré de confiance que mérite chaque résultat.
L’IA peut remplir la grille à partir du texte complet des études. Chaque case se compare ensuite à l’article, page par page. Selon PRISMA 2020, la revue indique combien de personnes ont relevé les données et avec quels outils d’automatisation.
Étape 5 : synthétiser et citer
Une synthèse compare les études et les regroupe par thème, par méthode ou par résultat. Elle montre où les résultats concordent, où ils divergent et en quoi les méthodes peuvent expliquer l’écart. Elle indique le niveau de preuve de chaque conclusion.
Chaque phrase de la revue cite l’étude sur laquelle elle s’appuie. Avant publication, relancez les recherches pour ajouter les études parues entre-temps.
L’IA rédige vite un premier jet de synthèse. Chaque affirmation doit correspondre à une étude de la grille, et chaque étude doit dire ce que le texte lui attribue. Beaucoup de revues scientifiques demandent aux auteurs de déclarer leur usage de l’IA. Consultez la politique de la revue visée.
Les erreurs de l’IA dans une revue de littérature
Les assistants d’IA commettent quatre types d’erreurs dans une revue de littérature, toutes mesurées par des chercheurs.
La première erreur est la référence inventée. Dans une étude parue dans Scientific Reports en 2023, William Walters et Esther Wilder ont demandé à ChatGPT de courtes revues de littérature sur 42 sujets, puis vérifié les 636 références obtenues. 55 % des références produites par GPT-3.5 et 18 % de celles produites par GPT-4 étaient inventées.
La deuxième erreur est le détail faux dans une référence réelle. Dans la même étude, 43 % des références réelles de GPT-3.5 et 24 % de celles de GPT-4 contenaient des erreurs de fond.
La troisième erreur est la recherche incomplète. Une étude parue en 2024 dans le Journal of Medical Internet Research a comparé les références proposées par l’IA à celles de 11 revues systématiques. Le taux de références hallucinées atteignait 39,6 % pour GPT-3.5, 28,6 % pour GPT-4 et 91,4 % pour Bard. Les modèles GPT ont retrouvé 11,9 % et 13,7 % des articles pertinents, et Bard aucun. Les auteurs déconseillent d’en faire l’outil principal ou unique d’une revue systématique.
La quatrième erreur est le résultat déformé. Dans une étude parue en 2025 dans Royal Society Open Science, Uwe Peters et Benjamin Chin-Yee ont comparé aux textes originaux 4 900 résumés écrits par dix modèles de langage. Trois des modèles testés généralisaient à l’excès les résultats dans 26 % à 73 % des cas. Les résumés de l’IA contenaient près de cinq fois plus souvent des généralisations abusives que les résumés rédigés par des experts. Une étude sur le diabète décrivait une association (« was associated with »), et un résumé la présentait comme un effet (« significantly lowers »). Demander de l’exactitude aux modèles aggravait le problème.
Ces études portent sur des versions mises à jour depuis. Les bibliothèques de l’université d’État du Texas préviennent que des références inventées apparaissent aussi dans des outils d’IA conçus pour la recherche documentaire. Cette erreur porte le nom d’hallucination. Les vérifications ci-dessous valent pour tous les outils.
Vérifier chaque référence
Chaque référence se vérifie avant d’entrer dans la bibliographie.
- Cherchez le titre exact entre guillemets dans une base de données ou dans Google Scholar.
- Ouvrez le lien DOI et vérifiez qu’il mène au même titre, aux mêmes auteurs, à la même revue et à la même année.
- Lisez dans l’article le passage sur lequel s’appuie la revue, et notez la page.
- Comparez chaque chiffre aux tableaux de l’article, unités et population comprises.
- Vérifiez le temps et la portée de chaque affirmation : association ou cause, population, période.
- Cherchez un erratum ou un avis de rétractation sur le site de l’éditeur.
- Retirez toute référence introuvable.
Une citation lue seulement dans un résumé d’IA reste à vérifier dans l’article.
Une revue de littérature avec Verbatim
Verbatim vous donne une équipe d’agents IA pour toute la revue de littérature, de la première recherche à la bibliographie finale. Vous décrivez votre question en langage courant. Les agents cherchent, lisent, extraient, vérifient et rédigent, pendant des heures ou des semaines. Chaque fait reste relié à sa source, et vous décidez de tout.
L’agent de recherche interroge le web, les moteurs de recherche, les registres publics et les bases que vous indiquez. Il lit chaque étude trouvée en entier, méthodes et annexes comprises. L’agent de lecture prend jusqu’à 40 000 pages de PDF, de rapports et de notes, et répond à chaque question avec la page exacte. Voir la page recherche documentaire.
Les agents remplissent la grille d’extraction pour vous. Pour chaque étude, ils relèvent la question, la méthode, l’échantillon, la période et les résultats. Chaque case renvoie au passage dont elle vient, et un clic ouvre l’étude à la bonne page. Quand deux études se contredisent, Verbatim montre le désaccord et les différences de méthode.
L’agent de vérification confronte chaque affirmation du brouillon à sa source et affiche l’extrait exact. Chaque affirmation reçoit un statut : vérifiée, contredite, dépassée ou non concluante. Une citation trouvée seulement dans un résumé d’IA n’est jamais comptée comme vérifiée. Plusieurs agents travaillent en parallèle sur le même projet, chacun avec son rôle, et vérifient le travail les uns des autres. Voir la page vérification des sources.
L’agent de veille suit des centaines de sources jour et nuit, dont les revues scientifiques, les prépublications et les sites que vous ajoutez. Il vous prévient quand une nouvelle étude touche votre question, avec le passage qui le prouve. Une étude corrigée ou retirée est signalée dans votre projet.
Les agents écrivent ensuite la revue de littérature, la synthèse et la bibliographie dans votre style, appris sur vos publications. Vos documents sont hébergés et traités en Europe et ne servent jamais à entraîner une IA tierce. La page Verbatim pour la recherche détaille la méthode complète. VerbatimAgent coûte à partir de 49,95 € TTC par mois, avec 14 jours d’essai gratuit.
Questions fréquentes
L’IA peut-elle faire une revue de littérature ?
L’IA peut lancer des recherches, trier des résumés, remplir une grille d’extraction et rédiger une synthèse. Des études publiées montrent que les assistants généralistes inventent des références et déforment des résultats. Le chercheur vérifie chaque référence et chaque résultat dans l’article original, et décide de chaque inclusion.
ChatGPT peut-il trouver des sources pour une revue de littérature ?
Il peut en proposer, et certaines peuvent ne pas exister. Dans une étude de 2023, 18 % des références produites par GPT-4 étaient inventées. Dans une étude de 2024, GPT-4 a retrouvé 13,7 % des articles retenus par des revues systématiques publiées. La recherche se lance dans les bases, et chaque référence se vérifie.
Comment savoir si une référence donnée par l’IA est fausse ?
Cherchez le titre exact dans une base de données ou dans Google Scholar, et ouvrez le lien DOI. Le titre, les auteurs, la revue et l’année doivent mener au même article. Une référence introuvable ne peut pas être citée.
Peut-on utiliser l’IA dans une revue systématique ?
Oui, à condition de le déclarer. PRISMA 2020 demande de décrire les outils d’automatisation utilisés pour sélectionner les études et recueillir les données. Beaucoup de revues scientifiques demandent aussi de déclarer l’usage de l’IA. Un chercheur confirme chaque inclusion et vérifie chaque valeur extraite.
Sources
- The BMJ, The PRISMA 2020 statement: an updated guideline for reporting systematic reviews (Page et al., 2021, en anglais)
- University of Toronto Libraries, Knowledge syntheses: getting started (en anglais)
- Texas State University Libraries, AI research tools for literature reviews (en anglais)
- Scientific Reports, Fabrication and errors in the bibliographic citations generated by ChatGPT (Walters et Wilder, 2023, en anglais)
- Journal of Medical Internet Research, Hallucination rates and reference accuracy of ChatGPT and Bard for systematic reviews (Chelli et al., 2024, en anglais)
- Royal Society Open Science, Generalization bias in large language model summarization of scientific research (Peters et Chin-Yee, 2025, en anglais)