CORE Seminar - Sept. 28 2026 - Dr. Dan Poenaru

Valeur des informations & solidité de l’argumentation

La valeur des informations tient à la combinaison d’une expérience de terrain et d’une revue de littérature récente. L’orateur ne se contente pas de généralités : il cite des études précises (Journal of Clinical Epidemiology 2026 sur 63 études, Journal of Evidence-Based Medicine sur 18 études, Lancet 2026 sur 2,5 millions d’articles et 125 millions de références, JMIR sur la santé mentale) et donne des chiffres concrets (taux de fabrication de 0,57 %, réduction du temps de revue de 500 à 5-25 heures). L’argumentation est structurée autour d’un concept central, la « friction », qui permet de discriminer les usages à faible risque (idéation, recherche de littérature, remplissage de formulaires) des usages à haut risque (analyse de données, interprétation, rédaction par des novices). L’orateur reconnaît les limites de son propos : il admet que les chiffres sur la fabrication de références sont « bot-spécifiques » et dépendent de l’usage, et il souligne que la vérification reste le point critique. La solidité vient aussi de l’aveu de ses propres pratiques (utilisation intensive de l’IA pour l’écriture, mais vérification systématique) et de la distinction entre chercheurs expérimentés et débutants. On peut toutefois regretter que certaines affirmations, comme l’impact de l’IA sur la dégradation des compétences des gastro-entérologues, soient évoquées sans référence précise, et que l’anecdote sur SpaceX relève du témoignage personnel plutôt que d’une donnée vérifiable.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est globalement bonne : les sources sont nommées (revues, années, tailles d’échantillon) et l’orateur précise qu’il a vérifié les références. Il distingue clairement les résultats des revues systématiques (accord élevé pour le tri, plus faible pour le risque de biais) et les limites des études (absence de gold standard humain). La qualité des sources est solide : Journal of Clinical Epidemiology, Journal of Evidence-Based Medicine, Lancet, Nature, JMIR sont des revues reconnues. Cependant, certaines références sont citées de mémoire (« je ne me souviens plus laquelle »), et l’orateur s’appuie parfois sur des anecdotes personnelles (son fils, un collègue) qui, bien qu’illustratives, ne constituent pas des preuves. L’adéquation titre/contenu est bonne : le titre « From Spell Checker to Co-investigator » annonce une progression de l’usage des LLM en recherche clinique, et le contenu couvre bien ce spectre, de la simple correction à la collaboration avancée. Les commentaires ne sont pas fournis, donc aucune analyse du public n’est incluse.

Le titre annonce une intervention sur l'usage des grands modèles de langage en recherche clinique ; le contenu y répond directement, en mêlant expérience de laboratoire et revue de littérature.

7/10

Présentation d'un chercheur clinicien reconnu (McGill, RI-MUHC, Mila) qui s'appuie sur des publications récentes et des données quantitatives (revues systématiques, taux de fabrication de références). Les sources sont nommées et datées, mais le format séminaire ne permet pas de vérifier les chiffres en direct et certaines affirmations restent des opinions ou des extrapolations personnelles.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 02:00Sondage interactif sur l'usage des LLM par l'audience : utilisation récente, recherche de littérature, rédaction, erreurs confiantes, revue adversariale.
• 06:00Anecdote du fils ingénieur logiciel recruté par SpaceX après un entretien où il devait coder uniquement via des agents IA.
• 10:00Analogie du « compilateur » : en médecine, il n'existe pas de bouton pour vérifier si une étude fonctionne, contrairement au code.
• 15:00Évolution des modèles vers des agents autonomes (OPUS 4.6, etc.) et risques de dérive (essaims d'agents, appels à ralentir).
• 25:00Présentation des études sur l'usage de l'IA dans les revues systématiques : bons résultats pour le tri et l'extraction, plus faibles pour le risque de biais.
• 35:00Discussion sur la fabrication de références : taux de 0,57 % dans le Lancet 2026, plus élevé pour les sujets obscurs.
• 45:00Présentation des systèmes multi-agents (virtual lab, co-scientist) et de la faible part de rédaction humaine (1,3 %).
• 55:00Concept de « friction » : modulation de l'usage de l'IA selon le coût de détection des erreurs et l'utilisateur (étudiant vs PI).
• 1:05:00Conclusion sur la responsabilité du chercheur principal et la nécessité de vérifier chaque mot produit par l'IA.

• Journal of Clinical Epidemiology (2026) - étude sur 63 études utilisant l'IA pour les revues systématiques — Mentionnée pour les résultats d'accord entre humains et IA sur le tri des titres/résumés et l'extraction de données.
• Journal of Evidence-Based Medicine - étude sur 18 études — Rapporte des sensibilités/spécificités de 0,98-0,99 et une réduction du temps de revue de 500 à 5-25 heures.
• Lancet (2026) - analyse de 2,5 millions d'articles et 125 millions de références — Taux de fabrication absolu de 0,57 %, avec une augmentation trimestrielle.
• JMIR - étude en santé mentale comparant des sujets courants et rares — Montre que la fabrication de références est plus élevée pour les sujets obscurs.
• Nature (2025-2026) - publications sur les systèmes multi-agents (virtual lab, co-scientist) — Décrit des laboratoires virtuels où des personas IA produisent la quasi-totalité du travail.

• Études sur l'usage de l'IA dans les revues systématiques (Journal of Clinical Epidemiology, Journal of Evidence-Based Medicine) — Convergent vers un bon accord pour le tri et l'extraction, plus faible pour le risque de biais.
• Lancet 2026 sur la fabrication de références — Fournit un taux de fabrication faible mais croissant, cohérent avec les observations de l'orateur.