L’IA est principalement utilisée dans la recherche lorsque les données sont trop complexes ou trop volumineuses pour être traitées par des méthodes humaines. La quantité ou la complexité excessive des données est souvent la motivation scientifique derrière de nombreux projets (contributifs) de sciences citoyennes. Il est donc logique que beaucoup d’entre eux tentent de combiner l’IA et les sciences citoyennes. Même dans le cadre de projets plus collaboratifs, il existe des méthodes prometteuses pour utiliser l’IA de manière judicieuse.
Potentiellement, l’IA peut non seulement accélérer le traitement des données et augmenter la quantité de données à traiter, mais aussi élargir la portée temporelle et géographique des projets et ouvrir de nouvelles sources de données. En outre, l’IA peut élargir les possibilités de participation, par exemple en facilitant les interactions d’apprentissage entre les humains et les machines ou en étant utilisée à des fins motivantes.
L'IA fait le travail préparatoire
La tâche la plus courante de l'IA dans les projets de sciences citoyennes consiste peut-être à trouver des objets spécifiques – animaux, plantes, mots – dans des images ou des textes. Les humains interviennent lorsque l'IA effectue une classification imprécise ou rencontre des scénarios inconnus, par exemple dans le cas d'espèces rares ou similaires. Ces stratégies dites « Human-in-the-Loop » sont particulièrement utiles pour les grandes quantités de données, mais nécessitent une IA capable d'apprendre quelles images nécessitent une intervention humaine (voir ci-dessous). Nos collègues de catta ont testé comment cela peut fonctionner concrètement et où se situent les forces et les faiblesses de la reconnaissance d'images automatisée. Cliquez ici pour lire leur rapport.
De nombreux projets de sciences citoyennes à travers le monde et en Suisse ont déjà utilisé avec succès des approches « Human in the Loop ». Voici trois exemples :
Snapshot Safari: Les participant:e:s examinent des images afin d'identifier les espèces de mammifères africains et de comprendre leur répartition. Des pièges photographiques installés à différents endroits fournissent chaque année des millions d'images. Le projet a entraîné l'IA à reconnaître les espèces les plus courantes. Cependant, pour identifier les espèces rares ou distinguer les espèces similaires, il faut faire appel à des scientifiques citoyen:ne:s.
Galaxy Zoo: Weird & Wonderful: Dans le cadre de ce projet, une IA a été entraînée à détecter les anomalies sur les images prises par télescope. Cependant, les scientifiques citoyen:ne:s restent indispensables pour identifier plus clairement les images qui contiennent réellement des objets potentiellement intéressants ou pour filtrer les artefacts d'image.
Bibliothèque centrale de Zurich Transcriptions: Grâce aux progrès considérables réalisés dans le domaine de la reconnaissance automatique de l'écriture manuscrite, les scientifiques citoyen:ne:s participant à ce projet ne se chargent plus entièrement de la transcription des textes anciens. Ils interviennent plutôt pour corriger l'IA. Cela permet par exemple d'identifier plus rapidement les noms et les lieux.
L'IA analyse les données
De nombreuses plateformes de sciences citoyennes telles que iNaturalist, SciStarter ou Zooniverse proposent depuis longtemps déjà l'IA pour l'analyse des données. Il est toutefois souvent judicieux de créer un nouveau programme ou d'adapter un programme existant afin de répondre aux besoins de son propre projet. Dans ce domaine également, il existe déjà de nombreux exemples issus des disciplines les plus diverses.
Science Scribbler: Virus Factory: Des scientifiques citoyen:ne:s ont marqué et classé des virus à partir d'une série d'images. Pour cela, ils n'avaient qu'à placer quelques points au lieu de dessiner des contours précis. À partir de ce travail, une IA spécialement formée à cet effet a pu compter et reconnaître les virus. Cette méthode permet de gagner du temps et montre comment les humains et les machines peuvent résoudre ensemble des questions de recherche complexes.
Vivre avec la sclérose en plaques: Des personnes atteintes de sclérose en plaques racontent leur expérience de la maladie. À l'aide de la « modélisation thématique », une intelligence artificielle extrait les thèmes et les messages centraux à partir de textes ou d'enregistrements d'entretiens. Cela permet non seulement de gagner du temps, mais aussi d'obtenir de nouvelles informations et de mettre en évidence des liens surprenants.
Entraîner l’IA
Un domaine en pleine expansion pour les projets de sciences citoyennes consiste à laisser les participant:e:s former eux-mêmes l'IA. Ils peuvent le faire d'une part en fournissant les données manquantes. D'autre part, ils peuvent également fournir les perspectives manquantes. Cela permet de réduire les préjugés sociaux que l'on retrouve souvent dans les programmes d'IA et les rend ainsi plus inclusifs. En principe, l'IA a besoin d'un volume suffisant de données ouvertes pour pouvoir être entraînée. Cela la rend difficile d'accès pour certaines disciplines (par exemple la biomédecine).
Le programme GLOBE Observer, également actif en Suisse, montre comment les scientifiques citoyen:ne:s contribuent au développement de l'IA. Ils peuvent y enregistrer des photos de nuages, de la hauteur des arbres, de la couverture végétale et de bien d'autres choses encore. Les images téléchargées de larves de moustiques ont permis de perfectionner de manière décisive une IA existante : les clichés disponibles proviennent pour la plupart du laboratoire. Les photos prises sur le terrain par des scientifiques citoyen:ne:s, parfois dans des conditions d'éclairage défavorables et avec des appareils photo amateurs, ont considérablement amélioré les capacités de reconnaissance.
Apprendre avec l'IA
En outre, l'IA est de plus en plus utilisée dans les projets de sciences citoyennes pour motiver les participant:e:s à s'impliquer et à apprendre. En Suisse, par exemple, le projet solarpionier.ch utilise un chatbot pour poser les premières questions et fournir des informations.
Selon une étude portant sur des projets menés sur Galaxy Zoo, la plupart des participant:e:s préfèrent travailler avec des messages de motivation générés par l'IA plutôt que sans. Gravity Spy est considéré comme un exemple réussi à cet égard : ici, une IA guide les participant:e:s à travers des tâches de plus en plus complexes afin d'améliorer continuellement leurs connaissances et leurs compétences.
Mais le contraire peut également se produire : grâce ou à cause de l'IA, les tâches deviennent trop simples ou trop complexes pour intéresser les citoyen:ne:s scientifiques. C'est l'un des plus grands défis de la conception de la recherche. Il s'agit ici de trouver un bon équilibre, qui dépend bien sûr avant tout de l'objectif global du projet.
Aujourd'hui déjà, l'IA est très souvent intégrée de manière productive dans les sciences citoyennes. Il existe certes quelques défis et pièges qu'il ne faut pas sous-estimer, et il reste encore beaucoup à faire, notamment en matière de formation à la diversité et d'adaptation locale. Les projets présentés ici montrent que l'IA est capable de bien plus que de rédiger des phrases d'introduction à moitié originales.
Ce Spotlight se base sur la collection «The Future of Artificial Intelligence and Citizen Science» de la revue Citizen Science : Theory and Practice (9/1 2024).
