IA et études qualitatives :
les prompts clés pour l’analyse

La survenue des grands modèles de langage (LLM) et des IA génératives marque un tournant majeur de la linguistique et des sciences du langage. Ces modèles, entraînés sur des milliards de milliards de mots issus de la numérisphère, marquent la victoire de la linguistique de corpus – ce sont par les textes que l’on connaît une langue – sur la linguistique générale, centrée sur la structure formelle de la langue. Ils produisent aujourd’hui des textes parfaitement cohérents, aux formes linguistiques maîtrisées, bien au-delà des approches antérieures fondées sur le lexique, la syntaxe ou les modèles sémantiques.

Cela transforme profondément la recherche qualitative, où les capacités de « lecture » et « d’écriture » de la machine défient celles du chercheur.

I – L’IA comme lecteur et commentateur

a) Lecture, résumé et repérage thématique

Les Intelligences artificielles peuvent « lire » des documents ou des entretiens et produire des résumés, des listes de thèmes ou des synthèses interprétatives. Elles permettent ainsi de ramener des sources brutes à des fiches de lecture standardisées ou à des codes thématiques exploitables.

b) Commentaire et interprétation assistée

L’IA peut être également sollicitée pour interpréter un texte, le mettre en perspective théorique ou le commenter de manière critique. Elle devient alors un « lecteur réflexif », capable de relier un discours à des cadres d’analyse connus

c) Vigilance méthodologique

Cependant, ces usages exigent une lecture critique du chercheur. En effet, il est recommandé de relancer l’IA après une première réponse et de ne jamais reprendre un texte sans relecture approfondie. L’interaction avec la machine doit être vue comme une « conversation analytique ».

II – L’IA comme ressource complémentaire à l’ADT et à la codification

a) Interpréter les nuages de mots

L’IA peut commenter les résultats lexicométriques (nuages de mots, listes de mots spécifiques, cartes factorielles…) issus d’un logiciel d’Analyse de données textuelle (ADT), comme Sphinx iQ 3 par exemple. Elle peut ainsi proposer des hypothèses sur les univers de sens associés aux résultats.

b) Créer des thésaurus et dictionnaires thématiques

L’IA peut également générer automatiquement des listes de mots associées à un concept ou à un thème d’analyse.

c) Nommer les classes d’une classification hiérarchique descendante

Lorsqu’une classification hiérarchique descendante (CHD) produit des classes lexicales, l’IA peut aider à nommer et interpréter ces classes.

d) Interpréter les spécificités lexicales selon le contexte

Par ailleurs, l’IA peut interpréter les différences de vocabulaire entre sous-groupes (âge, statut, secteur, genre…).

e) Standardiser des bases de données multi-sources

Enfin, l’IA peut homogénéiser des documents de nature différente (rapports, entretiens, articles…) en produisant des résumés ou commentaires standardisés pour permettre une analyse comparative.

III – Portée et limites du couplage IA/analyse de contenu/ADT

a) Les gains

L’usage de l’IA permet un gain de temps considérable, une meilleure standardisation des résultats, et une exploration multi-niveaux des discours.

b) Les limites

Les IA génèrent des textes cohérents mais parfois plausibles sans être vrais. En effet, elles peuvent projeter du sens absent du corpus ou lisser les contradictions. Ainsi, le chercheur se doit donc d’exercer une vigilance critique et ne jamais déléguer le jugement interprétatif.

c) Vers une hybridation vigilante du travail intellectuel

L’enjeu n’est ainsi pas de remplacer le chercheur par la machine, mais d’établir une collaboration méthodologique raisonnée : l’IA assiste dans la production et la structuration du texte; le chercheur garde la maîtrise théorique, critique et interprétative.

L’illusion de la connaissance dans les IA génératives

L’usage des IA génératives donne l’illusion d’accéder à une immense base de connaissance. Mais ce n’est pas le cas !

En effet, l’entrainement des grands modèles de langage repose sur la compilation aveugle d’une masse considérable de textes : la numérisphère. Mais ces textes ne sont ni hiérarchisés, ni organisés en catégories comme dans une base de données structurée.

Les IA n’ont pas (encore !) la capacité de raisonner, mais de produire, par imitation, des phrases bien formées et cohérentes. Il émerge sans organisation préalable des connaissances : le sens émerge à la lecture, non à la génération. Ainsi, l’IA n’apporte aucune valeur ajoutée de sens et aucune valeur de preuve extérieure. Elle peut se tromper ou fabriquer des cohérences fictives, là où une base de connaissances valide renverrait des catégories établies et vérifiables.

En conséquence, le chercheur humain demeure la seule référence interprétative. C’est son regard critique, sa connaissance du contexte et sa rigueur théorique qui transforment les productions de l’IA en véritables apports de recherche.

Rédigé par :

Jean MOSCAROLA Fondateur de Sphinx Développement Domaines d’expertise : IA dans les études, méthodes quali/quanti Fondateur de l’entreprise Sphinx développement, Jean est à la fois enseignant-chercheur et consultant dans le monde universitaire et dans celui de l’entreprise. Passionné par les méthodes quantitatives et l’IA dans les études, il est aujourd’hui professeur émérite à l’Université Savoie Mont Blanc.