Les grands modèles de langage (LLM) sont de plus en plus utilisés comme compagnons de recherche, mais les directives pour une intégration efficace et responsable dans les flux de travail académiques restent sous-spécifiées. Cet article présente un cadre en trois étapes, avec intervention humaine, supportant (i) le développement de propositions, (ii) la conception de la recherche, et (iii) la préparation de manuscrits. Chaque étape mobilise une boîte à outils de techniques d'invite et de vérification—Context-Grounded Prompting, Graph-of-Thought, Self-Consistency, Contrastive Chain-of-Thought, et Chain-of-Verification—associées à des points de contrôle humains explicites. Le cadre est appliqué dans une étude de cas sur la mitigation des biais intersectionnels dans les modèles de recrutement, avec des ensembles de données détaillés, des objectifs et des métriques d'évaluation, ainsi qu'un pilote exploratoire dans lequel des étudiants en Master appliquent la chaîne aux propositions de thèse. Les résultats indiquent que l’utilisation d’invites structurées améliore la traçabilité et élargit l’ensemble des alternatives considérées, tandis que les étapes de vérification limitent les erreurs d’excès de confiance. Les invites, artéfacts et grilles d’évaluation sont mis à disposition pour soutenir la réplication. L’article conclut par des recommandations sur le déploiement éthique et les limites, en insistant sur la primauté du jugement humain pour valider les affirmations et orienter les contributions savantes.
Guérard et al. (mar,) ont étudié cette question.