Séparer l'évaluation de l'attribution : Un plaidoyer pour une réforme orientée vers les résultats de l'évaluation académique à l'ère de l'IA

Ceci est un préprint du manuscrit : "Séparer l'évaluation de l'attribution : Un plaidoyer pour une réforme orientée vers les résultats de l'évaluation académique à l'ère de l'IA" Résumé : Cet article avance un argument institutionnel normatif : la fonction d'évaluation de l'évaluation académique (juger la qualité des résultats) devrait être structurément séparée de la fonction d'attribution (vérification de l'identité, de l'affiliation et de la conformité). Actuellement, ces fonctions sont confondues, permettant à l'identité de l'auteur d'influencer les jugements de qualité avant que le contenu n'ait été pleinement examiné—une distorsion documentée par des décennies de recherche sur les biais. L'argument repose sur trois affirmations. Premièrement, la qualité scientifique est un jugement sur les résultats ; les résultats ne dépendent pas de l'identité de leur producteur. Deuxièmement, utiliser des corrélations au niveau de groupe entre l'affiliation et la qualité pour filtrer les soumissions individuelles constitue une erreur procédurale : l'évaluation académique juge des textes individuels, pas des moyennes de groupe. Troisièmement, la base de signal du filtrage d'identité s'effrite à l'ère de l'IA : alors que les chercheurs institutionnels utilisent de plus en plus l'IA générative, le seuil de qualité que l'affiliation garantissait autrefois n'est plus fiable. Cet article plaide pour le pilotage d'un processus éditorial séquentiel en deux étapes—révision de contenu à l'aveugle suivie d'une révision de conformité identifiée—et soutient que les dynamiques concurrentielles dans l'édition académique favoriseront naturellement les revues adoptant des méthodes d'évaluation plus efficaces. Le manuscrit a été soumis à une revue par les pairs et est actuellement en cours d'examen. Mots-clés : réforme de la révision par les pairs, filtrage d'identité, séparation évaluation-attribution, IA générative, intégrité de la recherche.