Extraction des données avec l'IA :le brouillon à la machine, chaque chiffre vérifié dans l'original

La première tâche n'est pas de lire, mais de concevoir le tableau. Commencez par fixer les colonnes.

Un socle standard : auteur, année, pays, plan d'étude, participants (effectif et caractéristiques), intervention ou exposition, comparateur, critère de jugement et sa définition, résultat principal (taille d'effet et intervalle de confiance), durée de suivi, données manquantes, limites. Partez de ce qu'exige votre question de revue et figez les colonnes avant d'ouvrir le premier article.

Le tableau en main, ne vous lancez pas sur l'ensemble du corpus : testez-le d'abord sur deux ou trois articles. C'est là qu'apparaissent les définitions de colonnes ambiguës et les différences de présentation d'un article à l'autre.

Réviser la conception à ce stade vous épargne le désastre de tout refaire plus tard. Si vous travaillez en équipe, profitez de ce pilote pour harmoniser les règles de saisie.

Une fois les colonnes fixées, l'IA devient un levier puissant. Demandez-lui d'« extraire ces éléments dans ce format » pour chaque article, et un brouillon de tableau d'extraction apparaît en quelques minutes.

Relire et corriger un brouillon n'a rien à voir avec remplir des cases vides à la main. Le rôle de l'IA est le premier geste qui remplit les cases — pas la garantie de ce qu'elles contiennent. Gardez cette distinction en tête et vous gagnez à la fois en vitesse et en précision.

À la relecture du brouillon, trois aspects de chaque valeur numérique méritent une attention particulière.

Les unités (pourcentage ou effectif, mois ou années). Le dénominateur (population en intention de traiter, population analysée, ou seulement les participants ayant terminé l'étude). Le sens (la taille d'effet favorise-t-elle le groupe intervention ou le groupe témoin ?). Ce sont les trois points sur lesquels les brouillons d'IA dérapent le plus souvent, et une seule de ces erreurs peut inverser la conclusion de votre revue. Vérifiez toujours dans le texte original, ses figures et tableaux, et au besoin dans les annexes.

Si les données extraites alimenteront une méta-analyse, relevez le niveau d'exigence. Vérifiez que le type de taille d'effet, le moment de mesure et la définition de la population analysée se correspondent d'une étude à l'autre, et notez si les valeurs ont été lues dans une figure ou dans le texte.

Décider si les études peuvent être combinées, et comment convertir les valeurs, relève du jugement statistique : en cas de doute, consultez un statisticien, votre directeur ou votre équipe. C'est un territoire que ni l'IA ni cet article ne peuvent couvrir à votre place.

Une habitude pratique : dans chaque cellule ou ligne du tableau d'extraction, notez l'emplacement de la source — tableau 2, p. 6, annexe.

La vérification et les contrôles croisés en équipe cessent alors d'exiger de nouvelles fouilles dans le même article. Sur des dizaines d'éléments et des dizaines d'études, cette petite habitude finit par représenter des journées entières.

Dans Paperfy, le résumé IA et les figures et tableaux de chaque article inclus partagent une même page avec le PDF, ce qui accélère nettement la localisation du « où, dans le texte original » pendant l'extraction.

Ajoutez au résumé ce que vous avez confirmé — « dénominateur : ITT, vérifié dans le tableau 2 » — et la justification de votre extraction reste sur la page de l'article, prête à resservir pour la relecture et l'évaluation du risque de biais.