Lire des articles de recherche à l’ère des LLM

une conversation intéressante sur X sur la façon dont il devient difficile de suivre les nouveaux articles de recherche en raison de leur quantité toujours croissante. Honnêtement, il existe un consensus général sur le fait qu’il est impossible de suivre toutes les recherches qui se déroulent actuellement dans le domaine de l’IA, et si nous ne parvenons pas à suivre le rythme, nous passons alors à côté de nombreuses informations importantes. Le point central de la conversation était : pour qui écrivons-nous si les humains ne peuvent pas lire, et si les LLM sont ceux qui lisent réellement les articles, quel est le format idéal pour eux ?

Cela m’a fait réfléchir et cela m’a rappelé un article que j’ai écrit en 2021 sur les outils que j’utilisais pour lire efficacement les articles de recherche et comment je lisais les articles à l’époque. C’était l’ère pré-ChatGPT, et j’ai réalisé à quel point la lecture papier a changé pour moi depuis lors.

Je partage donc la façon dont je lis les articles de recherche aujourd’hui, à la fois manuellement et avec l’aide de l’IA. J’espère que si vous êtes également dépassé par le rythme, certaines de ces idées ou outils pourront vous aider à créer un flux qui vous convient. Je n’ai pas vraiment la réponse à ce à quoi devrait ressembler un format papier idéal à l’ère du LLM.mais je peux au moins partager ce qui a fonctionné pour moi jusqu’à présent.

La méthode manuelle – style de méthode en trois passes

Il fut un temps où toute la lecture était manuelle et nous avions l’habitude d’imprimer des papiers et de les lire ou de le faire via une liseuse électronique. Pendant cette période, j’ai découvert un article de S. Keshav sur le méthode en trois passes. Je suis sûr que vous devez également l’avoir rencontré. C’est une manière simple mais élégante de lire un article en divisant le processus en trois étapes.

Comme le montre la figure ci-dessus, la méthode en trois passes vous permet de contrôler la profondeur à laquelle vous souhaitez aller en fonction de votre objectif et du temps dont vous disposez. Voici ce que chaque passe implique :

1. Le premier passage donne une vue rapide à vol d’oiseau. Vous scannez le document pour comprendre son idée principale et vérifiez si elle est pertinente. Le but est de répondre aux 5 C à la fin de votre lecture : la catégorie du papier, son contributionsi les hypothèses sont correctle clarté de l’écriture et du contexte du travail. Cela ne devrait pas prendre plus de 5 à 10 minutes.
2. Le deuxième passage peut prendre jusqu’à une heure et va un peu plus loin. Vous pouvez prendre des notes et des commentaires, mais ignorez les épreuves pour l’instant. Vous devez avant tout vous concentrer sur les chiffres et les graphiques et essayer de voir comment les idées se connectent.
3. La troisième et dernière passe prend du temps. Vous savez maintenant que le document est pertinent, c’est donc à ce stade que vous le lisez attentivement. Vous devriez être capable de retracer l’intégralité de l’argumentation, de comprendre les étapes et de recréer mentalement l’œuvre. C’est aussi là que vous remettez en question les hypothèses et vérifiez si les idées tiennent la route.

Aujourd’hui encore, j’essaie autant que possible de commencer par la méthode des trois passes. Je l’ai trouvé utile non seulement pour les documents de recherche, mais également pour les longs blogs et articles techniques.

La méthode récapitulative Chatbot – style vanille

Aujourd’hui, il est facile de déposer un article dans un chatbot alimenté par LLM et de demander un résumé rapide. Il n’y a rien de mal à cela, mais je pense que la plupart des résumés d’IA sont rapides et aplatissent parfois les idées.

Mais j’ai trouvé peu d’invites qui fonctionnent mieux que la vanille « résumer cet article« . Par exemple, vous pouvez demander au LLM de produire le résumé dans un style en trois passes, la même méthode dont nous avons discuté dans la section précédente qui donne un bien meilleur résultat.

Give me a three-pass style look at this paper.
Pass 1: a quick skim of what the paper is about.
Pass 2: the main ideas and why they matter.
Pass 3: the deeper details I should pay attention to.

Une autre invite qui fonctionne bien est un style simple problème-idée-preuve :

Tell me:
• what problem the paper tries to solve
• the main idea they use
• how they support it
• what the results mean.

Ou si je veux vérifier comment un article se compare à des travaux antérieurs, je peux demander :

Give me the main idea of the paper and also point out its limits or things 
to be careful about

Vous pouvez toujours continuer le chat et demander plus de détails si la première réponse vous semble légère. Mais le problème principal pour moi est toujours le même : vous devez basculer entre les onglets pour regarder le document, puis comparer les explications et les deux se trouvent à des endroits différents. Pour moi, ce va-et-vient constant devient un point de friction. Il doit y avoir un meilleur moyen de conserver à la fois la source et l’assistance de l’IA sur le même canevas, ce qui nous amène à la partie suivante.

La méthode des outils spécialisés : l’interface utilisateur compte

J’ai donc décidé d’explorer des outils qui fournissent une assistance LLM tout en offrant une meilleure interface utilisateur et une expérience de lecture plus fluide. En voici trois que j’ai utilisés personnellement. Il ne s’agit pas d’une liste exhaustive, mais seulement de ceux qui, d’après mon expérience, fonctionnent bien sans remplacer l’expérience de lecture de base. Je soulignerai également les fonctionnalités que j’aime le plus pour chaque outil.

1. alphaXiv

AlphaXiv est l’outil que j’utilise depuis longtemps car il contient de nombreuses choses utiles directement dans la plate-forme. Il est facile d’accéder à un article ici, soit via leur flux, soit en prenant n’importe quel lien arXiv et en remplaçant arxiv avec alphaxiv. Vous obtenez une interface claire et un ensemble d’outils assistés par l’IA qui se trouvent juste au-dessus du papier. Il existe une fenêtre de discussion familière, mais à part cela, vous pouvez souligner n’importe quelle partie du document et posez une question directement ici. Vous pouvez également extraire le contexte d’autres articles en utilisant le @ fonctionnalité. Si vous souhaitez approfondir, il montre également des articles connexes, le code GitHub, la façon dont d’autres citent le travail et de petites notes documentaires sur le sujet. Il existe également une fonction de conférence audio AI, mais je ne l’utilise pas souvent.

Ma partie préférée est la mode de style blog. Cela me donne une version simple et lisible du document qui m’aide à décider si je dois faire une lecture approfondie ou non. Cela maintient les chiffres et la structure en place, presque comme je transformerais un article en blog.

• Comment essayer : Remplacer arxiv avec alphaxiv dans n’importe quel lien arXiv, ou ouvrez-le directement depuis leur site à alphaxiv.org.

2. Papiers

Comment découvre-t-on de nouveaux papiers ? Pour moi, cela se fait via quelques newsletters, mais la plupart du temps, cela provient de comptes X importants. Cependant, le problème est qu’il existe de nombreux comptes de ce type et qu’il y a donc beaucoup de bruit et que le signal est devenu plus difficile à suivre. Papiers regroupe les conversations sur un article et d’autres articles qui y sont liés en un seul endroit, faisant de la découverte une partie du flux de lecture lui-même.

Papiers est un outil relativement nouveau mais doté déjà de fonctionnalités intéressantes. Par exemple, en plus d’avoir des conversations sur le journal, vous pouvez obtenir un Style wiki visionner en deux formats : technique et accessible afin que vous puissiez choisir le format en fonction de votre niveau de confort avec le sujet. Il y a aussi un Lignée vue qui montre les parents et les enfants du journal, afin que vous puissiez voir ce qui a façonné le travail et ce qui a suivi. Et il existe également une fonctionnalité de carte mentale (pensez à NotebookLM) qui est plutôt intéressante.

Je voulais souligner ici que l’outil m’a donné paper not found erreur pour certains papiers, ou le flux X manquait pour quelques-uns. Cela a cependant fonctionné pour les journaux importants. J’ai regardé autour de moi et j’ai trouvé dans un fil de discussion X que les articles sont actuellement indexés à la demande, donc je suppose que cela l’explique. Mais c’est un nouvel outil et j’aime vraiment les offres, donc je suis sûr que cette partie s’améliorera avec le temps.

• Comment essayer : Remplacer arxiv avec des papiers dans n’importe quel lien arXiv, ou ouvrez-le directement depuis leur site sur papiers.

3. Lumi

Lumi est un outil open source du Recherche sur les personnes et l’IA groupe chez Google et comme pour une grande partie de leur travail, il est livré avec une interface utilisateur époustouflante et réfléchie. Lumi met en évidence les parties clés de l’article et place de courts résumés dans la marge latérale, de sorte que vous puissiez toujours lire l’article original avec le résumé généré par l’IA. Vous pouvez également cliquer sur n’importe quelle référence et cela vous amène directement à la phrase exacte du document. La caractéristique remarquable de Lumi est qu’il explique non seulement le texte, mais que vous pouvez également sélectionner une image et demander à Lumi de l’expliquer également.

Le seul inconvénient est que cela fonctionne actuellement pour arXiv articles sous licence Creative Commons, mais j’aimerais le voir s’étendre pour couvrir l’ensemble d’arXiv et peut-être même permettre de télécharger des PDF d’autres articles.

Autres outils à mentionner

Bien que j’utilise principalement les outils mentionnés ci-dessus, il y en a quelques autres avec lesquels j’ai certainement croisé, et je vous encourage à les essayer s’ils correspondent à votre flux, comme : Ils ne sont pas devenus mes principaux choix, mais ils ont de bonnes idées et pourraient bien fonctionner pour vous en fonction de votre style de lecture.

• OuvrirLire est une excellente option pour lire des articles ainsi que pour faire une étude de la littérature. Il contient d’excellents modules complémentaires comme la comparaison d’articles, graphiques en papier pour afficher les papiers connectés et un expresso en papier fonctionnalité qui donne un résumé concis d’une page du document.

Il convient de noter ici qu’OpenRead est un outil payant mais qu’il est livré avec une version freemium.

• Espace Sci est un outil très polyvalent et en plus de pouvoir discuter avec un article, vous pouvez faire des revues de littérature sémantique, approfondir vos recherches, rédiger des articles et même créer des visualisations pour votre travail. Il propose bien d’autres choses que vous pouvez explorer dans leur suite. Comme OpenRead, il s’agit également d’un outil payant avec des fonctionnalités limitées disponibles dans la version gratuite.
• Journaux quotidiens par HuggingFace est une excellente option si vous souhaitez consulter des articles sur les tendances. Une autre touche intéressante est que vous pouvez immédiatement voir les modèles, les ensembles de données et les espaces sur HuggingFace en citant un article particulier (s’ils existent) et également discuter avec les auteurs.

Conclusion

La plupart des lectures que je fais font partie de la revue de littérature de mon blog, et c’est un mélange des trois stratégies que j’ai mentionnées ci-dessus. J’aime toujours parcourir les articles manuellement, mais lorsque je veux aller plus loin, voir des articles connectés ou comprendre quelque chose plus en détail, les trois outils que j’ai mentionnés m’aident beaucoup. Je suis conscient qu’il existe de nombreux autres outils assistés par l’IA pour lire des articles, mais tout comme l’expression trop de cuisiniers gâchent le bouillonj’aime m’en tenir à quelques-uns et ne pas passer d’un favori à l’autre à moins qu’il n’y ait une fonctionnalité vraiment remarquable.