Une étude montre que les LLM peuvent faciliter l’analyse des modèles de propagation des maladies, mais nécessitent toujours une supervision humaine
Des chercheurs ont développé un pipeline permettant aux LLM d’extraire des données de 536 études sur la modélisation de la propagation des maladies. La précision maximale par article atteint environ 81,67 %, mais varie fortement selon la complexité des données.
L’étude intitulée « Leveraging Large Language Models for Systematic Literature Review of Disease Spread Models » teste l’utilisation de Large Language Models, ou LLM (grands modèles de langage), pour faciliter une systematic literature review, ou SLR (revue systématique de la littérature). Cette tâche exige habituellement beaucoup de temps pour rechercher, lire et classer les travaux universitaires selon des critères uniformes.
L’équipe a développé un pipeline (processus en plusieurs étapes) afin d’extraire des données relatives aux modèles à partir de 536 articles scientifiques évalués par les pairs. Tous portent sur l’agent-based modeling (modélisation fondée sur des agents individuels qui se comportent et interagissent entre eux) appliqué à la propagation des maladies. Les résultats du système ont ensuite été comparés à ceux d’une SLR réalisée par des humains.
À l’échelle des articles, GPT-4.1 affiche une précision d’environ 77,95 %, contre environ 81,67 % pour GPT-5.0. Ces résultats globaux ne signifient toutefois pas que les modèles sont aussi performants pour tous les types de données. Selon les champs analysés, la précision varie fortement, de 32,40 % à 100,00 %. Les champs complexes ou nécessitant une interprétation subjective sont moins fiables.
L’étude montre également que le niveau de concordance entre plusieurs LLM pourrait servir d’indicateur préliminaire de la qualité des résultats. Des réponses très divergentes peuvent signaler la présence d’hallucinations (informations plausibles, mais absentes ou différentes du texte source). Ce signal pourrait aider à déterminer quels champs doivent faire l’objet d’une vérification humaine approfondie. L’accord entre les modèles ne doit cependant pas être considéré comme une preuve systématique d’exactitude.
Ces résultats plaident donc pour l’utilisation des LLM comme outils destinés à alléger le travail d’extraction des données, plutôt qu’à remplacer entièrement les chercheurs, en particulier lorsque l’analyse exige une compréhension du contexte ou du discernement. L’étude est publiée sur arXiv dans la catégorie cs.AI et doit être présentée à la Winter Simulation Conference 2026.
Accélérer l’analyse d’un grand nombre d’études sur les maladies pourrait aider les chercheurs et les autorités sanitaires thaïlandaises à suivre plus rapidement les avancées scientifiques. Mais les fortes variations de précision montrent qu’une validation par des experts reste indispensable avant toute prise de décision.