Méthode d'approche de compression de savoir et d'accélération de recherche à dimension massive

1. La compression du savoir pour l’aide à la décision
Descriptif général du système de mensa-recension universitaire
RÉSUMÉ – La surabondance de recherches dans le monde nécessite des ressources à croissance
exponentielle pour inventorier l’état des connaissances sur un sujet donné et comprimer ce savoir de
façon à le rendre accessible. En outre, cette infobésité ralentit d’autant plus la détection d’études, une
étape pourtant indispensable aux revues de littérature requises pour les chercheurs, que ce processus
manuel de localisation relève encore de Gutenberg à l’ère de l’intelligence artificielle. Ce phénomène
crée un grave effet de latence dans l’échange mutuel de savoir entre la recherche et l’industrie. La
mensa-recension (MR) est une nouvelle méthode en développement qui vise à combler cet écart
progressif. La MR propose un modèle d’intégration et de compression du savoir destinée aux
décisionnaires pour leur permettre de prendre connaissance rapidement des réflexions les plus
opportunes dans un domaine précis de gestion, d’affaires ou d’organisation. L’ampleur horizontale des
systèmes courants, qui couvrent des univers extrêmement larges (UXL) de sources (comme Google
Scholar ou SSRN), ont pour effet d’engendrer de plus en plus liens disparates et de ralentir la détection
de savoir plutôt que de l’accélérer. La MR cherche à déceler, qualifier et résumer de façon verticale
les études pratiques, pour alimenter des systèmes experts enrichis de logique floue et capables
d’apprentissage automatique. L’approche en silo filtre et accélère ainsi la détection des sources
praticiennes et universitaires les plus pertinentes pour réduire le bruit croissant des UXL. Réalisée en
milieu universitaire, qui donne accès à des centaines de bases de connaissances et à des équipes de
synthèse spécialisées, la MR contribue à accélérer la détection et à en réduire le coût élevé pour les
chercheurs, cadres et managers. Le déploiement de ces synthèses vise à offrir le choix d’une multitude
d’options stratégiques et d’expériences diverses aux cadres d’entreprises et d’organisations appelés à
prendre des décisions fondées sur des faits probants plutôt que sur une réalité incertaine.
Qu’est-ce qu’une mensa-recension ?
Le système de mensa-recension (MR) vise la compression du savoir1
. Il se fonde sur trois grands
piliers :
◐ Le principe reconnu de la sagesse des foules, selon lequel chaque membre d’un groupe détient sa
1
La technique de compression des données, comme nerf principal de la transmission d’information dans les années 1990, a évolué en théorie de
données massives (Big Data) depuis 2005 pour mesurer des flux, des tendances et des inflexions de mouvements divers. Le nouvel enjeu est la
compression du savoir pour profiter de toute la valeur ajoutée du savoir collaboratif. Contrairement à l’approche Wiki, la MR protège l’authenticité du
message de chaque source en visant à transmettre le cœur du savoir de chaque recherche par le résumé normalisé des conclusions et par le profil des
auteurs.

2. Compression du savoir pour l’aide à la décision
-------- Page 2 de 5 --------
propre information/perception différente de l’univers2
. Cette sagesse se résume ainsi : la
moyenne de toutes les perceptions, une fois agglomérées, se révèle plus proche de la réalité que
chacune des perceptions prises une à une. Et comme la loi des nombres et de la diversité
d’opinions joue au maximum, en raison des milliers de recherches détectées dans un programme
MR, la sagesse des foules n’en devient que plus fiable et crédible.
◐ Les notions de gestion en Big Data, dont le nombre massif de données (ici de conclusions et
prescriptions) tend à marginaliser bruits et saletés en contexte de spécialisation avancée pour
favoriser les approches les plus probantes3
. C’est toute la différence entre le microscope, qui
biaise l’état des lieux en ciblant des échantillons limités de faits, et le télescope qui englobe une
majorité de faits en neutralisant les biais d’information4
. La grande distinction est que le MR
permet à la fois d’examiner l’arbre ET la forêt.
◐ La démystification de la ‘qualité par les pairs’ démontrée par la nouvelle génération des méga-
journaux qui se sont départis de ce filtre critique pour accélérer la publication des recherches.
Malgré tout leur appareil de révision par les pairs, le facteur d’impact (défini par le nombre de
citations obtenues par des articles publiés) de ces revues traditionnelles n’est guère plus élevé
que celui des méga-journaux. Pis encore, les pairs qui jugent les articles avant leur publication
sont généralement moins sévères que les éditeurs eux-mêmes5
.
La mensa-recension se distingue des grandes revues de littérature (appelées méta-recensions) en
évitant la banalisation et l’intégration aléatoire de centaines, voire de milliers de recherches en un
seul document. Une méta-analyse, largement employée en études médicales pour concilier des
observations souvent contradictoires, vise à tirer une conclusion globale. Vulnérables aux biais
discrétionnaires, ces recensions gomment la spécificité de chaque étude pourtant susceptible d’offrir
une option pratique et bien spécifique, si mince et marginale soit-elle. Au contraire, la MR décrit les
courants de savoir sans tirer de conclusion. C’est le concept de la table ronde (=mensa en italien) où
2
Le seul moment où cette sagesse se mue en danger ou panique systémique est lorsque ses membres partagent la même information/aspiration, d’où la
règle première en échantillonnage de la diversité. Pour des ouvrages en sagesse des foules et en apprentissage machine, voir le best-seller de James
Surowiecki (spécifiant quatre qualités pour qu’une foule soit intelligente : elle doit être diversifiée, décentralisée, synthétisée de façon normalisée et
de composition indépendante) et les diverses recherches de Dengyong Zhou, chercheur au Microsoft Research, Redmond, Washington, et de Seyda
Ertekin, chercheure, MIT Sloan School of Management. Voir aussi http://crowdtruth.org, University of Amsterdam (VU) et Guru Banavar, vice-
président, Cognitive Computing at IBM Thomas J. Watson Research Center.
3
Voir « Big Data : are we making a big mistake » décrivant le danger de corrélation sans causalité, par Tim Harford, Financial Times, 28 mars 2014 -
« You may not need Big Data after all- Learn how lots of little data can inform everyday decision making » démystifiant le mirage des
métadonnées en montrant que seules les entreprises rompues à la culture de prise de décisions basées sur les faits savent profiter de l’exploitation du
Big Data, par Jeanne W. Ross, directrice et principale chercheure scientifique, Center for Information Systems Research (CISR), MIT Sloan School of
Management ; Cynthia M. Beath, Professeure émérite, University of Texas à Austin ; Anne Quuadras, chercheure scientifique, CISR
4
L’exemple des méta-études comparatives de La Porta en systèmes juridiques des sociétés civilistes et de droit commun illustre bien le processus de
télescopage des idées reçues. Une autre illustration couvre les fusions et acquisitions (F&A). La majorité des études se concentrent sur le
comportement des sociétés cotées en bourse (à cause de données plus transparentes que celles des sociétés privées), sur les bases de données
américaines (mieux structurées et accessibles que partout ailleurs dans le monde) et sur les grandes transactions (plus faciles à cerner en termes de
données et de reddition publique ex-ante/post transaction), incitant ainsi les chercheurs à dire que les F&A sont avant tout de nature cycliques (par
vagues), avantagent les sociétés acquises aux dépens des sociétés acheteuses et favorisent les transactions réglées au comptant plutôt que par échange
d’actions. Grâce à un univers beaucoup plus large (> 310 000 transactions sur 17 ans) et moins sélectif (sociétés privées, publiques, américaines et
étrangères), ces paradigmes ont été neutralisés, voire contredits par « Implications of Data Screens on Merger and Acquisition Analysis: A Large
Sample Study of Mergers and Acquisitions from 1992 to 2009 » de Jeffry Netter, Professeur distingué, titulaire de la chaire de banques, Directeur,
département de finance, University of Georgia, rédacteur-en-chef, Journal of Corporate finance ; Mike Stegemoller, Professeur associé, directeur,
département de finance, assurance et immobilier, Baylor University ; M. Babajide Wintoki, Professeur associé en finance, School of Business,
University of Kansas, The Review of Financial Studies, Vol. 24, No 7, 2011.
5
Les méga-journaux (Open Access Journals ou megajournals) sont nés avec PLOS One en 2006 avec un taux d’acceptation de recherches primaires
de 50 % à 70 % et un facteur d’impact de 2 à 4 (jusqu’à 5,1 pour Scientific Reports du groupe Nature) comparativement à 30 % à 50 % (facteur
d’impact de 2 à 4) pour les revues savantes et moins de 10 % pour les revues les plus pointues comme Nature (7 % - impact = 41) ou The Journal of
Finance (5 % - impact = 7,5). Autrement dit, la contribution qualitative des pairs est souvent surévaluée. Voir « Peer review in megajournals
compared with traditional scholarly journals : Does it make a différence ? » par Bo-Christer Björk, Professeur en science des systèmes
d’information, Hanken School of Economics, Helsinki ; Paul Catani, Professeur adjoint, département de finance et statistiques, Hanken School of
Economics, Helsinki, Learned Publoshing, octobre 2015 – « Peer choice – does reviewer self-selection work ? » montrant que les éditeurs rejettent en
moyenne 7 articles sur 31, contre 4 seulement pour les pairs réviseurs et en acceptent un seul lors de la première soumission contre 2 pour les pairs, par
James Hartley, Professeur émérite en psychologie, Keele University, R-U; John Cowan, Professeur émérite en formation en ligne, Edinbourgh Napier
University, R-U; Nick Rushby, rédacteur-en-chef, British Journal of Educational Technology, Learned Publishing, 17 août 2015.

3. Compression du savoir pour l’aide à la décision
-------- Page 3 de 5 --------
personne n’a préséance. La MR préserve ainsi la microscopie de chaque recherche en suggérant la
comparaison et la complémentarité des idées et des expériences, en réduisant la friction des biais de
connaissance dans le processus de compression. Comme si on avait une gigantesque courte-pointe,
dont chaque pièce de tissu est remplacée par un micro-point illustrant une étude avec son savoir
particulier.
CHAÎNON MANQUANT DE LA TECHNOLOGIE — La détection de recherches scientifiques ou
professionnelles dispose d’innombrables bases de données pour capter les études couvrant tout le
spectre d’un thème particulier. La capacité
de téléchargement grandit de manière
vertigineuse grâce à l’Internet et aux
transmissions haute vitesse, tout comme les
facilités de traitement textuel et de stockage
infonuagique. Mais ce qui manque le plus,
ce sont des supports techniques de détection
et de localisation des études, puisque les
bases de données n’offrent l’accès qu’à une
partie seulement des recherches, celles qui
ont paru dans des revues savantes, omettant
toutes celles qui ont été revues par des pairs
aux fins d’essais ou de thèses, sans oublier
l’univers professionnel où pullulent les
études appliquées, hors du circuit des
revenus savantes6
.
Un sondage anecdotique, fait à Montréal auprès d’une quinzaine de doctorants en sciences diverses,
montre que le temps requis pour retracer les études indispensables à la revue de littérature varie de
50 % à 75 % du temps global de rédaction d’une thèse, avec une moyenne des deux tiers. Cela est
dû au fait que malgré l’abondance des fils d’abonnement aux nouvelles recherches, le très lourd legs
du passé reste à détecter, sans oublier tous les recoins inconnus méconnus où peuvent nicher les
pépites d’or susceptibles de faire varier sensiblement un plan de recherche. Pis encore, même
lorsque le chercheur a pu rassembler un agrégat convenable de savoir, les résumés qui paraissent
souvent au début d’un texte sont peu fiables, car très variables en qualité et en contenu, sans oublier
l’absence très fréquente de mots clés appropriés ou encore le verrouillage des documents pdf
bloquant toute détection de mots clés. Quel paradoxe ! Malgré la révolution d’Internet et la
6
À part les secteurs médicaux, financiers et de nouvelle technologie, il existe peu de secteurs où les revues savantes associent
universitaires et praticiens, car les premiers sont respectés pour leur rigueur mais pas pour leur pertinence et l’inverse pour les
seconds, sans oublier le fait que la terminologie de recherche varie beaucoup dans le monde professionnel, au point où les consultants
(les McKinsey, Boston Consulting, les grands cabinets d’audit, etc.) sont en réalité devenus les nouveaux intermédiaires entre
universitaires et praticiens. Voir à ce sujet « Practitioner Research:Evidence or Critique? » par Ian Shaw, Professeur émérite,
University of York, Aalborg Universitet, Danemark, Health and Social Research Support Unit, Cardiff University, Wales, British
Journal of Social Work, Vol. 35, No. 8 - « Practitioner research in social care: a review and recommendations » par Ian Shaw,
Professeur émérite, University of York, Aalborg Universitet, Danemark,;Neil Lunt, chercheur sur le rôle du praticien, Department of
Social Policy and Social Work,University of York ; Fiona Mitchell, gesitonnaire de projet, Aberlour Child Care Trust, The School for
Social Care Research, National Institute for Health Research (NIHR), 2014 - « The very separate worlds of academic and
practitioner publications in human resource management : reasons for the divide and concrete solutions for bridging the gap »
par Debra J. Cohen, vice-présidente senior, développement du savoir, Society for Human Resource Management, HR business Partner
–operations, International Flavors & Fragances Inc., Academy of Management Journal, Vol. 50, No. 5, 2007 - « Making academic
research more relevant : A few suggestions » par Abinsh Panda, Organizational Behaviour and Human Resource Management Area,
Indian Institute of Management, Kashipur, Inde; Rajen K. Gupta, Human Behaviour and Organizational Development Area, MDI
Gurgaon, Inde, IIMB Management Review, Vol. 28, No. 3, 2014

4. Compression du savoir pour l’aide à la décision
-------- Page 4 de 5 --------
puissante innovation numérique qui en découle,
toute la phase de détection vit encore à l’ère de
Gutenberg. C’est le plus important goulot
d’étranglement de tout programme de recherche.
Si centrale soit-elle pour orienter et étalonner leur
propre recherche et justifier leur contribution au
plan scientifique, la revue de littérature représente
en général moins de 25% de la thèse doctotale
elle-même, puisqu’il faut ajouter toute la
contribution spécifique du scientifique.
Voilà ce que cherche à résoudre la MR en mettant
constamment à jour les silos de connaissance.
DÉFIS MÉTHODOLOGIQUES ACTUELS ⎯ La
plupart des moteurs de recherche se fondent
aujourd’hui sur des mots clés en localisant toutes
sortes de documents exprimant ces mots, sans
offrir la moindre pondération qualitative sur leur
pertinence et agrégation des courants de réflexion.
Autrement dit, que nous entrions les termes
« intelligence » et « artificielle » ou « intelligence
artificielle », nous aurons un ensemble ou deux
ensembles de mots qui feront référence à l’un et/ou
l’autre de ces mots clés. Quantité de bases de
recherches ouvertes (Google Scholar, SSRN,
JAMA, etc.) ou d’éditeurs de revues savantes
(ScienceDirect, Sage, Wiley, etc.) offrent une
combinaison de temporalité (recherches les plus
récentes/âgées) et de pertinence quantitative
(fréquence de citations du mot clé recherché), mais
non qualitative (extension et fréquence des mots
employés).
L’enjeu des cadres et dirigeants n’est plus d’aller
quérir de l’information ou de ‘googler’ un contexte
(fusion pharmaceutique, communication en
période de crise, innovation, algorithme de
négociation, contrainte et coût de cyber-sécurité,
décisions de conformité, modèles prévisionnels et potentiels de risques, etc.) ou des solutions plus
ou moins appropriées, mais d’obtenir facilement un conseil éclairé pour réagir rapidement à un état
de fait ou à un diagnostic bien particulier7
.
Des milliers de revues de littérature sont réalisées chaque année, sans qu’il n’y ait guère de
7
« Les seules bonnes données dans lesquelles il est profitable d’investir sont celles qui accélèrent la façon dont vous prenez vos décisions, affirme
Jeffrey Ritter, un consultant en technologie et chargé de cours au Law Center de Georgetown University. Des tonnes de données sont recueillies. Ce
dont les entreprises ont vraiment besoin est l‘information fiable et immédiatement accessible. », Compliance & Technology, Compliance Week, juin
2015
1.Champ de bases électroniques du monde universitaire
permettant aux bibliothèques de gagner des revenus
récurrents via les redevances des éditeurs numériques, en
mettant le tout à disposition de leur communauté
d’enseignants et d’étudiants.
2.Corps universitaire, avec bourses, mandats de recherche et
stages destinés aux étudiants de 2e
/3e
cycle pour exécuter
les MR et publier des synthèses dans des revues savantes
pour leur maîtrise/doctorat, encadrés par des enseignants.
3.Auteurs professionnels, souvent à l’origine des MR,
profitent de ces résumés de recherche pour enrichir leur
propre témoignage. L’ouvrage, publié en plusieurs langues,
crée un précieux support tant pour les universitaires (leur
mention dans l’ouvrage enrichit leur CV) que pour les
partenaires (cités pour leur contribution) et les universités
(également citées).
4.Grands éditeurs de manuels professionnels/scolaires
visant à pérenniser la vie de leurs publications en
numérisant le tout pour assurer la mise à jour récurrente de
ces bases de connaissances par abonnement. Ce modèle,
plus rentable que la simple édition, permet aux auteurs
comme aux étudiants de bénéficier de redevances plus
durables.
5.Partenariats (entreprises, organismes professionnels,
gouvernements, fondations) divers, cherchant à établir l’état
des connaissances du monde sur une activité spécifique, qui
finance le travail universitaire (bourse /mandat de
recherche/stage).
6.Cadres d’entreprises et d’organisations, et consultants qui
ont accès aux bases de connaissances des éditeurs pour faire
des choix stratégiques en prise de décision.

5. Compression du savoir pour l’aide à la décision
-------- Page 5 de 5 --------
coordination ou de partage économique pour combiner ce savoir, ou de normes permettant de
juxtaposer ces revues pour en élargir le rayon d’application. La MR vise à alimenter une nouvelle
génération dédiée de systèmes experts destinés aux consultants et décisionnaires. Chaque MR
comprend des milliers d’études, toutes taguées de mots clés facilitant ainsi les analyses contextuelles
et accompagnée d’un résumé d’un maximum de 15 lignes ou de 200 mots, plus le profil des auteurs.
La structure du résumé se compare en bonne partie à celle des publications Emerald Insight qui évite
les descriptions trop aléatoires et discrétionnaires des recenseurs.
Ce rôle nourricier revêt toute son importance quand on réalise l’ampleur des cinq grandes étapes
suivantes qui en dépendent :
1- Base de données – La spécificité de cette base reflète tout un spectre d’études, une séquence
vivante du thème choisi en fonction de l’application qu’on veut en faire. Ainsi, le travail de
compilation de recherches en mode d’éthique et d’intégrité chez les grands intégrateurs vise à
construire un système de conformité dans des grandes sociétés nationales et internationales en
tenant compte de tous les aléas possibles. Seuls les mots clés servent de navigateur.
2- Pré-système expert – La mise en arborescence des conclusions et prescriptions extraites des
résumés d’études est directement reliée au spectre opposé de prises de décisions. L’approche est
d’abord linéaire et statique pour simplifier les liens et mettre en place les options pour l’étape
trois. l’arborescence permettra d’identifier différentes situations et de les lier d’abord à des
options puis à des conséquences en puisant les cas et les solutions non seulement dans chaque
section (dont le nombre peut varier de 10 à 20), mais aussi dans chaque grappe de section (dont
le nombre peut varier de 5 à 10 par section).
3- Aide à la décision élémentaire – Cette étape exploite de manière strictement binaire toutes les
arborescences réalisées, c’est-à-dire que de chaque cause ou situation découleront deux décisions
possibles (oui, non, 1 ou 0) auxquelles seront combinées les conséquences de ces options.
4- Aide à la décision dynamique – La dimension de logique floue vient alors lisser la linéarité et la
binarité du système élémentaire pour refléter davantage l’aspect comportemental humain
d’hésitation et de fluidité. Ainsi, les mathématiques quantitatives se focalisaient jusqu’ici
uniquement sur les résultats et les probabilités d’arbitrage en aidant de moult façons le
gestionnaire, l’analyste et l’opérateur à mieux cerner le modèle classique d’évaluation d’actifs et
de situations. Mais peu d’applications quantitatives conviennent à tout l’aspect du risque
fiduciaire en finance dont les fondements relèvent davantage de l’économie comportementale.
5- La mémoire d’amélioration continue – C’est ici que s’ajoute l’apprentissage automatique, soit
la mémoire des algorithmes informatiques créés aux étapes trois et quatre pour permettre au
système de recalculer les probabilités d’exercice de choix avec les effets qui s’ensuivent et
recommander des décisions de plus en plus pertinentes. Ici, le système expert est littéralement
internalisé dans une entreprise où les équipes de gestion, de conformité ou d’opérations mettent à
jour les conséquences des choix décisionnels exercés au jour le jour.
Deux universités participent au programme de MR à Montréal :
◐ l’École des sciences de gestion de l’Université du Québec à Montréal (projets en cours de MR
en fusions et acquisitions, communication stratégique, la mutation des fonds immobiliers, la
transformation des marchés de valeurs mobilières et macroéconomie en décision publique
d’entreprise) ;
◐ l’École de technologie supérieure – ÉTS (conformité des grands intégrateurs = sociétés
d’ingénierie, cabinets d’architecte et entreprises de construction).
Le principal partenaire de diffusion est la société Thomson Reuters appelée à gérer chaque base de
recherches qu’engendre une MR.