Rédacteurs en chef invités : Benjamin Piwowarski et Fabrizio Silvestri

Nous avons le plaisir d'annoncer un numéro spécial sur la recherche d'information (RI) et le traitement automatique des langues (TAL), avec un accent particulier sur la génération augmentée par la RI (retrieval augmented generation, RAG) et les avancées connexes. Ce numéro spécial vise à rassembler la recherche de pointe, les méthodologies innovantes et les applications pratiques à l'intersection de la RI et du TAL, en explorant à la fois les aspects fondamentaux et appliqués de ces technologies transformatrices.

Le RAG s'est imposé comme un cadre efficace qui combine les forces des modèles de RI et des modèles de langue génératifs, permettant aux systèmes de générer des réponses plus précises, plus pertinentes en contexte et plus factuellement ancrées. Outre le RAG, ce numéro spécial accueille également des recherches sur des thèmes plus larges de la RI et du NLP, tels que la recherche conversationnelle, le question-réponse, et les tâches à haute intensité de connaissances, afin d'offrir une vue d'ensemble du domaine.

Cependant, malgré leur importance croissante, les systèmes RAG ne sont pas sans limites et continuent d'avoir besoin d'être explorés et améliorés : ils sont souvent confrontés à des goulots d'étranglement en matière de passage à l'échelle lorsqu'ils indexent et interrogent des corpus de plus en plus importants ; ils risquent d'amplifier les biais présents dans leurs sources d'extraction ; et ils peuvent toujours produire des réponses trompeuses ou carrément incorrectes en cas d'éléments de preuve extraits insuffisants ou mal alignés. En outre, il reste difficile d'assurer l'explicabilité et la transparence tout au long des deux étapes de la chaîne de génération de la recherche, tout comme l'intégration transparente d'entrées multimodales ou de connaissances structurées (par exemple, à partir de graphes de connaissances) sans introduire d'incohérences. L'évaluation précise du système RAG de bout en bout et de ses composants individuels - récupérateur, reranker, générateur - nécessite des jeux d'évaluation et des mesures plus robustes qui reflètent fidèlement la factualité, la pertinence et l'efficacité.

Thématiques:

Nous invitons des soumissions d'articles sur des recherches originales, des articles de synthèse et des études de cas qui abordent, sans s'y limiter, les thèmes suivants :

1. RAG, y compris les tâches à forte intensité de connaissances :
   - Cadres théoriques, modèles et architectures pour le RAG
   - Mesures d'évaluation, benchmarks et jeux de données pour les systèmes RAG
   - Applications du RAG dans les tâches de TAL (par exemple, question-réponse, résumé, vérification des faits et vérification de l'information)
   - Gestion de la récupération de données bruitées ou incomplètes

2. Systèmes de recherche conversationnelle et de dialogue :
   - Gestion du dialogue, modélisation du contexte et reformulation des requêtes
   - Personnalisation et modélisation de l'utilisateur pour la recherche conversationnelle
   - Interactions multi-tours et achèvement des tâches dans les systèmes conversationnels
   - Assistants vocaux, chatbots et agents conversationnels pour la recherche
   - Traitement de l'ambiguïté, des requêtes incomplètes et de l'intention de l'utilisateur dans la recherche conversationnelle
   - Applications spécifiques à un domaine (par exemple, soins de santé, droit, éducation)
   - Approches multimodales combinant le texte, les images, l'audio et la vidéo

3. Collaboration humain-machine et explicabilité :
   - Études d'utilisateurs et approches « human-in-the-loop » (l'humain dans la boucle)
   - Explicabilité, interprétabilité et transparence des modèles de RI et de TAL
   - IA digne de confiance et considérations éthiques dans la RI et le TAL
   - Considérations éthiques, biais et équité

4. Tendances émergentes et défis :
   - Synergies entre RAG, recherche conversationnelle et grands modèles de langue (LLM)
   - Systèmes de RI et de TAL multilingues et cross-lingues
   - Apprentissage avec peu ou pas d'exemples, apprentissage auto-supervisé pour la RI et le TAL
   - Évolutivité et efficacité des systèmes de RI et de NLP à grande échelle
   - Traitement des biais, de l'équité et de l'inclusivité dans les modèles de RI et de TAL
   - Nouvelles applications et études de cas dans des scenarios monde réel

DATES IMPORTANTES

• Date limite de soumission : 15 octobre 2025
• Notification aux auteurs, première relecture : Décembre 2025
• Notification aux auteurs, seconde relecture : Février 2026

LA REVUE

La revue TAL (Traitement Automatique des Langues) est une revue internationale éditée depuis 1960 par l’ATALA (Association pour le Traitement Automatique des Langues) avec le concours du CNRS. Elle est publiée en format électronique, avec accès gratuit immédiat aux articles publiés.