2.1 Motivations
Les professionnels de santé représentent une classe sensible de personnes en raison de leur besoin d’un accès à l’information médicale d’une bonne qualité afin d’améliorer leur qualité de service (Case, 2012). De ce point de vue, la qualité de l’information médicale disponible sur Internet est un facteur critique pour la réalisation de services de soins de santé de haute
qualité et la prise de décision (Hersh, 2009; Jamal et al., 2009; Clarke et al., 2013). Dans le contexte des soins de santé, cela nécessite une bonne connaissance et une demande accrue de savoir-faire spécialisé qui ont un effet sur la formulation des besoins en information pour le personnel médical et infirmier (Thain et Wales, 2005). En outre, cette complexité a généré une hétérogénéité des besoins en information, qui varient selon les différentes spécialités et les fonctions des professionnels de la santé. Par exemple, dans (Kostagiolas et al., 2014), les auteurs ont conclu que plusieurs facteurs influencent la décision des professionnels de santé comme la motivation personnelle, en soulignant le rôle important des ressources d’information médicale.
Dans les deux dernières décennies, de nombreuses études et revues ont été publiées dans le domaine de la RI médicale, afin de souligner l’importance d’étudier le besoin en information des experts pour améliorer la prise de décision médicale (White et al., 2008; Francke et al., 2008; Xiao et al., 2014).
En effet, exprimer des requêtes qui reflètent un besoin en information clair et précis est une tâche difficile dans tous les domaines et même pour les utilisateurs experts (Spink et Jansen, 2006; White et Moris, 2008). Ainsi, identifier l’intention des utilisateurs cachée derrière les requêtes qu’ils soumettent aux systèmes de RI est un problème complexe.
Malheureusement, la littérature a révélé qu’en dépit de la diversité des systèmes médicaux disponibles et la diversité des sources d’information utilisées, les utilisateurs se trouvaient toujours en difficulté pour sélectionner les informations pertinentes qui répondent à leurs besoins spécifiques (Zeng et al., 2004; Arora et al., 2007). Pour répondre à cette question, plusieurs études ont porté sur l’analyse du comportement des personnes qui recherchent l’information médicale, incluant les attitudes, les stratégies de recherche, les tâches et les requêtes (Honget al., 2002; Wildemuth, 2004; Toms et Latter, 2007). Ces études concernent un grand nombre de sujets sur les paramètres de recherche Web générale, avec des condi-tions expérimentales non contrôlées, ce qui rend difficile de généraliser leurs conclusions à des recherches d’experts impliqués par les médecins. En outre, la plupart de ces études ont porté sur le comportement de recherche grâce à des stratégies et des tactiques de recherche.
2.2 Objectifs et questions de recherche
Les études antérieurs dans le contexte de la caractérisation du besoin médical concernaient généralement des populations larges et/ou ciblées dans des scénarios de recherche qui sont cependant non reproductibles. Contrairement aux travaux de l’état de l’art, nous abordons plus spécifiquement la recherche basée sur le besoin expert des cliniciens du domaine à travers l’analyse des différentes facettes d’attributs de requêtes définis et formalisés, à savoir : la longueur de la requête (en termes et en concepts), la spécificité de la requête (spécificité terme-document et spécificité hiérarchique) et la clarté de la requête (clarté basée sur le sujet de la requête et clarté basée sur la pertinence), en utilisant des mesures appropriées proposées et construites selon différentes sources de données.
Notre objectif est de caractériser les requêtes expertes du point de vue de la formulation, en considérant la tâche médicale associée qui constitue son contexte. Nous nous sommes inté-ressés à l’analyse des requêtes d’experts médicaux, établies dans des scénarios de recherche reproductibles puisqu’elles sont issues de campagnes d’évaluation standards dans le domaine
de la RI. De plus, notre analyse est exploratoire et adossée à des tâches biomédicales bien spécifiques dans le cadre de ces mêmes campagnes.
Pour atteindre cet objectif, nous avons procédé à une analyse statistique approfondie des requêtes issues des campagnes d’évaluation de la recherche d’information, à savoir TREC et CLEF, destinées à différentes tâches médicales avec des paramètres d’évaluation contrôlés.
Notre étude expérimentale comprend une analyse statistique de corrélations entre paires d’attributs, une analyse multidimensionnelle à travers les différentes tâches caractérisant les collections, ainsi qu’une étude de l’impact des attributs de requêtes sur la performance de RI.
Ainsi, l’objectif principal est d’identifier les particularités de la RI des experts médicaux dans le but de personnaliser la recherche qui impacte la RI médicale et les décisions cliniques.
Nos objectifs de recherche sont les suivants :
— Caractériser le besoin en information des experts du domaine médical ;
— Étudier l’impact du contexte de la tâche sur la performance de RI ;
— Étudier les attributs de requêtes expertes.
Pour atteindre ces objectifs, nous formalisons tout d’abord un ensemble de facettes d’attributs de requête, à savoir :
— Attribut 1 : La longueur de la requête. Nous proposons d’étudier deux facettes de l’attribut longueur, qui sont la longueur en nombre de termes et la longueur en nombre de concepts. En effet, dans (Cartright et al., 2011), les auteurs ont montré l’impact du nombre de termes utilisés pour formuler la requête sur la performance de recherche. Par ailleurs, la longueur en nombre de concepts permet de traduire en quelle mesure les utilisateurs utilisent les terminologies médicales en s’appuyant sur leurs connaissances du domaine pour formuler les requêtes médicales.
— Attribut 2:La spécificité de la requête. Nous proposons deux facettes de la spécificité : spécificité terme-document et spécificité hiérarchique. La spécificité est considérée comme un critère important pour identifier les descripteurs (Jones, 1972). Pour cette raison, nous avons considéré les deux facettes précédentes ; la première est basée sur les termes et représente la singularité des termes dans les documents et une deuxième spécificité conceptuelle est basée sur la profondeur du sens des termes selon la hiérarchie MeSH.
— Attribut 3 :La clarté de la requête. Nous étudions deux facettes de la clarté, à savoir la clarté basée sur le sujet de la requête et la clarté basée sur la pertinence. Nous avons proposé deux facettes de l’attribut clarté vu son importance dans la mesure de l’ambiguïté du sujet de la requête. Les deux facettes de clarté représentent deux mesures différentes : la première représente la divergence entre le modèle de langue de la requête et celui du document, et la deuxième se base sur le nombre de termes en commun partagés entre les requêtes et les documents.
Nous menons ensuite des analyses statistiques exploratoires sur un ensemble de requêtes expertes issues de diverses tâches médicales, à savoir : TRECMedical, ImageCLEF et TRECGenomics. Cette diversité nous conduira à caractériser le besoin en information des experts du domaine médical du point de vue de leur formalisation ainsi que de leur utilisation dans la tâche de recherche d’information.
Nous mettons en œuvre des analyses descriptives, des analyses de corrélations entre facettes deux à deux, des analyses de corrélations multidimensionnelles basée sur une Analyse aux
Composantes Principales (ACP), et des analyses comparatives par tâche et toutes tâches confondues.
Nous nous sommes appuyés sur les résultats de performance des requêtes en terme de précision, d’une part pour décrire chaque tâche médicale selon son niveau de performance ; et analyser les éventuelles corrélations entre les mesures de performance et pour expliquer les performances de recherche en fonction des attributs via une analyse de covariance multivariée (MANCOVA), d’autre part.