At a glance
Google Scholar Labs fonctionne désormais dix fois plus vite et analyse trois fois plus d'articles par requête. Ce qu'il fait bien, où les bibliothécaires disent qu'il échoue, et comment l'intégrer dans un flux de travail de recherche réel.
Google Scholar Labs n'a plus besoin d'une liste d'attente. Lorsqu'il est apparu le 18 novembre 2025, c'était une expérience en anglais seulement, connecté, édition limitée. Google l'a décrit à l'époque comme "une nouvelle direction pour nous" et a invité les chercheurs à s'inscrire pour l'accès. La reconstruction de juin 2026 a changé les termes: les requêtes retournent environ dix fois plus rapidement, chaque recherche scanne jusqu'à trois fois plus de documents, et les utilisateurs connectés obtiennent dix fois plus de recherches par jour. L'accès est ouvert à chaque utilisateur Scholar connecté. Google dit Labs accepte maintenant les questions dans toutes les langues, bien que la version reconstruite est envoyée en anglais en premier, avec d'autres langues à suivre.
Ce qui n'a pas changé est la partie qui compte quand un manuscrit est dû. Labs trouve les papiers candidats et explique pourquoi il pense que chacun répond à votre question. Il ne vous dit pas si ces papiers sont bons. Ce jugement reste avec le lecteur, et les bibliothécaires qui ont publié des évaluations de l'outil continuent à atterrir au même endroit sur ce.
Comment une requête Labs fonctionne réellement
Labs est un mode de recherche, pas un chatbot enroulé sur Scholar. Vous tapez une question avec plus d'une partie en mouvement, et le système la décompose en sujets clés, aspects et relations avant d'exécuter des recherches sur chaque élément.
L'interface montre ce qui se passe. Un compteur de "les meilleurs résultats évalués X" s'élève pendant que vous attendez, et la réponse arrive comme dix papiers par défaut, chacun avec une explication d'une phrase de la connexion plus des points de balles de soutien. Le mobilier Scholar familier est toujours là: enregistrer, cité par, articles connexes, versions. Demander plus et la liste s'étend à 20, puis 30, puis 40. Les tests publics ont trouvé un plafond quelque part près de 50 papiers pertinents ou 300 résultats évalués, ce qui vient en premier, sans y passer.
Sur la vitesse, Labs perd à simple Scholar, qui renvoie des matchs en environ une seconde.Un test a horlogé Labs évaluant plus de 80 meilleurs résultats avant de s'arrêter sur dix.
L'illustration de Google est une question sur la caféine et la mémoire à court terme. Une recherche de mots clés vous donne une pile sur la caféine et une pile séparée sur la mémoire; Labs essaie de trouver les papiers où les deux se rencontrent, et explique le joint.
Google a abandonné les métriques, ce n’est pas la même chose que de les remplacer.
Le choix de conception qui a soulevé les sourcils: Les laboratoires ne classent pas ou ne filtrent pas en fonction du nombre de citations ou du facteur d'impact du journal. Lisa Oguike, porte-parole de Google, a déclaré aux journalistes que l'objectif est de présenter "les papiers les plus utiles pour la recherche de l'utilisateur", avec un classement qui pèse le texte complet, le lieu de publication, les modèles d'auteur et de citation ensemble plutôt que de laisser un seul nombre conduire l'ordre. Sa défense était que les facteurs d'impact et les comptes de citation "dépendent de la zone de recherche et il peut être difficile pour la plupart des utilisateurs de deviner les valeurs appropriées", et que le filtrage sur eux "peut souvent manquerAnnonce originaleC’est ce que Google a choisi.
Matthew Schrag, un neurologue au Centre médical de l'Université de Vanderbilt qui a passé des années à marquer des papiers suspectes, a appelé les chiffres de citation et les facteurs d'impact "évaluations assez grossières de la qualité d'un papier" qui parlent plus du contexte social d'un papier que de sa science. James Smoliga, professeur de sciences de réadaptation à Tufts, a admis qu'il s'appuyait toujours sur les chiffres de citation même après avoir démantelé une étude fortement citée lui-même.
Mais enlever un mauvais proxy n'est pas la même chose que d'installer un bon. Dans un test largement rapporté de tête à tête, une question sur les interfaces cerveau-ordinateur pour les patients atteints d'accident vasculaire cérébral a renvoyé une revue de 2024 dans Applied Sciences, un journal avec un facteur d'impact de 2,5 contre Nature's 48.5. Ce papier peut être exactement le bon pour la question. C'est toujours un appel de pertinence, pas un appel de qualité.
Il y a un effet de deuxième ordre qui vaut la peine d'être nommé. Les comptes de citation portent des préjugés documentés - les femmes sont citées moins que les hommes, les flux de citation suivent la géographie, et l'effet Matthew compose l'avantage précoce. Un outil qui met l'accent sur les citations peut router autour de quelque chose.
Ce que les évaluations des bibliothèques ont trouvé
Les bibliothécaires académiques sont le public le plus difficile pour tout produit de recherche, car leur travail est de remarquer quand un résultat est défini.
- Les résultats ne sont pas reproductibles.L'évaluation de la bibliothèque de Deakin University enregistre cela directement, avec une note que les requêtes ne peuvent pas être enregistrées et nettoyées avec chaque session de navigateur.
- L’interprétation est mince.La comparaison d'Aaron TayLa revue KatinaLabs vous permet de voir combien de requêtes ont été exécutées mais pas ce qu'elles étaient. vous ne pouvez pas auditer la stratégie de recherche parce qu'il n'y en a pas un à voir.
- Le vieux travail est sous-évalué.Les papiers fondateurs qui ne formulent pas les choses de la manière dont votre question les exprime peuvent se situer en dessous de leur importance, et le travail théorique qui précède l'indexation contemporaine est particulièrement risqué.
- Les résumés flattent les désaccords.Les évaluateurs de Deakin avertissent que les résumés simplifiés peuvent obscurcir les désaccords scientifiques et le raisonnement spécifique à la discipline, et que la dépendance excessive à eux peut décourager la lecture du texte complet.
Une comparaison de la bibliothèque de l'Université de Villanova a mis un chiffre sur la variance: une requête n'a produit aucune superposition entre les résultats Scholar conventionnels et les résultats de Labs, tandis qu'une autre s'est superposée sur cinq des dix documents.
Les testeurs ont décrit un biais de session, où le système reste ancré à des sujets antérieurs après que vous changez la question.
Un index plus grand, un réseau plus petit
La bibliothèque de l'Université de gestion de Singapour, qui a publié l'une des découvertes publiques les plus techniques de l'outil, estime l'indice Scholar à environ 389 millions d'articles contre 80 à 90 millions pour Scopus ou Web of Science, mis à jour beaucoup plus souvent et avec plus de texte complet indexé que la plupart des concurrents.
La même analyse est la meilleure réponse courte à savoir si vous pouvez utiliser Labs pour une revue systématique, et la réponse est non. Une étude a révélé que Scholar a détenu 97,2 pour cent des articles récupérés sur un ensemble de critiques systématiques, mais le rappel est tombé à 46,4 pour cent lorsque vous avez dû les trouver par recherche de sujet plutôt que par titre. La couverture n'est pas la trouvabilité. Scholar manque également de logique boolienne ancrée, de vocabulaire contrôlé, de limites de champs de titre et abstraits et de résultats visibles à 1000.
Les outils autour des laboratoires arrivent plus rapidement que la documentation.L’intégration de Scholar Labsen janvier 2026, qui enregistre une citation et importe la note de pertinence générée par l'IA en tant que commentaire dans votre bibliothèque, ce qui conserve au moins la raison pour laquelle un papier superficiel est attaché au papier.
Ce que cela signifie pour votre laboratoire
Une collaboratrice - appelle-la Dr. R - a passé la meilleure partie d'une quarantaine de nuits à chasser une méthode qu'elle était sûre d'exister quelque part dans la littérature grise sur l'étalonnage des capteurs. Deux combinaisons de mots clés, les deux raisonnables, les deux secs. Elle a tapé la question réelle qu'elle essayait de répondre dans les laboratoires en tant que phrase, avec la contrainte "publié après 2020" jointe, et avait trois papiers candidats en moins d'une minute.
C’est la forme honnête de la chose : forte en face d’une quête, indifférente au milieu, inutile à la fin.
- Exprimez la requête en tant que question avec au moins deux variables.
- Indiquez vos contraintes dans l'instruction - récente, conception d'étude, population - parce que l'outil accepte les instructions et les filtres sont rares.
- Si les ensembles diffèrent, vous tenez un échantillon, pas un recensement, et vous devriez le connecter de cette façon dans la section de vos méthodes.
- Gardez une base de données avec la recherche de champ dans la boucle pour tout ce qui doit être complet. Labs est une couche de découverte, pas une stratégie de recherche.
- Ne collez pas de données non publiées, de textes subventionnés ou de tout ce qui est en cours de révision dans la case.
Le jugement appelé outsourcements personne est celui de la qualité. Un papier peut correspondre à votre question magnifiquement et toujours être sous-pouvoir, mal cité ou erroné. Les laboratoires ne vous diront pas lequel. Il vous dira seulement pourquoi il pensait que le papier appartenait à la liste, et que l'explication est une hypothèse sur le papier, pas une découverte de celui-ci.
La prochaine fois que vous ouvrez un nouveau fichier de projet, prenez votre question de recherche centrale - la version d'une phrase gênante, pas les mots clés ordinaires - et exécutez-le à travers Labs une fois, puis à travers la base de données de votre domaine.
- Google Scholar Labs
- Outils de recherche en IA
- Recherche de littérature
- Google Scholar
- Flux de travail de recherche

