Toward socially responsible artificial intelligence approaches for fake news detection

Autrefois célébré comme un bien commun ayant transformé le partage des connaissances, Internet—et plus particulièrement les plateformes sociales—a relié des communautés au-delà des frontières et décuplé l’échelle des échanges. Pourtant, ces infrastructures sont également devenues un terrain fertile pour la désinformation. Portées par des algorithmes privilégiant la viralité plutôt que la véracité, les fausses nouvelles y circulent souvent plus vite que les faits établis. L’Intelligence Artificielle s’impose comme un outil prometteur. Les modèles d’apprentissage automatique permettent une détection à des échelles inaccessibles aux vérificateurs humains, filtrant et repérant les contenus problématiques en temps réel. Toutefois, la réalité s’avère plus complexe. À la différence d’autres applications de l’apprentissage automatique, souvent conçues pour optimiser l’efficacité dans des contextes à faible enjeu, la détection des fausses nouvelles se situe au coeur du débat démocratique, de la confiance publique et de l’intégrité épistémique. Ce double constat appelle à davantage d’équité, de transparence et de robustesse. Un modèle performant ne suffit pas, surtout lorsque les fausses nouvelles émergent en amont et se propagent en aval, ce qui requiert des interventions coordonnées avant, pendant et après la détection. Sur le plan théorique, je propose deux axes complémentaires. Premièrement, je suggère de repenser la détection des fausses nouvelles dans le cadre de l’IA socialement responsable. Plutôt que de viser une optimisation centrée sur la seule précision, j’avance un alignement explicite avec des valeurs sociétales plus larges, équité, transparence, robustesse et responsabilité. Deuxièmement, je fais valoir que les fausses nouvelles ne se réduisent pas à un problème de détection ; elles s’inscrivent dans une chaîne d’événements débutant bien avant toute intervention et se prolongeant après celle-ci. Alors que peu d’études considèrent l’éventail complet des interventions capables de dissuader ou d’empêcher la création et la propagation de ces contenus, face à cette lacune, je propose une taxonomie interdisciplinaire d’interventions visant à dissuader, prévenir et atténuer les fausses nouvelles. Sur le plan pratique, mes contributions se déclinent en quatre volets. Premièrement, je mène, à ma connaissance, la première étude sur le biais de genre dans la détection des fausses v nouvelles et j’introduis un schéma d’intégration classifieur-adversaire afin de réduire les disparités entre groupes tout en maintenant des performances compétitives. Deuxièmement, afin de généraliser à des domaines hétérogènes, je propose CoALFake, une approche interdomaines combinant apprentissage actif sensible au domaine et co-annotation entre l’humain et un Grand Modèle de Langage (GML). Les GML réalisent un étiquetage préliminaire à large échelle, tandis que l’humain dans la boucle arbitre les cas ambigus et corrige les erreurs. CoALFake améliore significativement la robustesse inter-domaines tout en réduisant les coûts d’annotation. Troisièmement, j’accrois l’explicabilité et la confiance des usagers grâce au système Multi-niveaux Agnostique au modèle Post-hoc d’Explicabilité (MAPE) qui propose une structure à plusieurs niveaux permettant d’adapter le degré de détail aux besoins et à l’expertise de l’utilisateur afin de soutenir la prise de décision. Quatrièmement, je propose Aletheia, une extension de navigateur combinant Génération Augmentée par Recherche (GAR) et GML pour détecter des fausses nouvelles et fournir des explications fondées sur des preuves directement dans l’environnement de navigation. Outre la détection en temps réel, Aletheia offre deux fonctionnalités interactives. La première favorise le dialogue et l’évaluation collaborative du contenu grâce à un espace de discussion, tandis que la seconde met en avant les vérifications récentes.