logo fullscreen logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
logo fullscreen logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
Menu
mobile logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
8 avril 2021
A la Une, DAP, News, Que peut l'intelligence artificielle contre les fake news ?
#ia, fakenews

Repérer les circuits de la désinformation…

⏱ 4 min

La propagation de fausses nouvelles est une plaie de notre époque. L’IA peut nous aider à la combattre. En disséquant les textes et les images, ainsi qu’en étudiant la circulation de la désinformation.

Le phénomène des fake news (en français fausses nouvelles ou infox) est encore en pleine expansion, et représente une véritable menace pour la vie démocratique, allant jusqu’à influer sur des résultats électoraux. Lutter contre ce déferlement suppose d’abord une mobilisation de moyens humains, de professionnels de l’information, mais on a très tôt songé à faire appel également au potentiel des sciences des données. Et tout particulièrement à l’intelligence artificielle.

Détection des infox

Une abondante littérature témoigne désormais d’une grande diversité de travaux de recherche sur des méthodes susceptibles d’endiguer, ou du moins de freiner cette marée. Au point que se multiplient les articles de synthèse ou revues systématiques analysant l’état de l’art en la matière. Le plus récent « survey » consacré au sujet1, paru en juillet dernier et signé par deux chercheurs de l’université de Syracuse (État de New York), décrit cette multiplicité des approches et en propose une typologie.

Les auteurs distinguent les méthodes de lutte contre les fausses nouvelles selon qu’elles s’intéressent aux connaissances qu’elles véhiculent, à leur style, à leur dynamique de propagation ou encore à la crédibilité de leurs disséminateurs. La première catégorie désigne en fait des tentatives ambitieuses pour simuler le travail des « fact-chekers » (vérificateurs de faits) humains, en confrontant les connaissances véhiculées à celles contenues dans des bases de connaissances réputées fiables. C’est ici l’IA symbolique qui est convoquée. Les approches du second type détectent le style particulier, sensationnaliste, des fausses nouvelles, nous les avons évoquées dans un précédent article.

La vitesse de propagation des fausses nouvelles

La troisième catégorie d’approches identifiée dans cet article caractérise les fausses nouvelles par la manière dont elles se diffusent. On dit souvent qu’une fausse nouvelle se propage plus vite qu’une nouvelle avérée, ce qui est logique puisqu’elle a été taillée pour cela. Diverses métriques de leur réseau de diffusion permettent de séparer le bon grain de l’ivraie. Enfin, la quatrième et dernière catégorie de méthodes visant à détecter la désinformation s’intéresse à la crédibilité de ceux qui les propagent. Les fausses nouvelles sont généralement produites et répercutées par les mêmes comptes sur Facebook ou Twitter et un traitement statistique de leur historique de partage de fake news peut donc logiquement aider à faire la part des choses dans le flux quotidien.

Ces deux dernières approches de la lutte contre les fake news, appliquées aux tweets, ont été choisies par l’équipe de Vincent Claveau, chercheur CNRS au sein de l’équipe LinkMedia à l’Irisa de Rennes, pour participer au cru 2020 du challenge international MediaEval. Des résultats prometteurs ont été obtenus à l’aide de modèles réalisés par apprentissage automatique (régression logistique, forêts aléatoires, machine à vecteurs de support) pour analyser la crédibilité des propagateurs de fausses nouvelles, estime le chercheur dans une publication² récente. Par ailleurs, un autre modèle (machine à vecteurs de support), analysant les caractéristiques des réseaux de diffusion, s’est révélé un peu moins efficace. Enfin, un système combinant les deux approches ne s’est pas montré statistiquement supérieur à ceux ne reposant que sur la réputation des propagateurs.

Crédulité de l’utilisateur

De son côté, une équipe internationale de chercheurs de l’EPFL (École polytechnique fédérale de Lausanne, en Suisse) et de l’université de Sydney, en Australie, a publié3  une solution du quatrième type, qui évalue la probabilité qu’une nouvelle circulant sur un réseau social soit fausse ou non en fonction de la trajectoire empruntée. Pour cela, un « User Credulity Record » (en quelque sorte « dossier de crédulité de l’utilisateur ») est attribué à chaque propagateur de nouvelles, dénombrant les nouvelles fausses et vraies (estampillées comme telles par des vérificateurs humains) consultées et partagée par lui. C’est ensuite une approche bayésienne qui est appliquée pour calculer la probabilité qu’une nouvelle soit fausse ou non. « Plutôt que d’étudier le contenu de chaque information, notre solution s’intéresse à l’historique de crédulité de ses propagateurs, explique l’une des cosignataires de l’article, Anne-Marie Kermarrec, qui est professeure à l’EPFL. Dites-moi par où sont passées ces nouvelles, je vous dirai si elles sont sérieuses ou fallacieuses : c’est un peu l’idée sur laquelle repose notre démarche. »

Une guerre de la désinformation

Sur un point, un consensus se dégage parmi les spécialistes du sujet. Pour endiguer ce flot de désinformation, il faut faire feu de tout bois. Les diverses approches publiées jusqu’à présent montrent une efficacité encore relative et aucune ne surpasse les autres au point de les disqualifier. De plus, les auteurs décrivent souvent eux-mêmes des parades, souvent assistées par l’outillage de l’intelligence artificielle, que les auteurs de fausses nouvelles ne manqueront pas de mettre en œuvre pour déjouer leurs outils de détection. Et à ces contre-mesures, il faudra répondre par de nouvelles approches, toujours plus sophistiquées. Cette guerre de la désinformation, IA vs IA, est décidément partie pour durer.

Pierre Vandeginste

1. Xinyi  Zhou, Reza  Zafarani. A Survey of Fake News: Fundamental Theories, Detection Methods, and Opportunities. ACM Computing Surveys, 2020. doi.org/10.1145/3395046

2. Vincent Claveau. “Detecting fake news in tweets from text and propagation graph: IRISA’s participation to the FakeNews task at MediaEval 2020. MediaEval Benchmarking Initiative for Multimedia Evaluation, 2020. ⟨hal-03116027⟩

3. Oana Balmau, Rachid Guerraoui, Anne-Marie Kermarrec, Alexandre Maurer, Matej Pavlovic, Willy Zvaenepoel. “The Fake News Vaccine – A Content-Agnostic System for Preventing Fake News from Becoming Viral”. NETYS 2019 – 7th International Conference on NETworked sYStems, 2019. ⟨10.1007/978-3-030-31277-0_23⟩.

Termes liés :
  • Intelligence artificielle (IA)
  • Données
  • Machine learning
  • Régression
  • Random Forest
Retrouver les autres articles du dossier “Que peut l’intelligence artificielle contre les fake news ?” :
  • Détecter les fausses nouvelles grâce au NLP
  • Démasquer les images détournées, truquées, forgées…
Tags: #ia, fakenews
Share:
Posts you'd might like
François Yvon :
la traduction automatique pour passion
En attendant l’ordinateur quantique universel…
L’IA teste ses premiers algorithmes quantiques
Les promesses de l’IA quantique
La recherche à l’assaut des deepfakes vocaux
Recyclage : nos déchets sous l’œil de l’IA
DAP, la newsletter du Data Analytics Post Recevez chaque semaine un éclairage sur les data science

Peut-on laisser un algorithme apprendre tout seul ?

A la différence de l’apprentissage supervisé, le contexte non supervisé est celui où l’algorithme doit opérer à partir d’exemples non annotés.

En savoir plus

ARTICLES RÉCENTS
  • L’IA au chevet des séismes et tsunamis
  • François Yvon :
    la traduction automatique pour passion
  • En attendant l’ordinateur quantique universel…
  • L’IA teste ses premiers algorithmes quantiques
  • Les promesses de l’IA quantique

Tout savoir sur…

Le DAP

Comité Éditorial

Partenaires

Équipe


Copyright © Data Analytics Post. Tous droits réservés.

Mentions légales & CGU