Mes dernières publications académiques examinent les transformations conjointes du fact-checking et des modèles de langage génératifs. Il met en relation trois niveaux d’analyse : la redéfinition de la notion de fait à travers l’idée de factualité émergente, les usages professionnels de l’IA marqués par une confiance limitée et un contrôle systématique, et enfin les stratégies de prompting qui privilégient la simplicité comme facteur de robustesse. Ensemble, ces résultats montrent une intégration pragmatique de l’IA dans les pratiques de vérification, sans transfert d’autorité épistémique.
Vers une factualité générative et située
L’émergence des modèles de langage génératifs remet en question la définition classique du fait comme donnée stable, vérifiable et indépendante de son contexte de production. Les énoncés produits par ces systèmes reposent sur des logiques probabilistes qui génèrent des formulations plausibles, mais dont l’ancrage empirique peut être indirect, incomplet ou absent. Dans ce cadre, la factualité devient graduelle et dépendante des conditions de génération.
Cette transformation amène à penser le fait comme une entité émergente, produite par l’interaction entre données d’entraînement, architecture du modèle et requête utilisateur. Le « fait » n’est plus seulement découvert, mais coconstruit dans un environnement sociotechnique hybride. Cette émergence introduit une incertitude structurelle : si les énoncés sont générés à partir de corrélations plutôt que d’un accès direct au réel, cela contribue mécaniquement à limiter la confiance que les utilisateurs peuvent leur accorder, en particulier dans des contextes de vérification où la traçabilité et la stabilité des sources sont centrales.
Dierickx, L., Opdahl, A. L., Bjerknes, F., & Lindén, C. G. (2026). What is a fact in the age of generative AI? Fact-checking as an epistemological lens. Information, Communication & Society, 1–18. https://doi.org/10.1080/1369118X.2026.2630697
Usage sans confiance : l’intégration prudente de l’IA dans le fact-checking
Dans les pratiques professionnelles de fact-checking, les modèles de langage génératifs sont intégrés de manière régulière mais strictement encadrée. Leur usage se concentre sur des tâches périphériques telles que la reformulation, la synthèse, le brainstorming ou la recherche exploratoire, tandis que les activités de vérification et de validation des faits restent entièrement assurées par des humains. Cette répartition traduit une logique d’usage instrumental : l’IA est mobilisée pour accélérer et soutenir le travail, sans jamais devenir une source d’autorité épistémique.
Cette configuration repose sur une forme de confiance limitée et de contrôle systématique. Chaque sortie générée est recoupée, contextualisée et vérifiée avant toute utilisation. Les utilisateurs reconnaissent les gains d’efficacité, mais maintiennent des standards élevés de prudence éditoriale.
La mobilisation du cadre théorique TAM-J (Technology Acceptance Model adapté aux contextes journalistiques) permet de montrer que l’intégration de l’IA générative ne dépend pas uniquement de sa facilité d’usage ou de son utilité perçue, mais également de dimensions organisationnelles, éthiques et représentationnelles. L’utilité perçue (gain de temps, efficacité) coexiste avec une faible confiance épistémique, tandis que les considérations de responsabilité éditoriale et de transparence jouent un rôle central dans la limitation des usages. Le modèle aide ainsi à comprendre pourquoi l’IA est largement utilisée sans être pleinement acceptée sur le plan de la confiance : son intégration relève davantage d’une logique de performance contrainte que d’une adhésion épistémique.
Dierickx, L., & van Dalen, A. (2026). Using it but not trusting it: Technology acceptance and generative AI in European fact-checking. Emerging Media. https://doi.org/10.1177/27523543261449974
Stratégies de prompting : la simplicité comme principe de robustesse
Les analyses comparant différentes stratégies de prompting montrent que la performance des modèles dépend moins de la sophistication des instructions que de leur clarté et de leur structure. Dans des tâches de condensation, de génération ou d’évaluation, les formulations simples de type direct produisent des résultats plus stables et plus fiables que des approches plus complexes comme le raisonnement pas-à-pas ou les chaînes de décomposition.
Les méthodes plus élaborées n’apportent des gains significatifs que dans des situations nécessitant explicitement un raisonnement structuré, notamment certaines tâches d’évaluation de la véracité. En revanche, elles tendent souvent à augmenter la variabilité des réponses et la charge cognitive sans amélioration systématique de la qualité. Ces résultats suggèrent que l’efficacité des interactions avec les modèles de langage repose avant tout sur une forme d’économie du prompt : dire moins, mais dire plus précisément.
Ces résultats reposent sur une démarche comparative mobilisant sept stratégies de prompting appliquées à quatre modèles de langage. Les performances ont été évaluées sur des tâches représentatives du fact-checking assisté par IA, incluant la condensation d’informations, la génération de contenus et l’évaluation de la véracité d’énoncés. L’analyse s’appuie sur un corpus de sorties générées (plus de deux mille résultats au total), comparées selon leur stabilité, leur cohérence et leur adéquation à la tâche.
Cette approche permet de mettre en évidence des tendances robustes au-delà des variations entre modèles, en isolant l’effet des formulations de prompt sur la qualité des réponses produites. Elle montre également l’apport limité des techniques de prompt engineering dans des contextes d’usage non experts. Lorsque les utilisateurs ne disposent pas d’une maîtrise fine des modèles ou des logiques de formulation avancée, les gains attendus des stratégies complexes tendent à s’atténuer, voire à disparaître.
Dans ces conditions, les approches simples et directement opérationnelles restent les plus efficaces, ce qui renforce l’idée que la performance dépend davantage de la clarté de l’intention que de la sophistication technique des instructions. Toutefois, cela ne résout pas les limites intrinsèques des modèles, que l’on peut comprendre sous le prisme du fait émergent (voir en début de billet).
Dierickx, L., Opdahl, A. L., & Lindén, C. G. (2026). Strategic Simplicity Gets the Most: Evaluating Prompting Techniques in Non-Expert AI-Assisted Fact-Checking. International Journal of Human–Computer Interaction, 1–16. https://doi.org/10.1080/10447318.2026.2664688
