Amélioration de la détection des fausses informations : des approches hybrides et multilingues à l'augmentation de données basée sur les LLM et l'analyse des biais

La prolifération des fausses informations sur les plateformes en ligne constitue une menace sérieuse pour les individus et les sociétés. Les grands modèles de langage (LLM) intensifient ce défi en permettant la génération de contenus trompeurs sophistiqués. Malgré des progrès en détection automatique, plusieurs limitations subsistent, parmi lesquelles : la focalisation sur le seul contenu textuel, la recherche centrée sur l'anglais, la rareté des données annotées surtout pour les langues peu dotées, et les biais inhérents aux LLM. Cette thèse se concentre sur ces quatre limitations au travers de quatre contributions complémentaires. Premièrement, le cadre hybride BRaG est proposé, intégrant BERT pour le texte (en préservant les emojis), un réseau LSTM pour les séquences d'utilisateurs impliqués dans la diffusion, et un réseau de neurones sur graphes pour le graphe de propagation estimé. Sur deux jeux de données réels (FANG et TWITTER15), BRaG surpasse les méthodes de référence avec des scores F1 de 0,89 et 0,87. L'étude d'ablation montre que le composant textuel est le plus déterminant, le graphe et les emojis apportant des gains modestes mais réguliers, tandis que la contribution du RNN varie selon le jeu de données. Deuxièmement, les modèles mBERT, XLM-RoBERTa et LASER-LR sont évalués sous trois scénarios : monolingue, multilingue et transfert zero-shot, puis comparés aux approches par traduction. Les expériences couvrent neuf langues via TALLIP et MM-COVID. Les modèles Transformer multilingues atteignent des scores F1 d'environ 0,95 sur MM-COVID et 0,75 sur TALLIP. Le scénario multilingue surpasse généralement les approches monolingues, et le transfert zero-shot permet une détection raisonnable même sans données dans la langue cible, bien que l'efficacité varie selon les langues. Troisièmement, les capacités génératives de Llama 3 sont exploitées pour produire des échantillons synthétiques préservant l'étiquette de véracité. Plusieurs configurations sont explorées : prompting zero-shot et few-shot, taux d'augmentation variés, augmentation spécifique aux classes, et sous-échantillonnage aléatoire ou par similarité. Les résultats montrent des gains de score F1 allant jusqu'à 7,7 points, l'augmentation ciblée de la classe minoritaire à des taux modérés produisant les résultats les plus réguliers. Quatrièmement, la première étude systématique des biais de genre dans la détection par LLM est menée. Le jeu de données LIAR est augmenté avec des variantes genrées des intitulés de poste (neutre, masculine, féminine). Six LLM sont évalués via des métriques de retournement, de désaccord agrégé et d'équité. Tous les modèles présentent une sensibilité au genre, avec deux formes de biais identifiées : l'instabilité (jugements incohérents) et la directionnalité (tendance systématique), bien que les tailles d'effet restent relativement faibles. En combinant modélisation hybride, robustesse multilingue, augmentation de données et analyse de l'équité, cette thèse pose les bases d'une approche plus précise et plus fiable pour lutter contre la désinformation à l'ère numérique.