Étiquettes et avertissements : signaler le doute sans valider implicitement le reste
Une publication apparaît dans notre fil avec un avertissement : « Information fausse selon des vérificateurs indépendants ». Une autre publication, juste en dessous, ne porte aucune mention. Il est naturel d’en déduire deux informations : la première est probablement douteuse ; la seconde n’a apparemment pas posé de problème. La première inférence est précisément celle que l’étiquette cherche à provoquer. La seconde peut être beaucoup plus dangereuse.
Une plateforme ne peut généralement pas vérifier instantanément chaque photographie, vidéo, déclaration ou article publié. Si elle ne signale qu’une fraction des contenus faux, l’absence d’avertissement ne signifie donc pas : « ce contenu a été vérifié et jugé fiable ». Elle peut simplement signifier : « personne ne l’a encore vérifié », « il n’a pas été détecté », ou « il ne répond pas aux critères d’intervention ».
Pourtant, plusieurs expériences montrent que les utilisateurs peuvent interpréter cette absence comme une sorte de validation implicite. Ce phénomène a été appelé implied truth effect, ou effet de vérité implicite. Il révèle un problème général des systèmes d’étiquetage : un signal appliqué à certains contenus modifie également la manière dont nous interprétons ceux qui n’en portent pas. Les avertissements peuvent donc améliorer le discernement, mais leur conception exige davantage que de demander : « le label fonctionne-t-il sur la publication signalée ? » Il faut également demander : « que fait-il croire à propos de tout ce qui reste sans label ? »
Un avertissement fournit réellement de l’information
Les étiquettes ne sont pas seulement décoratives. Une synthèse publiée en 2023 concluait que les avertissements spécifiques apposés sur des contenus trompeurs réduisent généralement la croyance et la volonté de partager ces contenus, même si l’ampleur des effets varie selon la formulation, la visibilité, la source et la couverture du dispositif.
Une analyse particulièrement importante publiée dans *Nature Human Behaviour* en 2024 a regroupé 21 expériences totalisant 14 133 participants. Dans ces expériences, une proportion élevée des faux titres recevait un avertissement émanant de fact-checkers. En moyenne, les labels réduisaient la croyance dans les faux contenus d’environ 27,6 % et les intentions de partage d’environ 24,7 % relativement aux conditions sans avertissement.
Le résultat persiste même chez les personnes déclarant très peu faire confiance aux fact-checkers. L’effet y est plus faible, ce qui est logique, mais pas nul : chez les participants les plus méfiants, les avertissements réduisaient encore en moyenne la croyance d’environ 12,9 % et le partage d’environ 16,7 % dans les expériences regroupées. La conclusion générale est donc assez solide : lorsqu’un contenu trompeur est correctement identifié et accompagné d’un avertissement visible et crédible, celui-ci fournit une information que les utilisateurs utilisent effectivement. Le problème commence lorsqu’on passe de l’efficacité locale à l’effet du système entier.
Le paradoxe de l’absence de label
En 2020, Gordon Pennycook, Adam Bear, Evan Collins et David Rand ont testé directement ce problème. Dans une première étude portant sur 5 271 participants, ils présentaient des titres vrais et faux. Certains faux titres portaient un avertissement indiquant qu’ils avaient été contestés par des fact-checkers, tandis que d’autres faux titres restaient sans avertissement. Comme attendu, les faux titres signalés étaient jugés moins exacts. Mais un second effet apparaissait : les faux titres non signalés étaient jugés plus exacts que les mêmes titres lorsqu’aucun système d’avertissement n’était présent. Une deuxième étude auprès de 1 568 participants retrouvait le même mécanisme pour les intentions de partage. Autrement dit, le raisonnement implicite pouvait devenir : « Si cette publication était fausse, la plateforme l’aurait probablement signalée. Elle n’est pas signalée. Elle est donc probablement vraie. »
Ce raisonnement n’est d’ailleurs pas totalement absurde. Il ressemble à une inférence bayésienne normale. Si nous pensons qu’un dispositif détecte presque toutes les fausses informations, l’absence d’avertissement constitue effectivement une information en faveur de la fiabilité. Le problème survient lorsque nous surestimons la couverture du dispositif.
L’effet de vérité implicite dépend donc de ce que l’utilisateur pense du système
Imaginons deux plateformes. Sur la première, un système parfaitement fiable vérifie chaque publication avant qu’elle apparaisse et signale toutes les informations fausses. Dans ce monde fictif, l’absence de label constitue une excellente raison de faire davantage confiance au contenu. Sur la seconde, un fact-check n’est ajouté qu’à 1 % des contenus faux, plusieurs heures ou plusieurs jours après leur publication. Dans ce second cas, l’absence de label ne nous apprend presque rien. La même interface visuelle peut pourtant inciter l’utilisateur à appliquer le raisonnement du premier système au second. Le danger n’est donc pas seulement une erreur psychologique individuelle. Il vient d’une ambiguïté institutionnelle : que signifie réellement « pas d’avertissement » ? Non vérifié ? Vérifié et exact ? Pas encore traité ? Jugé trop peu important pour être étiqueté ?
Si l’interface ne permet pas de distinguer ces possibilités, elle laisse à l’utilisateur le soin de compléter le sens.
Une solution expérimentale : signaler également certains contenus vrais
L’étude originale sur l’*implied truth effect* contient une expérience particulièrement instructive. Les chercheurs ont ajouté à certains titres vrais des indications signalant qu’ils avaient été vérifiés comme vrais. Cette modification supprimait l’ambiguïté fondamentale : désormais, un titre sans label n’était plus implicitement placé dans la catégorie « probablement vérifié », puisqu’il existait une catégorie explicite « vérifié vrai ». Dans cette condition, l’effet de vérité implicite disparaissait et s’inversait même légèrement. Cette observation suggère une distinction simple mais très importante entre trois états : vérifié comme trompeur, vérifié comme correct, et non vérifié. Le troisième ne doit pas être silencieusement confondu avec le deuxième. Cela ressemble à une vieille distinction logique : absence de preuve d’erreur ≠ preuve de correction.
Le problème de la couverture est énorme
Pourquoi ne pas vérifier tout simplement toutes les publications ? Parce que la production d’information est beaucoup plus rapide que sa vérification. Produire une fausse affirmation peut demander quelques secondes. Vérifier sérieusement une statistique sanitaire, une vidéo prise pendant une guerre ou une déclaration économique peut nécessiter la remontée à plusieurs sources, la consultation de documents originaux et parfois une véritable expertise technique. L’asymétrie est structurelle : il est beaucoup plus facile de générer des affirmations que de les examiner individuellement. C’était déjà l’une des préoccupations centrales de Pennycook et ses collègues lorsqu’ils introduisaient l’*implied truth effect*.
L’IA générative peut encore aggraver ce déséquilibre en permettant de produire rapidement de très nombreuses variantes d’un même contenu. Le problème n’est donc pas seulement de rendre les labels fiables. Il faut décider ce que leur absence est censée signifier dans un système nécessairement incomplet.
Plus la couverture est élevée, plus le label devient informatif
Il existe ici un paradoxe apparent. Plus un système étiquette correctement une grande proportion des faux contenus, plus l’absence d’avertissement devient réellement informative. Mais tant que la couverture reste partielle, la plateforme doit éviter que l’utilisateur lui attribue un niveau de complétude qu’elle ne possède pas. La revue publiée par Cameron Martel et David Rand en 2023 conclut justement que les avertissements tendent à fonctionner davantage lorsqu’ils sont spécifiques, visibles, crédibles et appliqués avec une couverture importante. Nous pouvons donc distinguer deux objectifs qui ne sont pas entièrement indépendants : améliorer la précision de chaque label, mais également améliorer la couverture du système.
Un système qui ne commet pratiquement jamais de faux positif mais ne détecte qu’une infime fraction du faux peut être excellent lorsqu’il parle, tout en laissant une énorme zone d’ambiguïté lorsqu’il se tait.
Faux positif et faux négatif
Le problème ressemble directement à celui de la **théorie de la détection du signal**. Un système d’étiquetage peut commettre deux grandes catégories d’erreurs. Un faux positif se produit lorsqu’une information vraie reçoit à tort un avertissement. Un faux négatif apparaît lorsqu’une information fausse reste sans avertissement.
Les conséquences sont asymétriques. Un faux positif peut faire douter injustement d’une information correcte. Un faux négatif peut laisser circuler une information fausse et, si les utilisateurs croient fortement au système, bénéficier en plus de l’effet : « puisqu’elle n’a pas été étiquetée, elle doit être fiable ».
Trois expériences publiées en 2025, totalisant 1 313 participants, montrent que les utilisateurs peuvent effectivement accorder un poids important aux labels même lorsqu’ils sont erronés. Lorsqu’une vraie information recevait à tort un avertissement, sa confiance diminuait ; lorsqu’un faux contenu échappait au label, les utilisateurs pouvaient lui accorder davantage de confiance selon la structure expérimentale et leurs attentes sur le système. Le label devient donc lui-même une source d’information dont il faut mesurer la fiabilité.
Un label n’est pas un verdict métaphysique
Supposons qu’une publication porte :
« Cette affirmation est fausse. »
Pour beaucoup d’utilisateurs, cette phrase ressemble à une conclusion définitive. Mais derrière elle existe nécessairement une procédure : quelqu’un a défini l’affirmation, sélectionné des sources, interprété des preuves et décidé qu’elles justifiaient la catégorie « faux ». Cela peut être extrêmement fiable. Cela peut aussi contenir une erreur. La bonne attitude n’est donc ni ignorer les labels ni les traiter comme des oracles. Un avertissement provenant d’un système historiquement précis constitue un indice pertinent qui doit modifier notre confiance, exactement comme n’importe quelle autre source crédible. Sa valeur dépend de sa précision, de son indépendance, de ses méthodes et de la possibilité de consulter les raisons qui justifient sa conclusion.
C’est une nouvelle application du raisonnement développé dans **Vérification de l’information** : déléguer peut être rationnel, à condition de savoir à quoi et selon quelle procédure nous déléguons.
« Contesté » n’est pas la même chose que « faux »
La formulation compte également. Comparez : « Cette affirmation est contestée. » et : « Cette affirmation est fausse. » La première indique essentiellement l’existence d’un désaccord. Mais presque n’importe quelle affirmation politique ou scientifique importante peut être « contestée » par quelqu’un. Une affirmation peut être contestée tout en étant extrêmement bien établie. Inversement, le mot « faux » affirme une conclusion beaucoup plus précise. Les revues sur les avertissements constatent que la spécificité des labels influence leur efficacité : les avertissements vagues ou généraux sont généralement moins informatifs que ceux qui indiquent clairement le problème identifié. Cela ne signifie pas qu’il faille écrire « faux » lorsque les preuves justifient seulement « trompeur » ou « non établi ». La précision du vocabulaire doit suivre la force réelle du diagnostic.
« Trompeur » peut être plus juste que « faux »
Prenons cette affirmation :
« Les admissions à l’hôpital ont augmenté de 100 %. »
Le chiffre passe de deux admissions à quatre. Le calcul est correct. Mais la présentation peut être trompeuse si elle cherche à faire imaginer une catastrophe massive. Un label :
« Faux »
serait contestable. Un label :
« Présentation trompeuse : les admissions sont passées de 2 à 4 »
est beaucoup plus informatif. La qualité d’une correction ne dépend donc pas seulement de la certitude du verdict. Elle dépend de sa capacité à identifier la nature précise de l’erreur : fabrication, donnée fausse, contexte manquant, contenu ancien, image manipulée, causalité non établie ou interprétation abusive. C’est une raison supplémentaire de préférer, lorsque l’espace le permet, une courte explication à une simple pastille colorée.
Les notes explicatives peuvent inspirer davantage confiance qu’un drapeau
Une expérience préenregistrée publiée dans *PNAS Nexus* en 2024 a présenté à des participants américains 36 publications, dont 18 trompeuses. Les chercheurs comparaient notamment de simples drapeaux indiquant qu’un contenu était trompeur, attribués soit à des experts soit à une communauté, avec des Community Notes fournissant une explication textuelle.
Les notes explicatives étaient jugées plus dignes de confiance que les simples drapeaux, de part et d’autre du spectre politique. Les analyses suggéraient que cet avantage venait principalement du contexte et des raisons fournies par la note, davantage que du simple fait qu’elle provenait d’une communauté plutôt que d’experts. Elles amélioraient également l’identification des publications trompeuses. C’est un résultat très cohérent avec toute notre démarche : « voici pourquoi » peut être épistémiquement supérieur à « croyez notre étiquette ».
Les Community Notes montrent qu’un avertissement peut aussi modifier la diffusion réelle
Les expériences de laboratoire mesurent souvent des croyances ou des intentions de partage. Mais nous disposons désormais de données comportementales à grande échelle sur les notes communautaires de X. Une étude publiée dans *PNAS* en 2025 a analysé 40 078 publications pour lesquelles des notes avaient été proposées et utilisé des contrôles synthétiques afin d’estimer ce qui se serait probablement passé sans apparition de la note. Après l’ajout d’une Community Note, les chercheurs estiment en moyenne une baisse d’environ 46,1 % des nouveaux reposts, 44,1 % des nouveaux likes, 21,9 % des nouvelles réponses et 13,5 % des nouvelles vues. Mais lorsqu’on considère toute la durée de vie du contenu, les réductions deviennent beaucoup plus petites : environ 11,6 % de reposts en moins et 5,5 % de vues en moins, notamment parce qu’une partie importante de la diffusion avait déjà eu lieu avant l’apparition de la note.
Ce résultat illustre parfaitement une idée déjà rencontrée avec le fact-checking : une intervention efficace lorsqu’elle apparaît peut avoir un impact global limité si elle arrive trop tard.
Le temps d’apparition du label est donc essentiel
Une rumeur peut connaître son pic de diffusion dans les premières heures. Si la vérification demande douze heures et que l’avertissement apparaît à la treizième, il peut parfaitement réduire les nouveaux partages tout en arrivant après l’essentiel de la viralité. Une étude encore plus large publiée en 2026, utilisant 237 180 cascades annotées ayant cumulé plus de 431 millions de reposts, estime que l’apparition de Community Notes réduit fortement la diffusion ultérieure des publications trompeuses, mais retrouve également le même problème : les notes arrivent souvent trop tard pour agir sur la phase initiale, qui est précisément la plus virale.
Cela ne permet pas de conclure qu’un système communautaire est globalement supérieur ou inférieur au fact-checking professionnel. Les deux modèles possèdent des forces différentes. Mais cela identifie une variable commune : la rapidité de réaction est une composante de l’efficacité réelle.
Professionnels ou communauté ?
On pourrait transformer le débat en opposition simple : fact-checkers professionnels contre intelligence collective. Les données ne justifient pas une réponse aussi binaire. Des professionnels peuvent apporter expertise, procédures et responsabilité éditoriale. Un système communautaire peut potentiellement augmenter l’échelle, la diversité des contributeurs et la légitimité perçue lorsque des personnes aux opinions différentes convergent. Mais une communauté peut également se tromper, être lente, manquer de spécialistes ou échouer à produire un consensus sur des sujets polarisés. Un professionnel peut lui aussi être biaisé ou commettre une erreur. La question pertinente est donc moins « qui possède la vérité ? » que : quelles procédures permettent de produire des annotations précises, explicables, rapides et suffisamment couvrantes ?
La prochaine partie institutionnelle de cette rubrique retrouvera exactement cette question sous une autre forme.
La couverture communautaire possède elle aussi une limite
Les Community Notes ne s’affichent pas simplement parce qu’une personne écrit une correction. Sur X, une note doit notamment franchir un seuil de « helpfulness » reposant sur des évaluations provenant de contributeurs aux perspectives différentes. Cette logique vise à éviter qu’un groupe idéologique puisse facilement imposer ses propres annotations. L’idée est séduisante : rechercher une forme de consensus transversal. Mais elle implique nécessairement qu’un certain nombre de notes, éventuellement correctes, n’atteignent pas le seuil nécessaire ou l’atteignent seulement après une longue période. Nous retrouvons alors le compromis entre précision, consensus, vitesse et couverture. Un système extrêmement prudent peut réduire les erreurs d’étiquetage mais laisser passer davantage de faux contenus non annotés. Un système extrêmement agressif augmente la couverture mais risque davantage de faux positifs.
Il n’existe pas de réglage sans coût.
« Aucun avertissement » devrait idéalement rester épistémiquement neutre
Une bonne interface devrait essayer d’empêcher le raisonnement : pas de label → vérifié → vrai. La catégorie correcte est souvent simplement : pas de label → statut inconnu. Cette neutralité est difficile à communiquer parce que nous sommes habitués aux systèmes où un symbole apparaît seulement lorsqu’il y a un problème : voyant rouge sur une voiture, alarme sanitaire, contrôle de sécurité. Dans beaucoup de ces environnements, l’absence de signal constitue effectivement une information rassurante parce que le contrôle est systématique. Sur un réseau social où des millions de nouvelles publications apparaissent continuellement, cette hypothèse peut être fausse. L’utilisateur doit donc comprendre non seulement ce que signifie le label, mais également ce que son absence ne signifie pas.
Les avertissements généraux peuvent créer le problème inverse : douter de tout
On pourrait contourner l’*implied truth effect* en affichant partout :
« Attention : des informations fausses peuvent apparaître sur cette plateforme. »
Mais les avertissements généraux rencontrent une autre difficulté. Ils peuvent augmenter le scepticisme envers les informations en général, y compris des contenus corrects, sans fournir suffisamment d’information pour améliorer la discrimination entre vrai et faux. La revue de Martel et Rand signale que certains avertissements génériques ont effectivement réduit la croyance dans les contenus vrais comme faux, ce qui n’améliore pas nécessairement le discernement. Une étude publiée en 2024 sur des bannières de mise en garde dans des résultats de recherche a également trouvé que certains avertissements généraux pouvaient diminuer la confiance dans des résultats exacts. Nous retrouvons donc encore notre objectif central : ne pas maximiser le doute ; maximiser la discrimination.
Un avertissement doit apporter une information différenciée
Comparez deux messages. Premier :
« Attention aux fausses informations sur Internet. »
Il est vrai mais ne nous aide pratiquement pas à distinguer cette publication de la suivante. Deuxième :
« Cette photographie date de 2019 et ne montre pas l’événement auquel cette publication l’attribue. »
Le second modifie notre jugement pour une raison spécifique et vérifiable. Une intervention épistémiquement utile ne se contente donc pas de rendre l’utilisateur plus méfiant. Elle lui donne un indice corrélé à la qualité réelle du contenu. Cette distinction sera importante dans la fiche suivante sur le *prebunking*. Une intervention préventive devra elle aussi être évaluée non seulement selon sa capacité à rendre les gens sceptiques, mais selon sa capacité à augmenter la différence de traitement entre contenus fiables et trompeurs.
Les labels doivent-ils cacher ou bloquer le contenu ?
Une autre décision concerne l’intensité de l’intervention. Une plateforme peut simplement ajouter une mention. Elle peut aussi réduire la visibilité, exiger un clic supplémentaire ou masquer entièrement la publication derrière un écran. Plus la friction est forte, plus elle risque de réduire l’exposition et le partage. Mais elle intervient aussi davantage sur la liberté de l’utilisateur et augmente les conséquences d’une erreur de classification. Un avertissement présente donc un avantage particulier : il ajoute de l’information sans nécessairement supprimer le contenu. Cela ne signifie pas qu’il soit toujours suffisant. Pour certaines escroqueries, contenus illégaux ou risques immédiats, une intervention plus forte peut être justifiée. Mais il occupe une position intéressante entre deux extrêmes : ne rien faire et interdire l’accès.
C’est précisément pourquoi son efficacité et ses effets secondaires méritent d’être étudiés avec soin.
L’étiquette peut devenir une heuristique
Lorsqu’un système fonctionne généralement bien, il est rationnel d’utiliser son signal comme raccourci. Nous n’allons pas refaire intégralement chaque enquête de fact-checking. Mais cette délégation peut progressivement devenir : label rouge = faux ; absence de rouge = vrai. Nous retrouvons alors le problème général des **heuristiques** : un raccourci peut être extraordinairement efficace dans l’environnement pour lequel il est adapté et produire des erreurs lorsqu’une condition implicite n’est plus remplie. La condition implicite de l’heuristique est ici : « le système étiquette suffisamment exhaustivement les contenus faux ». Si cette proposition est erronée, le raccourci devient dangereux pour les contenus non signalés.
Les erreurs de label peuvent être particulièrement coûteuses
Les trois expériences de Horne et Nevo publiées en 2025 montrent une chose préoccupante : les individus ne semblent pas simplement vérifier mentalement chaque label contre leur propre jugement. Ils peuvent faire suffisamment confiance au dispositif pour modifier substantiellement leur confiance, y compris lorsqu’il étiquette à tort une information vraie. Ce comportement n’est pas nécessairement irrationnel. Nous déléguons continuellement à des systèmes généralement fiables : médecins, GPS, correcteurs orthographiques, feux de circulation. Mais précisément pour cette raison, la qualité institutionnelle du système de labellisation devient cruciale. Une plateforme incapable d’estimer correctement son propre taux d’erreur ne devrait pas présenter ses verdicts avec une certitude supérieure à celle que permettent réellement les preuves.
Le degré de certitude pourrait parfois être utile
Toutes les vérifications ne conduisent pas à une conclusion binaire. Pour une photographie ancienne réutilisée comme récente, le verdict peut être pratiquement certain. Pour une causalité économique complexe, les éléments disponibles peuvent seulement indiquer : « preuve insuffisante ». Une interface idéale pourrait donc distinguer certaines catégories : faux, image hors contexte, affirmation non étayée, information contestée mais encore incertaine, contenu manipulé. Mais multiplier les catégories produit une autre difficulté : l’utilisateur doit les comprendre. Nous retrouvons un problème déjà vu avec les échelles de fact-checking. La précision conceptuelle et la simplicité de communication peuvent entrer en tension.
La bonne solution n’est probablement ni une pastille binaire universelle ni vingt niveaux incompréhensibles, mais un verdict simple accompagné, lorsque nécessaire, d’une courte justification accessible.
Et les contenus générés par IA ?
La fiche consacrée aux images et vidéos a montré qu’un label :
« Généré par IA »
ne signifie pas :
« Faux ».
Une illustration, une satire ou une reconstruction explicitement synthétique peut être parfaitement honnête. Inversement, une photographie authentique peut être utilisée pour mentir. Cette différence entre mode de production et véracité du message est désormais directement étudiée.
Deux expériences préenregistrées publiées dans *PNAS Nexus* en 2025, totalisant 7 579 participants américains, ont comparé plusieurs formulations appliquées à des images IA réellement utilisées de manière trompeuse en ligne. Tous les labels testés diminuaient la croyance dans les affirmations associées. Mais les simples mentions « AI-generated » avaient relativement peu d’effet sur les intentions déclarées d’interagir avec la publication ; les formulations signalant plus explicitement le caractère manipulé ou potentiellement trompeur apportaient une information différente. La leçon est importante : « comment ce contenu a-t-il été produit ? » et « induit-il en erreur ? » sont deux questions différentes.
Une étiquette « IA » peut même diminuer la confiance dans une information vraie
Le risque inverse doit être pris au sérieux. Si les utilisateurs associent automatiquement : IA = faux, un contenu parfaitement exact mais partiellement généré ou édité à l’aide d’un outil d’IA peut recevoir une pénalité injustifiée. Les auteurs de l’étude de 2025 rappellent justement que des travaux antérieurs trouvent que l’étiquette « généré par IA » peut réduire la crédibilité perçue indépendamment de la véracité réelle du contenu. Cela donne une raison supplémentaire d’éviter une politique conceptuellement confuse où le label « IA » deviendrait un substitut au fact-checking. Une plateforme peut vouloir indiquer la provenance synthétique pour des raisons de transparence. Très bien. Mais elle ne doit pas laisser entendre automatiquement : synthétique = mensonger.
La provenance et le verdict peuvent donc être séparés
Une interface pourrait théoriquement fournir deux types d’information indépendants : « média généré ou substantiellement modifié par IA », qui concerne son procédé de fabrication, et « affirmation trompeuse selon les éléments disponibles », qui concerne sa valeur factuelle. Cette séparation possède une vertu pédagogique considérable. Elle permet de comprendre qu’une photographie authentique peut être trompeuse et qu’une image générée peut être une illustration honnêtement déclarée. Elle rejoint exactement la distinction construite dans la fiche précédente entre authenticité du support et vérité de la proposition.
Cas pratique — Deux fausses nouvelles, une seule étiquette
Une plateforme contient deux publications. La première affirme : « Le Parlement vient de voter une taxe de 15 % sur tous les comptes d’épargne. » Des fact-checkers vérifient rapidement le texte de loi et la publication reçoit : « Faux : aucune mesure de ce type ne figure dans le texte adopté. » La seconde affirme exactement la même chose avec une autre formulation, mais elle a été publiée quelques minutes plus tard et n’a pas encore été examinée. Un utilisateur rencontre les deux. Devant la première, il devient sceptique. Devant la seconde, il peut raisonner : « Celle-ci n’a pas d’avertissement ; peut-être que cette version est vraie. » Nous avons créé une situation absurde où la copie non vérifiée bénéficie de l’existence du fact-check de la première.
Une meilleure interface devrait rendre explicite que l’absence de label signifie seulement absence de verdict disponible. Une vérification positive de certains contenus vrais peut également diminuer l’ambiguïté entre « non vérifié » et « vérifié exact », comme le montrent les expériences initiales sur l’*implied truth effect*.
Cas pratique — La vraie information étiquetée par erreur
Une publication annonce correctement qu’un médicament possède un effet secondaire rare. Un système automatisé l’identifie à tort comme désinformation médicale et ajoute un avertissement très visible. Si les utilisateurs font raisonnablement confiance au système, beaucoup réduiront leur confiance dans une information pourtant correcte. Les expériences de Horne et Nevo montrent que ce scénario abstrait mérite d’être pris au sérieux : des avertissements erronément attachés à des titres vrais réduisaient significativement la confiance accordée à ces titres. L’enseignement n’est pas : « ne jamais étiqueter ». Il est : « plus un signal influence fortement le jugement, plus son taux d’erreur devient important ». Une intervention puissante exige une procédure de haute qualité.
Cas pratique — Une Community Note qui arrive huit heures plus tard
Une fausse vidéo obtient deux millions de vues pendant ses premières heures. Des utilisateurs commencent rapidement à proposer une note. Ils doivent cependant identifier la vidéo originale, trouver une source fiable et obtenir suffisamment d’évaluations convergentes pour que la note soit affichée. Huit heures plus tard apparaît enfin : « Cette vidéo date de 2021 et a été filmée dans un autre pays ; voici la source originale. » À partir de cet instant, la diffusion ralentit fortement. Peut-on conclure : « la note n’a pas fonctionné puisque la vidéo avait déjà deux millions de vues » ? Non. Peut-on conclure : « la note a résolu le problème puisque les nouveaux partages ont chuté » ? Pas davantage.
Les données réelles sur Community Notes montrent précisément ce double constat : réduction importante de la diffusion après apparition du contexte, mais impact total beaucoup plus limité lorsque la note arrive après la phase virale initiale. Il faut mesurer les deux.
Une grille pour juger un système d’avertissement
Un bon système ne devrait pas être évalué uniquement par le pourcentage de personnes qui changent d’avis après avoir vu un label. Il faut examiner ensemble la précision des étiquettes, leur taux de faux positifs, la proportion de faux contenus réellement couverte, la vitesse d’apparition, la clarté du message, l’information donnée sur la source du verdict, l’effet sur les contenus non signalés et la possibilité pour l’utilisateur de consulter les preuves. Cette dernière dimension est particulièrement importante. Un système qui dit seulement « faux » demande une délégation forte. Un système qui permet de lire pourquoi l’information a été classée ainsi permet une vérification de second niveau. La différence correspond exactement à l’objectif général de ce site : utiliser l’expertise sans renoncer à l’autonomie intellectuelle.
À retenir
Les avertissements apposés aux contenus trompeurs fonctionnent généralement. Une analyse de 21 expériences et 14 133 participants trouve qu’ils réduisent substantiellement la croyance et l’intention de partager de fausses informations, y compris chez les personnes très méfiantes envers les fact-checkers.
Mais leur efficacité locale peut produire un effet secondaire systémique. Lorsque seule une fraction des fausses informations reçoit un avertissement, les utilisateurs peuvent interpréter l’absence de label comme une validation. Dans les expériences initiales sur l’*implied truth effect*, des faux titres non signalés étaient considérés comme plus exacts lorsque d’autres faux titres recevaient des avertissements que lorsqu’aucun système de signalement n’existait. Ajouter également des labels confirmant certains titres vrais supprimait cet effet en distinguant « vérifié vrai » de « non vérifié ».
Un deuxième risque vient des erreurs. Les expériences de 2025 montrent que les utilisateurs peuvent raisonnablement apprendre à faire confiance aux avertissements et être alors induits en erreur lorsqu’un label est appliqué à tort à une information vraie. Un bon système doit donc simultanément limiter les faux positifs et les faux négatifs, deux problèmes qui ne produisent pas les mêmes conséquences.
La formulation compte également. Les avertissements précis sont généralement plus utiles que les mises en garde vagues, et une expérience de 2024 montre que des notes fournissant une explication inspirent davantage confiance et améliorent davantage l’identification de contenus trompeurs que de simples drapeaux, probablement parce qu’elles donnent au lecteur les raisons du verdict.
Les données comportementales disponibles sur X montrent en outre que des Community Notes peuvent réduire réellement la diffusion une fois affichées. Dans une étude de 2025 portant sur 40 078 publications, l’apparition d’une note était suivie d’une forte réduction des nouveaux reposts et likes. Mais l’effet calculé sur l’ensemble de la durée de vie des publications était beaucoup plus petit parce que la note arrivait souvent après une partie importante de la diffusion.
Enfin, un label doit dire exactement ce qu’il sait. « Généré par IA » décrit un procédé de fabrication, pas nécessairement la fausseté d’un contenu. Deux expériences de 2025 portant sur 7 579 participants montrent que différentes formulations sur les contenus générés par IA modifient différemment croyance et intentions d’engagement, ce qui confirme que provenance et véracité ne doivent pas être confondues. La meilleure politique d’étiquetage n’est donc ni tout signaler vaguement ni apposer quelques verdicts sans expliquer ce que leur absence signifie. Elle doit chercher à fournir une information qui améliore réellement le discernement. Le principe à retenir est simple : un label peut nous apprendre quelque chose sur le contenu qui le porte ; son absence ne doit jamais devenir silencieusement un certificat de vérité.
Sources principales
Gordon Pennycook, Adam Bear, Evan T. Collins et David G. Rand, « *The Implied Truth Effect: Attaching Warnings to a Subset of Fake News Headlines Increases Perceived Accuracy of Headlines Without Warnings* », *Management Science*, 2020. Cameron Martel et David G. Rand, « *Misinformation Warning Labels Are Widely Effective: A Review of Warning Effects and Their Moderating Features* », *Current Opinion in Psychology*, 2023. Cameron Martel et David G. Rand, « *Fact-Checker Warning Labels Are Effective Even for Those Who Distrust Fact-Checkers* », *Nature Human Behaviour*, 2024. Benjamin D. Horne et Dorit Nevo, « *People Adhere to Content Warning Labels Even When They Are Wrong Due to Ecologically Rational Adaptations* », *Scientific Reports*, 2025. Chiara Patricia Drolsbach, Kirill Solovev et Nicolas Pröllochs, « *Community Notes Increase Trust in Fact-Checking on Social Media* », *PNAS Nexus*, 2024.
Isaac Slaughter, Axel Peytavin, Johan Ugander et Martin Saveski, « *Community Notes Reduce Engagement with and Diffusion of False Information Online* », *PNAS*, 2025. Chloe Wittenberg, Ziv Epstein, Gabrielle Péloquin-Skulski, Adam J. Berinsky et David G. Rand, « *Labeling AI-Generated Media Online* », *PNAS Nexus*, 2025.