Mesurer la désinformation : exposition, croyance, partage et persuasion

Une fausse information a obtenu un million de vues. Que savons-nous ? Qu’un million de personnes l’ont vue ? Non nécessairement. Qu’un million de personnes l’ont lue ? Non. Qu’un million de personnes l’ont crue ? Encore moins. Qu’elle a changé l’opinion d’une partie importante de la population ? Nous n’en savons pratiquement rien.

Un même utilisateur peut avoir rencontré plusieurs fois le contenu. Une publication affichée quelques instants dans un fil peut être comptabilisée sans avoir réellement attiré son attention. Une personne peut l’avoir lue sans la croire, ou l’avoir partagée précisément pour la dénoncer. Cette difficulté paraît triviale. Elle est pourtant au cœur d’une grande partie des débats publics sur la désinformation. Nous mélangeons constamment : présence d’un contenu, exposition, attention, mémorisation, croyance, partage, changement d’opinion et comportement. Ces étapes peuvent être liées. Elles ne mesurent pas la même chose. Avant de demander si la désinformation « influence les élections » ou « submerge Internet », il faut donc résoudre une question beaucoup plus fondamentale : qu’est-ce que nous sommes réellement en train de mesurer ?

Première difficulté : qu’appelons-nous désinformation ?

Avant même de mesurer son exposition, il faut décider quels contenus entreront dans la catégorie. Imaginons un million de publications. Comment identifier celles qui contiennent de la désinformation ? Plusieurs méthodes sont possibles. Une équipe peut travailler à partir de contenus déjà vérifiés par des fact-checkers. Une autre peut classer les domaines selon leur fiabilité générale et considérer les liens provenant de certains sites comme des contenus de faible qualité. Une troisième peut faire évaluer chaque publication par plusieurs experts. Une quatrième peut utiliser un modèle automatique. Une cinquième peut se limiter aux informations totalement fabriquées. Une sixième inclura également les contenus décontextualisés, les chiffres trompeurs et certaines formes de propagande. Ces équipes ne mesureront pas exactement le même objet.

Deux chiffres de prévalence apparemment contradictoires peuvent donc être tous les deux corrects relativement à leurs définitions.

Classer un site ou classer une affirmation ?

Une méthode fréquente consiste à établir une liste de sites considérés comme peu fiables puis à mesurer combien de fois les utilisateurs visitent ou partagent ces domaines. Elle possède un avantage considérable : elle permet d’analyser des millions d’observations sans devoir vérifier chaque article. Mais elle crée une approximation. Un site généralement peu fiable peut publier occasionnellement une information vraie. Un média généralement fiable peut publier une information fausse.

Jennifer Allen et ses collègues soulignaient explicitement cette limite dans leur étude de 2020 : une classification fondée sur le site ou le programme ne peut pas identifier correctement tous les contenus trompeurs publiés par des sources habituellement fiables, et peut inversement traiter trop grossièrement le contenu de sources peu fiables. Il faut donc distinguer : fiabilité de la source et véracité de la proposition particulière. Les deux sont corrélées. Elles ne sont pas identiques.

La vérification article par article améliore la précision — mais réduit l’échelle

On pourrait répondre :

« Vérifions chaque contenu individuellement. »

C’est méthodologiquement séduisant. Mais plusieurs milliards de publications apparaissent quotidiennement sur les plateformes. Une équipe humaine ne peut pas les contrôler toutes. Les chercheurs doivent donc choisir un compromis entre : précision de la classification et taille du corpus analysable.

Une étude de 2024 sur la « réceptivité » à la désinformation a, par exemple, fait évaluer individuellement des articles par des fact-checkers professionnels. Les auteurs ont pu distinguer 102 articles vrais et 37 faux ou trompeurs, après exclusion de contenus sur lesquels les évaluateurs ne parvenaient pas à suffisamment s’accorder. Cette approche fournit une classification plus fine, mais sur un ensemble de contenus bien plus restreint que les milliards de messages circulant sur la plateforme. Il n’existe donc pas une méthode parfaite. La méthode choisie détermine ce que le chiffre final signifie réellement.

Les fact-checks eux-mêmes ne constituent pas un échantillon aléatoire du monde

Une autre difficulté apparaît lorsqu’on utilise directement les bases de données de fact-checking. Les fact-checkers ne sélectionnent généralement pas des affirmations au hasard parmi tout ce qui est publié. Ils s’intéressent particulièrement aux déclarations : visibles, importantes, controversées, susceptibles de circuler ou demandant une vérification. C’est parfaitement raisonnable pour leur travail. Mais cela signifie qu’une base de fact-checks ne permet pas directement de dire :

« X % de toutes les informations publiées sont fausses. »

Une étude comparant les vérifications du *Washington Post* et de PolitiFact a d’ailleurs montré que les différences apparentes entre fact-checkers provenaient en partie du choix des déclarations à examiner et de leurs échelles de classement, alors que leur appréciation finale de la véracité des affirmations communes concordait beaucoup mieux. La sélection fait donc partie intégrante de la mesure.

Deux études peuvent obtenir des chiffres très différents simplement parce que le dénominateur change

Voici un exemple particulièrement instructif. En 2020, Jennifer Allen et ses collègues ont essayé d’inscrire les fausses nouvelles dans l’ensemble du régime médiatique quotidien des Américains : télévision, ordinateur et téléphone. Selon leur définition et leurs données, les contenus classés comme *fake news* représentaient environ 0,15 % du régime médiatique quotidien total. L’ensemble des nouvelles, vraies ou fausses, ne représentait lui-même qu’une petite partie du temps médiatique.

Une étude de Nir Grinberg et ses collègues consacrée à Twitter pendant l’élection présidentielle américaine de 2016 arrivait à un chiffre beaucoup plus élevé : les sources classées comme *fake news* représentaient près de 6 % de la consommation d’actualités mesurée dans leur environnement Twitter. Est-ce une contradiction ? Non. Les chercheurs ne mesuraient ni exactement le même univers, ni exactement le même comportement, ni exactement le même dénominateur. Comparer : désinformation ÷ tout le temps médiatique avec : désinformation ÷ consommation d’actualités sur Twitter revient à poser deux questions différentes.

Le choix du dénominateur peut changer radicalement l’impression produite

Supposons qu’une personne voie dix contenus trompeurs pendant une semaine. On peut dire :

« Elle a rencontré dix désinformations. »

Supposons qu’elle ait vu cent informations politiques au total. La proportion est : 10 %. Supposons maintenant qu’elle ait consommé 5 000 contenus médiatiques au sens large : musique, films, messages, sport, divertissement et actualités. La proportion devient : 0,2 %. Aucun chiffre n’est nécessairement faux. Ils répondent simplement à des questions différentes. Lorsque quelqu’un affirme :

« X % de l’information est de la désinformation »,

la première question devrait donc être : « X % de quoi ? » Cette simple demande évite énormément de comparaisons trompeuses.

« Exposition » peut signifier plusieurs choses

Supposons maintenant que nous sachions quels contenus sont faux. Reste à savoir qui y a été exposé. Le mot semble évident. Il ne l’est pas. Une plateforme peut enregistrer qu’une publication a été chargée dans le fil d’un utilisateur. Un navigateur peut enregistrer qu’une personne a ouvert une page. Une enquête peut demander :

« Avez-vous déjà vu cette histoire ? »

Une expérience peut afficher volontairement un titre pendant plusieurs secondes devant un participant. Ces quatre méthodes utilisent parfois le mot exposition. Pourtant, elles mesurent des événements très différents.

Une impression n’est pas nécessairement une lecture

Une publication peut apparaître à l’écran pendant que l’utilisateur fait rapidement défiler son fil. Techniquement, elle a pu être affichée. Psychologiquement, il est possible qu’elle n’ait pratiquement jamais été traitée. Nous devons donc distinguer au minimum : opportunité d’exposition et attention effective. Cette difficulté existe également avec les sites web. Ouvrir une page ne garantit pas que l’article ait été lu. Un utilisateur peut quitter immédiatement. Il peut ne lire que le titre. Il peut ouvrir dix onglets qu’il ne consultera jamais. Les données comportementales sont généralement supérieures à nos souvenirs pour savoir qu’une page a été visitée. Elles ne donnent pas pour autant un accès parfait à ce qui a été cognitivement assimilé.

Un million d’impressions ne signifie pas un million de personnes

Une autre distinction élémentaire concerne : impressions et portée unique. Imaginons une publication obtenant un million d’affichages. Cela pourrait correspondre à : un million d’utilisateurs l’ayant rencontrée une fois ou, dans un scénario extrême, cent mille utilisateurs l’ayant rencontrée dix fois chacun. Ces situations ne sont pas équivalentes. Nous avons vu dans la fiche sur la répétition et l’effet de vérité illusoire que plusieurs expositions peuvent avoir des conséquences différentes d’une seule. Une mesure de volume devrait donc idéalement préciser : combien d’expositions ? pour combien de personnes uniques ? avec quelle fréquence par personne ?

Moyenne de la population ou personnes les plus exposées ?

Voici une autre difficulté capitale. Supposons que la population soit composée de cent personnes. Quatre-vingt-dix-neuf voient une fausse information chacune. Une personne en voit 101. La moyenne est : 2 expositions par personne. Cette moyenne ne ressemble à l’expérience réelle de presque personne. Une minorité peut être massivement exposée alors que la population générale l’est très peu. C’est exactement ce que plusieurs études ont observé dans certains environnements politiques en ligne.

Le cas de Twitter en 2016

Dans l’étude de Grinberg et ses collègues consacrée à l’élection américaine de 2016, l’exposition aux sources classées comme *fake news* était extrêmement concentrée. 1 % des utilisateurs étaient responsables d’environ 80 % des expositions à ces sources. Et seulement 0,1 % des utilisateurs étaient responsables de près de 80 % des partages. Imaginez la différence entre deux descriptions. Première :

« Les fausses nouvelles représentaient près de 6 % de l’actualité consommée sur Twitter dans l’étude. »

Seconde :

« La grande majorité de cette exposition était concentrée sur une très petite fraction des utilisateurs. »

Les deux sont vraies. Mais elles produisent des représentations très différentes du phénomène. Une bonne mesure doit donc examiner la distribution, pas seulement la moyenne.

Une faible moyenne n’implique pas nécessairement un faible risque

Cela conduit à une nuance importante. Supposons que 99 % de la population soit presque jamais exposée à une catégorie de contenus extrêmement trompeurs. Mais 1 % y est exposé quotidiennement. Peut-on conclure :

« Le problème est faible puisqu’il est faible en moyenne » ?

Pas nécessairement. Ce sous-groupe peut être : très politiquement actif, très visible, particulièrement vulnérable ou important dans certaines dynamiques sociales. Une synthèse publiée dans *Nature* en 2024 insiste précisément sur ce point : de nombreuses études trouvent une faible exposition moyenne aux contenus faux ou extrêmes, mais cette exposition est souvent fortement concentrée dans les queues de distribution. Les auteurs recommandent donc de ne pas interpréter une faible moyenne comme démontrant l’absence de risque pour les groupes fortement exposés. L’analyse correcte doit maintenir les deux informations : faible prévalence générale et éventuellement forte concentration locale.

Une forte concentration n’implique pas non plus une influence gigantesque

L’erreur inverse serait :

« Ces utilisateurs voient énormément de désinformation ; ils doivent donc être fortement manipulés. »

Nous n’en savons toujours rien. Peut-être recherchent-ils activement ces contenus parce qu’ils possèdent déjà les croyances correspondantes. Peut-être les consultent-ils pour les surveiller ou les critiquer. Peut-être les croient-ils. L’exposition seule ne permet pas de distinguer ces scénarios. Nous devons encore mesurer la croyance.

Mesurer la croyance

Une méthode courante consiste à présenter une affirmation et demander :

« Dans quelle mesure pensez-vous que cette information est exacte ? »

Les participants répondent parfois sur une échelle : pas du tout exacte → très exacte. D’autres études demandent simplement : vrai ou faux. D’autres encore demandent une probabilité :

« Quelle probabilité attribuez-vous au fait que cette affirmation soit vraie ? »

Ces formats ne sont pas parfaitement équivalents. Une personne disant : « probablement vrai » ne possède pas nécessairement la même confiance qu’une personne disant : « certainement vrai ». Les échelles continues permettent de conserver davantage cette gradation.

Croire beaucoup de faux et croire beaucoup de vrai

Une autre distinction est essentielle. Supposons qu’un participant réponde : « vrai » à presque tout. Il identifiera correctement beaucoup d’informations vraies. Mais également beaucoup de fausses. Un autre répond : « faux » à presque tout. Il détectera énormément de désinformation. Mais rejettera également de nombreuses informations correctes. Dire simplement :

« Cette personne détecte 90 % des fausses nouvelles »

peut donc être trompeur si nous ignorons combien de vérités elle rejette. C’est pourquoi les travaux modernes utilisent souvent des mesures de discernement et la théorie de la détection du signal. Le but n’est pas uniquement de mesurer : combien de faux sont rejetés ? Il faut mesurer : à quel point les jugements distinguent-ils réellement le vrai du faux ?

Un sceptique absolu n’est pas un excellent fact-checker

Cette distinction est importante pour toute la philosophie de cette rubrique. Imaginez une personne répondant à chaque actualité :

« Mensonge. »

Elle ne croira presque aucune désinformation. On pourrait artificiellement la classer comme très résistante au faux. Mais elle ne possède aucune capacité particulière à distinguer les bonnes informations. Elle a simplement déplacé son seuil vers la méfiance généralisée. La méta-analyse publiée par Jan Pfänder et Sacha Altay en 2025 le montre bien : sur 303 tailles d’effet, 67 articles et 194 438 participants dans 40 pays, les individus distinguent globalement les informations vraies des fausses, mais présentent également en moyenne une légère tendance à être plus sceptiques que crédules. Cela signifie que l’amélioration souhaitable n’est pas nécessairement : faire encore moins confiance. Elle est : mieux discriminer.

Mesurer une croyance après exposition ne prouve pas que l’exposition l’a causée

Supposons qu’une étude observe que les personnes ayant visité le plus de sites conspirationnistes croient davantage aux théories du complot. Peut-on conclure : les sites ont produit ces croyances ? Non. Une explication inverse est immédiatement possible : les personnes croyant déjà davantage aux théories du complot choisissent plus souvent ces sites. Les deux mécanismes peuvent évidemment coexister. C’est le problème classique de sélection. En données observationnelles : exposition ↔ croyance ne nous indique pas automatiquement dans quelle direction fonctionne la causalité.

Pour mesurer la persuasion, il faut un contre-factuel

Le concept de persuasion est plus exigeant que celui de croyance. Dire qu’un contenu a persuadé quelqu’un signifie approximativement : la croyance de cette personne est différente de ce qu’elle aurait été si elle n’avait pas rencontré le contenu. Mais nous ne pouvons jamais observer directement les deux mondes chez la même personne au même moment. Nous avons besoin d’un contre-factuel. Que penserait-elle sans exposition ? Une expérience randomisée tente d’estimer ce contre-factuel en créant deux groupes comparables : groupe exposé et groupe non exposé. Si les deux groupes ne diffèrent en moyenne que par cette exposition, une différence ultérieure de croyance peut être interprétée beaucoup plus solidement comme un effet causal du contenu. C’est une question complètement différente de : « combien de personnes ont vu cette publication ? »

Une information peut être crue sans avoir persuadé personne

Imaginons une fausse affirmation :

« Le ministre X est corrompu. »

Avant même de voir le message, une personne est déjà convaincue que le ministre est corrompu. Elle rencontre ensuite dix publications répétant l’accusation. Elle répond à une enquête :

« Oui, je pense qu’il est corrompu. »

Avons-nous démontré l’effet de la désinformation ? Non. La croyance existe. L’exposition existe. Mais la personne possédait déjà la croyance. La persuasion peut être nulle. Cette distinction est particulièrement importante pour les contenus fortement partisans, qui sont souvent consommés par des personnes déjà favorables au récit.

À l’inverse, une petite variation moyenne peut masquer certains individus très influencés

Supposons maintenant une expérience de mille personnes. Après exposition à une fausse information, la croyance moyenne augmente seulement de deux points sur une échelle. Cela paraît minuscule. Mais plusieurs distributions sont compatibles avec cette moyenne. Tout le monde peut avoir changé légèrement. Ou 950 personnes peuvent n’avoir absolument pas changé tandis que 50 ont changé énormément. La moyenne ne nous dit pas toujours qui a été affecté. Les analyses de sous-groupes peuvent aider. Mais elles présentent également un risque : plus on teste de sous-groupes, plus on peut découvrir par hasard des effets spectaculaires. Les analyses doivent donc idéalement être préspécifiées ou répliquées.

Croyance et mémoire ne sont pas la même chose

Une personne peut également reconnaître une histoire sans y croire. On lui demande :

« Avez-vous déjà vu l’affirmation X ? »

Elle répond :

« Oui. »

Cela mesure une forme de familiarité ou de mémoire, pas nécessairement une adhésion. Inversement, elle peut avoir oublié où elle a rencontré l’affirmation tout en conservant une impression générale. Les recherches sur la répétition montrent précisément que l’exposition antérieure peut modifier ultérieurement l’impression d’exactitude, même lorsque les personnes ne se souviennent pas consciemment d’avoir déjà rencontré le contenu. On ne peut donc pas réduire l’impact à : « se souvient-il d’avoir vu le message ? »

Les souvenirs déclarés de l’exposition sont imparfaits

Les enquêtes demandent parfois :

« Avez-vous vu cette fausse information pendant la campagne ? »

Cette méthode est simple et permet d’interroger de grandes populations. Mais notre mémoire n’est pas un journal informatique. Nous pouvons confondre plusieurs histoires. Une information devenue familière peut sembler avoir été rencontrée auparavant. Et certaines formes de suggestion peuvent même augmenter le souvenir erroné d’histoires fictives : quatre expériences totalisant 1 290 participants ont par exemple montré que l’exposition à des *push polls* pouvait augmenter les faux souvenirs d’articles fabriqués correspondants. Les mesures déclaratives d’exposition doivent donc être utilisées avec prudence.

Les traces numériques sont meilleures pour certaines questions — mais aveugles à d’autres

Un historique de navigation peut dire : « cette personne a ouvert cette page à 14 h 32 ». C’est beaucoup plus précis que son souvenir trois semaines plus tard. Mais l’historique ne sait pas nécessairement : si elle a lu l’article, si elle l’a compris, si elle l’a cru, si quelqu’un d’autre utilisait l’appareil ou ce qu’elle pensait avant de le consulter. Les données numériques et les enquêtes possèdent donc des forces complémentaires. Les meilleures études cherchent parfois à relier : traces comportementales + questionnaires + expériences. Aucune source de données ne mesure parfaitement toutes les étapes.

Et les contenus invisibles aux chercheurs ?

Les mesures numériques elles-mêmes peuvent manquer une partie importante de la désinformation. Les chercheurs observent souvent plus facilement : les liens publics vers des sites web que : les messages privés, captures d’écran, vidéos, mèmes ou contenus circulant dans des groupes fermés. Un corpus fondé sur des URL peut donc sous-estimer les formes de désinformation qui ne contiennent aucun lien. Allen et ses collègues reconnaissaient explicitement que leur mesure fondée en partie sur les domaines ne capturait pas certaines formes de désinformation circulant directement sur les plateformes. Une faible prévalence mesurée doit donc toujours être lue : faible selon cette méthode et dans cet espace observé, pas : faible partout par définition.

Le partage : intention ou comportement réel ?

Une autre distinction apparaît dans les expériences. On demande souvent :

« Partageriez-vous cette publication ? »

Le participant répond sur une échelle. Cette intention de partage est utile. Elle permet d’étudier expérimentalement de nombreux contenus sans demander aux participants de réellement publier de fausses informations. Mais elle n’est pas identique au comportement réel. Dire :

« Oui, je pourrais partager »

dans un questionnaire n’a pas exactement les mêmes conséquences que cliquer devant : sa famille, ses collègues, ses amis et son identité publique. Une bonne littérature cherche donc à compléter les intentions par des données comportementales lorsqu’elles sont disponibles.

Partager ne signifie toujours pas croire

Nous avons déjà consacré une fiche entière à cette distinction. Un utilisateur peut partager pour : approuver, contester, se moquer, avertir ou demander une vérification. Prenons une publication fausse partagée cent mille fois. Sans information supplémentaire, nous ne savons pas combien des partages signifient :

« Regardez, c’est vrai »

et combien signifient :

« Regardez cette absurdité ».

La métrique : 100 000 partages mesure très bien : une circulation. Elle mesure très mal : 100 000 adhésions.

Les contenus les plus partagés ne sont pas nécessairement ceux qui influencent le plus

Cette différence permet d’imaginer deux fausses informations. La première est grotesque, spectaculaire et massivement partagée pour être ridiculisée. La seconde est discrète, plausible et vue par beaucoup moins de personnes, mais modifie légèrement leur représentation d’un sujet. La première possède : davantage de viralité. La seconde peut posséder : davantage de persuasion par exposition. Nous ne pouvons donc pas utiliser automatiquement le classement des publications les plus virales pour déterminer les désinformations les plus influentes. Viralité et impact sont deux dimensions différentes.

Mesurer le nombre de personnes « touchées »

Le mot reach, ou portée, est également ambigu. Supposons qu’un contenu soit disponible dans le fil de dix millions de personnes. Une plateforme peut dire qu’il possède un certain potentiel de portée. Mais si seulement un million l’a effectivement chargé et cent mille y ont accordé une attention substantielle, trois nombres différents décrivent la même campagne. Nous devrions donc idéalement distinguer :

NiveauQuestion
DisponibilitéCombien de personnes auraient pu rencontrer le contenu ?
Affichage / impressionCombien de fois a-t-il effectivement été présenté ?
Portée uniqueCombien d’utilisateurs différents l’ont rencontré ?
AttentionCombien l’ont réellement regardé ou lu ?
MémoireCombien s’en souviennent ensuite ?
CroyanceCombien jugent l’affirmation vraie ?
PartageCombien participent à sa diffusion ?
PersuasionChez combien l’exposition modifie-t-elle causalement la croyance ?
ComportementModifie-t-elle ensuite une action réelle ?

Cette échelle explique pourquoi le passage : « dix millions d’impressions → dix millions de personnes manipulées » est méthodologiquement indéfendable.

Une cascade gigantesque peut partir d’un groupe minuscule

La concentration observée dans plusieurs études produit une autre illusion. Un petit nombre d’utilisateurs très actifs peut générer énormément de publications. Si nous comptons les messages, le phénomène paraît immense. Si nous comptons les personnes produisant ces messages, il peut devenir beaucoup plus concentré.

Dans l’étude Facebook de Guess, Nagler et Tucker consacrée à l’élection américaine de 2016, plus de 90 % des participants liés à leurs données Facebook n’avaient partagé aucun article provenant des domaines classés comme *fake news* ; environ 8,5 % en avaient partagé au moins un selon leur mesure principale. Cela ne signifie pas que seuls 8,5 % avaient été exposés. Encore une fois : partager et voir sont des mesures différentes.

Le nombre brut peut masquer le taux de base

Supposons que 500 000 fausses publications circulent pendant une campagne électorale. Le nombre paraît immense. Mais si la plateforme contient 50 milliards de publications pendant la même période, leur proportion est : 0,001 %. Inversement, une proportion faible peut représenter un nombre absolu considérable dans une population gigantesque. Ni le nombre brut ni le pourcentage ne suffit seul. Une bonne description devrait idéalement fournir : le numérateur et le dénominateur. C’est exactement le même problème que celui rencontré avec les risques relatifs et absolus.

Quelle période mesure-t-on ?

Une campagne de désinformation peut produire un pic gigantesque pendant douze heures puis pratiquement disparaître. Une moyenne calculée sur une année rendra ce pic presque invisible. À l’inverse, sélectionner uniquement les quarante-huit heures les plus intenses peut donner l’impression que cette intensité caractérise toute l’année. La période d’analyse doit donc correspondre à la question. Pour étudier une réaction à un attentat : les premières heures peuvent être cruciales. Pour mesurer l’exposition politique ordinaire : plusieurs mois sont probablement plus informatifs. Une fenêtre temporelle n’est jamais neutre.

L’unité d’analyse peut également changer le résultat

On peut compter : les publications, les articles, les affirmations, les utilisateurs, les impressions, les minutes d’exposition ou les domaines visités. Supposons qu’un même article contienne dix affirmations, dont une seule est fausse. Devons-nous classer : l’article entier comme désinformation ? La seule affirmation ? Une minute passée sur la page ? Une visite ? Chaque choix produit une mesure différente. Il n’existe pas nécessairement une réponse universelle. Mais l’unité choisie doit être explicitement annoncée.

La définition du faux possède également des degrés

Une affirmation peut être : entièrement inventée, principalement fausse, partiellement correcte, trompeuse par omission ou simplement contestable. Les chercheurs doivent parfois convertir cette complexité en catégories numériques. Par exemple : vrai / faux. Cette simplification facilite les analyses statistiques. Elle peut toutefois masquer des cas intermédiaires. Une statistique correcte accompagnée d’une conclusion causalement abusive n’est pas identique à un événement totalement inventé. La mesure quantitative doit donc toujours être interprétée à la lumière de l’opérationnalisation retenue.

« Les gens ont cru la désinformation » : combien exactement ?

Supposons une expérience où la croyance moyenne passe de : 2,0 à 2,2 sur une échelle de 1 à 4. On pourrait écrire :

« L’exposition augmente significativement la croyance. »

C’est peut-être statistiquement exact. Mais le lecteur risque d’imaginer : des personnes auparavant sceptiques devenant convaincues. En réalité, la variation peut représenter seulement un petit déplacement moyen :

« totalement faux »

vers :

« probablement faux, mais un peu moins certain ».

L’effet est réel. Sa signification psychologique doit cependant être traduite correctement. C’est pourquoi les tailles d’effet, distributions et proportions complètent utilement la seule valeur *p*.

Significatif statistiquement n’est pas nécessairement important socialement

Avec plusieurs millions d’observations, une différence extrêmement petite peut devenir statistiquement très solide. Cela répond : « avons-nous de bonnes raisons de penser que l’effet n’est pas exactement nul ? » Cela ne répond pas automatiquement : « cet effet est assez grand pour changer une élection ou une politique sanitaire ». L’importance sociale dépend notamment : de la taille de l’effet, du nombre de personnes exposées, de sa durée et du comportement concerné. Nous devrons revenir précisément à cette distinction lorsque nous traiterons de l’effet des désinformations sur les élections.

Inversement, un petit effet individuel peut devenir important à grande échelle

Il ne faut pas faire l’erreur symétrique. Supposons qu’une exposition ne modifie la probabilité d’un comportement que de 0,5 point de pourcentage. Pour une centaine de personnes, c’est peu. Pour cent millions de personnes exposées, le nombre absolu potentiel devient beaucoup plus important. L’échelle transforme donc parfois la signification pratique d’un petit effet. Mais cette multiplication n’est légitime que si nous savons réellement : combien de personnes ont été exposées et si l’effet expérimental se généralise au contexte réel. Sinon, nous multiplions plusieurs incertitudes entre elles.

Le problème des personnes déjà convaincues

Nous avons vu que les gros consommateurs de contenus douteux peuvent être très sélectionnés. Cela crée un paradoxe. Les personnes les plus exposées peuvent être celles qui avaient déjà les convictions les plus compatibles avec ces contenus. La désinformation semble alors fortement associée à leurs opinions. Mais son effet marginal peut être faible parce qu’elle prêche essentiellement à des convaincus. À l’inverse, une petite exposition accidentelle auprès de personnes indécises pourrait parfois avoir davantage d’effet par message. Nous ne pouvons pas le déterminer uniquement avec des données de consommation. Il faut des méthodes causales.

Exposition potentielle, exposition réelle et exposition efficace

Pour clarifier encore davantage, on peut distinguer trois niveaux. Exposition potentielle : le contenu pouvait apparaître devant la personne. Exposition réelle : il lui a effectivement été présenté. Exposition efficace : la personne lui a consacré suffisamment d’attention pour qu’il puisse raisonnablement affecter son traitement cognitif. Ces distinctions sont rarement parfaitement mesurables à très grande échelle. Mais elles évitent de traiter toute impression technique comme une dose psychologique identique de désinformation.

Une seconde d’exposition et dix minutes de lecture ne sont probablement pas équivalentes

Les mesures de plateforme ont parfois un avantage trompeur : elles sont extrêmement précises numériquement. Une base peut contenir : 1 284 763 impressions. Le nombre paraît objectif. Mais sa précision décimale ne signifie pas que nous savons précisément ce que chacune de ces impressions a produit cognitivement. À l’inverse, une petite expérience de laboratoire peut mesurer très précisément la croyance avant et après exposition, mais sur un environnement beaucoup moins naturel. Nous retrouvons un compromis classique entre : validité interne et validité externe. Les meilleures connaissances apparaissent lorsque plusieurs méthodes convergent.

Comparer les études exige donc une fiche d’identité méthodologique

Avant de comparer deux chiffres sur la désinformation, il faudrait presque toujours demander : Quelle définition ? Quelle plateforme ? Quelle population ? Quelle période ? Quelle unité d’analyse ? Quelle méthode de classification ? Quel dénominateur ? Exposition mesurée ou déclarée ? Partage réel ou intention ? Croyance ou simple reconnaissance ? Association ou effet causal ? Deux études peuvent alors apparaître beaucoup moins contradictoires qu’au premier regard. Elles mesuraient simplement des maillons différents de la chaîne.

Cas pratique — « Cette fausse vidéo a influencé 12 millions de personnes »

Une publication affirme :

« Cette vidéo de désinformation a influencé douze millions de personnes avant d’être supprimée. »

Le chiffre provient du nombre d’impressions. Que pouvons-nous réellement écrire ? La vidéo a obtenu douze millions d’impressions. Très bien. Combien d’utilisateurs uniques ? Supposons : 4,5 millions. Combien l’ont regardée plus de dix secondes ? 1,2 million. Combien l’ont partagée ? 80 000. Une enquête auprès d’un échantillon représentatif montre que 18 % des personnes se souvenant du contenu pensent l’affirmation probablement vraie. Pouvons-nous maintenant écrire :

« Elle a convaincu 216 000 personnes » ?

Toujours pas. Peut-être que ces personnes le croyaient avant l’exposition. Pour mesurer la persuasion, il faudrait comparer leur croyance à ce qu’elle aurait été sans la vidéo. Le mot « influencé » introduit donc une causalité que les impressions ne démontrent absolument pas. La formulation rigoureuse serait :

« La vidéo a généré douze millions d’impressions auprès de 4,5 millions de comptes ; une fraction des utilisateurs interrogés jugeait ensuite l’affirmation crédible. Les données disponibles ne permettent pas de déterminer combien de croyances ont été causées par la vidéo. »

C’est moins spectaculaire. C’est beaucoup plus informatif.

Une pyramide de l’impact

Nous pouvons résumer le problème par une chaîne : contenu produit → contenu disponible → contenu affiché → contenu remarqué → contenu compris → contenu mémorisé → contenu cru → contenu partagé → opinion éventuellement modifiée → comportement éventuellement modifié. À chaque étape, une partie du public peut disparaître. Mais il ne s’agit pas nécessairement d’un entonnoir parfaitement linéaire. Une personne peut partager sans croire. Elle peut croire sans se souvenir précisément de la source. Elle peut être persuadée sans jamais partager. La pyramide est donc surtout une carte des variables à ne pas confondre.

À retenir

Mesurer la désinformation commence bien avant le comptage des vues. Il faut d’abord décider quel contenu sera classé comme faux ou trompeur. Une classification au niveau du domaine permet d’étudier de gigantesques corpus, mais elle confond imparfaitement fiabilité de la source et vérité de chaque article. Une vérification au niveau de l’affirmation est plus précise, mais beaucoup plus coûteuse.

Il faut ensuite préciser le dénominateur. Une étude américaine a estimé les *fake news* à seulement 0,15 % de l’ensemble du régime médiatique quotidien, tandis qu’une étude de Twitter pendant l’élection de 2016 estimait leur part à près de 6 % de la consommation d’actualités dans l’environnement qu’elle étudiait. Ces chiffres ne sont pas directement contradictoires : ils répondent à des questions différentes.

Il faut également regarder la distribution. Sur Twitter en 2016, 1 % des utilisateurs concentraient environ 80 % des expositions aux sources classées comme fake news, et 0,1 % près de 80 % des partages. Une faible moyenne peut donc coexister avec une très forte exposition dans certains sous-groupes. Mais même une exposition parfaitement mesurée n’est pas une croyance. Une croyance n’est pas un partage. Un partage n’est pas nécessairement une approbation. Et aucune de ces mesures n’établit à elle seule une persuasion causale. Pour parler de persuasion, il faut pouvoir estimer un contre-factuel : que la personne aurait-elle cru si elle n’avait pas été exposée ? C’est pourquoi le vocabulaire doit rester extrêmement précis :

une impression mesure un affichage ; une visite mesure une consultation ; un jugement mesure une croyance déclarée ; un partage mesure une diffusion ; une expérience causale peut mesurer une persuasion. Confondre ces niveaux permet de transformer : « cette publication a beaucoup circulé » en : « cette publication a manipulé une population entière ».

Mais l’erreur symétrique serait tout aussi grave : une faible prévalence moyenne ne permet pas de conclure qu’aucun groupe fortement exposé ne court de risque. La meilleure synthèse récente décrit justement un environnement où l’exposition moyenne aux contenus problématiques est souvent faible mais très concentrée. Nous disposons maintenant du vocabulaire permettant de poser proprement la question suivante : quelle quantité de désinformation les citoyens rencontrent-ils réellement ? Autrement dit : sommes-nous véritablement submergés par les fausses informations — ou notre perception de leur omniprésence est-elle elle-même influencée par les exemples les plus visibles et les plus spectaculaires ?

Sources principales

Jennifer Allen, Baird Howland, Markus Mobius, David Rothschild et Duncan J. Watts, « *Evaluating the Fake News Problem at the Scale of the Information Ecosystem* », *Science Advances*, 2020. Nir Grinberg, Kenneth Joseph, Lisa Friedland, Briony Swire-Thompson et David Lazer, « *Fake News on Twitter During the 2016 U.S. Presidential Election* », *Science*, 2019. Andrew M. Guess, Brendan Nyhan et Jason Reifler, « *Exposure to Untrustworthy Websites in the 2016 U.S. Election* », *Nature Human Behaviour*, 2020. Andrew Guess, Jonathan Nagler et Joshua Tucker, « *Less Than You Think: Prevalence and Predictors of Fake News Dissemination on Facebook* », *Science Advances*, 2019. Jan Pfänder et Sacha Altay, « *Spotting False News and Doubting True News: A Systematic Review and Meta-Analysis of News Judgements* », *Nature Human Behaviour*, 2025.

Sacha Altay, Manon Berriche et Alberto Acerbi, « *Misunderstanding the Harms of Online Misinformation* », *Nature*, 2024. Markowitz et al., « *Cross-Checking Journalistic Fact-Checkers: The Role of Sampling and Scaling in Interpreting False and Misleading Statements* », *PLOS ONE*, 2023.

21 sur 33Retour à la catégorie