🤖 AI

Reducing belief in conspiracy theories as they unfold using large language models

Cet article démontre que les dialogues conversationnels à plusieurs tours avec des modèles de langage de grande taille peuvent réduire efficacement la croyance en les théories du complot en plein essor chez les adultes américains à la suite d'événements de crise majeurs, ces effets correctifs persistant pendant un à deux mois et s'étendant aux événements ultérieurs.

Auteurs originaux : Thomas H. Costello, Nathaniel Rabb, Michael Nicholas Stagnaro, Gordon Pennycook, David Rand

Publié 2026-08-07

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Thomas H. Costello, Nathaniel Rabb, Michael Nicholas Stagnaro, Gordon Pennycook, David Rand

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez l'internet comme un immense terrain de jeu chaotique où les rumeurs sont le jeu le plus populaire. Parfois, quand quelque chose de grand et d'effrayant se produit dans le monde réel, les gens commencent à jouer à un jeu appelé « Et si ? ». Ils se demandent si l'histoire officielle n'est pas seulement une couverture pour un complot secret. C'est le monde des théories du complot. Depuis des décennies, des scientifiques étudient comment empêcher les gens de croire à ces histoires délirantes. Généralement, ils essaient de distribuer des « fiches de faits » ou font en sorte que des humains argumentent avec les croyants, mais c'est souvent comme essayer d'arrêter un train fou avec un éventail en papier — cela ne fonctionne pas très bien.

Entrez dans la scène : les Grands Modèles de Langage (LLM). Voyez-les comme des bibliothécaires numériques super intelligents qui ont lu presque tout ce qui a été écrit. Ils peuvent discuter avec vous, répondre à vos questions et même défendre un point de vue. Mais voici la grande question : un robot peut-il discuter avec une personne qui commence tout juste à croire en un complot secret concernant un événement tout nouveau, et la dissuader de le faire ? Habituellement, les robots sont excellents pour démystifier les vieilles histoires (comme « l'atterrissage sur la Lune était une mise en scène ») parce qu'ils possèdent une bibliothèque de faits pour prouver le contraire. Mais que se passe-t-il lorsque l'histoire est en train de se dérouler et que personne ne connaît encore la vérité complète ? C'est le mystère que ce document tente de résoudre.

L'expérience : Parler à un robot d'une nouvelle effrayante et récente

Les chercheurs ont décidé de tester cette idée lors de deux moments très intenses et réels aux États-Unis. D'abord, ils ont observé les jours suivant la tentative de tir sur l'ancien président Donald Trump en juillet 2024. À ce moment-là, presque personne ne savait qui était le tireur ni pourquoi il l'avait fait. Ensuite, ils ont observé les jours suivant l'assassinat d'un activiste politique nommé Charlie Kirk en septembre 2025. Dans les deux cas, l'information était en train de tomber, les faits étaient rares et les théories folles se propageaient rapidement.

Les scientifiques ont recruté des milliers d'adultes américains qui étaient déjà méfiants envers les versions officielles. Ils ont divisé ces personnes en trois groupes pour voir ce qui se passerait :

Le groupe « Démystification » : Ces personnes ont discuté avec une IA. Le rôle de l'IA était d'essayer de convaincre les participants, avec douceur mais fermeté, que les théories du complot n'étaient pas vraies, en utilisant tous les faits disponibles à l'époque.
Le groupe « Fiche de faits » : Ces personnes ont simplement lu une liste statique de points clés contenant les faits connus. Pas de discussion, pas de conversation.
Le groupe « Bavardage » : Ces personnes ont parlé à l'IA de choses totalement ennuyeuses et sans rapport, comme savoir si les chats ou les chiens font de meilleurs animaux de compagnie.

Ce qui s'est passé : Le robot a gagné l'argument

Les résultats ont été étonnamment efficaces. Les personnes qui ont eu la discussion interactive avec l'IA ont fini par croire moins aux théories du complot que celles qui ont simplement lu les faits ou parlé d'animaux de compagnie. Peu importait que l'événement soit la tentative contre Trump ou l'assassinat de Kirk ; le robot qui discute a fonctionné.

Voici la partie intéressante : l'IA ne s'est pas contentée de dire : « Voici les faits, vous avez tort. » Elle a changé de stratégie en fonction de ce qu'elle savait.

Quand l'IA ne savait rien (l'événement Trump) : Comme il n'y avait presque aucun fait sur les motivations du tireur, l'IA n'a pas essayé d'imposer des faits. Au lieu de cela, elle a agi comme un philosophe sage. Elle disait des choses comme : « Il est normal d'être confus, mais soyons prudents avant de tirer des conclusions », et « Attendons des sources fiables. » Elle a appris aux gens à faire preuve d'humilité face à ce qu'ils ne savaient pas.
Quand l'IA en savait un peu plus (l'événement Kirk) : Une fois que plus de détails ont été disponibles, l'IA est passée à un style plus direct, utilisant les nouveaux faits pour pointer délicatement les failles des récits de complot, un peu comme elle le fait avec les vieux complots célèbres.

L'effet « Superpouvoir » : Cela a duré et s'est propagé

La découverte la plus excitante n'était pas seulement que les gens ont cessé de croire à la première histoire. Les chercheurs ont vérifié à nouveau un ou deux mois plus tard, après que de nouveaux événements effrayants se soient produits (comme une seconde tentative sur la vie de Trump et une fusillade dans une église).

Ils ont découvert que les personnes qui avaient discuté avec l'IA au sujet du premier événement étaient moins susceptibles de croire aux nouvelles théories du complot concernant les seconds événements. C'était comme si l'IA leur avait donné un « vaccin mental ». En apprenant à penser de manière critique et à être sceptiques face aux affirmations délirantes lors de la première discussion, ils étaient mieux équipés pour gérer la crise suivante. L'IA n'a pas seulement corrigé une croyance spécifique ; elle semble avoir mis à jour tout le « filtre anti-complot » de la personne.

Ce que le document dit (et ne dit pas)

Les auteurs prennent soin de préciser que ce n'est pas une baguette magique qui résout tout.

Ce n'est pas un remède miracle : L'étude s'est concentrée sur des événements spécifiques en cours de développement. Nous ne savons pas si cela fonctionne pour tous les types de complots ou pour tous les types de personnes.
Cela n'a pas toujours réparé la confiance envers le gouvernement : Dans la première expérience, discuter avec l'IA n'a pas rendu les gens plus confiants envers l'histoire officielle concernant la tentative contre Trump. Les chercheurs pensent que c'est parce qu'à ce moment précis, le gouvernement n'avait pas encore d'histoire claire à raconter. Mais dans la seconde expérience, où il y avait une version officielle, la discussion avec l'IA a effectivement aidé les gens à davantage lui faire confiance.
Il ne s'agit pas de l'humanité du robot : L'étude suggère que la force réside dans la conversation et les preuves, et non dans le fait que l'IA prétende être un expert humain.

La conclusion principale

Ce document suggère que lorsque des nouvelles effrayantes éclatent et que les rumeurs commencent à circuler, une conversation courte et intelligente avec une IA pourrait être un outil puissant pour calmer le jeu. Il ne s'agit pas de forcer les gens à croire le gouvernement ; il s'agit de leur apprendre à faire une pause, à réfléchir et à se demander : « Savons-nous réellement cela, ou sommes-nous simplement en train de deviner ? »

Les chercheurs ont découvert que cette approche fonctionne même lorsque les faits sont flous, et le meilleur est que la leçon semble s'ancrer, aidant les gens à rester sceptiques face aux histoires délirantes longtemps après la fin de la discussion. C'est un signe d'espoir : dans un monde rempli de bruit, une conversation calme et basée sur des preuves pourrait être le héros silencieux dont nous avons besoin.

Résumé technique : Réduire la croyance dans les théories du complot au fur et à mesure de leur apparition à l'aide de modèles de langage de grande taille

Énoncé du problème

Bien que les modèles de langage de grande taille (LLM) aient démontré leur efficacité pour réduire la croyance dans les théories du complot historiques (ex. : l'assassinat de JFK, le 11 septembre) en s'appuyant sur de vastes données d'entraînement préexistantes et des preuves correctives, leur utilité pour traiter les théories du complot émergentes reste non testée. Les complots émergents surgissent immédiatement après des crises sociétales ou des événements éprouvants (ex. : tentatives d'assassinat) lorsque l'information publique est rare, ambiguë ou inexistante. Dans ces scénarios « en cours de déploiement », l'approche classique de démenti par l'IA — qui repose sur un large corpus de faits établis pour réfuter des affirmations — se heurte à une limite critique : le modèle peut manquer des preuves nécessaires pour construire un contre-argument factuel. La question de recherche centrale est de savoir si les dialogues conversationnels avec un LLM peuvent réduire efficacement la croyance dans ces complots naissants immédiatement après une crise, et si oui, par quels mécanismes.

Méthodologie

Les auteurs ont mené deux expériences contrôlées randomisées (Étude 1 et Étude 2) impliquant des adultes américains qui entretenaient des vues conspirationnistes concernant deux événements de crise spécifiques et de grande ampleur :

Étude 1 (juillet 2024) : La tentative d'assassinat de Donald Trump à Butler, en Pennsylvanie.
Étude 2 (septembre 2025) : L'assassinat de l'activiste politique Charlie Kirk dans l'Utah.

Conception expérimentale :

Participants : Adultes recrutés via CloudResearch. Les participants ont été filtrés pour identifier ceux qui détenaient des croyances conspirationnistes concernant l'événement spécifique (en utilisant des réponses ouvertes et des échelles fermées).
- Échantillon final de l'Étude 1 ( $N=472$ croyants).
- Échantillon final de l'Étude 2 ( $N=1\,035$ croyants).
Conditions : Les participants ont été assignés de manière aléatoire à l'une des trois conditions suivantes :
1. Dialogue de démenti (Debunking Dialogue) : Une conversation multi-tours avec un LLM programmé pour réduire les croyances conspirationnistes via un dialogue fondé sur des preuves. L'étude 1 utilisait Google Gemini Pro 1.5 ; l'étude 2 utilisait un LLM (la version spécifique du modèle n'est pas explicitement nommée dans le texte principal, bien que les documents supplémentaires fassent référence à Gemini Pro 2.5 au regard de la date de l'événement par rapport aux données d'entraînement).
2. Liste informative : Les participants ont visionné une liste statique de 15 points clés vérifiés concernant l'événement, accompagnés de citations provenant de grands médias.
3. Dialogue non pertinent (Contrôle) : Les participants ont engagé une conversation multi-tours avec le LLM sur un sujet sans rapport avec l'événement (ex. : les chats vs les chiens).
Prompting du LLM : Le LLM a été doté d'une « base de faits » organisée, dérivée des rapports contemporains.
- Dans l'étude 1 (Trump), où l'information était extrêmement rare, la base de faits constituait la seule source d'information du modèle sur l'événement, incluant des faits confirmés, des affirmations circulant et démenties, ainsi que des « questions ouvertes » explicitement marquées (ex. : le mobile) pour encourager l'humilité épistémique.
- Dans l'étude 2 (Kirk), les instructions permettaient en plus la recherche sur le Web, restreinte à la vérification d'informations factuelles, car plus de détails étaient disponibles (ex. : identité du suspect, ambiguïté du mobile).
Mesures : La croyance dans les théories du complot a été mesurée avant et après le traitement à l'aide de :
- La confiance dans la propre croyance conspirationniste articulée par le participant (échelle de 0 à 100).
- La croyance en une dissimulation/complot entourant l'événement.
- La croyance en des facteurs cachés/non divulgués.
- La confiance dans l'explication officielle.
Suivi : Les deux études comprenaient des enquêtes de suivi 1 à 2 mois plus tard pour évaluer la durabilité des effets et le « débordement » (spillover) sur les croyances concernant des événements de crise ultérieurs et non liés (une seconde tentative sur Trump ; une fusillade de masse dans une église LDS).
Analyse des stratégies : Les auteurs ont employé une procédure de codage qualitative (validée par des évaluateurs humains et exécutée par des LLM) pour catégoriser les stratégies rhétoriques utilisées par l'IA dans les dialogues de démenti.

Résultats clés

1. Réduction des croyances conspirationnistes

Dans les deux expériences, la condition Dialogue de démenti a entraîné des réductions significativement plus importantes des croyances conspirationnistes par rapport aux conditions de contrôle (Dialogue non pertinent et Liste informative).

Tailles d'effet : Le traitement par LLM a réduit la croyance dans la propre théorie conspirationniste articulée par le participant d'environ 6,9 à 7,6 points sur une échelle de 0 à 100 (Cohen's $d \approx 0,38$ ) par rapport aux contrôles.
Dissimulation et facteurs cachés : Des réductions significatives ont également été observées concernant les croyances en des dissimulations et des facteurs cachés.
Confiance dans les explications officielles :
- Dans l'étude 1 (Trump), la confiance dans l'explication officielle n'a pas augmenté de manière significative, probablement en raison de l'absence d'un récit officiel clair à ce moment-là.
- Dans l'étude 2 (Kirk), la confiance dans l'explication officielle a augmenté de manière significative par rapport au dialogue non pertinent.

2. Effets de modération

Partisannerie : Dans l'étude 1, l'effet du traitement était légèrement plus faible pour les Républicains convaincus par rapport au contrôle, mais aucune modération significative par le parti n'a été trouvée dans l'étude 2.
Croyance de base : Dans l'étude 2, le traitement était plus efficace pour les participants qui détenaient des croyances conspirationnistes initiales plus fortes.

3. Stratégies rhétoriques

La stratégie de l'IA s'est adaptée à la disponibilité de l'information :

Étude 1 (Faible information) : L'IA a moins compté sur la « Persuasion rationnelle » (faits/preuves) et davantage sur l'Humilité épistémique (souligner l'incertitude), le Questionnement socratique (encourager la réflexion) et l'orientation vers des Sources crédibles.
Étude 2 (Information modérée) : L'IA a employé des stratégies similaires à celles utilisées pour les complots historiques, notamment la Mise en évidence des préjudices et l'utilisation de faits, tout en maintenant l'accent sur la prudence épistémique.

4. Effets à long terme et de débordement (Spillover)

Suivi de l'étude 1 : Les participants ayant reçu le dialogue de démenti concernant la première tentative sur Trump étaient nettement moins susceptibles de croire en des complots entourant une subsequent tentative d'assassinat sur Trump deux mois plus tard (Odds Ratio $\approx 0,48–0,52$ ).
Suivi de l'étude 2 : Les participants ayant reçu le démenti sur Kirk ont montré une réduction de l'adhésion à d'autres théories du complot populaires (ex. : contrôle mondial par des groupes cachés, maladies orchestrées) un mois plus tard. Il y avait également des indices de persistance concernant les croyances sur une fusillade de masse ultérieure, bien que l'effet fût plus faible.

Principales contributions

Efficacité lors d'événements en cours : L'article démontre que les LLM peuvent réduire efficacement la croyance dans les théories du complot même dans les suites immédiates d'événements où très peu d'informations factuelles sont disponibles, remettant en question l'idée que le démenti nécessite un corpus préexistant de preuves correctives.
Persuasion adaptative : L'étude identifie que l'IA peut changer dynamiquement de stratégie en fonction du paysage informationnel — privilégiant l'humilité épistémique et la pensée critique lorsque les faits sont rares, et exploitant les faits lorsqu'ils deviennent disponibles.
Prévention par le démenti (Prebunking via Debunking) : Les conclusions suggèrent qu'une intervention de démenti unique peut fonctionner comme une forme de « prébunking », créant un scepticisme durable qui protège contre la croyance dans des théories du complot futures et non liées.
Intervention scalable : La recherche souligne le potentiel des dialogues pilotés par l'IA pour servir d'intervention scalable, axée sur la cognition, afin de contrer la désinformation lors de crises sociétales à enjeux élevés.

Signification et affirmations

Les auteurs affirment que leurs résultats éclairent la psychologie des complots émergents, suggérant que les croyances naissantes sont malléables et peuvent être influencées par des appels à la pensée critique et à la prudence épistémique, même en l'absence de contre-preuves définitives. L'étude pose que les dialogues avec l'IA offrent un mécanisme viable d'intervention en temps réel pour contrer la désinformation lors de crises.

L'article maintient un ton modeste quant à sa portée, reconnaissant que ces résultats sont basés sur deux études de cas spécifiques et qu'il peut exister des scénarios (ex. : de véritables complots ou des événements avec des dynamiques différentes) où le démenti par l'IA est inefficace. Les auteurs déclarent explicitement que si leurs conclusions soutiennent le potentiel positif de l'IA, cette même technologie pourrait théoriquement être détournée par des acteurs malveillants pour accroître la croyance dans les complots émergents. Ils concluent que, bien que l'engagement des utilisateurs avec l'IA sur des sujets sensibles soit un défi, le potentiel d'impact positif significatif est important.