L’hypertrucage : analyse du phénomène des « deepfakes » et recommandations
Notice bibliographique
Résumé
Que ce soit l’hypertrucage, la technologie de permutation intelligente de visages, ou les « deepfakes », ces termes réfèrent aux montages ultra réalistes générés par l’intelligence artificielle ayant comme objectif de tromper son public. Aujourd’hui, cette technologie n’est plus exclusive aux studios hollywoodiens puisqu’elle est accessible à n’importe qui. Conséquemment, des montages générés, on dépeint des personnalités publiques, des chefs d’État et plusieurs victimes non consensuelles. L’hypertrucage à finalité pornographique et non consensuelle a rapidement émergé, ciblant majoritairement des victimes de sexe féminin causant de sérieux préjudices. Toutefois, les auteurs priorisent les dangers publics tels que l’ingérence étrangère, la perte de confiance dans les institutions publiques et la désinformation politique. Ainsi, nous tentons de comprendre pourquoi la majorité des écrits focalisent sur ces risques politiques alors qu’en réalité la grande majorité des montages d’hypertrucage est de finalité pornographique non consensuelle. De plus, considérant que la Loi électorale du Canada semble protéger contre les dangers des montages d’hypertrucages ayant une finalité politique, alors que les victimes de montages pornographiques et non consensuelles sont toujours sans recours concret, nous proposons une solution multiapproche regroupant quatre volets : la législation, la sensibilisation, l’innovation et la collaboration.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,018 |
| Communication savante | 0,010 | 0,014 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».