L’hypertrucage : analyse du phénomène des « deepfakes » et recommandations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 découle