Avant de partager : 5 réflexes pour vérifier une information

Un titre alarmant, une capture d’écran ou une vidéo virale ne constituent pas une preuve. Avant de partager, il faut ralentir, isoler l’affirmation et vérifier ce qui la soutient, sans jouer au détective sous caféine.

Un lien arrive dans un groupe de discussion. Il parle d’une nouvelle mesure, d’un danger pour la santé ou d’une célébrité supposément décédée. Le réflexe est connu : on lit le titre, on ressent une pointe de colère ou de surprise, puis le pouce file vers le bouton de partage. Dans ces secondes-là, l’émotion ne prouve rien. Elle indique seulement qu’il faut suspendre le geste.

Une fausse information peut circuler par erreur. La désinformation, elle, désigne une information fausse ou trompeuse diffusée avec l’intention d’induire en erreur. Une publication peut aussi contenir un fait exact et lui adjoindre une conclusion abusive. Cette nuance compte : vérifier un contenu ne revient pas toujours à répondre par vrai ou faux.

Un article publié en 2025 dans le Journal of Medical Internet Research décrit l’infodémie associée à la pandémie de Covid-19 et les difficultés posées par la circulation rapide d’affirmations inexactes sur les traitements, les risques ou les comportements à adopter.

Vérifier une information, ce n’est pas se méfier de tout. C’est demander à une affirmation de payer son loyer en preuves.

Le partage attendra, l’ego aussi

Dans la plus pure tradition du message envoyé trop vite, on confond souvent familiarité et fiabilité. Une publication bien écrite, une capture affichant un logo connu ou un compte très suivi peuvent donner une impression de sérieux sans fournir le moindre élément vérifiable.

Le vocabulaire constitue un premier signal. « Urgent », « partagez avant suppression », « les médias vous cachent la vérité » et les points d’exclamation à répétition cherchent à déclencher une réaction immédiate. Cela ne suffit pas à prouver que le contenu est faux, mais cela justifie une pause avant tout transfert.

On est nombreux à avoir partagé un article après n’avoir lu que son titre. Oui, même le pote de la rédac qui corrige les autres sur la ponctuation. Une réaction rapide transforme alors une hypothèse en message recommandé par un proche, alors que l’origine et les preuves restent inconnues.

La confiance accordée à l’expéditeur ne remplace jamais la vérification du contenu.

Qui parle, qui date, qui brode?

Déshabiller le titre, rhabiller les faits

Avant de chercher si une publication est vraie, il faut isoler ce qu’elle affirme exactement. « Une ville interdit ceci » et « une vidéo montre quelqu’un qui affirme que la ville interdit ceci » ne sont pas la même information. Dans le second cas, la vidéo prouve au mieux que quelqu’un a tenu ces propos. Elle ne prouve pas que la ville a pris cette décision.

Une méthode simple tient en cinq gestes :

1. Reformuler l’affirmation. Écrivez mentalement la phrase à confirmer, avec le lieu, la personne, la date et l’action concernés.
2. Remonter à l’émetteur. Cherchez le nom de l’auteur, la page « À propos », les mentions légales, les coordonnées et la ligne éditoriale du site. Un compte anonyme ou une adresse qui imite celle d’un média connu appelle davantage de prudence.
3. Contrôler la date. Une ancienne actualité peut être recirculée comme si elle concernait l’événement du jour. Vérifiez aussi s’il s’agit d’un projet, d’une décision annoncée ou d’une mesure déjà appliquée.
4. Comparer avec des sources indépendantes. Recherchez l’affirmation avec des mots-clés précis et consultez des médias reconnus, des institutions publiques, des universités ou les organisations directement compétentes.
5. Évaluer les preuves. Demandez d’où viennent les chiffres, qui est cité, quel document est disponible et si les éléments permettent réellement de tirer la conclusion proposée.

Date à l’appui, doute en sursis

Une source identifiable ne rend pas automatiquement chaque phrase exacte. Un article sérieux peut reprendre une déclaration incomplète, un chiffre ancien ou une photo mal contextualisée. La date, le lieu et le périmètre de l’information doivent donc être contrôlés séparément.

Un sondage demande au minimum de regarder la taille et la composition de l’échantillon, la méthode utilisée et la date de réalisation. Pour une décision publique, il faut distinguer l’annonce, le vote, la publication du texte et l’entrée en vigueur. Quatre moments, une confusion fréquente, et parfois un partage parti beaucoup trop tôt.

Lecture latérale, cerveau en diagonale

Rester sur la page d’origine et juger son apparence, son logo ou son ton correspond à une lecture verticale. La lecture latérale consiste à ouvrir d’autres résultats pour comprendre qui parle et voir si l’affirmation existe ailleurs. On quitte la scène au lieu de laisser la page organiser tout le décor.

Commencez par rechercher la phrase exacte, puis ajoutez le lieu, la date ou le nom de la personne concernée. Comparez les formulations et remontez autant que possible au document initial : décision administrative, étude, communiqué ou déclaration complète. Plusieurs reprises du même texte ne constituent pas plusieurs confirmations si elles renvoient toutes au même émetteur.

Une expérience randomisée préenregistrée publiée le 10 décembre 2024 dans Proceedings of the National Academy of Sciences a réuni 2 159 participants américains autour de 40 titres d’actualité, pour moitié vrais et pour moitié faux. Le modèle testé a correctement identifié 90 % des titres faux. Pourtant, l’affichage de ses vérifications n’a pas amélioré de façon significative la capacité des participants à distinguer le vrai du faux, tandis que les vérifications produites par des humains amélioraient ce discernement.

Ce résultat porte sur cette expérience et sur des titres politiques américains. Il ne signifie pas qu’un outil automatique est toujours inutile. Il rappelle qu’un verdict formulé avec assurance peut influencer le lecteur sans lui apprendre à contrôler l’information.

Une réponse fluide n’est pas une preuve, pas plus qu’un costume bien taillé ne garantit la qualité du conseil.

Photo choc, contexte toc

Une image donne l’impression d’avoir vu la preuve. Pourtant, la photo peut être authentique et provenir d’un autre pays, d’une autre année ou d’un événement sans rapport avec le texte qui l’accompagne. Un recadrage peut aussi supprimer un panneau, une personne ou un détail qui change le sens de la scène.

Retour vers le futur en recherche inversée

Pour vérifier une image, utilisez une recherche inversée avec un moteur d’images. Importez le fichier ou copiez son adresse, puis comparez les résultats. Cherchez les publications les plus anciennes, le contexte décrit par plusieurs pages et, si possible, la version non recadrée du visuel. Deux moteurs peuvent afficher des résultats différents : l’absence de résultat ne prouve donc pas que l’image est originale.

Pour une vidéo, examinez plusieurs images clés plutôt que la seule miniature. Un outil comme InVID Verification peut extraire des images d’une séquence afin de les soumettre à une recherche inversée. Regardez aussi les panneaux, la météo, la bande sonore et les détails du décor. Une vidéo présentée comme actuelle peut avoir été tournée dans un autre contexte.

Les captures d’écran réclament la même rigueur. Un message sans lien, sans date et sans compte vérifiable peut être modifié rapidement. Recherchez la phrase exacte, consultez le compte original lorsqu’il existe et demandez quel document se trouve derrière le résultat affiché.

Une image cohérente ne suffit pas : il faut encore vérifier ce qu’elle montre, quand et où.

L’IA, assistant ou arbitre en carton?

Les outils d’intelligence artificielle peuvent aider à reformuler une affirmation, repérer les points à vérifier ou retrouver des documents. Ils peuvent aussi produire une réponse plausible mais fausse. Leur utilité dépend de la qualité des documents consultés et de la possibilité d’ouvrir puis de contrôler les références.

L’étude Use of Retrieval-Augmented Large Language Model for COVID-19 Fact-Checking: Development and Usability Studypubliée en 2025 dans le Journal of Medical Internet Researcha construit un corpus d’environ 130 000 articles évalués par des pairs sur la Covid-19, issus de PubMed et de Scopus. Les chercheurs l’ont associé à GPT-4 dans plusieurs systèmes de génération augmentée par récupération. L’objectif était d’améliorer la vérification en donnant au modèle des informations externes, tout en traitant le risque de réponses inventées par un modèle utilisé seul.

La méthode ne transforme pas pour autant un chatbot en arbitre automatique. Il faut ouvrir les références, vérifier leur date et contrôler si elles répondent bien à l’affirmation de départ. Une réponse qui cite un document hors sujet reste une mauvaise vérification, même avec une bibliographie bien alignée.

Une autre étude publiée en 2025 dans npj Climate Action a évalué Climinator, un dispositif consacré aux affirmations climatiques et alimenté par plusieurs corpus scientifiques, dont ceux du Groupe d’experts intergouvernemental sur l’évolution du climat et de l’Organisation météorologique mondiale. Le dispositif est lié à une architecture et à des jeux de données précis. Ses résultats ne valent donc pas certificat général pour toutes les affirmations, tous les domaines et tous les chatbots.

L’IA peut accélérer la vérification, mais la dernière question reste humaine : quelle preuve puis-je ouvrir et relire moi-même?

Partager ou s’abstenir, le clic est dit

Après les contrôles, la décision devient plus nette. Si l’auteur est identifiable, la date cohérente, les preuves accessibles et plusieurs sources indépendantes concordantes, le partage peut se faire avec le lien complet et une formulation qui respecte les nuances.

Si un élément manque, transmettez plutôt une question ou demandez la source originale. « As-tu le document qui confirme cette mesure? » ouvre une vérification. « C’est faux » ferme souvent la discussion sans apporter de preuve. Ça sonne creux, le démenti lancé sans pièce jointe.

Une correction reste possible si le partage est déjà parti. Signalez clairement l’erreur, publiez le rectificatif au même endroit et évitez de supprimer discrètement le premier message lorsque des personnes ont pu le lire. Une phrase précise vaut mieux qu’un long plaidoyer pour sauver son ego.

Le bon ordre tient en quatre verbes : observer, comprendre, recouper, agir. Le bouton de partage survivra à deux minutes de vérification. Votre ego aussi, normalement.

Sources et références scientifiques

1. Fact-Checking Large Language Model Responses to a Health Care Prompt: Comparative Study – PMC. JMIR formative research. DOI: 10.2196/68223 · PMID: 41985066.
2. 1.Mirza FN, Tang OY, Connolly ID, et al. Using ChatGPT to facilitate truly informed medical consent. NEJM AI. 2024 Jan 25;1(2) doi: 10.1056/AIcs2300145. doi. [DOI] [Google Scholar]. doi:10.1056/AIcs2300145.
3. 2.Shahsavar Y, Choudhury A. User intentions to use ChatGPT for self-diagnosis and health-related purposes: cross-sectional survey study. JMIR Hum Factors. 2023 May 17;10:e47564. doi: 10.2196/47564. doi. Medline. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/47564.
4. 3.Kisvarday S, Yan A, Yarahuan J, et al. ChatGPT use among pediatric health care providers: cross-sectional survey study. JMIR Form Res. 2024 Sep 12;8:e56797. doi: 10.2196/56797. doi. Medline. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/56797.
5. 4.Blease CR, Locher C, Gaab J, Hägglund M, Mandl KD. Generative artificial intelligence in primary care: an online survey of UK general practitioners. BMJ Health Care Inform. 2024 Sep 17;31(1):e101102. doi: 10.1136/bmjhci-2024-101102. doi. Medline. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1136/bmjhci-2024-101102.
6. 5.Topol EJ. Toward the eradication of medical diagnostic errors. Science. 2024 Jan 26;383(6681):eadn9602. doi: 10.1126/science.adn9602. doi. Medline. [DOI] [PubMed] [Google Scholar]. doi:10.1126/science.adn9602.
7. o JJ, Kwon DH, Ghaziani TT, et al. Accuracy of information provided by ChatGPT regarding liver cancer surveillance and diagnosis. AJR Am J Roentgenol. 2023 Oct;221(4):556-559. doi: 10.2214/AJR.23.29493. doi. Medline. [DOI] [PubMed] [Google Scholar]. doi:10.2214/AJR.23.29493.
8. 7.Rao A, Pang M, Kim J, et al. Assessing the utility of ChatGPT throughout the entire clinical workflow: development and usability study. J Med Internet Res. 2023 Aug 22;25:e48659. doi: 10.2196/48659. doi. Medline. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/48659.
9. 8.Ni Z, Qian Y, Chen S, Jaulent MC, Bousquet C. Scientific evidence and specific context: leveraging large language models for health fact-checking. Online Inf Rev. 2024;48(7):1488-1514. doi: 10.1108/OIR-02-2024-0111. doi. [DOI] [Google Scholar]. doi:10.1108/OIR-02-2024-0111.
10. 9.Zarharan M, Wullschleger P, Pilehvar MT, Foster J, Kia BB. Tell me why: explainable public health fact-checking with large language models. arXiv. 2024 May 15; doi: 10.48550/ARXIV.2405.09454. Preprint posted online on. doi. [DOI]. doi:10.48550/ARXIV.2405.09454.
11. en S, Guevara M, Moningi S, et al. The effect of using a large language model to respond to patient messages. Lancet Digit Health. 2024 Jun;6(6):e379-e381. doi: 10.1016/S2589-7500(24)00060-8. doi. Medline. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1016/S2589-7500(24)00060-8.
12. 11.Vladika J, Hacajova I, Matthes F. Step-by-step fact verification system for medical claims with explainable reasoning. arXiv. 2025 Feb 20; doi: 10.48550/arXiv.2502.14765. Preprint posted online on. doi. [DOI]. doi:10.48550/arXiv.2502.14765.
13. 12.Dorfner FJ, Dada A, Busch F, et al. Biomedical large languages models seem not to be superior to generalist models on unseen medical data. arXiv. 2024 Aug 25; doi: 10.48550/ARXIV.2408.13833. Preprint posted online on. doi. [DOI]. doi:10.48550/ARXIV.2408.13833.
14. Use of Retrieval-Augmented Large Language Model for COVID-19 Fact-Checking: Development and Usability Study – PMC. Journal of medical Internet research. DOI: 10.2196/66098 · PMID: 40306628.
15. 1.The Lancet Infectious Diseases The COVID-19 infodemic. Lancet Infect Dis. 2020 Aug;20(8):875. doi: 10.1016/S1473-3099(20)30565-X..S1473-3099(20)30565-X [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1016/S1473-3099(20)30565-X.
16. 2.Borges do Nascimento IJ, Beatriz Pizarro A, Almeida JM, Azzopardi-Muscat N, André Gonçalves M, Björklund M, Novillo-Ortiz D. Infodemics and health misinformation: a systematic review of reviews. Bull World Health Organ. 2022 Sep 01;100(9):544-561. doi: 10.2471/blt.21.287654. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2471/blt.21.287654.
17. 3.Wang Y, Bye J, Bales K, Gurdasani D, Mehta A, Abba-Aji M, Stuckler D, McKee M. Understanding and neutralising covid-19 misinformation and disinformation. BMJ. 2022 Nov 22;379:e070331. doi: 10.1136/bmj-2022-070331. [DOI] [PubMed] [Google Scholar]. doi:10.1136/bmj-2022-070331.
18. 5.Wang G, Harwood K, Chillrud L, Ananthram A, Subbiah M, McKeown K. Check-COVID: fact-checking COVID-19 news claims with scientific evidence. arXiv. doi: 10.18653/v1/2023.findings-acl.888. Preprint posted online on May 29, 2023.. [DOI] [Google Scholar]. doi:10.18653/v1/2023.findings-acl.888.
19. 6.Lee EWJ, Bao H, Wang Y, Lim YT. From pandemic to plandemic: examining the amplification and attenuation of COVID-19 misinformation on social media. Soc Sci Med. 2023 Jul;328:115979. doi: 10.1016/j.socscimed.2023.115979..S0277-9536(23)00336-2 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1016/j.socscimed.2023.115979.
20. 7.Kolluri N, Liu Y, Murthy D. COVID-19 misinformation detection: machine-learned solutions to the infodemic. JMIR Infodemiology. 2022;2(2):e38756. doi: 10.2196/38756. v2i2e38756 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/38756.
21. 8.Augenstein I, Baldwin T, Cha M, Chakraborty T, Ciampaglia GL, Corney D, DiResta R, Ferrara E, Hale S, Halevy A, Hovy E, Ji H, Menczer F, Miguez R, Nakov P, Scheufele D, Sharma S, Zagni G. Factuality challenges in the era of large language models and opportunities for fact-checking. Nat Mach Intell. 2024 Aug 22;6(8):852-863. doi: 10.1038/s42256-024-00881-z.. [DOI] [Google Scholar]. doi:10.1038/s42256-024-00881-z.
22. 9.Ji Z, Lee N, Frieske R, Yu T, Su D, Xu Y, Ishii E, Bang YJ, Madotto A, Fung P. Survey of hallucination in natural language generation. ACM Comput Surv. 2023 Mar 03;55(12):1-38. doi: 10.1145/3571730. [DOI] [Google Scholar]. doi:10.1145/3571730.
23. 10.Ullah E, Parwani A, Baig MM, Singh R. Challenges and barriers of using large language models (LLM) such as ChatGPT for diagnostic medicine with a focus on digital pathology – a recent scoping review. Diagn Pathol. 2024 Feb 27;19(1):43. doi: 10.1186/s13000-024-01464-7..10.1186/s13000-024-01464-7 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1186/s13000-024-01464-7.
24. 11.Zhu Y, Moniz JRA, Bhargava S, Jiarui Lu J, Piraviperuma D, Li S, Zhang Y, Yu H, Tseng BH. Can large language models understand context? arXiv. doi: 10.48550/arXiv.2402.00858. Preprint posted online on February 1, 2024.. [DOI] [Google Scholar]. doi:10.48550/arXiv.2402.00858.
25. 12.Wei J, Yang C, Song X, Lu Y, Hu N, Huang J, Tran D, Peng D, Liu R, Huang D, Du C, Le QV. Long-form factuality in large language models. arXiv. doi: 10.48550/arXiv.2403.18802. Preprint posted online on March 27, 2024.. [DOI] [Google Scholar]. doi:10.48550/arXiv.2403.18802.
26. 13.Lewis P, Perez E, Piktus A, Petroni F, Karpukhin V, Goyal N, Küttler H, Lewis M, Yih WT, Rocktäschel T, Riedel S, Kiela D. Retrieval-augmented generation for knowledge-intensive NLP tasks. arXiv. doi: 10.48550/arXiv.2005.11401. Preprint posted online on May 22, 2020.. [DOI] [Google Scholar]. doi:10.48550/arXiv.2005.11401.
27. Fact-checking information from large language models can decrease headline discernment – PMC. Proceedings of the National Academy of Sciences of the United States of America. DOI: 10.1073/pnas.2322823121 · PMID: 39630865.
28. 1.Lewandowsky S., Ecker U. K., Cook J., Beyond misinformation: Understanding and coping with the “post-truth’’ era. J. Appl. Res. Mem. Cogn. 6, 353-369 (2017). [Google Scholar].
29. 2.Lazer D. M. J., et al., The science of fake news. Science 359, 1094-1096 (2018). [DOI] [PubMed] [Google Scholar].
30. 3.Van der Linden S., Leiserowitz A., Rosenthal S., Maibach E., Inoculating the public against misinformation about climate change. Glob. Chall. 1, 1600008 (2017). [DOI] [PMC free article] [PubMed] [Google Scholar].
31. 4.Biddlestone M., Azevedo F., van der Linden S., Climate of conspiracy: A meta-analysis of the consequences of belief in conspiracy theories about climate change. Curr. Opin. Psychol. 46, 101390 (2022). [DOI] [PubMed] [Google Scholar].
32. 5.Pierri F., et al., Online misinformation is linked to early COVID-19 vaccination hesitancy and refusal. Sci. Rep. 12, 5966 (2022). [DOI] [PMC free article] [PubMed] [Google Scholar].
33. 6.Rathje S., He J. K., Roozenbeek J., Van Bavel J. J., van der Linden S., Social media behavior is associated with vaccine hesitancy. PNAS Nexus 1, pgac207 (2022). [DOI] [PMC free article] [PubMed] [Google Scholar].
34. 7.Loomba S., de Figueiredo A., Piatek S. J., de Graaf K., Larson H. J., Measuring the impact of COVID-19 vaccine misinformation on vaccination intent in the UK and USA. Nat. Hum. Behav. 5, 337-348 (2021). [DOI] [PubMed] [Google Scholar].
35. 8.J. A. Tucker et al., Social media, political polarization, and political disinformation: A review of the scientific literature. SSRN [Preprint] (2018). 10.2139/ssrn.3144139 (Accessed 7 August 2024). [DOI]. doi:10.2139/ssrn.3144139.
36. 9.Van Bavel J. J., et al., Political psychology in the digital (mis)information age: A model of news belief and sharing. Soc. Issues Policy Rev. 15, 84-113 (2021). [Google Scholar].
37. 10.Walter N., Cohen J., Holbert R. L., Morag Y., Fact-checking: A meta-analysis of what works and for whom. Polit. Commun. 37, 350-375 (2020). [Google Scholar].
38. 11.Brashier N. M., Pennycook G., Berinsky A. J., Rand D. G., Timing matters when correcting fake news. Proc. Natl. Acad. Sci. U.S.A. 118, e2020043118 (2021). [DOI] [PMC free article] [PubMed] [Google Scholar].
39. 12.B. Nyhan, E. Porter, J. Reifler, T. J. Wood, Taking fact-checks literally but not seriously? The effects of journalistic fact-checking on factual beliefs and candidate favorability. Polit. Behav. 42, 939-960 (2020)..
40. Automated fact-checking of climate claims with large language models – PMC. npj climate action. DOI: 10.1038/s44168-025-00215-8 · PMID: 40017664.
41. en, K., Shao, A., Burapacheep, J. & Li, Y. Conversational AI and equity through assessing GPT-3’s communication with diverse social groups on contentious topics. Sci. Rep.14, 1561 (2024). [DOI] [PMC free article] [PubMed] [Google Scholar].
42. 2.Vosoughi, S., Roy, D. & Aral, S. The spread of true and false news online. Science359, 1146-1151 (2018). [DOI] [PubMed] [Google Scholar].
43. 3.Cohen, S., Li, C., Yang, J., & Yu, C. Computational journalism: a call to arms to database researchers. In CIDR, 2011..
44. 4.Andreas, Vlachos, Sebastian, Riedel. Fact-checking: task definition and dataset construction. In Proc. Workshop on Language Technologies and Computational Social Science, 18-22 10.3115/v1/W14-2508. W14-2508 (Association for Computational Linguistics, Baltimore, MD, USA, 2014).. doi:10.3115/v1/W14-2508.
45. 5.Pepa Atanasova, Jakob Grue Simonsen, Christina Lioma, & Isabelle Augenstein. Generating fact-checking explanations. In Proc. 58th Annual Meeting of the Association for Computational Linguistics, 7352-7364, 10.18653/v1/2020.acl-main.656. (Association for Computational Linguistics, 2020).. doi:10.18653/v1/2020.acl-main.656.
46. 6.Hassan, N. et al. Claimbuster: the first-ever end-to-end fact-checking system. Proc. VLDB Endow.10, 1945-1948 (2017). [Google Scholar].
47. 7.James, T. Vlachos, A. Christodoulopoulos, C., & Mittal, A. "FEVER: a Large-scale Dataset for Fact Extraction and VERification." In: Proc. of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long Papers). Association for Computational Linguistics, 2018..
48. 8.Diggelmann, T., Boyd-Graber, J., Bulian, J., Ciaramita, M. I. & Leippold, M. Climate-fever: a dataset for verification of real-world climate claims. In: NeurIPS Workshop on Tackling Climate Change with Machine Learning, 2020..
49. 9.Bakker, M. et al. Fine-tuning language models to find agreement among humans with diverse preferences. Adv. Neural Inf. Process. Syst.35, 38176-38189 (2022). [Google Scholar].
50. en, J., Kim, G., Sriram, A., Durrett, G. & Choi, E. Complex claim verification with evidence retrieved in the wild, May 2023..
51. 11.Jiang, Y. et al. HoVer: a dataset for many-hop fact ex-traction and claim verification, November 2020..
52. 12.Wadden, D. et al. SciFact-Open: towards open-domain scientific claim verification, October 2022..
53. Vérifier une information avant de la partager : méthodes fiables.
54. Natasha Vig. How to Verify Information Before Sharing in 2026 – ITSYOURDIGITAL | Marketing, Web, Creative & Printing. 2025.
55. Factare. Comment vérifier une information : le guide complet (méthode + outils). 2026.
56. Inspire Pearls. What Does It Mean When I Verify Information Before Sharing?. 2026.