Vérifier une information avant de partager : 6 réflexes

Une capture d’écran, un titre alarmant ou une vidéo virale ne suffit pas pour établir un fait. Avant de cliquer sur partager, six réflexes permettent de remonter à la source, de contrôler le contexte et d’éviter de transformer une rumeur en certitude.

On est nombreux à avoir relayé une information parce qu’elle confirmait ce qu’on pensait déjà, parce qu’elle venait d’un proche ou parce que le message criait presque « urgent ». Dans les faits, la vitesse de circulation ne dit rien de la qualité d’une information. Un contenu peut être très partagé, bien écrit et trompeur.

Un article publié dans PNAS le 10 décembre 2024 apporte un repère utile. Dans une expérience randomisée et préenregistrée sur des titres politiques, un modèle d’intelligence artificielle identifiait correctement 90 % des titres faux. Pourtant, la consultation de ses vérifications n’améliorait pas nécessairement la capacité des participants à distinguer le vrai du faux ni leur intention de partager. L’étude signale même un risque d’erreur lorsque le modèle classait mal un contenu ou exprimait son incertitude.

Vérifier une information ne consiste donc pas à demander à un outil de penser à notre place. Il faut ralentir assez pour comprendre ce qui est affirmé, qui le dit et sur quelles preuves.

Le clic qui claque, la preuve qui manque

Un titre peut annoncer une disparition, une découverte médicale ou une décision politique sans apporter le moindre élément vérifiable. Le piège tient souvent dans le décalage entre la force de la formulation et la faiblesse du contenu. « On vous cache tout », « partagez avant suppression » ou « les experts sont formels » sont des déclencheurs d’attention, pas des preuves.

Titre choc, cerveau en stock limité

Premier réflexe : reformulez l’affirmation en une phrase neutre. « Cette vidéo prouve que telle personne a fait ceci » devient : « Une vidéo montre une scène attribuée à telle personne, à telle date et dans tel lieu. » Cette traduction fait apparaître les informations manquantes : l’auteur, le moment, le lieu, la source originale et le lien entre les images et la conclusion.

La colère, la peur ou l’envie de ridiculiser quelqu’un ne rendent pas automatiquement l’information fausse. Elles peuvent toutefois réduire le temps consacré à la vérifier. Dans la plus pure tradition du clic impulsif, on lit trois mots, on imagine le reste, puis on transmet. Oui, on a tous fait cette erreur au moins une fois.

Une émotion peut signaler qu’il faut ralentir, jamais qu’il faut partager.

Remonter le fil sans perdre le nord

Deuxième réflexe : cherchez l’origine du contenu. Une publication sur un réseau social peut résumer un article, qui reprend lui-même un communiqué, une étude, une décision officielle ou un témoignage. À chaque étape, une date peut disparaître, une nuance être coupée ou une hypothèse devenir une certitude.

Auteur, date, preuve : le trio qui tient la route

Contrôlez trois éléments concrets : l’identité de l’auteur ou de l’organisation, la date de publication et la preuve consultable. Un article signé par une personne compétente dans le domaine n’a pas le même point de départ qu’un compte anonyme. Cela ne rend pas automatiquement le premier exact ni le second faux, mais l’anonymat impose une vérification plus exigeante.

La date compte autant que l’auteur. Une ancienne déclaration peut être présentée comme une actualité, une recommandation peut avoir changé et une image peut ressortir plusieurs années après l’événement qu’elle montre. Un message publié aujourd’hui ne devient pas récent simplement parce qu’il vient d’apparaître dans votre fil.

Pour une photo ou une vidéo, recherchez une image extraite de la séquence, puis comparez les premières publications, la date et le lieu annoncés. Une image authentique peut être associée au mauvais événement. La recherche inversée aide à retrouver les traces disponibles, mais elle ne remplace pas la lecture du contexte.

Chez Secrets d’Hommes, on en a débattu entre nous : dix comptes qui recopient le même message ne constituent pas dix confirmations. La source la plus répétée n’est pas forcément la plus solide.

Les chiffres font leur cinéma

Troisième réflexe : replacez chaque statistique dans son cadre. Avant de reprendre un pourcentage, cherchez la population étudiée, la période, la taille de l’échantillon, la définition utilisée et la comparaison choisie. Un résultat obtenu auprès de 500 personnes ne décrit pas automatiquement toute une population.

Pourcentage cherche contexte

Les mots « risque », « moyenne », « record » ou « significatif » peuvent avoir un sens technique. Deux publications peuvent sembler contradictoires parce qu’elles ne parlent pas du même groupe ou ne mesurent pas la même chose. Une différence de 5 points n’a pas la même portée selon que l’on compare 10 personnes, 10 000 personnes ou deux périodes différentes.

Les graphiques méritent le même examen. Une échelle qui ne commence pas à zéro peut amplifier visuellement un écart. Une citation coupée peut supprimer la réserve qui change l’interprétation. La bonne question n’est pas seulement « qu’est-ce qui est affiché? », mais aussi « qu’est-ce qui manque pour comprendre? »

Un chiffre sans population, sans période et sans méthode ressemble à une preuve. Il n’en a pas encore la carrure.

Pour les sujets scientifiques, médicaux ou climatiques, revenez au document primaire : étude, jeu de données, organisme public ou institution reconnue. Un article publié dans npj Climate Action en 2025 a présenté Climinator, un système de vérification des déclarations climatiques qui combine des sources scientifiques et un cadre de comparaison entre analyses. Ce résultat décrit ce dispositif et son protocole, pas la capacité générale de tous les chatbots à vérifier une affirmation climatique.

Le biais en miroir, l’ego au volant

Quatrième réflexe : cherchez ce qui pourrait affaiblir l’affirmation, surtout lorsqu’elle confirme votre opinion. On ne contrôle pas toujours avec la même sévérité un message qui va dans notre sens et un message qui nous contrarie. L’ego, un allié qui devient parfois un ennemi, adore cette petite mécanique.

Tester son camp avant de prendre parti

Posez trois questions : quelle information manque pour conclure? Le document original contient-il une réserve? Une source indépendante décrit-elle une version différente? Cette étape ne consiste pas à défendre le point de vue opposé à tout prix. Elle sert à tester la solidité du premier réflexe.

Comparez des sources qui ne recopient pas toutes la même publication. Une page peut reprendre une dépêche, une autre le même communiqué et une troisième une capture du premier post. Leur accord apparent ne constitue alors qu’une seule chaîne de transmission.

La vérification n’exige pas de traiter toutes les opinions comme équivalentes. Elle demande de distinguer un désaccord sur l’interprétation d’un désaccord sur les faits. Pas franchement convaincant, ce tribunal improvisé où chacun arrive avec son verdict.

L’IA peut aider, pas trancher

Cinquième réflexe : utilisez l’intelligence artificielle pour organiser une recherche, pas pour clore la recherche. Un modèle peut reformuler une affirmation, repérer une incohérence ou proposer des pistes. Il peut aussi produire une réponse fluide, assurée et fausse. Une référence bien présentée ne prouve pas qu’elle soutient réellement la phrase.

Robot de recherche, pas arbitre des faits

L’étude publiée dans Journal of Medical Internet Research en 2025 sur la vérification de déclarations liées à la Covid-19 a développé des systèmes combinant GPT-4 avec un corpus d’environ 130 000 articles scientifiques évalués par les pairs. Ce protocole montre l’intérêt de retrouver des documents externes, mais il reste lié à ses données, à ses critères et à ses méthodes de recherche.

Une autre étude comparative publiée dans JMIR Formative Researchacceptée le 10 septembre 2025 et intégrée à une collection en 2026, a comparé deux modèles de langage à trois experts humains dans un scénario portant sur la sécurité d’un traitement contre l’acné. Le dispositif concernait une situation clinique précise. Il ne permet donc pas de transformer la réponse d’un modèle en avis médical général.

Le même principe vaut pour une image générée ou retouchée. La qualité du texte, l’absence de fautes ou un rendu très réaliste ne suffisent pas à établir son authenticité. Il faut recouper la source, le contexte, la date et les traces autour de la publication.

Un outil peut accélérer la vérification. Il ne peut pas porter seul la responsabilité du verdict.

Partager ou s’abstenir, le dernier clic

Sixième réflexe : décidez du niveau de certitude avant de décider du partage. Trois options restent cohérentes : transmettre le fait avec sa source et sa date, présenter clairement l’information comme incertaine, ou ne rien transmettre. La troisième option évite de faire circuler un contenu que personne ne pourrait ensuite corriger facilement.

Corriger sans faire disparaître la trace

Si vous avez déjà relayé une erreur, corrigez-la clairement au même endroit. Ne supprimez pas simplement le message en espérant que l’Internet oublie tout, ce vieux rêve est aussi réaliste qu’une routine de soin tenue trois jours. Une correction précise indique ce qui était faux, ce qui est établi et quelle source permet de vérifier.

Le partage responsable ne demande pas de tout savoir. Il demande de ne pas présenter comme certain ce qu’on n’a pas vérifié. La prochaine fois qu’un message vous pousse à cliquer immédiatement, retirez-lui son costume de vérité et regardez ce qu’il reste après la source, la date, la preuve et le contexte.

S’il tient encore deboutil pourra peut-être voyager. Sinon, qu’il reste dans les brouillons avec les autres grandes idées du dimanche soir.

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. Portfolio. How to Verify Information Before Sharing in 2026 – ITSYOURDIGITAL | Marketing, Web, Creative & Printing. 2025.
54. Md. Ashikuzzaman. Why Is It Important to Verify the Accuracy of Knowledge Before Sharing It?. 2025.
55. Gordana Laskovic. Check information on the internet: The ultimate guide. 2024.
56. Check for citations and sources.
57. Expert interviews and citations.
58. Transparency and citations.
59. How to Evaluate Online Information Before You Share It. 2026.