Retrieving Climate Change Disinformation by Narrative : quand l’IA apprend à repérer les histoires toxiques
Il y a des papiers qui proposent un nouveau modèle. Et puis il y a ceux qui déplacent la question. Retrieving Climate Change Disinformation by Narrative appartient clairement à la seconde catégorie. Au lieu de demander : « dans quelle case ranger ce texte ? », les auteurs demandent : « si je décris le cœur d’un récit trompeur, puis-je retrouver tous les textes qui l’expriment, même s’ils le disent autrement ? »
Dit autrement, ils cessent de traiter la désinformation comme une collection d’étiquettes fixes et la prennent pour ce qu’elle est souvent : une matière mouvante, opportuniste, caméléonne. Le narratif change de costume, pas toujours de squelette. C’est précisément ce qui rend ce papier intéressant, et même un peu inquiétant dans le bon sens du terme : il montre qu’on peut essayer de suivre des récits mensongers émergents sans attendre d’avoir fabriqué la taxonomie parfaite, le classifieur parfait, ou le tableau Excel miraculeux qui arrive toujours six mois trop tard.
La désinformation est un fléau de notre temps. Oui, les « fake news », la « post-vérité » et leurs cousins sapent les démocraties. Mais la démocratie ne repose pas seulement sur la vérité comme abstraction morale. Elle repose aussi sur une capacité collective à produire des désaccords réglés à partir de faits contestables, vérifiables, corrigeables. La confiance démocratique n’exige pas une société infaillible ; elle exige une société où le mensonge n’a pas toujours un coup d’avance. Ce papier, modestement mais concrètement, travaille exactement à cet endroit-là.
Le vrai sujet du papier : retrouver un récit, pas juste reconnaître des mots
Le point de départ est simple et très fort. Les jeux de données sur la désinformation climatique rangent souvent les textes dans des taxonomies narratives déjà définies. Cela marche bien pour détecter des récits connus, mais mal pour attraper les nouveaux venus. Les auteurs résument le problème avec une formule limpide : la classification suppose « a fixed label set », alors que les récits de désinformation, eux, évoluent.
C’est le genre de phrase qui paraît banale jusqu’au moment où on comprend ses conséquences. Si vous entraînez un système à reconnaître dix récits, il sera très bon pour reconnaître ces dix récits. Le onzième, celui qui naît demain sur une plateforme obscure avant de remonter dans les recommandations, lui, risque de passer entre les mailles. Les auteurs proposent donc de reformuler la tâche comme un problème de retrieval (recherche d’information) : on prend la description centrale d’un narratif comme requête, puis on classe les textes d’un corpus selon leur alignement avec ce narratif.
L’idée a quelque chose d’élégant. On ne demande plus à la machine : « est-ce la classe 7 ? » On lui demande : « montre-moi les textes qui racontent, au fond, cette même histoire. » D'une certaine façon, on passe du classeur à tiroirs au radar. Le classeur est impeccable quand tout est déjà nommé. Le radar, lui, sert justement quand quelque chose approche sans avoir encore de fiche d’identité.
Pourquoi c’est difficile
Le papier insiste sur un point essentiel : un narratif n’est pas une simple suite de mots-clés. Un texte peut défendre l’idée que « le CO2 est bon pour les plantes » sans jamais écrire exactement cette phrase. Il peut le faire par détours, insinuations, exemples, posture pseudo-scientifique, ou simple cadrage rhétorique. Les auteurs écrivent que la difficulté vient de « the gap between narrative descriptions, which are abstract, and their textual instantiations, which are concrete and stylistically diverse ».
Cette phrase vaut presque tout le papier à elle seule. Elle rappelle une chose importante pour les gens de data, d’IA, de recherche, mais aussi pour les journalistes et les modérateurs : on ne combat pas la désinformation sérieuse avec une simple chasse aux mots interdits. Les récits malhonnêtes sont plus souples que ça.
La méthode : SpecFi, ou comment fabriquer des textes hypothétiques utiles
La proposition centrale s’appelle SpecFi pour Speculative Fiction. Le nom pourrait faire sourire, mais il est bien choisi. Le système reçoit une description narrative abstraite, puis génère des documents hypothétiques qui ressemblent à des formulations plausibles de ce narratif. Ensuite, ces documents générés sont encodés et servent à retrouver les textes réels les plus proches dans le corpus.
Dit plus simplement : au lieu de chercher directement à partir d’une définition trop abstraite, le système se fabrique quelques exemples plausibles de ce que ce récit pourrait donner « dans la vraie vie », puis il cherche à partir de ces exemples. C’est une adaptation de HyDE, pour Hypothetical Document Embeddings.
Les auteurs testent deux variantes.
La première, SpecFi-DR, récupère comme exemple un texte proche dans le corpus via un retriever dense. La seconde, SpecFi-CS, récupère non pas un texte brut, mais un community summary : un résumé de communauté produit à partir d’un graphe de connaissances construit par NodeRAG. Ce graphe relie entités, relations, unités sémantiques et morceaux de texte, puis une détection de communautés repère des grappes thématiques. À partir de là, le système génère des résumés de communautés qui servent d’exemples de haut niveau.
C’est ici que le papier devient particulièrement malin. Un exemple tiré d’un texte réel peut être trop particulier, trop local, trop accidentel. Un résumé de communauté, lui, peut mieux capturer l’espace interprétatif général du narratif. En français courant : au lieu d’imiter une phrase, on essaie d’attraper la logique du récit.
Les résultats : pas juste mieux, mais plus robuste
Sur le jeu de données CARDS, la meilleure configuration sans labels narratifs atteint une MAP (Mean Average Precision, précision moyenne) de 0,505 avec SpecFi-CS et un modèle « abliterated », devant la baseline dense à 0,299 et devant SpecFi-DR à 0,457.
Sur Climate Obstruction, la hiérarchie change : SpecFi-DR fait légèrement mieux que SpecFi-CS, avec une MAP de 0,519 contre 0,491. Sur PolyNarrative Climate Change, la meilleure MAP vient d’un encodeur dense Qwen3-E-4B à 0,502, tandis que SpecFi-CS-a atteint 0,471.
Autrement dit, la méthode ne gagne pas partout de la même manière. Et c’est plutôt rassurant. Les auteurs ne vendent pas une baguette magique universelle ; ils montrent qu’il existe un avantage net sur certains contextes, notamment quand les résumés de communautés capturent bien la structure narrative du corpus.
Le résultat le plus intéressant n’est pourtant pas la seule performance brute. C’est la robustesse face à ce que les auteurs appellent la narrative variance : une mesure de la dispersion interne des textes d’un même narratif. Plus cette variance est élevée, plus un même récit se manifeste sous des formes diverses. Et c’est là que les méthodes classiques souffrent. Sur CARDS, BM25 perd 63,4 % de MAP quand on passe des narratifs à faible variance aux narratifs à forte variance. Le retriever dense Qwen3-E-4B perd 51,8 %. SpecFi-CS-a, lui, ne perd « que » 32,7 %, tout en gardant la meilleure MAP absolue dans les deux groupes.
C’est un résultat très parlant. Il dit que la méthode devient particulièrement utile quand les récits sont les plus glissants, les plus polymorphes, donc précisément quand un simple moteur lexical commence à patiner. Le radar, ici, voit encore quelque chose quand le classeur ne sait plus dans quel tiroir chercher.
Le passage le plus fascinant : quand les résumés non supervisés retrouvent presque les catégories des experts
Le papier contient un autre résultat, moins spectaculaire numériquement, mais intellectuellement délicieux. Les auteurs observent que les résumés de communautés générés sans accès aux labels narratifs convergent souvent vers des formulations proches des taxonomies expertes. Sur les 17 narratifs de CARDS, 11 reçoivent des résumés alignés avec le label de taxonomie au moins au niveau du « super-claim », 2 sont fusionnés avec un sous-narratif voisin, et 4 dérivent ou deviennent incohérents.
J’aime beaucoup cette partie parce qu’elle dit quelque chose de plus large sur l’IA et la science des données. Quand on construit un bon graphe et qu’on laisse émerger des communautés, on ne fait pas que « compresser » des documents. On peut parfois faire remonter une structure latente du débat. Les auteurs écrivent d’ailleurs que ces résultats suggèrent que « graph-based community detection can surface this structure from unlabeled text ».
Évidemment, tout n’est pas rose. Ils décrivent trois motifs : convergence, collapse et drift. La convergence, c’est quand le résumé de communauté retombe juste. Le collapse, c’est quand plusieurs sous-récits voisins sont fusionnés. Le drift, c’est plus piquant : le système capte bien le sujet, mais pas le sens de l’argument, et peut inverser la polarité d’un récit. En gros, il comprend qu’on parle d’énergie propre, mais ne sait plus si le texte la défend ou l’attaque.
Cette faiblesse est importante, car elle rappelle une vérité souvent oubliée dans les discussions sur l’IA : comprendre le thème n’est pas encore comprendre la position. Pour lutter contre la désinformation, c’est une distinction décisive.
Pourquoi ce papier compte au-delà du climat
Le sujet affiché est le changement climatique, mais l’intérêt dépasse largement ce domaine. Pour l’IA appliquée, le papier montre une piste crédible pour passer d’une modération réactive à une surveillance plus prospective des récits émergents. Pour les équipes produit, cela peut inspirer des outils de veille éditoriale ou de détection précoce sur forums, réseaux sociaux, tickets de support, voire commentaires de jeux en ligne quand une communauté voit circuler un récit toxique ou manipulateur.
Pour la data science, le papier est aussi un joli rappel méthodologique : parfois, le vrai progrès n’est pas un nouveau backbone, mais une meilleure formulation du problème. Re-cadrer la détection comme de la recherche d’information, enrichie par génération hypothétique et par structure de graphe, change ce qu’on peut surveiller.
Et pour les créateurs de jeux, oui, il y a aussi une piste. Dans un jeu narratif, un RPG, un jeu d’enquête ou une simulation politique, reconnaître des « familles de récits » plutôt que des phrases exactes peut servir à suivre des rumeurs, des factions, des manipulations d’opinion ou des arcs émergents. Ce n’est pas le propos du papier, bien sûr, mais la mécanique conceptuelle est là : retrouver une histoire par sa logique profonde, pas seulement par sa surface verbale. C’est très game design compatible.
Une prudence salutaire : l’outil qui démonte peut aussi servir à mieux fabriquer
Le papier a le mérite de ne pas esquiver la question éthique. Les auteurs notent que leur approche dépend de modèles capables de générer de la désinformation, et qu’un tel travail pourrait indirectement aider à mieux entraîner des modèles pour en produire. C’est une limite réelle, pas un détail administratif.
Il faut le dire franchement : toute technologie qui comprend mieux les récits mensongers peut être utilisée pour mieux les contrer, mais aussi pour mieux les écrire. La bonne réponse n’est donc pas la panique technophobe, ni l’enthousiasme naïf. C’est la gouvernance, la traçabilité, la publication responsable, et un travail institutionnel sérieux autour des usages. La vérité compte, bien sûr, mais la démocratie tient aussi par des procédures crédibles pour distinguer l’erreur de la manipulation organisée.
En conclusion
Ce papier ne résout pas la désinformation climatique. Il ne prétend d’ailleurs pas le faire. Mais il propose quelque chose de précieux : une manière plus souple de retrouver des récits trompeurs à mesure qu’ils mutent. En transformant la détection en tâche de recherche, en générant des documents hypothétiques et en s’appuyant sur des résumés de communautés issus d’un graphe, les auteurs montrent qu’on peut gagner à la fois en performance et en robustesse, surtout quand les narratifs deviennent variés, implicites et insaisissables.
La leçon de fond est simple : la désinformation n’est pas seulement un stock de mensonges, c’est une fabrique de récits. Et si l’on veut défendre l’espace public, il faut apprendre à suivre ces récits comme des formes qui se déplacent. Pas seulement comme des phrases qu’on surligne en rouge.
Ce n’est pas très romantique, certes. Mais entre nous, si la démocratie doit se défendre avec des graphes, des embeddings et un peu de « speculative fiction », elle a au moins le mérite de choisir des armes qui lisent avant de juger. Ce qui, à l’époque des certitudes instantanées, est déjà une forme de politesse civique.
Référence
Upravitelev, Max, Veronika Solopova, Charlott Jakob, Premtim Sahitaj, et Vera Schmitt. Retrieving Climate Change Disinformation by Narrative. arXiv:2603.22015v1, 23 mars 2026.