764 rétractations : sans détection IA en édition | It's AI
764 rétractations : sans détection IA en édition
Trois études recensent 764 rétractations liées à l'IA en revues scientifiques. La plupart ont mis 550+ jours à être détectées. Voici la chaîne de fraude.
Svetlana Shakhova15 avr. 202620 min read
764 articles rétractés : ce qu'il se passe sans détection IA en édition
Les revues scientifiques étaient censées être le dernier endroit où le texte est réellement contrôlé. L'évaluation par les pairs et la supervision éditoriale devaient tenir la mauvaise science à distance. Ce n'est pas ce qui s'est passé.
Début 2026, trois études indépendantes sont arrivées à la même conclusion : des articles générés par IA se sont glissés dans des revues évaluées par les pairs, où ils sont cités et servent de base à d'autres recherches. Et quand une fraude est enfin retirée, plus de dix-huit mois se sont parfois déjà écoulés — assez longtemps pour influencer des dizaines d'autres publications.
Une revue systématique publiée dans Frontiers et une analyse de 764 rétractations via PubMed situent toutes deux 2023 comme année de pointe. Une troisième étude, pas encore évaluée par les pairs, couvre 3 974 DOI rétractés (Preprints.org) et va plus loin : l'IA générative n'est plus un facteur marginal dans la fraude en recherche. Elle en est devenue l'infrastructure. Et la plupart des éditeurs n'ont toujours pas adopté de logiciel de détection IA. Voici à quoi ressemblent les chiffres.
Envie de savoir ce que donne votre propre texte ? Vérifiez-le ici même.
caractères (min 200) : 0/500000
PDF, DOCX, TXT
Analyse approfondie de l'IA
Découvrez quelle partie du texte semble générée par l'IA grâce à notre segmentation au niveau de la phrase.
Vérification du plagiat
détectez le contenu plagié en comparant votre texte avec des sources en ligne.
Vérification de la grammaire
trouver Erreurs de grammaire et d'orthographe dans votre texte.
4000mots restants
Intégrité académique sous pression : les chiffres de la détection IA
Le schéma géographique est difficile à ignorer. Dans les trois études, la majorité des articles rétractés provient des mêmes régions : 551 sur 764 dans le jeu de données PubMed viennent de Chine, 40 de l'Inde, 23 du Bangladesh. La revue Frontiers indique 72,2 % d'auteurs basés en Chine. Cela ne signifie pas que le problème est chinois. Cela signifie que l'industrie des usines à articles a trouvé son plus grand marché là, où la pression « publier ou périr » est extrême et où l'application des règles accuse du retard.
Les motifs de rétractation se recoupent presque entièrement d'une étude à l'autre. Dans le jeu de données PubMed : problèmes d'évaluation par les pairs signalés pour 716 articles sur 764, préoccupations liées aux données pour 714, citations irrelevantes ou fabriquées pour 571, et preuves directes d'une utilisation non éthique de l'IA pour 238. La plupart des articles ont été retirés pour plusieurs raisons à la fois. L'analyse Preprints.org a confirmé le même schéma à plus grande échelle : le contenu généré par IA se regroupe étroitement avec les signatures des usines à articles. Là où vous en trouvez un, vous en trouvez l'autre.
Rétractations de publications IA : les chiffres qui comptent
On pourrait croire qu'une fois un article rétracté, l'affaire est classée. En pratique, une rétractation change très peu. Les travaux retirés continuent d'être cités, et un tiers des auteurs ne se considèrent même pas responsables. Le mécanisme de nettoyage existe sur le papier. Il ne suit tout simplement pas le volume.
Et voici l'impasse réelle : entre la publication d'une fraude et sa rétractation, il s'écoule deux à trois ans. Pendant ce temps, le travail se retrouve dans les méta-analyses d'autres chercheurs et alimente leurs conclusions. La rétractation arrive quand les dégâts sont déjà ancrés dans le système. Une vérification par détecteur IA à la soumission signalerait la plupart de ces cas. Mais presque aucune revue n'utilise un détecteur IA pour les articles de recherche. La section suivante examine d'où vient cette vague.
Usines à articles et IA générative : comment la science est fabriquée
Avant l'IA générative, les usines à articles fonctionnaient autrement. Elles embauchaient des personnes, achetaient des évaluations, fabriquaient des données à la main. Coûteux et lent. Les modèles génératifs ont rendu tout cela inutile — souvent avec l'aide d'outils humaniseurs d'IA académiques qui lissent le texte IA pour les revues.
Un exemple révélateur : Wiley a racheté l'éditeur Hindawi en 2021 pour 298 millions de dollars (Retraction Watch). Une bonne affaire — sauf sur un point. En 2024, ils ont dû rétracter plus de 11 300 articles. Pertes : 35 à 40 millions de dollars, le PDG est parti, la marque a été fermée. Le problème venait des numéros spéciaux : l'évaluation par les pairs y était gérée par des éditeurs invités — exactement la porte d'entrée des usines à articles.
Wiley n'est pas un éditeur inconnu. Si des usines à articles sont entrées chez Wiley, elles ne manquent que dans les revues qui n'ont pas encore vérifié. Frontiers a identifié en juillet 2025 un réseau de 122 articles avec évaluation par les pairs et citations manipulées (Frontiers) et, au passage, a signalé 4 000 articles suspects chez sept autres éditeurs.
Le coût marginal d'un faux article est aujourd'hui proche de zéro. Un LLM génère un texte unique en quelques minutes. Les anciennes méthodes de détection IA (recherche d'erreurs linguistiques, images dupliquées) sont ici inutiles : chaque sortie est unique.
ChatGPT cite des articles rétractés : la boucle de rétroaction
Les articles fabriqués ne représentent que la moitié du problème. L'autre moitié : les systèmes IA sur lesquels s'appuient les chercheurs ne distinguent pas un article rétracté d'un article valide.
Retraction Watch décrit une expérience : 217 publications signalées ont été soumises à ChatGPT 30 fois chacune. Zéro avertissement de rétractation. Le bot a qualifié la plupart des travaux retirés d'« excellence internationale ». Lorsqu'on lui a présenté des affirmations précises tirées de ces articles en lui demandant si elles étaient vraies, les deux tiers des réponses étaient : oui, vrai — alors que les données étaient fabriquées.
La situation empire. MIT Technology Review a testé non seulement ChatGPT, mais aussi des outils qui se présentent comme assistants de recherche : Elicit, Ai2 ScholarQA, Perplexity, Consensus. Les résultats figurent dans le tableau ci-dessous — et ils sont tout aussi mauvais partout.
C'est donc une boucle. Aucun vérificateur de citations — humain ou automatisé — ne la brise. L'IA génère de faux articles. Ils passent l'évaluation, sont publiés. Puis d'autres systèmes IA reprennent ces mêmes articles comme sources pour leurs réponses. Quelqu'un interroge ChatGPT sur un traitement médical, le bot trouve un article avec un DOI réel et le présente comme fiable. L'article a été rétracté depuis longtemps. L'utilisateur ne le saura jamais, car aucun des outils testés ne fonctionne par défaut comme vérificateur de références.
Au-delà de l'université : pourquoi la détection IA dans l'écriture concerne tout le monde
En 2025, la base Retraction Watch comptait plus de 59 000 publications retirées (Sharon Kabel). Les éditeurs réagissent, mais ils construisent des filtres pour la génération précédente de fraudes. Chaque nouveau modèle produit un texte qui passe les tests auxquels le précédent échouait. Le preprint Preprints.org appelle cela le « sophistication gap », et pour l'instant il s'élargit.
Mais cela a cessé d'être un problème uniquement académique depuis longtemps. Imaginez un médecin qui prescrit un traitement selon des recommandations cliniques. Ces recommandations reposent sur une méta-analyse de dizaines d'études. Si une étude d'usine à articles s'y est glissée, le médecin traite un patient sur la base de données fausses. Il l'ignore. Le patient l'ignore encore plus. L'évaluation par les pairs est le filtre le plus strict qui existe pour un texte. Si le contrôle d'intégrité académique le plus rigoureux ne suit pas, qu'en est-il des textes marketing et des communiqués de presse ? Personne ne vérifie là-bas si l'auteur est une personne ou un modèle.
Les outils de détection IA comme le détecteur IA It's AI ne règlent pas tout. Mais ils répondent à une question concrète : un humain a-t-il écrit ce texte, ou non ? Sans cette réponse, juger l'authenticité de n'importe quel texte relève du pur hasard — d'où l'intérêt pour les éditeurs de s'appuyer sur la précision vérifiée de la détection IA en édition.
FAQ
Les outils de détection IA analysent le texte à la recherche de motifs statistiques qui séparent l'écriture humaine de la sortie machine. La plupart des détecteurs mesurent deux éléments : la perplexité (à quel point le mot suivant est prévisible) et la burstiness (à quel point la longueur et la structure des phrases varient). Les rédacteurs humains produisent un texte inégal — fragments courts, puis une longue proposition, puis une question. Les modèles de langage ont tendance à aplatir cette variation. Les détecteurs modernes comme le détecteur IA It's AI combinent plusieurs classificateurs entraînés sur des millions d'échantillons de différents modèles, ce qui leur permet de repérer du texte que des outils plus simples à méthode unique manquent. Le résultat est généralement un score de probabilité, pas un oui/non binaire.
Les meilleurs outils de détection IA atteignent désormais plus de 95 % de précision sur du texte académique en anglais lorsque l'article complet est soumis — pas seulement un résumé ou un paragraphe. Les échantillons courts sont plus difficiles : la précision descend sous 80 % pour moins de 300 mots. L'indicateur clé à surveiller n'est pas seulement la précision globale, mais le taux de faux positifs. En contexte académique, un détecteur qui signale à tort de l'écriture humaine est pire qu'un détecteur qui manque parfois du texte IA. C'est pourquoi les meilleurs détecteurs IA académiques indiquent des intervalles de confiance, pas seulement un chiffre unique. Faites la vérification sur le manuscrit complet, pas sur un extrait.
Un faux positif se produit lorsqu'un outil de détection IA signale du texte rédigé par un humain comme généré par machine. Déclencheurs fréquents : écriture très formulaire (clauses types juridiques, sections méthodes standard), anglais non natif avec un vocabulaire limité, et texte fortement retouché par plusieurs personnes jusqu'à perdre toute voix individuelle. Les taux de faux positifs des bons détecteurs se situent entre 1 % et 5 % pour l'anglais général. L'écriture académique est légèrement plus élevée, car les sections méthodes sont répétitives par conception. Si vous obtenez un faux positif sur votre propre travail, identifiez la section concernée. Il s'agit généralement d'un ou deux paragraphes, pas de l'article entier.
Collez le texte complet dans un vérificateur IA fiable — pas seulement le résumé. Effectuez la vérification avant la soumission finale, une fois que tous les co-auteurs ont apporté leurs modifications. Si le score est élevé, examinez les sections signalées. Les sections méthodes et revues de littérature sont plus souvent marquées, car leur structure est prévisible. Ne réécrivez pas ces sections pour tromper le détecteur — cela va à l'encontre de l'objectif. Vérifiez plutôt que votre analyse, discussion et conclusions originales sonnent réellement comme les vôtres. Certaines revues effectuent désormais leur propre vérification par détecteur IA à la soumission. Mieux vaut connaître votre score avant qu'elles ne le fassent.
Oui — et beaucoup en contiennent déjà. Les grands éditeurs — Springer Nature, Elsevier, Wiley, Science — ont mis à jour leurs politiques entre 2023 et 2025. La plupart autorisent l'IA comme aide à la rédaction (grammaire, traduction, lisibilité), mais exigent que les auteurs décrivent précisément comment ils l'ont utilisée. Aucun n'accepte de recherche, de données ou d'analyses générées par IA. Le problème : la déclaration est volontaire, et aucun processus d'évaluation par les pairs n'inclut actuellement une étape obligatoire de détection IA. Un vérificateur d'articles évalués par les pairs n'existe pas encore comme standard du workflow éditorial. Certaines revues en testent un en pilote. La plupart non.
