Misinformation Fragility Score

Un verdict binaire « vrai/faux » ne capte pas la réalité de la désinformation contemporaine, qui mélange systématiquement faits exacts, contexte tronqué et présentation manipulatoire. Le MFS Score agrège trois dimensions indépendantes et les pondère selon leur poids relatif dans la fragilité globale d'un contenu.

CFS : Claim Falsity Score (50%)

La fausseté factuelle des claims individuels. Chaque claim reçoit une « valeur de pénalité » (VP) selon son verdict :

• « Confirmé » → VP = 0
• « Plutôt vrai » → VP = 1
• « Moyen » → VP = 3
• « Non vérifié » → VP = 4
• « Trompeur » → VP = 7
• « Faux » → VP = 10

CFS = Σ(VP × confidence) / (nb_claims × 10) × 100

Exemple concret. Un contenu de 5 claims tous étiquetés « Faux » donne CFS = 50 / 50 × 100 = 100. Avec 5 claims « Non vérifié » on tombe à CFS = 20 / 50 × 100 = 40.

Le CFS pèse 50% du MFS final. Un contenu peut être catastrophique sur ce critère seul (tous les claims « Faux » → CFS = 100) sans avoir besoin de manipulation ouverte ni de sources douteuses.

MTS : Manipulation Tactics Score (30%)

L'intensité de la manipulation détectée, basée sur la taxonomie de red flags (47 codes en 6 familles). Chaque red flag détecté contribue selon sa sévérité :

• Severe → 8 points
• Moderate → 4 points
• Minor → 1 point

MTS = Σ(points × gravité_famille) / (nb_claims × 8) × 100, plafonné à 100

Le dénominateur est fixe : nb_claims × 8, ce qui correspond à « un red flag Severe par claim » comme baseline. C'est ce qui rend le score reproductible : sans dénominateur explicite, deux runs successifs sur le même contenu pouvaient donner des MTS différents (le modèle inventait sa propre échelle à chaque fois).

Exemple concret. 5 claims, le modèle détecte 3 red flags Severe (B3 faux experts, C10 inversion charge de preuve, F7 pseudoscience) et 2 Moderate (A4 us-vs-them, D7 étude mal représentée). Σ(points) = 3×8 + 2×4 = 32. Dénominateur = 5×8 = 40. MTS = 80.

Pèse 30%. Un article peut être factuellement exact mais utiliser un cadrage manipulatoire violent (panique morale, fausse urgence, deepfake) qui le rend dangereux à diffuser même sans contenu faux.

SCD : Source Credibility Deficit (20%)

Le déficit de sources fiables. Pour chaque claim, on regarde la meilleure source citée et on applique une pénalité :

• T1-T2 (IFCN, institutionnelles) → 0 (excellent)
• T3-T4 (wires, peer-reviewed) → 1 (bon)
• T5-T6 (experts, presse régionale) → 3 (acceptable)
• T7 (blogs, réseaux sociaux) → 6 (faible)
• T8 ou aucune source citée → 10 (catastrophique)

SCD = Σ(pénalité par claim) / (nb_claims × 10) × 100

Exemple concret. 5 claims : 2 sourcés Tier 1-2 (pénalité 0 + 0), 1 sourcé Tier 3-4 (pénalité 1), 2 sans aucune source (pénalité 10 + 10). Σ = 21. Dénominateur = 50. SCD = 42.

Pèse 20%. Un contenu peut être exact et non manipulatoire mais reposer entièrement sur des sources anonymes ou non-attribuables : c'est un signal d'alerte indépendant.

Exemple complet : vidéo « la Terre est plate »

Une vidéo type « platiste » avec 5 claims (la Terre est plate, la NASA ment, les photos sont truquées, la gravité n'existe pas comme décrite, l'horizon prouve que c'est plat) devrait produire :

Si tu obtiens un score significativement plus bas sur ce type de contenu, c'est généralement que le modèle a mis quelques claims en « Non vérifié » par excès de prudence (avant la règle anti-hésitation), ou que le dénominateur MTS était mal estimé (avant la formule fixe), ou que des claims sans source ont été comptés à 0 plutôt que 10 sur le SCD.

Grille de lecture du MFS final

Cohérence verdict ↔ score

Le MFS détermine de manière déterministe le verdict global affiché. Si le modèle attribue un verdict global incompatible avec le MFS calculé (par exemple « TROMPEUR » avec un MFS de 14), le verdict est automatiquement réaligné côté serveur sur la grille ci-dessus, et la correction est signalée explicitement à l'utilisateur. Cette discipline empêche les hallucinations d'inter-cohérence du modèle.