Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Résumé

This thesis investigates the cognitive and computational mechanisms that shape susceptibility to fake news by integrating machine learning, large language models, and eye-tracking analysis.

The first contribution evaluates how contextual metadata can enhance BERT and LSTM models for fake news detection. The findings reveals that enriching a BERT-based architecture with contextual metadata improves the automated fake news detection. It also introduces SHAP which quantifies the contribution of each metadata attribute to the final prediction. SHAP analysis revealed that several metadata features played a significant role in the model’s predictions.

The second contribution systematically evaluates the boundaries of large language models to detect and justify fake news within a restrictive zero-shot framework. The findings reveal that when relying solely on internal pretrained knowledge, current LLMs achieve modest detection performance, marginally above chance. Crucially, multi-metric evaluations using BERTScoreF-1 and COMET expose a significant semantic gap: while LLM-generated justifications exhibit surface-level textual coherence, they lack the factual verification, sourcebased evidence, and semantic adequacy required for reliable characterization. This empirical refutation highlights the critical risks of black-box generative explanations.

The third contribution examines the cognitive dimension of fake news through an eyetracking experiment. The findings reveal that both the topic of a news item and the presence of Political Person Entities (PPE) significantly shape readers’ credulity and visual attention. PPE act as powerful heuristic cues that reduce analytical scrutiny, showing how linguistic features embedded in fake news can exploit cognitive shortcuts. These observations provide empirical insight into the psychological mechanisms underlying vulnerability to fake news and open the way to mitigation strategies that are more sensitive to cognitive processes.

Together, these contributions support the central paradigm of this thesis: effective fake news mitigation requires the joint optimization of computational performance and explicit explainability while structurally accounting for human cognitive limitations. By unifying machine learning interpretability and neurophysiological insights, this dissertation establishes a comprehensive framework for advancing cognitive security in digital information ecosystems.

Cette thèse examine les mécanismes cognitifs et computationnels qui influencent la vulnérabilité des individus face aux fausses nouvelles, en intégrant des approches issues de l’apprentissage automatique, des grands modèles de langage et de l’oculométrie.

La première contribution évalue comment les métadonnées contextuelles peuvent améliorer les modèles BERT et LSTM pour la détection de fausses informations. Les résultats montrent qu’enrichir une architecture basée sur BERT avec des métadonnées contextuelles améliore la détection automatisée des fausses informations. Elle introduit également SHAP, qui quantifie la contribution de chaque attribut de métadonnée à la prédiction finale. L’analyse SHAP a révélé que plusieurs caractéristiques de métadonnées ont joué un rôle important dans les prédictions du modèle.

La deuxième contribution évalue de manière systématique les limites des grands modèles de langage pour détecter et justifier les fausses nouvelles dans un cadre restrictif de zero-shot. Les résultats montrent que lorsqu’ils s’appuient uniquement sur leurs connaissances préentraînées internes, les modèles actuels obtiennent des performances de détection modestes, à peine supérieures au hasard. Fait crucial, des évaluations multi-métriques utilisant BERTScore-F1 et COMET mettent en évidence un important fossé sémantique : bien que les justifications générées par les LLM présentent une cohérence textuelle, elles manquent de vérification factuelle, de preuves fondées sur des sources et d’adéquation sémantique nécessaires à une caractérisation fiable. Cette réfutation empirique souligne les risques critiques associés aux explications génératives opaques.

La troisième contribution explore la dimension cognitive de la désinformation à l’aide d’une étude oculométrique. Les résultats révèlent que le sujet d’une nouvelle et la présence de noms de figures politiques (PPE) influencent fortement la crédulité des lecteurs et leurs schémas attentionnels. Les PPE agissent comme des indices heuristiques puissants, réduisant l’analyse approfondie et facilitant l’acceptation intuitive de contenus trompeurs. Ces observations apportent un éclairage empirique sur les mécanismes psychologiques qui sous-tendent la vulnérabilité à la désinformation et ouvrent la voie à des stratégies de mitigation plus sensibles aux processus cognitifs.

Ensemble, ces contributions soutiennent le paradigme central de cette thèse : une atténuation efficace des fausses nouvelles exige l’optimisation conjointe des performances computationnelles et de l’explicabilité explicite, tout en tenant structurellement compte des limites cognitives humaines. En unifiant l’interprétabilité en apprentissage automatique et les perspectives neurophysiologiques, cette dissertation établit un cadre global pour faire progresser la sécurité cognitive au sein des écosystèmes numériques de l’information.