Références scientifiques et techniques
Cette bibliographie rassemble les publications et les documents mobilisés pour éclairer l’approche et la méthode d’INFERENCE Consulting. Elle couvre les systèmes génératifs, la recherche d’information, la vérification des réponses, les usages des recommandations, les interactions humain–machine, les pratiques de GEO, la méthodologie d’enquête, la sensibilité des modèles à la forme des consignes et la fidélité de leurs explications et, depuis cette révision, la place des IA génératives dans les campagnes électorales et la formation de l’opinion.
Ses 88 références sont numérotées de manière commune aux pages du site. Une référence peut apporter un principe de prudence, une définition, un résultat expérimental, une description de produit ou un cadre d’analyse, et ces contributions ne sont pas équivalentes.
Dernière mise à jour de la bibliographie : 14 octobre 2026, sur l’état de l’art du cabinet en version 1.19.
Comment lire cette bibliographie
Un article évalué par les pairs reste attaché aux systèmes, aux tâches et aux populations étudiés. Une prépublication n’a pas le même statut éditorial. Une étude d’un fournisseur ou d’un acteur du marché doit être lue avec sa méthode, son périmètre et les intérêts de son auteur. Une note d’analyse d’un centre de réflexion, un rapport d’une organisation de recherche ou de plaidoyer et un guide méthodologique d’une association savante renseignent, selon le cas, des usages, des intentions, des résultats d’observation ou des règles de bonne pratique. Aucun ne vaut démonstration d’un effet. Un ouvrage de référence, tel un traité classique, fournit un cadre d’analyse et non une démonstration empirique. Une documentation officielle décrit les possibilités ou les recommandations d’un service, sans démontrer à elle seule un effet commercial.
Les corrections et les expressions de préoccupation éditoriale sont signalées lorsqu’elles sont identifiées. Les références 39 et 40 doivent ainsi être lues ensemble. La référence 37 renvoie à une publication accompagnée d’une correction.
L’état de l’art du cabinet est réexaminé mensuellement. La présence d’un document dans cette bibliographie ne vaut pas adoption de toutes ses conclusions, certification de la méthode ou validation par ses auteurs des missions du cabinet.
Bibliographie complète
[1] Jean-Daniel Lévy. IA et politique : vers un outil d’aide, voire d’influence sur la décision ?. Terra Nova, 18 mai 2026. Note fondée sur une enquête Toluna Harris Interactive pour RTL et M6. Consulter la source — Note d’analyse et enquête. Les déclarations recueillies dans une enquête ne constituent pas une mesure directe des comportements ni des effets causaux de l’IA.
[2] Patrick Lewis et al.. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems, vol. 33, 2020. Consulter la source — Article de conférence.
[3] OpenAI ; Google ; Anthropic. Documentation des outils de recherche web et d’appui sur des sources externes. Documentations techniques des fournisseurs, consultées pour cette révision en septembre 2026. Consulter la source — Documentation officielle. Les capacités décrites dépendent du produit, de l’interface et de la configuration. Google, Grounding with Google Search Anthropic, Web search tool
[4] Nelson F. Liu, Tianyi Zhang et Percy Liang. Evaluating Verifiability in Generative Search Engines. Findings of EMNLP 2023, p. 7001–7025. Consulter la source — Article de conférence.
[5] Olivier Martinez. Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023–2026). Prépublication, 15 juillet 2026, arXiv:2607.14035. Consulter la source — Prépublication. Le statut de prépublication et les limites de la littérature examinée doivent accompagner toute utilisation des conclusions.
[6] Raja Parasuraman et Dietrich H. Manzey. Complacency and Bias in Human Use of Automation: An Attentional Integration. Human Factors, 52(3), 2010, p. 381–410. DOI : 10.1177/0018720810376055. Consulter la source — Article de revue.
[7] Gagan Bansal et al.. Does the Whole Exceed its Parts? The Effect of AI Explanations on Complementary Team Performance. CHI 2021. DOI : 10.1145/3411764.3445717. Consulter la source — Article de conférence.
[8] Pranjal Aggarwal et al.. GEO: Generative Engine Optimization. KDD 2024, p. 5–16. DOI : 10.1145/3637528.3671900. Consulter la source — Article de conférence.
[9] Zikang Liu et Peilan Xu. Think Before Writing: Feature-Level Multi-Objective Optimization for Generative Citation Visibility. ACL 2026, p. 20290–20303. Consulter la source — Article de conférence.
[10] Organisation internationale de normalisation. ISO 9241-11:2018 — Ergonomie de l’interaction homme-système. Partie 11 : Utilisabilité : définitions et concepts. ISO, 2018. Consulter la source — Norme. La référence au contexte d’utilisation ne vaut ni certification ni déclaration de conformité à la norme.
[11] Rongwu Xu et al.. Knowledge Conflicts for LLMs: A Survey. EMNLP 2024, p. 8541–8565. Consulter la source — Article de conférence.
[12] Zhaochen Su et al.. ConflictBank: A Benchmark for Evaluating the Influence of Knowledge Conflicts in LLM. NeurIPS 2024, Datasets and Benchmarks. Consulter la source — Article de conférence.
[13] Sébastien Kawada et Manolis Kellis. Evidence Integration in Large Language Models. Prépublication, 3 septembre 2026, arXiv:2609.04290. Consulter la source — Prépublication.
[14] Nikhil Kandpal et al.. Large Language Models Struggle to Learn Long-Tail Knowledge. ICML 2023, Proceedings of Machine Learning Research, vol. 202, p. 15696–15707. Consulter la source — Article de conférence.
[15] Alex Mallen et al.. When Not to Trust Language Models: Investigating Effectiveness of Parametric and Non-Parametric Memories. ACL 2023, p. 9802–9822. Consulter la source — Article de conférence.
[16] Sewon Min et al.. FActScore: Fine-grained Atomic Evaluation of Factual Precision in Long Form Text Generation. EMNLP 2023, p. 12076–12100. Consulter la source — Article de conférence.
[17] Mahe Chen, Xiaoxuan Wang, Kaiwen Chen et Nick Koudas. Generative Engine Optimization: How to Dominate AI Search. Prépublication, 10 septembre 2025, arXiv:2509.08919. Consulter la source — Prépublication.
[18] Cate Dombrowski. How LLMs Source Brand Information: An Analysis of 23,000+ AI Citations. Omniscient Digital, 8 janvier 2026. Consulter la source — Étude d’un acteur du marché. Les résultats décrivent le corpus et la méthode de l’auteur ; ils ne sont pas une estimation de l’ensemble des réponses génératives.
[19] Yext. Yext Research: 86% of AI Citations Come from Brand-Managed Sources, Clarifying How Marketers Can Compete in the AI Search Era. Communiqué, 9 octobre 2025. Consulter la source — Communication d’un acteur du marché. Le chiffre figure dans le titre du document source. Il ne doit pas être repris comme une proportion universelle.
[20] Haritz Puerto, Martin Gubri, Tommaso Green, Seong Joon Oh et Sangdoo Yun. C-SEO Bench: Does Conversational SEO Work?. NeurIPS 2025, Datasets and Benchmarks. Consulter la source — Article de conférence.
[21] Nelson F. Liu et al.. Lost in the Middle: How Language Models Use Long Contexts. Transactions of the Association for Computational Linguistics, vol. 12, 2024, p. 157–173. Consulter la source — Article de revue.
[22] Rahul Vishwakarma, Shushant Kumar et Ratnesh Jamidar. What Gets Cited: Competitive GEO in AI Answer Engines. SIGIR 2026, p. 4950–4954 ; arXiv:2605.25517. Consulter la source — Article de conférence.
[23] Klaudia Jaźwińska et Aisvarya Chandrasekar. AI Search Has a Citation Problem. Tow Center for Digital Journalism, Columbia Journalism Review, 6 mars 2025. Consulter la source — Rapport de recherche.
[24] Oli Elliott. Representation of BBC News Content in AI Assistants. BBC Responsible AI Team, février 2025. Consulter la source — Rapport de recherche.
[25] Union européenne de radio-télévision et BBC. News Integrity in AI Assistants: An International PSM Study. 2025. Consulter la source — Rapport de recherche. Présentation des résultats par l’UER le 22 octobre 2025
[26] Mrinank Sharma et al.. Towards Understanding Sycophancy in Language Models. ICLR 2024 ; version arXiv révisée le 10 mai 2025. Consulter la source — Article de conférence.
[27] Myra Cheng et al.. ELEPHANT: Measuring and Understanding Social Sycophancy in LLMs. ICLR 2026. Consulter la source — Article de conférence.
[28] Samuel Pfrommer et al.. Ranking Manipulation for Conversational Search Engines. EMNLP 2024, p. 9523–9552. Consulter la source — Article de conférence.
[29] Fredrik Nestaas, Edoardo Debenedetti et Florian Tramèr. Adversarial Search Engine Optimization for Large Language Models. ICLR 2025 ; arXiv:2406.18382. Consulter la source — Article de conférence.
[30] Zexuan Zhong et al.. Poisoning Retrieval Corpora by Injecting Adversarial Passages. EMNLP 2023, p. 13764–13775. Consulter la source — Article de conférence.
[31] Wei Zou, Runpeng Geng, Binghui Wang et Jinyuan Jia. PoisonedRAG: Knowledge Corruption Attacks to Retrieval-Augmented Generation of Large Language Models. USENIX Security 2025, p. 3827–3844. Consulter la source — Article de conférence.
[32] Xi Chu et Yupeng Hou. Incumbent Advantage: Brand Bias and Cognitive Manipulation Dynamics in LLM Recommendation Systems. Prépublication, version 2, 21 août 2026, arXiv:2606.17443. Consulter la source — Prépublication.
[33] Yizhu Wen et al.. Position: Generative Engine Optimization Creates Underexamined Risks, Governance Must Target Concentration, Disclosure, and Academic Blind Spots. Texte de position, ICML 2026 ; arXiv:2606.12439. Consulter la source — Article de position. Texte de discussion et de gouvernance, à distinguer d’une démonstration expérimentale d’efficacité.
[34] Natalia Moskvina et al.. Multilingual Large Language Models Do Not Comprehend All Natural Languages to Equal Degrees. Scientific Reports, publication en ligne, 5 septembre 2026. DOI : 10.1038/s41598-026-69546-8. Consulter la source — Article de revue. Prépublication des auteurs
[35] Guanxiong Huang et Sai Wang. Is Artificial Intelligence More Persuasive Than Humans? A Meta-Analysis. Journal of Communication, 73(6), 2023, p. 552–562. Consulter la source — Méta-analyse.
[36] Lukas Hölbling, Sebastian Maier et Stefan Feuerriegel. A Meta-Analysis of the Persuasive Power of Large Language Models. Scientific Reports, vol. 15, article 43818, 2025. Consulter la source — Méta-analyse.
[37] Francesco Salvi, Manoel Horta Ribeiro, Riccardo Gallotti et Robert West. On the Conversational Persuasiveness of GPT-4. Nature Human Behaviour, vol. 9, 2025, p. 1645–1653. Consulter la source — Article de revue. Une correction des auteurs publiée le 3 septembre 2026 est signalée sur la page de l’éditeur ; consulter la version corrigée.
[38] Kobi Hackenburg et Helen Margetts. Evaluating the Persuasive Influence of Political Microtargeting with Large Language Models. Proceedings of the National Academy of Sciences, 121(24), e2403116121, 2024. Consulter la source — Article de revue.
[39] Thomas H. Costello, Gordon Pennycook et David G. Rand. Durably Reducing Conspiracy Beliefs Through Dialogues with AI. Science, vol. 385, eadq1814, 2024. Consulter la source — Article de revue — vigilance éditoriale. Cet article fait l’objet de l’expression de préoccupation éditoriale citée en [40]. Ne pas présenter ses résultats comme définitivement établis.
[40] H. Holden Thorp. Editorial Expression of Concern. Science, 392(6803), p. 1131, 11 juin 2026. DOI : 10.1126/science.aej2383. Consulter la source — Avis éditorial. Avis relatif à l’article [39] ; conserver les deux notices liées.
[41] Esther Boissin, Thomas H. Costello, Daniel Spinoza-Martin, David G. Rand et Gordon Pennycook. Dialogues with Large Language Models Reduce Conspiracy Beliefs Even When the AI Is Perceived as Human. PNAS Nexus, 4(11), pgaf325, 2025. Consulter la source — Article de revue.
[42] Joseph A. Konstan et Loren G. Terveen. Human-Centered Recommender Systems: Origins, Advances, Challenges, and Opportunities. AI Magazine, 42(3), 2021, p. 31–42. Consulter la source — Article de revue.
[43] Arpita Vats, Vinija Jain, Rahul Raja et Aman Chadha. Exploring the Impact of Large Language Models on Recommender Systems: An Extensive Review. Prépublication, 2024, arXiv:2402.18590. Consulter la source — Prépublication.
[44] Maurice Jakesch, Advait Bhat, Daniel Buschek, Lior Zalmanson et Mor Naaman. Co-Writing with Opinionated Language Models Affects Users’ Views. CHI 2023. DOI : 10.1145/3544548.3581196. Consulter la source — Article de conférence.
[45] Sebastian Krügel, Andreas Ostermaier et Matthias Uhl. ChatGPT’s Inconsistent Moral Advice Influences Users’ Judgment. Scientific Reports, vol. 13, article 4569, 2023. DOI : 10.1038/s41598-023-31341-0. Consulter la source — Article de revue.
[46] Shinnosuke Ikeda. Inconsistent Advice by ChatGPT Influences Decision Making in Various Areas. Scientific Reports, vol. 14, article 15876, 2024. DOI : 10.1038/s41598-024-66821-4. Consulter la source — Article de revue.
[47] Moshe Glickman et Tali Sharot. How Human–AI Feedback Loops Alter Human Perceptual, Emotional and Social Judgements. Nature Human Behaviour, vol. 9, 2025, p. 345–359 ; publication en ligne le 18 décembre 2024. Consulter la source — Article de revue.
[48] Jared Watson, Francesca Valsesia et Shoshana Segal. Assessing AI Receptivity Through a Persuasion Knowledge Lens. Current Opinion in Psychology, vol. 58, article 101834, 2024. DOI : 10.1016/j.copsyc.2024.101834. Consulter la source — Article de revue.
[49] Susanne Gaube et al.. Do as AI Say: Susceptibility in Deployment of Clinical Decision-Aids. npj Digital Medicine, vol. 4, article 31, 2021. DOI : 10.1038/s41746-021-00385-9. Consulter la source — Article de revue. Étude en contexte clinique : ses résultats ne représentent pas directement les usages commerciaux des moteurs génératifs.
[50] Jennifer M. Logg, Julia A. Minson et Don A. Moore. Algorithm Appreciation: People Prefer Algorithmic to Human Judgment. Organizational Behavior and Human Decision Processes, vol. 151, 2019, p. 90–103. DOI : 10.1016/j.obhdp.2018.12.005. Consulter la source — Article de revue.
[51] Laura R. Marusich, Mary Grace Kozuch Dhooghe, Jonathan Z. Bakdash et Murat Kantarcioglu. Human Decision-Making with Persuasive and Narrative LLM Explanations. Prépublication, 22 mai 2026, arXiv:2605.23867. Consulter la source — Prépublication.
[52] Shravika Mittal, Su Lin Blodgett et Q. Vera Liao. Learning by Chatting? Investigating the Impact of Generative AI on Information Seeking and Learning. Prépublication, 10 juin 2026 ; version 2, 7 août 2026, arXiv:2606.11669. Consulter la source — Prépublication.
[53] Thomas H. Costello, Gordon Pennycook et David G. Rand. Just the Facts: How Dialogues with AI Reduce Conspiracy Beliefs. Prépublication, PsyArXiv, 2025. Consulter la source — Prépublication.
[54] Esther Kaufmann et Alvaro Chacon. A Critical Overview of Theories in Research on Judgment and Decision-Making Using Algorithmic Advice: The Potential of Cognitive Continuum Theory. Cognitive Systems Research, vol. 97, article 101462, 2026. Consulter la source — Article de revue.
[55] Shuai Qin, Guojia An, Weikang Guo, Pei Ke, Jiwei Wei, Yang Yang et Jie Zou. From Topical Relevance to Answerability: Entailment Distillation for Conversational Retrieval. Prépublication, 3 septembre 2026, arXiv:2609.03482 ; acceptation dans Findings of EMNLP 2026 annoncée par les auteurs. Consulter la source — Prépublication — publication annoncée.
[56] Miao Liu et Zhizhe Liu. Reading Is Not Using: Retrieval, Judgment, and the Design of AI Financial Research Workflows. Prépublication, 25 août 2026, arXiv:2608.24842. Consulter la source — Prépublication.
[57] Kunal Handa et al.. Enabling Independent Research on How People Use Claude. Anthropic, 26 août 2026. Consulter la source — Présentation d’un programme de recherche.
[58] Yijia Shao, Dora Zhao, Vishakh Padmakumar, Jennifer Wang et Diyi Yang. Human–AI Collaboration at Scale: Task Criticality, Agency, and Friction Across 250,000 Conversations. Prépublication, 21 août 2026. Consulter la source — Prépublication.
[59] Anthropic. Building Effective Agents. 19 décembre 2024. Consulter la source — Documentation technique d’un fournisseur. Document de conception daté ; ne décrit pas à lui seul toutes les capacités actuelles des produits.
[60] Bumju Jung, Cameron W. Piercy et Patric R. Spence. Normalizing AI: The Evanishing Effect and Rethinking the Machine Heuristic. Human–Machine Communication, vol. 12, 2026, p. 139–162. Consulter la source — Article de revue.
[61] Julius Schulte, Malte Bleeker et Philipp Kaufmann. Don’t Measure Once: Measuring Visibility in AI Search (GEO). Prépublication, 8 avril 2026, arXiv:2604.07585. Consulter la source — Prépublication.
[62] Jie Ouyang et al.. HoH: A Dynamic Benchmark for Evaluating the Impact of Outdated Information on Retrieval-Augmented Generation. ACL 2025, vol. 1, p. 6036–6063. Consulter la source — Article de conférence.
[63] A. Feder Cooper et al.. Machine Unlearning Doesn’t Do What You Think: Lessons for Generative AI Policy and Research. NeurIPS 2025 ; arXiv:2412.06966, version révisée le 31 octobre 2025. Consulter la source — Article de conférence.
[64] Varun Magesh, Faiz Surani, Matthew Dahl, Mirac Suzgun, Christopher D. Manning et Daniel E. Ho. Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools. Journal of Empirical Legal Studies, 2025. Consulter la source — Article de revue. Étude de trois outils de recherche juridique américains : ne pas transposer directement ses taux à tous les systèmes, pays ou domaines du droit.
[65] Google Search Central. Optimizing Your Website for Generative AI Features on Google Search. Documentation officielle, consultée en septembre 2026. Consulter la source — Documentation officielle.
[66] Google Search Central. Creating Helpful, Reliable, People-First Content. Documentation officielle, consultée en septembre 2026. Consulter la source — Documentation officielle.
[67] Google Search Central. AI Features and Your Website. Documentation officielle, consultée en septembre 2026. Consulter la source — Documentation officielle.
[68] Google Search Central. File Types Indexable by Google. Documentation officielle, consultée en septembre 2026. Consulter la source — Documentation officielle.
[69] Microsoft Bing. AI Performance in Bing Webmaster Tools. Documentation officielle et présentation de la fonction, février 2026. Consulter la source — Documentation officielle.
[70] National Institute of Standards and Technology. Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1, janvier 2023. DOI : 10.6028/NIST.AI.100-1. Consulter la source — Cadre de gestion des risques. La référence à ce cadre volontaire ne constitue ni une certification, ni une homologation, ni un soutien du NIST au cabinet.
[71] Aristote. Rhétorique. Traduction, présentation et notes de Pierre Chiron. Paris, GF-Flammarion, 2007. — Ouvrage de référence. Texte fondateur de l’analyse des moyens de persuasion, mobilisé pour l’analyse des mécaniques argumentatives et rhétoriques des réponses d’IA.
[72] Théo Bourgoin-Verdier. Ce que l’intelligence artificielle dit de la campagne présidentielle. Fondation Jean-Jaurès, Observatoire de la tech et du numérique, avec Onclusive, 28 septembre 2026. Consulter la source — Note d’analyse fondée sur un relevé réalisé avec un éditeur d’outils de mesure. Cinquante questions posées à ChatGPT et à Perplexity le 2 septembre 2026, en une seule vague et sans répétition ; les proportions décrivent ce terrain et cette date.
[73] Alban Saint-Joigny. Présidentielle 2027 : l’intelligence artificielle va-t-elle faire l’élection ?. Fondation Jean-Jaurès, Observatoire de la tech et du numérique, 5 octobre 2026. Consulter la source — Note d’analyse. Texte de synthèse et de mise en contexte ; les chiffres d’usage et de confiance qu’il cite proviennent d’enquêtes déclaratives, qui ne mesurent ni les comportements effectifs ni les effets.
[74] Valeria de la Fuente, Max Read et Peter Benzoni. Chatbots and the Ballot Box: Evaluating Accuracy, Sourcing, and Language Gaps in AI Answers to Election Questions. Institute for Strategic Dialogue, 3 septembre 2026. Consulter la source — Rapport de recherche d’une organisation de recherche et de plaidoyer. Quinze questions sur le vote, six systèmes, dix États américains ; 29 % de réponses incorrectes, imprécises ou obsolètes. Résultats propres au contexte électoral américain.
[75] Civil Liberties Union for Europe. Should AI Tell You Who to Vote For? Testing Political Advice in General-Purpose AI Systems during the 2026 Hungarian Election Campaign. Liberties, juillet 2026, après une synthèse préliminaire du 8 avril 2026. Consulter la source — Rapport de recherche d’une organisation de défense des droits. Deux systèmes, ChatGPT et Gemini, profils d’électeurs construits à partir d’un outil d’aide au vote ; le rapport n’établit aucun effet sur le résultat du scrutin.
[76] OpenAI. Defining and Evaluating Political Bias in LLMs. 9 octobre 2025. Consulter la source — Communication d’un fournisseur. Cadre d’évaluation en cinq axes et estimation, par l’éditeur sur ses propres modèles, de moins de 0,01 % de réponses présentant un biais ; auto-évaluation, non reproduite par un tiers.
[77] Michael V. Reiss, Eva Luise Knor, Lisa Merten et Judith Möller. Will News Find Them with Generative AI?. Weizenbaum Journal of the Digital Society, 6(1), 15 avril 2026. Consulter la source — Article de revue. Étude exploratoire des usages de l’IA générative pour l’information politique, qui caractérise la technologie par trois propriétés, l’hyperpersonnalisation, l’interaction intuitive et l’universalité ; résultats attachés aux populations étudiées, principalement allemande et américaine.
[78] Mélanie Heard. ChatGPT et la rhétorique : convaincre, persuader ou manipuler ?. Evidences, repris par La Grande Conversation, Terra Nova, 20 juin 2025. Consulter la source — Note d’analyse. Commentaire des références [37] et [39], utile pour leurs limites de méthode et pour la distinction entre convaincre et manipuler ; ne contient pas de résultat empirique propre.
[79] Chaïm Perelman et Lucie Olbrechts-Tyteca. Traité de l’argumentation. La nouvelle rhétorique. Paris, Presses universitaires de France, 1958 ; Bruxelles, Éditions de l’Université de Bruxelles, 6e édition, 2008. — Ouvrage de référence. Cadre d’analyse de l’argumentation, de l’auditoire et des techniques de persuasion, mobilisé pour la lecture des mécaniques argumentatives des réponses d’IA ; fournit un cadre et non une démonstration empirique.
[80] Berkeley J. Dietvorst, Joseph P. Simmons et Cade Massey. Algorithm Aversion: People Erroneously Avoid Algorithms After Seeing Them Err. Journal of Experimental Psychology: General, 144(1), 2015, p. 114–126. DOI : 10.1037/xge0000033. Consulter la source — Article de revue. À lire avec [50] : la confiance dans un conseil algorithmique chute après l’observation d’une erreur, davantage que pour un conseil humain ; résultats obtenus sur des tâches de prévision, antérieurs aux IA génératives.
[81] Pew Research Center. Writing Survey Questions. Guide méthodologique, consulté en octobre 2026. Consulter la source — Guide méthodologique d’un institut de recherche. Principes de conception et de prétest des questions, effets de formulation et d’ordre ; conçu pour les enquêtes auprès de personnes, transposé par analogie à l’interrogation des systèmes.
[82] American Association for Public Opinion Research. Best Practices for Survey Research. Recommandations professionnelles, consultées en octobre 2026. Consulter la source — Recommandations d’une association savante. Objectifs, échantillonnage, questionnaires et analyse ; la référence ne vaut pas conformité du protocole du cabinet à ces recommandations.
[83] American Association for Public Opinion Research. Transparency Initiative. Éléments de divulgation attendus d’une étude, consultés en octobre 2026. Consulter la source — Recommandations d’une association savante. Liste des informations à publier sur le commanditaire, les instruments, la population, le recrutement, les effectifs et, depuis sa révision, l’usage de l’intelligence artificielle ; transposée aux relevés du cabinet comme règle de documentation.
[84] Pew Research Center. Google users are less likely to click on links when an AI summary appears in the results. Short read, 22 juillet 2025. Consulter la source — Rapport de recherche. Mesure de comportements de navigation réels, aux États-Unis, sur un panel d’adultes ; les proportions décrivent Google et la période observée, non l’ensemble des moteurs génératifs.
[85] noyb. AI hallucinations: ChatGPT created a fake child murderer. Annonce d’une plainte déposée auprès de l’autorité norvégienne de protection des données, 20 mars 2025. Consulter la source — Communiqué d’une organisation de défense des droits. Cas d’une représentation fausse et préjudiciable attribuée à une personne réelle, à l’appui du principe d’exactitude des données ; il s’agit d’une plainte annoncée par son auteur, non d’une décision.
[86] Melanie Sclar, Yejin Choi, Yulia Tsvetkov et Alane Suhr. Quantifying Language Models’ Sensitivity to Spurious Features in Prompt Design or: How I learned to start worrying about prompt formatting. ICLR 2024 ; prépublication arXiv:2310.11324, 17 octobre 2023, version révisée le 1er juillet 2024. Consulter la source — Article de conférence. Des variations de pure forme dans la consigne, séparateurs, espacement, casse, ordre des éléments, font varier les résultats de plusieurs dizaines de points sur certaines tâches, de façon différente selon les modèles. Étude menée sur des modèles ouverts et des tâches de classification, non sur des assistants conversationnels interrogés sur des recommandations ; elle fonde le phénomène de sensibilité, non une mesure transposable.
[87] Miles Turpin, Julian Michael, Ethan Perez et Samuel R. Bowman. Language Models Don’t Always Say What They Think: Unfaithful Explanations in Chain-of-Thought Prompting. NeurIPS 2023 ; prépublication arXiv:2305.04388, 7 mai 2023, version révisée le 9 décembre 2023. Consulter la source — Article de conférence. Les justifications qu’un modèle donne de sa réponse peuvent omettre les facteurs qui l’ont réellement déterminée ; résultats obtenus sur des tâches de raisonnement et de biais social avec des modèles de 2023. Demander à un système pourquoi il recommande une organisation, ou sur quelles sources, ne constitue pas une mesure.
[88] Melanie Mitchell et David C. Krakauer. The Debate Over Understanding in AI’s Large Language Models. Proceedings of the National Academy of Sciences, 120(13), e2215907120, 2023. DOI : 10.1073/pnas.2215907120. Consulter la source — Article de revue, synthèse non empirique. Le désaccord sur la « compréhension » des grands modèles tient aux définitions du mot ; l’article ne tranche pas le débat et ne propose pas de mesure. Seuls les comportements observables des systèmes se mesurent.
Relier les sources à la démarche du cabinet
Les pages du site indiquent les références directement utilisées au voisinage des affirmations concernées. Leur liste finale permet de retrouver la notice et le document source, puis de revenir au passage cité.
La méthode présente le déroulement du travail. Le protocole précise comment les principes de documentation, de répétition, de supervision et d’explicitation des limites sont traduits dans une mission.