L’ampleur de la recherche frauduleuse dans la science du cancer pourrait être bien plus grande qu’estimé précédemment. Une équipe de chercheurs de l’Université de Technologie du Queensland, de l’Université de Sydney et du CNRS en France a appliqué un modèle de langage BERT affiné pour passer au crible 2 647 471 articles de recherche sur le cancer publiés entre 1999 et 2024. Le résultat : 261 245 articles, 9,87 pour cent, présentaient des schémas d’écriture caractéristiques des usines à articles, des opérations commerciales qui produisent en masse des manuscrits fabriqués ou plagiés pour les vendre aux chercheurs.
L’étude, publiée dans The BMJ, représente le plus grand criblage systématique de la littérature sur le cancer pour détecter la contamination par les usines à articles. Le taux a augmenté fortement au fil du temps, passant d’environ 1 pour cent au début des années 2000 à un pic dépassant 16 pour cent en 2022, avant de diminuer légèrement en 2023-2024.
Comment fonctionne la détection
Le modèle, construit sur BERT base uncased de Google (110 millions de paramètres), a été affiné sur 2 202 articles qui avaient été retirés de la base de données Retraction Watch avec une étiquette « Usine à articles ». Ceux-ci ont servi d’exemples positifs, des articles dont le style d’écriture, la structure et les schémas de formulation correspondaient à la production d’usines à manuscrits basées sur des modèles. Pour les contrôles négatifs, l’équipe a sélectionné 2 202 articles provenant de revues à fort impact et de pays à faible représentation d’usines à articles (Suède, Finlande, Norvège, Taïwan).
Le modèle lit les titres et résumés phrase par phrase, produisant un score de probabilité pour chacun. La classification finale est la moyenne de tous les scores au niveau de la phrase. En validation interne, le modèle a atteint 91 pour cent de précision avec 87 pour cent de sensibilité et 96 pour cent de spécificité. Contre des ensembles de validation externes, 3 094 articles signalés indépendamment par des experts en intégrité d’image, la précision est montée à 93 pour cent.
Schémas géographiques et par éditeur
Les articles signalés ne sont pas répartis uniformément. Par pays du premier auteur, la Chine représentait 177 907 articles signalés, 36 pour cent de tous les articles sur le cancer avec des premiers auteurs chinois. Suivaient l’Iran (20 pour cent), l’Arabie Saoudite (16 pour cent), l’Égypte (15 pour cent) et le Pakistan (13 pour cent). Les États-Unis comptaient 10 511 articles signalés, soit environ 2 pour cent de leur production sur le cancer.
Par éditeur, les taux les plus élevés étaient concentrés dans les petites structures : Verduci Editore (environ 67 pour cent de ses articles signalés, principalement dans l’European Review for Medical and Pharmacological Sciences), International Scientific Literature (45 pour cent, principalement dans Medical Science Monitor), et Spandidos Publications (38 pour cent, soit 19 043 articles). Parmi les grands éditeurs, Springer Nature, Elsevier et Wiley avaient chacun environ 10 pour cent de leurs articles sur le cancer signalés, bien qu’en nombres absolus ces chiffres soient substantiels, 40 293 pour Springer Nature seul.
La recherche sur le cancer gastrique avait le taux le plus élevé par type de cancer à 22 pour cent, suivie par l’os/ostéosarcome (21 pour cent) et le foie (20 pour cent). La biologie fondamentale du cancer était plus contaminée que les domaines cliniques : la recherche sur la survie, l’épidémiologie et les politiques de santé avaient des taux de signalement inférieurs à 2 pour cent.
Trois revues le testent déjà
Trois revues d’un grand éditeur ont déjà intégré le modèle dans leurs systèmes de soumission en ligne pour filtrer les manuscrits liés au cancer en temps réel. Les noms des revues n’ont pas été divulgués, les auteurs les ont intentionnellement retenus pour empêcher les usines à articles d’adapter leurs modèles.
« C’est un criblage statistique, pas une imputation de mauvaise conduite », préviennent les auteurs dans l’article. Compte tenu d’une prévalence réelle estimée à environ 10 pour cent dans la littérature, environ 30 pour cent des articles signalés seraient des faux positifs.
Mises en garde importantes
Le modèle a été entraîné sur des données de Retraction Watch qui surreprésentent les rétractations d’auteurs chinois, ce qui peut introduire un biais géographique. De plus, comme le modèle est un réseau neuronal profond, les caractéristiques spécifiques qu’il détecte ne sont pas directement explicables. Les auteurs reconnaissent que le modèle peut pénaliser l’anglais formulaires des locuteurs non natifs, confondant potentiellement les schémas linguistiques avec les schémas de fraude.
Il existe également un problème de course aux armements : à mesure que les outils de détection s’améliorent, les usines à articles adapteront leurs modèles. L’essor de l’IA générative, notent les auteurs, brouille encore davantage la frontière entre texte authentique et texte fabriqué.
Sources
- Scancar B, Byrne JA, Causeur D, Barnett AG. « Machine learning based screening of potential paper mill publications in cancer research: methodological and cross sectional study. » The BMJ 392:e087581, 2026. DOI : 10.1136/bmj-2025-087581
- Communiqué de presse de l’Université de Technologie du Queensland via ScienceDaily
Traduit par Lydie