|
L’ampleur de la recherche frauduleuse en cancérologie pourrait être bien plus vaste qu’estimé précédemment. Une équipe de chercheurs de la Queensland University of Technology, de l’Université de Sydney et du CNRS en France a appliqué un modèle de langage BERT affiné pour examiner 2 647 471 articles de recherche sur le cancer publiés entre 1999 et 2024. Résultat : 261 245 articles — 9,87 % — présentaient des schémas d’écriture caractéristiques des fabriques d’articles (paper mills), des opérations commerciales qui produisent en masse des manuscrits fabriqués ou plagiés destinés à être vendus à des chercheurs.
L’étude, publiée dans The BMJ, représente le plus vaste examen systématique de la littérature sur le cancer pour détecter une contamination par des fabriques d’articles. Le taux a fortement augmenté au fil du temps, passant d’environ 1 % au début des années 2000 à un pic dépassant 16 % en 2022, avant de baisser 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 rétractés de la base de données Retraction Watch avec une étiquette « Fabrique d’articles » (Paper Mill). Ceux-ci ont servi d’exemples positifs — des articles dont le style d’écriture, la structure et la formulation correspondaient aux résultats des usines de 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 de fabriques d’articles (Suède, Finlande, Norvège, Taïwan).
Le modèle lit les titres et les 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. Lors de la validation interne, le modèle a atteint une précision de 91 % avec une sensibilité de 87 % et une spécificité de 96 %. Contre des ensembles de validation externes — 3 094 articles signalés indépendamment par des experts en intégrité des images — la précision est montée à 93 %.
Schémas géographiques et éditoriaux
Les articles signalés ne sont pas répartis uniformément. Par pays du premier auteur, la Chine représentait 177 907 articles signalés — 36 % de tous les articles sur le cancer dont le premier auteur est chinois. Suivaient l’Iran (20 %), l’Arabie saoudite (16 %), l’Égypte (15 %) et le Pakistan (13 %). Les États-Unis comptaient 10 511 articles signalés, soit environ 2 % de leur production en cancérologie.
Par éditeur, les taux les plus élevés étaient concentrés dans des structures plus petites : Verduci Editore (environ 67 % de ses articles signalés, principalement dans l’European Review for Medical and Pharmacological Sciences), International Scientific Literature (45 %, principalement dans Medical Science Monitor) et Spandidos Publications (38 %, soit 19 043 articles). Parmi les grands éditeurs, Springer Nature, Elsevier et Wiley avaient chacun environ 10 % de leurs articles sur le cancer signalés, bien qu’en chiffres absolus, ces chiffres soient substantiels — 40 293 pour Springer Nature seul.
La recherche sur le cancer gastrique présentait le taux le plus élevé par type de cancer, à 22 %, suivie par le cancer des os/ostéosarcome (21 %) et le cancer du foie (20 %). La biologie fondamentale du cancer était plus contaminée que les domaines cliniques : les recherches sur la survie, l’épidémiologie et les politiques de santé avaient des taux de signalement inférieurs à 2 %.
Trois revues le testent déjà
Trois revues d’un grand éditeur ont déjà intégré le modèle dans leurs systèmes de soumission en ligne pour examiner les manuscrits liés au cancer en temps réel. Les noms des revues n’ont pas été divulgués — les auteurs les ont intentionnellement cachés pour empêcher les fabriques d’articles d’adapter leurs modèles.
« C’est un filtrage statistique, pas une attribution de faute professionnelle », préviennent les auteurs dans l’article. Compte tenu d’une prévalence réelle estimée à environ 10 % dans la littérature, environ 30 % 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 pourrait pénaliser l’anglais standardisé des locuteurs non natifs, confondant potentiellement les modèles linguistiques avec les modèles de fraude.
Il existe également un problème de course aux armements : à mesure que les outils de détection s’améliorent, les fabriques d’articles adapteront leurs modèles. L’essor de l’IA générative, notent les auteurs, brouille encore davantage la frontière entre le texte authentique et le 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 la Queensland University of Technology via ScienceDaily