Un chercheur passe au crible 7,1 millions d'articles scientifiques à la recherche d'images dupliquées et d'erreurs dans les données
Les revues n'ont pas le temps de vérifier chaque image et chaque tableau, si bien qu'une seule photo de gel peut passer pour le résultat de plusieurs expériences différentes. Un chercheur de la Metascience Observatory a téléchargé 42,9 millions d'images issues de 7,1 millions d'articles de Europe PMC et y recherche des répétitions. Dans 500 000 fichiers de données, il a aussi relevé plus de 200 articles présentant des anomalies, dont certains parus dans Nature. Des scripts repèrent les candidats, et l'IA ne fait que trier : c'est plus fiable que de demander à un modèle de trouver toutes les erreurs.
Traité par IA depuis X: @moreisdifferent ; édité par Hamidun News
Les revues scientifiques reposent sur des relecteurs qui, matériellement, ne peuvent pas vérifier chaque image et chaque tableau. Résultat : une même photo de gel ou de microscopie peut apparaître dans deux articles comme le fruit d'expériences distinctes, et un tableau de données peut contenir des lignes copiées. Le chercheur qui tient le compte @moreisdifferent et l'organisation à but non lucratif Metascience Observatory, financé par Lightcone Commons, a décidé d'examiner ces questions à grande échelle.
L'ampleur est la suivante : il a téléchargé 42,9 millions d'images issues de 7,1 millions d'articles rassemblés dans la base Europe PMC (une archive ouverte de publications biomédicales), et analyse séparément environ 500 000 fichiers de données joints aux articles. L'essentiel de sa méthode : il ne demande pas à un réseau de neurones de « trouver toutes les erreurs d'un article ».
Ce qui est vérifié exactement
Le projet comporte deux volets. Le premier concerne les images. L'auteur a écrit un outil qui détecte la réutilisation illégitime d'images, aussi bien au sein d'un même article qu'entre des travaux différents. Lors des tests menés sur plusieurs milliers d'articles, 40 cas ont déjà été identifiés ; il les a publiés sur PubPeer, un site où les scientifiques discutent publiquement des articles après leur parution.
Le second volet porte sur les fichiers de données : tableaux et mesures brutes. Des outils spécialisés y recherchent des anomalies et des valeurs artificiellement dupliquées. Le message d'origine évoque plus de 100 problèmes détectés, tandis que le texte du projet parle de plus de 200 articles présentant des problèmes de données. Ces chiffres correspondent vraisemblablement à différents moments de la vérification et continuent d'être affinés. Beaucoup de ces travaux ont paru dans de grandes revues : Nature, Nature Communications, Scientific Reports, Science Advances. L'auteur examine actuellement les découvertes manuellement.
Pourquoi ne pas simplement « demander au modèle »
Selon l'auteur, l'IA remarque en général mal les problèmes subtils : fragments d'images répétés, séries numériques suspectement similaires, erreurs de calcul. C'est pourquoi la recherche de candidats est confiée à des scripts classiques, et le modèle n'intervient qu'ensuite pour écarter les faux positifs et hiérarchiser les résultats. Pour un développeur, le schéma est familier : imaginez la vérification de journaux applicatifs ou de rapports financiers. Un code déterministe repère les passages suspects, puis un LLM décide lesquels méritent d'être soumis à un humain.
De cette approche est né le Forensic Metascience AI Toolkit, un système open source et modulaire permettant d'assembler différents scénarios de contrôle d'articles. Le module « tools agent » fournit à un agent IA un ensemble d'outils pour vérifier les données et les calculs. Plusieurs méthodes sont tirées de l'ouvrage de James Heathers, « An Introduction to Forensic Metascience ».
Le tout peut fonctionner au-dessus des abonnements Claude Code, Codex, Grok Build et Antigravity. L'auteur considère le projet comme une alternative moins coûteuse, et, selon lui, de meilleure qualité, aux services payants de contrôle d'articles. Pour le démontrer, il prépare des jeux de référence contenant des erreurs connues à l'avance et souhaite comparer les types de problèmes que chaque outil détecte.
Un détail d'ingénierie utile : l'auteur a développé un paquet Python permettant de télécharger légalement des articles. Il est souvent possible d'obtenir le XML/JATS (format d'article lisible par machine) même lorsque le PDF n'est pas disponible, et l'IA lit plus facilement les tableaux issus du XML que ceux du PDF. L'option --fetch-everything récupère tout ce qui se rattache à un article : XML, PDF, code, annexes et jeux de données associés. Le paquet trouve les liens vers ces ressources grâce à différentes API et à un seul appel au LLM qui parcourt le texte de l'article.
Que se passe-t-il après une découverte, et les limites
L'auteur publie une partie des découvertes sur PubPeer. Pour les cas les plus sérieux, il écrit aux auteurs et aux éditeurs des revues, avant toute annonce publique, afin qu'ils aient la possibilité de répondre. Il insiste sur le fait qu'aucun signalement ne doit être lu comme une accusation de fraude intentionnelle : la duplication de données peut aussi être accidentelle.
Les limites sont évidentes. Chaque découverte doit être confirmée par un humain, les jeux de référence destinés à l'évaluation sont encore en préparation, et le flux de résultats croît plus vite qu'une seule personne ne peut le parcourir. C'est pourquoi l'auteur recherche des bénévoles pour vérifier les découvertes via une application web dédiée, proposant des modèles de courriers, des développeurs pour la partie open source du projet, et des collègues confrontés à des problèmes similaires afin de répartir le travail.
Conclusion pratique pour ceux qui conçoivent des agents : si une tâche exige de la précision, un seul gros prompt est un mauvais pari. Il vaut mieux assembler un ensemble d'outils étroits qui identifient les candidats, et réserver au modèle le rôle de filtre et de classeur. Le même principe s'applique à l'audit de rapports, de journaux et de données cliniques.
- 21 nov. 2026Anthropic a clôturé sa première semaine en Bourse à une valorisation de 1,6 billion de dollars, mais a perdu 8,5 % en une journée
- 21 nov. 2026Thinking Machines publie Inkling 2 Mini : 26 milliards de paramètres et 20,1 points à l'AA Index
- 21 nov. 202615 sous-agents Claude Code ont écrit un système pour un atelier, mais la validation des livraisons est confiée à un agent sans droit de modification
- 21 nov. 2026Un mathématicien d'Anthropic affirme que Claude l'a aidé à prouver l'hypothèse de Riemann en six semaines
Questions clés sur cet article
Que sait-on sur Ce qui est vérifié exactement ?
Le projet comporte deux volets. Le premier concerne les images. L'auteur a écrit un outil qui détecte la réutilisation illégitime d'images, aussi bien au sein d'un même article qu'entre des travaux différents. Lors des tests menés sur plusieurs milliers d'articles, 40 cas ont déjà été identifiés ; il les a publiés sur PubPeer, un site où les scientifiques discutent publiquement des articles après leur parution. Le second volet porte sur les fichiers de données : tableaux et mesures brutes.
Pourquoi ne pas simplement « demander au modèle »?
Selon l'auteur, l'IA remarque en général mal les problèmes subtils : fragments d'images répétés, séries numériques suspectement similaires, erreurs de calcul. C'est pourquoi la recherche de candidats est confiée à des scripts classiques, et le modèle n'intervient qu'ensuite pour écarter les faux positifs et hiérarchiser les résultats. Pour un développeur, le schéma est familier : imaginez la vérification de journaux applicatifs ou de rapports financiers.
Que sait-on sur Que se passe-t-il après une découverte, et les limites ?
L'auteur publie une partie des découvertes sur PubPeer. Pour les cas les plus sérieux, il écrit aux auteurs et aux éditeurs des revues, avant toute annonce publique, afin qu'ils aient la possibilité de répondre. Il insiste sur le fait qu'aucun signalement ne doit être lu comme une accusation de fraude intentionnelle : la duplication de données peut aussi être accidentelle. Les limites sont évidentes.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.