Notre score repose sur une méthodologie rigoureuse, développée avec des journalistes, des chercheurs en sciences de l'information et des experts en IA.

14 critères regroupés en 5 familles 

Source de l'information - Qui est derrière le contenu ?

• Identité de l'auteur

• Réputation de la source

• Risque de conflit d'intérêt

• Authenticité de la source

Contenu de l'information - Comment le contenu est-il formulé ? 

• Objectivité/neutralité

• Argumentation et cohérence interne

• Analyse du ton et de la prose

• Références

• Distinction information/opinion

Contexte de l'information - Dans quel cadre le sujet traité s'inscrit-il ?

• Corroboration externe

• Contexte

• Complétude

Diffusion de l'information - Non noté pour le moment

Impact de l'information - Quel est l'effet escompté du contenu ?

• Engagement émotionnel

• Intention

Pour chaque critère, une observation principale établit un score de base. Une ou plusieurs observations secondaires ajustent ensuite ce score à la hausse ou à la baisse. Le score final est toujours compris entre 0 et 5. Cette approche en deux temps capture la nuance : deux articles peuvent avoir le même ton général, mais celui qui utilise aussi de la rhétorique manipulatrice obtiendra un score inférieur.

Par exemple, pour évaluer le ton : la question centrale est de savoir si le langage est mesuré ou sensationnaliste (cela établit le score de base). Ensuite, le fait que les affirmations soient correctement nuancées ajuste le score à la hausse ou à la baisse, et la présence de rhétorique manipulatrice l’ajuste encore. Toutes ces règles sont fixes et publiques, sans aucune logique cachée.

1. L'IA classifie, les règles scorent. Le LLM produit des signaux catégoriels. Le score numérique est toujours calculé par des tables de correspondance déterministes. Cela rend les scores reproductibles, auditables et faciles à ajuster.

2. Énumérer d'abord, catégoriser ensuite. Avant de choisir une catégorie, le LLM doit énumérer les éléments concrets observés dans le texte (champs inventaire en texte libre). Cela ancre le raisonnement dans des faits et réduit la variabilité des réponses.

3. Qualité du contenu et recherche de véracité. L'IA évalue la qualité des sources, l'équilibre, l'objectivité, la complétude et la transparence d'un contenu. En parallèle un critère (corroboration externe) de notre matrice à pour but de recouper l'information. Toutefois, à l'heure de la post-vérité, seule une analyse multidimensionnelle basée sur des signaux plus large que la seule véracité permet de détecter des contenus non-fiables. 

4. Honnêteté épistémique. Les explications utilisent un langage nuancé pour ce qui ne peut être vérifié à partir du texte seul. Les observations directes sont formulées clairement.

5. L'absence n'est pas une preuve. Quand la corroboration ne trouve rien, le score est neutre (2.5), pas punitif. L'absence de données ne signifie pas que quelque chose est faux ou mauvais.

6. Chaque score est explicable. À partir des signaux et des tables de correspondance, n'importe qui peut reconstruire exactement comment un score a été calculé.

7. Séparer le qualitatif du quantitatif. Quand une décision peut être fragmentée entre un jugement qualitatif (LLM) et une mesure quantitative (code déterministe), les séparer. Ex. : le LLM dit « les sources confirment », le code compte combien de domaines uniques.

8. Indépendance des critères. Chaque critère est évalué indépendamment. Un article au ton médiocre peut très bien scorer sur les sources. La moyenne pondérée reflète l'image complète.