# Les LLM rejettent jusqu’à 46 % des informations de sources décrites comme noires

> Une étude montre que des modèles de langage populaires se méfient davantage d’une information lorsque sa source est présentée comme noire, révélant un biais latent.

Oossa · 2026-10-23 · https://oossa.com/fr/study-finds-llms-decline-info-from-black-described-reporters-up-to-46-of-the-tim

Une nouvelle étude publiée sur arXiv, intitulée « Invisibilization as a Source of Probability Bias in Language Models », a mesuré à quelle fréquence des modèles de pointe refusent de se fier à un témoignage en fonction de la race attribuée à son auteur. À l’aide d’un jeu basé sur deux urnes mené au cours de 6 600 sessions, les auteurs ont constaté que les modèles d’OpenAI et d’Anthropic refusaient d’évaluer les informations d’une source décrite comme noire dans 46 % des cas, contre 9 % pour une source décrite comme blanche. Lorsqu’ils évaluaient l’information, les modèles accordaient légèrement plus de crédit à la source décrite comme noire. Ce biais disparaît lorsqu’un système de notation récompense les évaluations correctes au fil de plusieurs manches.

## Les faits

- Étude publiée le 2026-10-23 (« Fri Oct 23 2026 06:00:00 GMT+0200 »)
- Taux de refus : 46 % pour les sources décrites comme noires, 9 % pour celles décrites comme blanches

## Pourquoi c'est important

Les concepteurs d’assistants IA doivent savoir que les LLM actuels peuvent discrètement privilégier ou rejeter des informations en fonction de la race perçue de leur source, ce qui peut nuire à l’équité dans des domaines comme le service client ou le triage médical.

## Sources et références

1. [Invisibilization as a Source of Probability Bias in Language Models](https://arxiv.org/abs/2610.30785) – arXiv, 2026-10-23

Dernière mise à jour: 2026-10-23