Les images de l’IA sont plus convaincantes que jamais : elles s’infiltrent dans les revues et sapent la confiance dans la science

UN photographie de la Terre brillant dans l’espace profond, l’horizon cratère de la lune s’étendant sur son premier plan a attiré l’attention de nombreuses personnes en avril 2026. Les astronautes ont capturé l’image alors qu’ils étaient à bord. La mission Artémis II de la NASAet comme le célèbre Image d’Apollo 8 « Lever de Terre »l’image a semblé instantanément réelle et inspirante pour beaucoup.

Mais quand presque tout le monde peut fabriquer une image visuellement similaire en quelques secondes à partir d’un message texte utilisant l’intelligence artificielle, comment les gens décident-ils quelle image est réelle ?

La prolifération de Images scientifiques générées par l’IA dans les espaces publics n’est pas simplement un problème de désinformation. En tant que chercheur qui étudie communication scientifique visuelle et confiance du publicje crois que cela contribue également à crise de confiance dans la science à l’ère de l’IAet les outils sur lesquels les scientifiques se sont longtemps appuyés pour établir la crédibilité visuelle perdent leur emprise.

Les images générées par l’IA infiltrent la science

Les outils d’IA changent déjà la façon dont les visuels scientifiques sont créé, partagé et rendu public.

Les chercheurs les utilisent pour générer des illustrations, créer des données synthétiques, modifier des images de laboratoire et produire du matériel pour l’éducation et la sensibilisation du public.

Même si l’IA peut aider les scientifiques à communiquer davantage sur des idées complexes de manière créative et efficaceces mêmes outils brouiller les lignes entre illustration, valorisation et fabrication.

En 2024, deux articles ont été retirés après leur publication Des personnages générés par l’IA possédant structures biologiquement impossibles. En avril 2026, le New England Journal of Medicine a retiré un article après avoir découvert qu’un l’image clinique a été manipulée avec l’IA. Ce ne sont là que des cas qui ont attiré l’attention du grand public et ne constituent probablement que la pointe de l’iceberg. Les chercheurs ont averti que Les visuels générés par l’IA représentent des menaces croissantes dans des domaines qui dépendent fortement des preuves visuelles, comme la science des matériaux.

Les éditeurs universitaires commencent à adopter des outils de détection d’IA. Cependant, les systèmes conçus pour détecter les fausses images presque toujours à la traîne systèmes conçus pour les créer. De nombreux détecteurs ne peuvent identifier que les modèles d’images pour lesquels ils ont été formés. À mesure que de nouveaux modèles d’IA émergent, les développeurs doivent constamment obtenir de nouvelles données et recycler les détecteurs pour rattraper leur retard.

La plus grande préoccupation concerne les visuels réalistes qui subtilement déformer les détails scientifiques tout en restant crédible suffisant pour réussir l’examen initial.

Faites confiance aux images scientifiques

Pendant des décennies, les images scientifiques ont fait autorité en partie parce qu’elles étaient difficile à produire. La création d’images microscopiques, de graphiques climatiques et de photographies spatiales nécessitait un équipement coûteux, des ressources institutionnelles et une expertise spécialisée. La plupart des gens pensaient que ces images représentaient de véritables observations, car très peu de personnes pouvaient les réaliser.

Les recherches en communication scientifique, y compris la mienne, suggèrent que les gens jugent les visuels scientifiques en utilisant quelques raccourcis mentaux. Est-ce que l’image avoir l’air techniquement sophistiqué? Est-ce que c’est proviennent d’une institution de confiance? Est-ce que c’est correspond à ce que je crois déjà? L’IA générative mine ces trois heuristiques, ou raccourcis mentaux.

Aujourd’hui, n’importe qui peut créer une image raffinée d’aspect scientifique à partir d’une invite de texte. Les images sont également détachés de leur source originelle lorsqu’ils circulent en ligne. Lorsque la qualité visuelle et l’attribution institutionnelle deviennent des indices peu fiables pour juger de la crédibilité des images scientifiques, les gens ont tendance à se tourner vers autre chose : leurs propres croyances antérieures.

En conséquence, les images scientifiques authentiques qui remettent en question les croyances existantes d’une personne peuvent désormais être considérées comme générées par l’IA, alors que les images fabriquées qui les confirment sont facilement acceptées comme preuves. L’IA, de cette manière, peut amplifier le raisonnement motivég — c’est-à-dire la tendance des gens à accepter ce avec quoi ils sont déjà d’accord et à remettre en question ce avec quoi ils ne sont pas d’accord.

Ce changement est important car les visuels ont longtemps servi de preuves des affirmations scientifiques. Le public non expert s’appuie sur les images non seulement pour voir ce que les scientifiques ont découvert, mais aussi pour développer un lien émotionnel et percevoir la crédibilité dans la science présentée.

Si le public cesse complètement de faire confiance aux preuves visuelles, la science perd l’un de ses outils de communication publique les plus puissants.

La transparence, pas la restriction

Les outils d’IA offrent de réels avantages aux chercheurs qui communiquent leurs travaux à des publics divers. Le défi consiste à utiliser ces outils sans transférer discrètement Le déficit de crédibilité de l’IA sur la science que les images sont censées transmettre.

Une voie pratique à suivre consiste pour les chercheurs à traiter provenance des images – d’où vient une image et comment elle a été créée – avec le même sérieux qu’ils s’appliquent déjà à la provenance des données.

Les scientifiques révèlent régulièrement ressources de financement, méthodologies d’étude et conflits d’intérêts. Normes similaires peut être désormais nécessaire pour les images scientifiques. L’IA a-t-elle été utilisée pour générer ou modifier cette image ? Est-ce une observation directe, une simulation ou une illustration ? Que représente exactement l’image et comment a-t-elle été vérifiée ? Peut-il être reproduit par d’autres chercheurs ?

Mes collègues et moi avons constaté que les gens la familiarité avec l’IA façonne considérablement comment ils jugent la crédibilité des visuels générés par l’IA. Ceux qui connaissent les outils d’IA étaient plus susceptibles de considérer la divulgation de l’IA comme un signe de transparence, et certains ont jugé le contenu clairement étiqueté généré par l’IA comme plus crédible que le contenu non étiqueté.

La transparence donne au public le contexte nécessaire pour évaluer ce qu’il voit, mais elle ne résoudra peut-être pas tous les différends sur la manière dont les images sont créées. L’utilisation responsable des images scientifiques générées par l’IA nécessitera l’honnêteté, le respect des normes professionnelles et le développement collectif de normes fondées sur des données probantes à travers les champs.

Pourquoi les images authentiques restent puissantes

La photographie originale d’Apollo 8 « Earthrise » de 1968 porte impact émotionnel important. Alors faites le Images d’Artémis II de 2026.

Ce qui leur donne du sens n’est pas seulement leur beauté. C’est leur lien traçable avec la réalité scientifique. Lorsque les gens regardent ces photographies de planètes, ils savent également qu’il y a des astronautes, des caméras physiques, des missions documentées et des observations vérifiables derrière les images. En ce sens, l’authenticité est une relation documentée entre une image et le monde.

À l’ère de l’IA générative, les institutions scientifiques ne peuvent plus supposer que le public fera automatiquement confiance à leurs visuels. La confiance dépend désormais de la transparence, de la documentation et d’une communication claire sur la manière dont les preuves visuelles sont produites.

Sans lignes directrices et normes, la science risque d’entrer dans un monde où chaque image peut être remise en question et où aucune image n’a de crédibilité inhérente.

Cet article édité est republié à partir de La conversation sous licence Creative Commons. Lire le article original.