IBI-002245 - Critiquepublie
Biais d'hallucination
Hallucination Bias
Score IBI
9.2
sur 10
Sévérité5_critique
Fréquencesystematique
Ampleur groupes5
Difficulté détection4
🇫🇷 Définition (FR)
Production d'informations fausses présentées avec confiance par un LLM.
🇬🇧 Definition (EN)
Production of false information presented confidently by an LLM.
Taxonomie TriAxis
Classification structurelle
O
Origine
O2
Computationnel & Statistique
L
Cycle de vie
L7
Déploiement
S
Spécifique
S27
Biais émergent
💡
Exemple concret
Un LLM invente des références juridiques inexistantes dans une consultation.
📊 Métriques de détection
Distribution ShiftDemographic Parity Difference
⚙ Seuils d'alerte
Distribution Shift0.1
Demographic Parity Difference0.1
📚 Sources & Références Scientifiques
- •Survey of Hallucination in Natural Language GenerationJi, Z., Lee, N., Frieske, R., et al. (2023)
🛡 Impact & Mitigation
🔬 Preuves documentées (Études & Incidents)
- Mata v. Avianca : avocats sanctionn�s pour avoir cit� des d�cisions inexistantes g�n�r�es par ChatGPT : Source : https://reason.com/volokh/2023/06/22/sanctions-issued-in-case-where-lawyers-cited-chatgpt-hallucinated-precedents/printer/
Impact :
🎯 Groupes vulnérables impactés
Aucun groupe spécifique.
🛠 Méthodologies de mitigation
- AUDIT_TIERS : Audit par tiers indépendant
🏢 Secteurs concernés
Éducation et formation (Risque: /5)Justice et sécurité (Risque: /5)Santé et médecine (Risque: /5)
⚖ Réglementations applicables
🇪🇺 Europe
- •AI_ACT_13 : AI Act (UE) 2024/1689
🌍 International
- •ISO_42001 : ISO/IEC 42001:2023
- •UNESCO_2021 : UNESCO - Recommandation sur l'éthique de l'IA
- •OECD_AI_PRINCIPLES : OCDE - Principes IA
- •COE_AI_CONVENTION_INT : Conseil de l'Europe - Convention IA
📋 Métadonnées
Contributeur
Mohamadou SIDIBE
Institution
AI BIAIS INITIATIVE
Version
1
Créé le
14 octobre 2026
Mis à jour le
4 novembre 2026
UUID
66d86d3b-6f6e-4aff-9c13-03c16b96584c
Explorer d'autres biais
250 biais documentés, classés par la taxonomie TriAxis.