Accueil›Biais›IBI-00224
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

🛡 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.