Par Elisha Bajemon | Publié le 17 octobre 2026

Détecter le bourrage de mots-clés : les contrôles de répétition devancent le score dans le test Citead

En bref

Pour détecter le bourrage lourd testé, Bajemon et Rochet, septembre 2026 rapportent une AUC de 1,000 pour la répétition, contre 0,851 pour Citead. Leur étude compare le score à deux détecteurs sans apprentissage sur les mêmes textes modifiés, avec des groupes témoins différents. Sur la duplication pure, le score distingue à peine les textes modifiés des témoins neutres. Les attaques hors distribution testées lui échappent aussi. Les auteurs recommandent de combiner des contrôles anti-spam classiques avec le score comme mesure de qualité.

Points clés

• Sur le bourrage lourd, le taux de répétition atteint une AUC de 1,000, les quasi-doublons 0,988 et Citead 0,851, selon le tableau comparatif de Bajemon et Rochet, septembre 2026.
• Sur la duplication pure, le détecteur de quasi-doublons atteint 0,685, contre 0,529 pour le score, dans la même étude.
• Pour les attaques hors distribution, les auteurs rapportent des AUC du score comprises entre 0,410 et 0,520, qu’ils qualifient de niveau du hasard dans leur analyse.
• Le remplissage par texte passe-partout échappe aux contrôles testés : toutes les AUC restent au plus à 0,590, selon Bajemon et Rochet.
• L’ancienne pondération détecte mieux le bourrage lourd : 0,997 contre 0,851 pour la pondération publiée, rapporte le même test.
• Les auteurs recommandent d’associer les détecteurs classiques au score pour répartir la détection du spam et l’évaluation de qualité entre ces contrôles.

Qu’est-ce qu’une AUC, et comment la lire ?

L’AUC mesure la capacité d’un indicateur à séparer deux catégories sur l’ensemble des seuils possibles. Le cours de Google sur l’AUC, mis à jour le 11 mai 2026, la présente comme la probabilité de classer un exemple positif au-dessus d’un exemple négatif, tous deux choisis au hasard. Ici, cela revient à placer un texte modifié du côté le plus suspect par rapport à un témoin neutre.

Une AUC de 0,500 correspond au hasard ; 1,000 correspond à une séparation parfaite sur les données évaluées. Cette mesure compare des classements. Pour décider quelles pages signaler, il faut ensuite choisir un seuil d’alerte. Un faux positif désigne alors un texte témoin signalé à tort.

Dans Scoring Without the Engine, publié sur arXiv le 7 septembre 2026, les auteurs fixent ce seuil pour accepter 5 % de faux positifs dans leur groupe témoin. À ce réglage, le score détecte 49,8 % des textes soumis au bourrage lourd. L’AUC de 0,851 et ce taux de détection décrivent donc deux lectures différentes du même test. Le premier chiffre seul ne dit pas combien de pages votre contrôle signalera.

Pour poursuivre cette lecture, voir Lire une étude sur la visibilité dans les IA : corrélation, intervalle de confiance et taille d’échantillon.

Quels détecteurs le papier a-t-il comparés au score ?

Les auteurs comparent un taux de répétition des mots et un indicateur de quasi-doublons par fragments. Leur étude de septembre 2026 part de 500 sources anglaises et de variantes de ces textes. L’AUC du score compare les textes modifiés à des témoins allongés par du contenu neutre, associés à la dose testée.

Le code associé à cette étude de septembre 2026 précise les calculs. Pour les détecteurs classiques, il emploie un ensemble témoin réunissant les textes originaux et leurs variantes neutres. Les valeurs publiées ci-dessous reposent donc sur des groupes témoins distincts selon l’indicateur.

Le premier indicateur mesure la part occupée par les cinq mots les plus fréquents parmi les mots retenus. Le second découpe le texte en fragments successifs de huit mots, appelés shingles, puis mesure leur répétition. Ces calculs ne nécessitent aucun apprentissage.

La précision compte pour une agence qui contrôle des livraisons : le détecteur de fragments cherche ici des répétitions à l’intérieur du document. Son résultat ne constitue pas une recherche de copies sur l’ensemble du web. Nous recommandons de préciser ce périmètre dans toute restitution au client.

Cette approche prolonge les travaux de Ntoulas et ses coauteurs, présentés à WWW en 2006, sous le titre Detecting Spam Web Pages through Content Analysis. Ils étudiaient déjà les propriétés du contenu pour identifier le spam. Leurs résultats historiques et les performances des détecteurs testés par Citead relèvent de protocoles distincts.

Sur quelles attaques les détecteurs classiques l’emportent-ils ?

Ils devancent le score sur le bourrage lourd et sur la duplication pure. Le tableau comparatif de Bajemon et Rochet, septembre 2026, donne les AUC suivantes. Les libellés anglais sont ceux du papier ; « ID » désigne les familles déjà présentes dans le dispositif de calibration.

Sur le bourrage, le comptage des répétitions sépare parfaitement les catégories évaluées dans ce test. Pour la duplication pure, tous les indicateurs affichent une AUC inférieure à celle du bourrage lourd. Le détecteur de fragments obtient la valeur la plus élevée de cette ligne. Nous recommandons d’examiner chaque famille de défauts séparément avant de choisir un contrôle, en tenant compte des groupes témoins utilisés.

Le papier évalue aussi l’attaque combinée stuffing + duplication, d8 (bourrage et duplication à forte dose). Le score y atteint une AUC de 0,944. Ce résultat porte sur cette modification et sur les textes du protocole. Le papier ne fournit aucun seuil de densité de mots-clés à appliquer à toutes vos pages.

Quelles attaques échappent au score ?

Les modifications testées qui appartiennent à des familles absentes de la calibration lui échappent. Dans l’étude de Bajemon et Rochet du 7 septembre 2026, ces attaques sont dites « hors distribution », abrégées « OOD ». Voici les valeurs publiées à forte dose.

Le taux de répétition obtient des AUC supérieures à celles du score pour l’injection de liens et les mots-clés intercalés. Le remplissage passe-partout reste difficile à identifier pour l’ensemble des contrôles. Les auteurs en tirent une limite explicite : la capacité de détection du score ne se généralise pas au-delà des familles de modifications utilisées pour sa calibration.

Pour votre relecture, Citead recommande de maintenir un examen du contenu même en l’absence d’alerte automatique. Demandez quelle information chaque paragraphe apporte à la question traitée et vérifiez ses appuis.

Pourquoi l’ancienne pondération détectait-elle mieux le bourrage ?

Bajemon et Rochet, septembre 2026, attribuent surtout la capacité de détection aux caractéristiques du texte que le score mesure. Ils relèvent une AUC de 0,997 pour l’ancienne pondération sur le bourrage lourd, contre 0,851 pour celle qu’ils publient. La calibration ne constitue donc pas un progrès de détection démontré par ce test.

La propriété qu’ils retiennent pour le score est sa résistance à l’augmentation artificielle de sa valeur : le gain obtenu en amplifiant ses leviers reste borné dans le cadre étudié. Les contrôles de répétition obtiennent des AUC supérieures sur le bourrage lourd et la duplication pure du tableau comparatif.

Dans une procédure de contrôle, nous recommandons de conserver ces résultats dans des rubriques séparées : les alertes de répétition d’un côté, l’évaluation de qualité de l’autre. Une note élevée ne doit pas effacer une alerte documentée. La présentation de la formule du score constitue le renvoi technique pour examiner son calcul.

Quelle configuration appliquer à un contrôle de contenu ?

Associez les contrôles de répétition et de fragments dupliqués au score pour répartir la détection du spam et le contrôle de qualité. Bajemon et Rochet, dans leur publication de septembre 2026, proposent cette combinaison pour le filtrage de corpus, le contrôle éditorial et les tests d’une chaîne de production de contenu.

Pour des pages produites en série, Citead recommande de commencer par les alertes de répétition, selon la procédure suivante :

1. Conservez la version livrée et identifiez les passages signalés par chaque contrôle. La personne chargée de relire doit pouvoir retrouver le texte à l’origine de l’alerte.
2. Examinez les mots récurrents dans leur contexte et les fragments répétés. Décidez si une répétition sert l’explication ou appelle une correction, en gardant une trace de cette décision.
3. Relisez aussi les paragraphes sans alerte. Vérifiez leur apport à la réponse et la présence des faits dans leurs sources, notamment lorsque le contenu paraît interchangeable entre plusieurs sujets.
4. Consultez ensuite le score et ses sous-mesures pour préparer les corrections éditoriales. Après révision, conservez les résultats avant et après afin de suivre ce qui a changé.

Cette procédure adapte la répartition des rôles proposée par les auteurs ; l’ordre des étapes est notre recommandation éditoriale. Pour fixer vos seuils, nous recommandons de partir de textes déjà relus dans votre activité et d’examiner les alertes injustifiées avant d’automatiser une décision. Le score ne prédit pas la citation d’une page par un moteur.

Pour aller plus loin

• À quoi sert un score de contenu : audit de site, contrôle éditorial et tests de régression.
• Scoring Without the Engine expliqué : ce que valide un score de contenu calculé sans interroger les moteurs.
• La formule du score Citead.