Points clés
- Le tableau porte sur 500 sources par classe ; les mesures de détection utilisent un contrôle neutre de même dose et de même longueur.
- Les extraits attribués rapportent +6,1 points moyens à dose 1 et +3,5 points à dose 8.
- Le bourrage de mots-clés fait perdre 13,0 points moyens à dose 8.
- Le gain Δ sur une seule page augmente le score du domaine de Δ / (k + n), avec k = 5 et n pages notées.
- Le score résiste au gonflement dans le périmètre testé ; la détection du spam demande des contrôles complémentaires.
Par Elisha Bajemon | Publié le 17 octobre 2026
Un attaquant peut-il gonfler un score de contenu ? Le test sur 500 sources modifiées
En bref
Le gain moyen maximal d’un levier atteint +6,1 points à dose 1 dans le test de Bajemon et Rochet, 7 septembre 2026. Ce résultat concerne l’ajout d’extraits attribués dans le texte ; le gain diminue lorsque la dose augmente. Le tableau des attaques porte sur 500 sources par classe et évalue la détection avec un contrôle de longueur. Le bourrage de mots-clés et la duplication font baisser la note dans ce test. L’agrégation des pages atténue ensuite l’effet sur le score d’un domaine. Cette résistance au gonflement laisse la détection du spam et la mesure des citations par les moteurs à des évaluations distinctes.
Points clés
- Pour les extraits attribués, Bajemon et Rochet, 7 septembre 2026, observent +6,1 points moyens à dose 1 et +3,5 à dose 8, sur une échelle de 100 points.
- Dans le même résultat, les statistiques passent de +4,6 points moyens à dose 1 à +0,1 à dose 8 ; les références à des sources passent de +3,9 à dose 1 à +0,5 à dose 8.
- La combinaison des citations, statistiques et sources citées atteint +4,5 points à dose 8, selon le tableau des attaques.
- Le bourrage de mots-clés à dose 8 entraîne une baisse moyenne de 13,0 points ; associé à la duplication à cette dose, il fait perdre 16,4 points.
- Le lemme des auteurs borne l’amplification d’un levier sous ses hypothèses mathématiques. Le maximum chiffré observé reste un résultat expérimental.
1. Comment le test de manipulation a-t-il été construit ?
Le test mesure les variations du score et évalue la détection des modifications. Dans Scoring Without the Engine, déposé sur arXiv le 7 septembre 2026, Elisha Bajemon et André-Louis Rochet utilisent des sources anglophones de GEO-Bench. Le tableau des attaques porte sur 500 sources par classe.
Une dose désigne le nombre de blocs ajoutés au texte. Pour calibrer le score, les auteurs comparent chaque intervention additive à un ajout de texte neutre de même longueur. Ce témoin sert à isoler la réponse au contenu ajouté de celle au simple allongement de la page. Dans le tableau des attaques, les mesures de détection utilisent également un contrôle neutre de même dose. Les gains de score rapportés sont des moyennes sur les sources ; ils ne décrivent donc pas le gain maximal de chaque page prise isolément.
Les modifications couvrent le bourrage de mots-clés, la duplication, l’amplification des leviers valorisés par le score et leurs combinaisons. Dans ce contexte, « citations » traduit quotation : il s’agit de passages attribués dans le texte. L’expression ne désigne jamais une reprise de la page par un assistant IA.
Le papier documente aussi une correction préalable : un défaut du programme de bourrage séparait les caractères au lieu de répéter les mots-clés. Les auteurs ont corrigé le programme, régénéré les variantes et relancé les analyses. Les variations de score retenues ici proviennent de cette analyse corrigée.
2. Combien de points gagne un attaquant qui amplifie un levier ?
Le gain moyen le plus élevé annoncé pour un levier isolé atteint +6,1 points à dose 1 avec l’ajout d’extraits attribués. Le résultat consacré au gain de l’attaquant, publié par Bajemon et Rochet le 7 septembre 2026, détaille son évolution avec la dose :
| Modification testée | Gain à dose 1 | Gain à dose 8 |
|---|---|---|
| Ajout d’extraits attribués (quotation) | +6,1 points | +3,5 points |
| Ajout de statistiques (statistics) | +4,6 points | +0,1 point |
| Ajout de références (cite-sources) | +3,9 points | +0,5 point |
La combinaison de ces leviers, nommée quote+stats+cite, d8 dans le tableau, atteint +4,5 points moyens à dose 8. Ces résultats portent sur la pondération retenue dans l’étude. Le résumé annonce 6 points ; le résultat détaillé donne +6,1 points pour les extraits attribués à dose 1. Nous retenons cette valeur détaillée.
La transformation mathématique explique une partie du mécanisme. Comme le décrit aussi la méthodologie publiée par Citead, les sous-mesures passent par une racine carrée avant leur pondération. Une même hausse d’une sous-mesure apporte ainsi moins de points lorsque celle-ci est déjà élevée. Le plafonnement de la sous-mesure contribue à borner l’amplification ; la baisse effectivement mesurée avec la dose vient du test.
Les auteurs séparent la démonstration mathématique et le résultat expérimental. Leur lemme examine une modification qui fait progresser linéairement une seule sous-mesure en laissant les autres inchangées. Le critère de saturation exige par ailleurs que la réponse à dose 8 reste au plus égale à trois fois celle à dose 1. Ce critère sert à sélectionner une formule ; le gain observé se lit dans le tableau.
3. Que se passe-t-il quand on bourre un texte de mots-clés ou qu’on le duplique ?
Ces dégradations abaissent le score dans le test. Le tableau des attaques de Bajemon et Rochet, 7 septembre 2026, donne les variations moyennes suivantes pour la pondération retenue :
| Attaque publiée | Dose ou opération | Variation moyenne |
|---|---|---|
| keyword stuffing, d1 | Bourrage à dose 1 | -2,8 points |
| keyword stuffing, d8 | Bourrage à dose 8 | -13,0 points |
| duplication | Duplication du texte | -2,9 points |
| stuffing + duplication, d8 | Combinaison à dose 8 | -16,4 points |
| stuffing + quotation, d8 | Combinaison à dose 8 | -3,1 points |
La duplication est une opération distincte ; le tableau ne lui attribue aucune dose. Elle porte sur le texte complet, ce qui évite d’étendre son résultat à n’importe quelle répétition de paragraphe.
La calibration comprend un contrôle négatif : le bourrage doit produire une réponse nulle ou négative aux doses 1 et 8. Elle comprend aussi une condition propre à la duplication intégrale, dont le gain doit rester inférieur ou égal à +2 points. Dans l’expérience présentée ici, la variation est négative.
Pour votre lecture du test, la combinaison bourrage et extraits attribués mérite attention : même avec ce levier valorisé par le score, sa variation moyenne reste négative à dose 8. Cela décrit le comportement de la formule face à cette modification précise. Les critères de choix de la pondération font l’objet de l’article « Calibrer un score par intervention : comment les poids du score ont été choisis ».
4. Une page gonflée peut-elle faire monter le score de tout un site ?
Oui, mais l’agrégation réduit sa contribution. La définition du score de domaine publiée par Bajemon et Rochet le 7 septembre 2026 combine la moyenne des pages avec une valeur de référence. Le score d’un domaine comportant peu de pages notées reste ainsi proche de cette référence.
La formule utilise une valeur de référence p = 50 et une force k = 5 :
score du domaine = (k × p + n × moyenne des pages) / (k + n)
La lettre n représente le nombre de pages notées du domaine. Si une seule page gagne Δ points, à nombre de pages constant, le score agrégé augmente exactement de Δ / (k + n). L’effet diminue donc lorsque le domaine compte davantage de pages notées.
Dans le calcul des auteurs, qui suppose un gain de Δ = 6 sur une page, la hausse du score de domaine atteint au plus 1 point, lorsque le domaine ne compte qu’une page notée. Ce calcul conditionnel ne transforme pas le gain moyen du test en plafond valable pour chaque page. Lorsque toutes les pages gagnent Δ, les auteurs obtiennent Δ × n / (k + n) : l’atténuation dépend aussi de la part du domaine touchée.
Le passage de cette hausse à un déplacement dans un classement reste à mesurer : il dépend de l’écart entre les scores des domaines voisins.
5. Ce test permet-il de repérer les contenus manipulés ?
La résistance mesurée au gonflement ne suffit pas à identifier toutes les manipulations. Dans leur analyse du 7 septembre 2026, Bajemon et Rochet attribuent la détection du spam à des méthodes complémentaires, notamment le taux de répétition des mots et la recherche de quasi-doublons.
Les méthodes anti-spam classiques évaluées dépassent le score lorsque la détection est possible. Les attaques publiées qui sortent des familles utilisées pour la calibration échappent au score. Une page peut donc recevoir une note peu gonflée tout en contenant une manipulation qui n’a pas été signalée.
Les auteurs proposent une combinaison d’outils : les contrôles anti-spam repèrent les dégradations, tandis que le score fournit une mesure de qualité dont le gonflement reste limité dans le périmètre testé. La comparaison est le sujet de l’article « Détecter un contenu gonflé pour les moteurs : les méthodes anti-spam classiques devancent le score ».
6. Comment utiliser cette propriété pour relire vos contenus ?
Vous pouvez vous en servir pour apprécier la résistance de la note aux modifications testées. Le papier de Bajemon et Rochet, 7 septembre 2026, envisage le filtrage de corpus, le contrôle éditorial et la vérification des changements dans les chaînes de production de contenu. Il précise que les attaques extérieures aux familles publiées restent non testées.
Notre recommandation éditoriale consiste à lire la note avec les passages qui la justifient. Pour chaque ajout, vérifiez la source et l’utilité pour votre lecteur. Consignez séparément le changement de score et les observations de citation obtenues auprès des moteurs. Cette séparation reprend la distinction du papier entre propriétés du texte et choix des sources dans une réponse.
Le score ne prédit pas la citation. L’article « Pourquoi un score calculé sur le seul texte ne prédit pas le choix des sources par les moteurs » porte sur cette question. Une note qui résiste aux modifications artificielles constitue un élément de contrôle éditorial ; son usage demande de conserver le périmètre du test à l’esprit.
Pour aller plus loin
Pour une lecture d’ensemble, retrouvez « Scoring Without the Engine expliqué : ce que valide un score de contenu calculé sans interroger les moteurs ».
La méthodologie Citead présente la formule du score et ses sous-mesures pour vous aider à interpréter votre note.