Arnaques téléphoniques : pourquoi raccrocher sans politesse

En Suède, une campagne contre les arnaques téléphoniques encourage les citoyens à raccrocher dès qu’un appel semble douteux, sans chercher à rester courtois. Elle présente même les jurons comme une option. L’objectif n’est pas de normaliser l’insulte, mais de casser le réflexe qui pousse à écouter un inconnu jusqu’au bout.

Les escrocs exploitent souvent la confiance, la peur et le sentiment d’urgence. Ils peuvent se présenter comme une banque, une administration, une entreprise ou un proche en difficulté. En Suède, les personnes de plus de 60 ans font partie des principales cibles de ces scénarios. La difficulté consiste parfois moins à reconnaître une demande étrange qu’à accepter de mettre fin à la conversation.

Le piège commence souvent avant l’appel

Un scénario fréquent démarre par un SMS. Le message prétend signaler un problème bancaire, une démarche administrative ou un risque pour le destinataire. Il contient un numéro à appeler, ce qui peut donner l’impression que la personne prend elle-même l’initiative du contact.

Une fois la ligne établie, l’interlocuteur utilise un discours préparé. Il peut annoncer une opération suspecte, évoquer une arrestation ou affirmer qu’un compte doit être sécurisé immédiatement. La pression réduit le temps disponible pour vérifier son identité. Elle pousse aussi à donner un code, à valider une connexion ou à transférer de l’argent.

Le numéro affiché ne prouve rien

Le spoofing permet de falsifier le numéro présenté sur l’écran. Un appel peut donc sembler provenir d’une banque, d’un service public ou d’un numéro local alors qu’il vient d’un fraudeur. L’affichage du numéro ne constitue pas une preuve d’identité.

L’autorité suédoise des télécommunications, la PTS, a adopté des règles contraignantes pour réduire ces usurpations. Les règles concernant les numéros fixes sont entrées en vigueur le 4 novembre 2024 et celles concernant les numéros mobiles le 3 mars 2025. Elles peuvent réduire certains appels falsifiés, mais elles ne remplacent pas la vérification par un autre canal. Un numéro crédible et une voix assurée ne suffisent pas à rendre une demande légitime.

La politesse peut devenir un obstacle

Group of senior adults participating in a chair exercise class, promoting fitness and healthy lifestyle.
Photo de Centre for Ageing Better sur Pexels.

La campagne cible notamment les plus de 60 ans, dont certains ont été habitués à écouter, à répondre précisément et à ne pas interrompre un interlocuteur. Dans un échange ordinaire, ces réflexes facilitent la conversation. Face à un escroc, ils prolongent au contraire le temps disponible pour installer la confiance.

Le conseil de « devenir plus impoli » doit donc être compris comme une autorisation à interrompre l’échange. Il n’est pas nécessaire de trouver la bonne insulte. Une phrase courte suffit : « Je ne donne aucune information par téléphone. Je raccroche. » Il est également possible de ne rien dire et de mettre fin à l’appel.

La police suédoise rappelle qu’une personne qui doute de l’identité de son interlocuteur peut raccrocher immédiatement. Elle indique aussi que les entreprises, organisations et autorités légitimes ne contactent pas quelqu’un à l’improviste pour lui demander de se connecter avec son BankID, de communiquer des codes de sécurité ou de partager des informations personnelles. Un message vocal automatisé en anglais annonçant une arrestation ne correspond pas à la manière dont la police suédoise contacte le public.

Que faire pendant et après un appel suspect

  1. Interrompre l’appel dès qu’une demande de code, d’argent ou d’informations personnelles apparaît.
  2. Ne pas rappeler le numéro fourni dans un SMS ou par l’interlocuteur.
  3. Vérifier par un canal officiel en composant soi-même le numéro de la banque ou de l’organisme concerné.
  4. Prévenir rapidement sa banque si une donnée a été communiquée ou si une opération a été validée.
  5. Signaler les faits aux autorités compétentes, même si aucun prélèvement n’a finalement été effectué.

Parler de l’appel à ses proches a aussi une utilité concrète. Les arnaques téléphoniques reposent souvent sur des variantes du même scénario : faux conseiller, faux policier, membre de la famille en difficulté ou menace administrative. Décrire précisément les mots employés aide l’entourage à reconnaître le procédé plus tôt.

Les chercheurs tentent aussi de repérer les signaux du vishing

Close-up of a scientist analyzing a microscope slide in a laboratory.
Photo de Kindel Media sur Pexels.

Le vishingcontraction de « voice phishing », désigne les escroqueries qui utilisent la voix et la conversation pour obtenir une information ou une action. Des chercheurs développent des bases de données destinées à entraîner des outils de détection, mais ces travaux ne doivent pas être confondus avec un filtre déjà capable de protéger tous les appels.

Un article publié dans Scientific Data présente VISHGUARD, un corpus synthétique de 3 000 appels simulés en anglais, en français et en arabe standard moderne. Les échantillons sont répartis à parts égales entre appels frauduleux et appels légitimes. Ils comportent des annotations sur les stratégies de persuasion, les marqueurs de l’interaction et le ton émotionnel. Les durées vont de 10 à 90 secondes.

Le corpus utilise des voix générées par synthèse vocale et des bruits d’ambiance évoquant un bureau, une rue ou un domicile. Les auteurs précisent que ces bruits ne reproduisent pas entièrement les conditions d’un réseau téléphonique. Un modèle performant sur ces données ne peut donc pas être considéré automatiquement comme fiable dans toutes les conversations réelles.

Une autre publication de Data in Brief décrit VISH-DARIJA-TTS, consacré à la darija marocaine. Ce jeu de données comprend 3 400 scénarios multi-tours, dont 1 700 situations normales et 1 700 scénarios de vishing, pour un total de 17 351 tours de dialogue. Les fichiers audio incluent des versions propres et bruitées. Le jeu de données ne contient ni appels réels, ni victimes réelles, ni voix enregistrées par des personnes. Ces travaux servent à la recherche défensive, mais ils ne mesurent pas directement la fréquence des escroqueries dans la population.

Une voix convaincante reste un mauvais critère

Une étude publiée dans le Journal of Voice a évalué un dispositif multimodal conçu pour générer et détecter des contenus frauduleux en turc. Dans les tests menés auprès de 394 participants, les contenus artificiels ont été jugés réels dans 92,8 à 95,3 % des cas. Les imitations d’institutions officielles étaient les plus convaincantes. Le meilleur assemblage technique a atteint une exactitude de 96,8 % et un score F1 de 0,947 dans les conditions de l’étude.

Ces résultats montrent qu’un contenu audio crédible peut tromper l’écoute humaine, mais ils ne prouvent pas qu’un appel réel sera détecté avec la même efficacité. L’étude porte sur des contenus générés et sur un contexte expérimental précis. La règle la plus robuste reste donc comportementale : ne jamais laisser la voix, le numéro affiché ou la pression de l’appel remplacer une vérification indépendante.

Raccrocher n’est pas une réaction excessive lorsque l’appelant demande une action sensible. C’est la manière la plus rapide de reprendre le contrôle de l’échange, puis de vérifier calmement la situation par un moyen officiel.

Sources et références scientifiques
  1. Christian Cawley. Sweden tells citizens to be ruder to phone scammers as criminals take advantage of good manners. 2026.
  2. VISH-DARIJA-TTS: A synthetic moroccan dialect text-audio dataset for vishing and voice-based social engineering detection – PMC. Data in brief. DOI: 10.1016/j.dib.2026.113087 · PMID: 42529072.
  3. 1.Gaanoun K., Naira A.M., Allak A., Benelallam I. DarijaBERT: a step forward in NLP for the written Moroccan dialect. Int. J. Data Sci. Anal. 2025;20:917-929. doi: 10.1007/s41060-023-00498-2. [DOI] [Google Scholar]. doi:10.1007/s41060-023-00498-2.
  4. 2.A. Outchakoucht, H. Es-Samaali, The evolution of Darija open dataset: introducing version 2, arXiv preprint arXiv:2405.13016, 2024..
  5. 3.Shang G., Abdine H., Khoubrane Y., Mohamed A., Abbahaddou Y., Ennadir S., et al. Proc. First Workshop on Language Models for Low-Resource Languages (LoResLM @ COLING 2025) ACL Anthology; 2025. Atlas-chat: adapting large language models for low-resource Moroccan arabic dialect; pp. 9-30. 2025.loreslm-1.2. [Google Scholar].
  6. 4.Talafha B., Kadaoui K., Magdy S.M., Habiboullah M., Chafei C.M., El-Shangiti A.O., et al. Proc. 2024 Conference on Empirical Methods in Natural Language Processing (EMNLP 2024) 2024. Casablanca: data and models for multidialectal Arabic speech recognition; pp. 21745-21758. [DOI] [Google Scholar].
  7. 5.Mdhaffar S., Bougares F., De Mori R., Zaiem S., Ravanelli M., Estève Y. Proc. 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024) 2024. TARIC-SLU: a Tunisian benchmark dataset for spoken language understanding; pp. 15606-15616. [Google Scholar].
  8. 6.Laouirine I., Kammoun R., Bougares F. Proc. 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024) 2024. TunArTTS: tunisian Arabic text-to-speech corpus; pp. 16879-16889. [Google Scholar].
  9. 7.Doan K.D., Waheed A., Abdul-Mageed M. Proc. Second Arabic Natural Language Processing Conference (ArabicNLP 2024) 2024. Towards zero-shot text-to-speech for arabic dialects. [DOI] [Google Scholar].
  10. 8.Yu S., Kwon Y., Kim M., Lee K.-S. Korean voice phishing detection applying NER with key tags and sentence-level N-gram. IEEE Access. 2024;12:52951-52962. doi: 10.1109/ACCESS.2024.3387027. [DOI] [Google Scholar]. doi:10.1109/ACCESS.2024.3387027.
  11. 9.Boussougou M.K.M., Hamandawana P., Park D.-J. Enhancing voice phishing detection using multilingual back-translation and SMOTE: an empirical study. IEEE Access. 2025;13:37946-37965. doi: 10.1109/ACCESS.2025.3545250. [DOI] [Google Scholar]. doi:10.1109/ACCESS.2025.3545250.
  12. 10.Kim J., Gu S., Kim Y., Lee S., Kang C. A multimodal voice phishing detection system integrating text and audio analysis. Appl. Sci. 2025;15 doi: 10.3390/app152011170. [DOI] [Google Scholar]. doi:10.3390/app152011170.
  13. 11.Ma Z., Wang P., Huang M., Wang J., Wu K., Lv X., et al. Proc. 33rd ACM International Conference on Multimedia (ACM MM 2025) 2025. TeleAntiFraud-28k: an audio-text slow-thinking dataset for telecom fraud detection. [DOI] [Google Scholar].
  14. 12.Hmimou Y., Jabel N., Ameur S., Tabaa M. VISH-DARIJA-TTS: a synthetic Moroccan darija text-audio dataset for vishing and voice-based social engineering detection. Zenodo. 2026 doi: 10.5281/zenodo.20039126. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.5281/zenodo.20039126.
  15. Hmimou Y, Tabaa M, Khiat A, Hidila Z.. A Multilingual Behavioral Speech Dataset for Vishing and Social Engineering Detection.. Scientific data. 2026. DOI: 10.1038/s41597-026-07724-z · PMID: 42373678. (résumé scientifique structuré; texte intégral non fourni)
  16. A Multivocal Literature Review on Growing Social Engineering Based Cyber-Attacks/Threats During the COVID-19 Pandemic: Challenges and Prospective Solutions – PMC. IEEE access : practical innovations, open solutions. DOI: 10.1109/access.2020.3048839 · PMID: 34786300.
  17. [1].Mouton F., Leenen L., and Venter H. S., “Social engineering attack examples, templates and scenarios,” Comput. Secur., vol. 59, pp. 186-209, Jun. 2016. [Google Scholar].
  18. [2].Krombholz K., Hobel H., Huber M., and Weippl E., “Advanced social engineering attacks,” J. Inf. Secur. Appl., vol. 22, pp. 113-122, Jun. 2015, doi: 10.1016/j.jisa.2014.09.005. [DOI] [Google Scholar]. doi:10.1016/j.jisa.2014.09.005.
  19. [3].Xiangyu L., Qiuyang L., and Chandel S., “Social engineering and insider threats,” in Proc. Int. Conf. Cyber-Enabled Distrib. Comput. Knowl. Discovery (CyberC), Oct. 2017, pp. 25-34. [Google Scholar].
  20. [4].Abraham S. and Chengalur-Smith I., “An overview of social engineering malware: Trends, tactics, and implications,” Technol. Soc., vol. 32, no. 3, pp. 183-196, Aug. 2010. [Google Scholar].
  21. [5].Irani D., Balduzzi M., Balzarotti D., Kirda E., and Pu C., “Reverse social engineering attacks in online social networks,” in Proc. Int. Conf. Detection Intrusions Malware, Vulnerability Assessment, 2011, pp. 55-74. [Google Scholar].
  22. [6].Digital Guardian. (Jul. 6, 2015). What is Social Engineering? Defining and Avoiding Common Social Engineering Threats. Accessed: Sep. 2, 2020. [Online]. Available: threats.
  23. [7].2019 Cyberthreat Defense Report |CyberEdge Group. Accessed: Sep. 3, 2020. [Online]. Available:.
  24. [8].Proofpoint. (Apr. 6, 2018). The Human Factor 2019 Report, Modern Cyber Attacks. Accessed: Sep. 3, 2020. [Online]. Available:.
  25. [9].Wikipedia. (Sep. 7, 2020). COVID-19 Pandemic. Accessed: Sep. 7, 2020. [Online]. Available:.
  26. [10].Coronavirus Disease (COVID-19), World Health Organization. Accessed: Sep. 7, 2020. [Online]. Available:.
  27. [11].White Paper: Science and Technology Play a Vital Role in COVID-19 Combat. Accessed: Sep. 7, 2020. [Online]. Available:.
  28. [12].Learning Center. What is Social Engineering |Attack Techniques & Prevention Methods |Imperva. Accessed: Sep. 7, 2020. [Online]. Available:.
  29. Albayrak A.. From Generation to Detection: A Multimodal LLM-Based Framework for Realistic Vishing Attacks in Turkish.. Journal of voice : official journal of the Voice Foundation. 2026. DOI: 10.1016/j.jvoice.2026.04.042 · PMID: 42177114. (résumé scientifique structuré; texte intégral non fourni)
  30. Scam calls | The Swedish Police Authority.
  31. Telephone scams (spoofing) | PTS.
  32. Rob Thubron. Sweden launches campaign telling people to be ruder as scammers exploit good manners. 2026.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *