Nous appliquons l'analyse de médiation causale pour expliquer le processus de prise de décision des modèles neuronaux dans la détection des rumeurs sur Twitter. Des interventions au niveau des entrées et du réseau révèlent les impacts causaux des tweets et des mots sur la sortie du modèle. Nous constatons que notre approche CMA-R -- Analyse de Médiation Causale pour la Détection des Rumeurs -- identifie les tweets pertinents qui expliquent les prédictions du modèle et montrent une forte concordance avec les jugements humains concernant les tweets critiques déterminant la véracité des histoires. De plus, CMA-R peut mettre en évidence les mots ayant un impact causal dans ces tweets pertinents, offrant ainsi une autre couche d'interprétabilité et de transparence à ces systèmes de détection de rumeurs considérés comme des boîtes noires. Le code est disponible à l'adresse suivante : https://github.com/ltian678/cma-r.