La détection de communauté consiste à rechercher des sous-ensembles de noeuds densément connectés dans des réseaux complexes. Il s’agit d’une problématique centrale pour des chercheurs issus des nombreux domaines différents dans lesquels les réseaux complexes sont utilisés comme outil de modélisation. Les algorithmes de détection de communauté sont généralement testés à la fois sur des réseaux réels et artificiels. Les premiers sont plus difficiles et coûteux à obtenir, tandis que le niveau de réalisme des derniers a un effet direct sur la fiabilité des tests. Récemment, Lancichinetti et al. [1] ont défini un modèle appelé LFR, qui permet de produire des réseaux possédant une structure de communauté, ainsi que des degrés et des tailles de communautés distribués selon une loi de puissance. Cependant, d’autres propriétés observées dans un grand nombre de réseaux réels sont manquantes, telles qu’une corrélation de degré non-nulle et une transitivité élevée. Dans cet article, nous proposons une modification du modèle LFR basée sur le modèle d’attachement préférentiel, afin de résoudre cette limitation. Nous analysons les propriétés des réseaux générés et les comparons à ceux obtenus avec la méthode originale. Nous appliquons ensuite différents algorithmes de détection de communauté à ces réseaux et observons des modifications significatives dans leurs performances, comparées à celles obtenus sur les réseaux issus de LFR.