Gradescope détecte-t-il l'IA ? Ce que les étudiants et les professeurs doivent savoir en 2026

Gradescope dispose-t-il d'un détecteur d'IA intégré ?

À partir de 2026, Gradescope ne comprend pas de fonction autonome de détection de texte IA dans son produit principal. La fonction principale de la plateforme est la gestion des notes — elle permet aux instructeurs de créer des devoirs, d'accepter les soumissions PDF et images, de construire des rubriques et de distribuer les commentaires annotés à grande échelle. Ses fonctionnalités liées à l'IA se concentrent sur l'assistance à la notation (regroupement des réponses similaires des étudiants afin que les instructeurs puissent noter par lots) plutôt que sur la détection si le travail de l'étudiant a été produit par un modèle de langage. C'est important de comprendre clairement car les étudiants confondent parfois le rôle de Gradescope avec les outils de détection d'IA que leur école a peut-être déployés ailleurs. Lorsqu'une institution s'abonne à l'indicateur d'écriture IA de Turnitin, cette détection se produit via le portail de soumission propre de Turnitin ou l'intégration LMS — pas via l'interface de Gradescope. Un étudiant qui ne soumet que via Gradescope, dans une école qui n'a pas connecté les outils de détection externes à ce flux de travail, soumet dans un système qui n'effectue actuellement pas de détection d'IA sur le texte lui-même. Cela dit, « Gradescope ne détecte pas l'IA » et « votre professeur ne cherchera pas l'IA » sont deux déclarations très différentes, et les confondre est l'endroit où la plupart des étudiants se trompent sur leurs attentes.

L'acquisition de Turnitin signifie-t-elle que Gradescope peut détecter l'IA ?

L'achat de Gradescope par Turnitin en 2018 a soulevé des questions raisonnables quant à savoir si les deux produits fusionneraient leurs capacités. Jusqu'à présent, l'intégration a été limitée. Turnitin n'a pas intégré son indicateur d'écriture IA — le détecteur qui signale la prose générée par IA dans les soumissions des étudiants — dans l'interface native de Gradescope. Les deux produits continuent à fonctionner comme des outils distincts qui peuvent être utilisés ensemble mais qui ne partagent pas un pipeline de détection unifié par défaut. Ce que l'acquisition signifie, c'est que les institutions ayant des relations Turnitin existantes ont un chemin naturel pour déployer la détection d'IA Turnitin aux côtés d'un flux de travail de notation Gradescope. Un instructeur pourrait exiger que les étudiants soumettent le travail écrit d'abord via la plateforme Turnitin, puis téléchargent la même soumission vers Gradescope pour la notation basée sur la rubrique. Dans ce scénario, le texte écrit passe par le détecteur d'IA de Turnitin même si la copie notée se trouve dans Gradescope. Certains départements dans de grandes universités de recherche ont opté exactement pour ce modèle de double soumission pour les cours intensifs en écriture. Que votre institution utilise cette approche dépend de la politique départementale, pas de quelque chose de visible dans l'interface de Gradescope elle-même. Si votre programme énumère Turnitin comme plateforme de soumission requise aux côtés de Gradescope, les deux systèmes sont en cours d'utilisation. Si le programme ne mentionne que Gradescope, vous n'utilisez probablement que Gradescope — mais cela n'exclut pas un examen manuel par votre instructeur à l'aide d'outils externes.

« Turnitin et Gradescope sont des outils complémentaires. Nous utilisons Gradescope pour l'efficacité de la notation et l'indicateur d'écriture IA de Turnitin séparément pour le dépistage de l'intégrité sur toutes les soumissions écrites. » — Directeur de premier cycle dans une grande université d'État, 2025

Que peuvent faire les professeurs pour détecter l'IA dans les soumissions Gradescope ?

Même sans détecteur intégré, les professeurs qui utilisent Gradescope ont plusieurs itinéraires pour la détection d'IA. Le plus direct consiste à télécharger les PDF soumis de Gradescope et à les exécuter via un détecteur autonome — GPTZero, API Turnitin, Copyleaks ou Originality.ai — en dehors de la plateforme. Pour un cours avec 30 étudiants, cela ajoute seulement quelques minutes de travail. Pour un cours avec 300 étudiants, les instructeurs appliquent généralement la détection de manière sélective : ils pourraient exécuter chaque soumission via une vérification de lot automatisée, ou ils pourraient marquer uniquement les documents qui se sont démarqués lors de la notation manuelle pour un balayage d'IA secondaire. Un deuxième itinéraire est l'observation lors de la notation. Les instructeurs qui notent via la vue côte à côte de Gradescope — soumission de l'étudiant d'un côté, rubrique de l'autre — lisent le texte attentivement. Les mêmes signaux stylistiques qui suscitent des soupçons dans tout autre contexte de notation s'appliquent ici : structure de paragraphe uniforme, références imprécises ou absentes au matériel du cours, phrases d'une longueur et d'une complexité grammaticale remarquablement similaires, langage de couverture qui semble assuré mais ne s'engage à rien. L'interface de notation par lot de Gradescope, qui regroupe les réponses similaires, peut en fait faciliter la détection d'IA dans certains formats. Si une invite demande aux étudiants d'expliquer un concept et que cinq étudiants ont soumis des réponses avec des modèles structurels identiques et un vocabulaire presque identique sur différents comptes, le système affiche cette similitude automatiquement lors de l'étape de regroupement — pas comme un drapeau d'IA, mais d'une manière qui suscite une lecture plus attentive.

1. Télécharger les PDF soumis de Gradescope et exécuter une vérification par lot via un détecteur d'IA autonome
2. Appliquer l'examen de lecture manuel lors de la notation basée sur rubrique — les mêmes drapeaux stylistiques s'appliquent indépendamment de la plateforme
3. Utiliser le regroupement de réponses Gradescope pour afficher les réponses suspectes similaires sur différents comptes
4. Faire référence croisée des soumissions avec des exemples d'écriture en classe collectés plus tôt dans le trimestre
5. Pour les cours avec abonnement Turnitin, exiger une soumission parallèle à Turnitin pour les tâches écrites

Gradescope détecte-t-il l'IA dans les soumissions STEM et manuscrites ?

Gradescope est particulièrement courant dans les cours STEM — mathématiques, ingénierie, physique, informatique — où les étudiants soumettent des ensembles de problèmes manuscrits ou des solutions numérisées plutôt que des essais en prose. La détection d'IA pour ce type de soumission fonctionne très différemment de l'analyse basée sur le texte. Les outils de détection d'IA actuels, y compris l'indicateur d'écriture IA de Turnitin, sont calibrés pour analyser la prose écrite à l'aide de modèles statistiques entraînés sur des corpus de texte. Ils ne peuvent pas analyser de manière significative un ensemble de problèmes de calcul manuscrit numérisé en PDF. Si un étudiant soumet un diagramme tracé à la main ou une feuille de travail photographiée, il n'y a pas de texte à exécuter via un modèle de perplexité ou de rafales, et un détecteur de texte d'IA standard ne renverrait rien d'utile. Pour les soumissions STEM, les instructeurs qui soupçonnent l'implication de l'IA cherchent généralement un ensemble différent de signaux : des solutions qui contournent les étapes intermédiaires communes aux travaux des étudiants, une sortie qui reflète les conventions de formatage d'un outil spécifique (ChatGPT tend à structurer les solutions mathématiques avec des étapes clairement étiquetées, par exemple), ou un écart entre la capacité démontrée en classe d'un étudiant et la fluidité de son travail soumis. Dans les cours avec des tâches de codage — également courants sur Gradescope — la détection d'IA pour le code fonctionne via des outils spécialisés comme Codequiry ou le système MOSS de Stanford, qui analysent les modèles structurels du code plutôt que la prose en langage naturel. Ceux-ci sont séparés des détecteurs d'IA basés sur le texte avec lesquels la plupart des étudiants sont familiers. Donc pour les ensembles de problèmes manuscrits et les soumissions STEM, la réponse pratique est que les détecteurs de texte d'IA ne sont pas pertinents ; la détection qui compte fonctionne via le jugement de l'instructeur, la comparaison avec les performances en classe et les outils spécifiques au code le cas échéant.

« Pour un examen manuscrit ou un ensemble de problèmes, la question de la détection d'IA est presque entièrement discutable au sens traditionnel. Nous regardons le travail différemment — si les étapes ont du sens, si les erreurs sont du type qu'un humain commet. » — Professeur de mathématiques dans une université de recherche, 2025

Que se passe-t-il quand une soumission Gradescope est soupçonnée d'utilisation d'IA ?

Le processus qui suit quand un instructeur soupçonne l'implication de l'IA dans une soumission Gradescope reflète ce qui se passe sur n'importe quelle autre plateforme — le mécanisme de soumission ne change pas la réponse institutionnelle. La plupart des universités exigent que les instructeurs rassemblent les preuves et engagent une conversation avec l'étudiant avant d'escalader vers un renvoi formel d'intégrité académique. Un score de détection unique, quelle qu'en soit la source, est rarement une base suffisante pour un constat formel à lui seul. Ce que les instructeurs font généralement en premier, c'est examiner le tableau d'ensemble : cette soumission diffère-t-elle notablement en style, vocabulaire ou assurance structurelle du travail antérieur de l'étudiant ? L'explication des concepts semble-t-elle déconnectée des exemples spécifiques du cours, des lectures ou du matériel de cours ? Y a-t-il une évaluation en classe pour comparer ? Un étudiant qui écrit à un niveau clairement différent en classe que dans un travail soumis provoque plus de scrutin qu'un dont le travail est constamment excellent dans tous les formats. Si un instructeur procède à une préoccupation formelle, l'étudiant est généralement notifié par écrit et a la possibilité de répondre. Le processus de réponse dans la plupart des institutions permet aux étudiants de fournir un contexte — des brouillons, des notes de contour, un historique de navigation, des versions de documents horodatées — qui soutient leur récit de la façon dont le travail a été produit. Les étudiants qui n'ont pas de documentation de processus font face à une conversation plus difficile, non pas parce que l'absence de brouillons prouve quelque chose, mais parce qu'elle élimine le moyen le plus direct de démontrer que le travail était le leur. Les conséquences spécifiques, si un constat est établi, vont d'un zéro sur la tâche à l'échec du cours à une notation sur le dossier universitaire, selon les politiques de l'institution et s'il s'agit d'une première occurrence.

1. L'instructeur compile des preuves au-delà du score de détection — exemples d'écriture comparatifs, analyse stylistique, notes de rubrique
2. L'étudiant est généralement contacté pour une conversation informelle avant toute escalade formelle
3. L'étudiant peut être invité à expliquer l'argument du document, à décrire son processus d'écriture ou à discuter des sections spécifiques
4. Le renvoi formel d'intégrité nécessite un examen humain documenté et des directives institutionnelles — pas seulement un drapeau de détection
5. Les étudiants peuvent fournir des brouillons, des notes et des horodatages de documents comme preuves lors du processus de réponse
6. Les résultats vont de la révision des tâches à l'enregistrement disciplinaire formel en fonction de la gravité et de la politique institutionnelle

« Ma première étape après avoir vu un drapeau est toujours une conversation. Les scores de détection sont bruyants, et le contexte change tout. Je dois comprendre le processus de l'étudiant avant de faire toute affirmation formelle. » — Professeur agrégé d'ingénierie, 2025

Les étudiants devraient-ils effectuer un auto-test avant de soumettre à Gradescope ?

Pour les étudiants qui soumettent du travail écrit via Gradescope — essais, réponses courtes, rapports de laboratoire ou tout composant basé sur du texte — effectuer un auto-test via un détecteur d'IA avant la soumission est une protection pratique même si vous avez écrit tout vous-même. Les faux positifs provenant d'outils de détection d'IA légitimes sont bien documentés : les études publiées entre 2023 et 2025 ont trouvé des taux d'erreur entre 4% et plus de 15% selon le style d'écriture, avec la prose académique formelle et l'écriture en anglais comme langue seconde portant le risque de faux positif le plus élevé. Les étudiants qui écrivent avec une longueur de phrase cohérente, utilisent un vocabulaire technique ou ont été formés aux conventions académiques formelles peuvent produire un texte qui obtient un score élevé sur la probabilité d'IA sans aucune implication d'IA. Un test avant la soumission vous permet de voir quelles phrases ou paragraphes spécifiques portent des scores de probabilité d'IA élevés et de les réviser avant que votre copie d'instructeur ne soit notée — et avant que tout flux de travail de détection ne s'exécute sur la soumission. Les outils qui affichent les points forts au niveau de la phrase sont plus utiles à cette fin que ceux qui retournent seulement un pourcentage au niveau du document, car une sortie granulaire vous indique exactement où vous concentrer sur les révisions. Les types de modifications ciblées qui réduisent les scores de faux positifs — varier la longueur des phrases dans les paragraphes, ancrer les revendications dans des exemples spécifiques du cours, remplacer les expressions de transition génériques par des connexions logiques directes — sont également les types de modifications qui renforcent l'écriture elle-même. La fonction de détection de texte IA de NotGPT met en évidence les passages spécifiques qui contribuent à votre score, afin que vous puissiez effectuer des révisions ciblées plutôt que de réécrire des sections qui ne le nécessitent pas. Effectuer le test plusieurs jours avant la date limite vous laisse le temps d'agir sur ce que vous trouvez ; tester la veille ne le fait pas.

1. Collez votre soumission écrite complète dans un détecteur d'IA au moins deux ou trois jours avant la date limite de Gradescope
2. Examinez les points forts au niveau de la phrase — pas seulement le pourcentage au niveau du document — pour identifier les passages qui obtiennent un score élevé
3. Variez la longueur des phrases dans tout paragraphe où trois phrases ou plus consécutives ont une structure similaire
4. Remplacez les expressions de transition génériques par des connecteurs logiques spécifiques liés à votre argument réel
5. Ancrez au moins une revendication par section à une lecture spécifique, un détail de conférence ou un exemple de cours nommé
6. Si vous écrivez en anglais en tant que deuxième langue, vérifiez que la plage de vocabulaire n'est pas concentrée autour d'un ensemble étroit de synonymes
7. Effectuez une deuxième vérification après les révisions pour confirmer que le score s'est déplacé dans la direction attendue

« Je vérifie toujours avant de soumettre maintenant. Mon écriture est formelle et j'étais constamment marquée même si je n'ai jamais utilisé l'IA. Effectuer un pré-test m'a montré exactement quels paragraphes l'avaient déclenché. » — Étudiante au deuxième cycle en biologie dans une université de recherche, 2025