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

SafeAssign détecte-t-il le texte généré par l'IA ?

La fonction originale de SafeAssign est la détection de similitude, non la détection d'IA. L'outil divise le texte soumis en segments de phrases chevauchants et les compare avec une base de données de référence incluant des pages Web indexées, des revues universitaires sous licence et un pool mondial de travaux d'étudiants précédemment soumis. Le texte généré par l'IA obtient un score faible sur cette vérification presque par définition : un nouvel essai produit par ChatGPT, Gemini ou Claude n'a jamais figuré dans la base de données de SafeAssign auparavant, il n'y a donc pas de phrases correspondantes à signaler. Le pourcentage de similitude revient près de zéro, et les étudiants qui testent cela directement concluent souvent que SafeAssign ne peut pas détecter l'IA du tout. Cette conclusion était exacte jusqu'en 2023. Suite à l'adoption généralisée des outils d'écriture alimentés par l'IA après la sortie de ChatGPT fin 2022, Anthology a commencé à déployer un indicateur de probabilité d'IA séparé dans le cadre d'un ensemble de fonctionnalités SafeAssign mis à jour. Ce composant ne consulte pas du tout une base de données de référence – il exécute une analyse statistique de texte conçue pour identifier les modèles caractéristiques de la production du modèle de langage. Le fait que ce module de détection d'IA soit actif dans votre cours Blackboard dépend du niveau de contrat de votre institution avec Anthology, de sa configuration informatique interne et, dans certains cas, de décisions prises au niveau du département ou de l'instructeur. Deux étudiants de différentes universités peuvent soumettre des essais générés par l'IA pratiquement identiques et recevoir des expériences complètement différentes : l'un obtient un score de similitude faible sans drapeau d'IA, l'autre obtient un score de similitude faible accompagné d'un indicateur de probabilité d'IA que son instructeur peut voir dans le carnet de notes. Un troisième scénario est également courant : les institutions qui n'ont pas activé le détecteur d'IA natif de SafeAssign peuvent acheminer les soumissions via un outil tiers intégré à LTI – Turnitin, Copyleaks ou GPTZero – ce qui signifie qu'un étudiant pourrait être analysé par un détecteur d'IA externe même si SafeAssign semble être le seul outil en jeu.

Comment fonctionne réellement la détection d'IA de SafeAssign ?

Lorsque le module de détection d'IA de SafeAssign est actif, il analyse le texte soumis indépendamment de la vérification de similitude de plagiat. Les deux composants s'exécutent sur la même soumission mais mesurent des choses différentes, et les scores qu'ils produisent peuvent diverger considérablement – une soumission peut avoir un score de similitude faible accompagné d'une probabilité d'IA élevée, ou l'inverse. L'analyse de détection d'IA se concentre sur deux signaux statistiques principaux. Le premier est la perplexité : une mesure de la prédictibilité de chaque choix de mot donnant son contexte environnant. Les modèles de langage d'IA sont entraînés pour sélectionner des séquences de mots à haute probabilité, ce qui produit un texte avec une faible perplexité – chaque mot suit naturellement et sans surprise des précédents. Les écrivains humains font des choix de vocabulaire et de formulation plus idiosyncrasiques, même dans les contextes formels, ce qui augmente les scores de perplexité. Le deuxième signal est l'accès soudain : le degré auquel la longueur de la phrase et la complexité structurelle varient dans et entre les passages. L'écriture humaine alterne naturellement entre des phrases plus courtes et des constructions plus longues et plus élaborées, reflétant des modèles individuels de rythme et d'accentuation. Le texte généré par l'IA tend vers une structure de phrase plus uniforme parce que le modèle moyenne sur d'énormes corpus d'entraînement sans les habitudes stylistiques personnelles qui produisent cette variation naturelle en prose humaine. Lorsque les deux signaux sont cohérents avec la paternité d'IA, le classificateur renvoie un score de probabilité d'IA élevé. Lorsqu'ils sont mélangés – parce que le texte a été fortement édité, parce qu'il combine des sections rédigées par l'IA avec de l'écriture originale, ou parce que l'auteur est un locuteur non natif de l'anglais dont la prose de seconde langue présente naturellement des modèles de faible perplexité – le score tombe dans une plage ambiguë qui est plus difficile pour les instructeurs d'agir définitivement.

1. L'étudiant soumet un devoir via l'interface Blackboard standard
2. SafeAssign exécute sa comparaison de n-gramme par rapport à la base de données de référence mondiale et génère un pourcentage de similitude de plagiat
3. Si le module de détection d'IA est activé, un classificateur distinct analyse le même texte soumis pour les signaux de perplexité et d'accès soudain
4. Les deux scores – similitude de plagiat et probabilité d'IA – apparaissent dans le rapport du carnet de notes Blackboard visible par l'instructeur
5. L'instructeur examine le rapport combiné ainsi que la soumission complète de l'étudiant et l'historique du cours avant de décider s'il faut signaler une préoccupation

Quels outils d'écriture IA SafeAssign peut-il détecter ?

Quand les étudiants demandent si SafeAssign détecte l'IA de tous les outils d'écriture principaux de la même manière, la réponse courte est oui – mais pas de la façon que la plupart des gens l'imaginent. La détection d'IA de SafeAssign ne fonctionne pas comme un identificateur spécifique à l'outil – il ne signale pas la sortie de ChatGPT comme distincte de Gemini, Claude ou Jasper et ne les étiquette pas séparément. Le classificateur fonctionne sur des modèles statistiques dans le texte soumis, répondant aux caractéristiques générales partagées entre les modèles de résultats de langage plutôt qu'à la signature d'un modèle particulier. Cela rend la détection effectivement indépendante de l'outil. Un étudiant qui utilise ChatGPT 4o, un autre qui utilise Google Gemini et un autre qui utilise Anthropic Claude produiront tous un texte présentant des profils de perplexité et d'accès soudain similaires s'il ne révise pas substantiellement le résultat – et les trois soumissions sont tout aussi susceptibles de générer un score de probabilité d'IA élevé. La variable qui compte le plus n'est pas quel outil d'IA a généré le texte ; c'est combien d'édition humaine s'est produite après. Un paragraphe extrait directement de n'importe quel outil d'écriture d'IA majeur et collé sans modifications présente les modèles statistiques les plus caractéristiques de la paternité d'IA. Le même paragraphe avec les longueurs de phrase variées, le vocabulaire rendu plus spécifique et les phrases de transition génériques remplacées par des connecteurs de première personne qui font référence à votre propre argument commencent à ressembler davantage à une écriture humaine individuelle pour un classificateur probabiliste. La fiabilité de détection diminue à mesure que la profondeur d'édition augmente, bien que la relation ne soit pas linéaire et que le seuil effectif diffère entre les outils. Les soumissions courtes de moins de 200 mots sont des entrées peu fiables pour tout classificateur d'IA quel que soit l'outil qui les a produits – l'échantillon est trop petit pour produire un signal statistique confiant. Les très longues soumissions avec des modèles cohérents produisent des résultats plus fiables dans les deux sens. Les techniques d'ingénierie de prompts qui poussent les modèles d'IA vers des longueurs de phrase plus diverses et un vocabulaire inattendu peuvent également réduire les taux de détection, bien que la marge se déplace à mesure que les modèles de détection sont mis à jour.

Quelle est la précision de SafeAssign dans la détection du texte généré par l'IA ?

Les points de référence de précision publics détaillés pour le composant de détection d'IA de SafeAssign sont limités – Anthology n'a pas publié de données de validation au niveau de transparence qu'Turnitin a publié pour son indicateur de rédaction d'IA. À partir des évaluations de tiers de classificateurs commerciaux comparables testés dans des conditions contrôlées, les détecteurs d'IA bien calibrés identifient l'anglais académique généré par l'IA clairement à des taux de 85–93% lorsque le texte n'est pas édité et suffisamment long pour fournir un signal fiable. Les conditions du monde réel réduisent considérablement ces chiffres. Le texte d'IA partiellement édité, les brouillons mixtes humain-IA et les soumissions sous 200 mots produisent constamment des scores moins fiables que ne le suggèrent les conditions de test nettes. Les locuteurs non natifs de l'anglais font face à un risque documenté de fausse alerte sur toutes les principales plateformes de détection, y compris la couche de détection d'IA de SafeAssign. Les études examinées par les pairs publiées entre 2023 et 2025 ont mesuré des taux de fausse alerte allant de 4% à plus de 15% dans les populations générales, avec des taux supérieurs à 20% signalés pour les rédacteurs de deuxième langue dans certaines recherches. La rédaction académique hautement formelle crée un problème connexe : les arguments structurés construits autour de phrases d'introduction, de vocabulaire disciplinaire et de syntaxe polie réduisent la perplexité textuelle d'une manière qui chevauche les modèles de génération d'IA – produisant des fausses alertes pour les écrivains humains qui composent dans des registres restreints. Les étudiants qui s'appuient sur des outils de correction grammaticale sont également à risque accru de fausse alerte parce que ces outils lissent la variation de surface du rythme et du choix des mots qui se lit comme distinctement humain pour un classificateur. La conclusion la plus importante est que le score de probabilité d'IA de SafeAssign est une estimation probabiliste, pas une conclusion. Un score élevé signifie que le texte soumis présente des modèles statistiques plus communs dans l'écriture générée par l'IA que dans l'écriture humaine typique – il n'établit pas la paternité avec certitude, et aucun processus crédible d'intégrité académique ne devrait le traiter comme s'il le faisait.

"Un score de détection d'IA est une estimation probabiliste basée sur des modèles statistiques – pas une preuve de paternité. Les scores élevés sur la rédaction formellement structurée ou non native nécessitent un jugement de l'instructeur avant le début de tout processus."

Que se passe-t-il lorsque SafeAssign signale votre soumission comme IA ?

Un score élevé de probabilité d'IA de SafeAssign ne déclenche pas automatiquement une pénalité de note ou une accusation formelle d'inconduite académique. Les orientations d'Anthology encadrent le score comme un signal pour examen humain plutôt qu'une conclusion, et les politiques dans la plupart des institutions qui ont activé la fonction suivent le même modèle : le résultat de détection ouvre un processus d'examen, il ne le termine pas. La séquence typique commence par l'instructeur examinant la soumission signalée dans le contexte du dossier complet du cours de l'étudiant. Un étudiant dont l'essai renvoie une probabilité d'IA élevée mais qui a produit un travail fort et individuel constant dans les tâches antérieures présente une image très différente de celui dont le travail antérieur était faible et qui soumet soudainement un document fluide et poli. Les instructeurs sont généralement censés initier une conversation directe avec l'étudiant avant d'escalader à un comité formel d'intégrité académique. Cette conversation implique généralement de demander à l'étudiant de décrire son processus de recherche et de rédaction, de produire les versions de documents enregistrées ou les matériaux de plan qu'il a créés en écrivant, d'expliquer des passages spécifiques ou de compléter une brève tâche de suivi en personne. Les fausses alertes sont un problème documenté et récurrent dans tous les systèmes de détection d'IA, et la plupart des politiques institutionnelles en tiennent compte en exigeant un jugement humain avant l'application de conséquences formelles. Si vous recevez un drapeau d'IA de SafeAssign sur un travail que vous avez écrit vous-même, la réponse la plus efficace est d'entrer dans cette conversation avec l'instructeur avec des preuves concrètes de votre processus plutôt qu'une simple négation. L'historique des versions de document horodaté, les notes de vos sessions de recherche, l'historique du navigateur des jours où vous avez travaillé sur le brouillon et tout matériel de citation que vous avez assemblé lors de la rédaction fournissent un contexte qu'un score de probabilité ne peut pas. Assembler cette documentation avant votre première conversation est considérablement plus utile que d'essayer de la reconstruire après que la situation a déjà escaladé.

1. Demandez le rapport SafeAssign spécifique à votre instructeur pour voir exactement quelles métriques ou passages ont contribué au drapeau d'IA
2. Rassemblez toutes les preuves disponibles de votre processus d'écriture : brouillons enregistrés avec historique de version, fichiers de plan, notes de recherche et historique du navigateur des jours où vous avez écrit la tâche
3. Contactez votre instructeur rapidement pour demander une réunion avant qu'un processus d'examen formel d'intégrité ne soit initié
4. Pendant la réunion, guidez votre instructeur à travers votre processus d'écriture en utilisant les documents horodatés et les notes que vous avez rassemblés
5. Si la situation passe à un examen formel d'intégrité académique, contactez le bureau d'intégrité académique de votre institution pour comprendre le processus complet et vos droits en tant qu'étudiant

"Les scores de détection marquent le début d'un processus d'examen, pas une conclusion. Tout examen crédible d'intégrité académique nécessite d'examiner le contexte complet du travail de l'étudiant avant de tirer toute inférence sur la paternité."

Devriez-vous vérifier votre rédaction avant que SafeAssign ne s'exécute ?

La réponse pratique à la question de savoir si SafeAssign détecte l'IA pour un étudiant donné est : cela dépend de la configuration de votre institution, et vous ne pouvez souvent pas le dire à partir de l'interface de soumission. Exécuter une auto-vérification sur votre brouillon avant la date limite de soumission Blackboard est une étape pratique qui prend quelques minutes et peut prévenir une incertitude considérable en aval. Si vous écrivez dans un registre académique formel, vous vous appuyez sur un logiciel de correction de grammaire qui normalise votre structure de phrase, ou vous avez rédigé une partie de votre brouillon avec l'assistance de l'IA avant de le réviser, vous ne saurez peut-être pas comment votre travail se lit pour un classificateur statistique jusqu'à ce que vous le testiez vous-même – et le moment de le découvrir est avant que votre instructeur ne voie le rapport, pas après. NotGPT analyse le texte au niveau de la phrase et met en évidence les passages qui portent le signal de similarité d'IA le plus fort, vous montrant quelles sections sont les plus susceptibles de générer un score de détection d'IA SafeAssign élevé alors que vous avez encore le temps de réviser. Les ajustements les plus efficaces avant la soumission abordent les modèles spécifiques auxquels les classificateurs réagissent. Varier la longueur de phrase entre les phrases consécutives rompt le rythme uniforme qui produit les scores d'accès soudain faibles. Ajouter des exemples spécifiques tirés de votre propre recherche, notes de classe ou expérience personnelle introduit des détails idiosyncrasiques qui augmentent la perplexité. Remplacer les phrases de transition génériques par des connecteurs de première personne qui font référence à votre propre argument crée une variété au niveau de la phrase que les modèles statistiques ne sont pas formés pour reproduire. Si vous avez utilisé des outils d'IA à un moment quelconque de votre processus d'écriture – pour le brainstorming, la planification, la génération d'un passage initial – vérifier votre brouillon final vous montre comment le profil de détection a changé après vos éditions et où une révision supplémentaire serait utile. Détecter un passage potentiellement signalable avant la date limite signifie l'aborder selon votre propre horaire plutôt que de l'expliquer sous la pression d'une demande d'instructeur après la soumission.