SafeAssign peut-il détecter ChatGPT ? Ce que les étudiants doivent savoir

SafeAssign peut-il détecter ChatGPT ?

La réponse courte est : non par défaut, et pas de la façon que la plupart des étudiants supposent. La fonction principale de SafeAssign est la détection de similarité. Il divise le texte soumis en segments de phrases qui se chevauchent et les compare à une base de données de référence mondiale qui comprend les pages web indexées, les journaux universitaires autorisés et un pool de travaux d'étudiants précédemment soumis. ChatGPT n'extrait pas le texte de cette base de données — il génère de nouvelles séquences de mots basées sur les modèles statistiques appris pendant l'entraînement. Un nouvel essai ChatGPT est, selon la définition originale de SafeAssign, entièrement original, ce qui signifie qu'il produira généralement un score de similarité de plagiat faible. C'est le résultat que de nombreux étudiants remarquent quand ils testent la sortie de ChatGPT : le pourcentage de similarité revient près de zéro, et ils concluent que SafeAssign ne peut pas détecter ChatGPT du tout. Cette conclusion était exacte quand SafeAssign était le seul outil en jeu, mais elle manque la couche plus nouvelle. À partir de 2023, Anthology a commencé à fournir un indicateur de probabilité IA dans le cadre d'un ensemble de fonctionnalités SafeAssign mis à jour. Ce composant ne compare pas le texte à une base de données — il exécute une analyse probabiliste séparate conçue pour identifier les modèles d'écriture caractéristiques des modèles de langage. Le fait que cette fonctionnalité soit activée dans votre cours Blackboard dépend du niveau de contrat de votre établissement avec Anthology, de sa configuration informatique interne et souvent de décisions prises au niveau du département ou de l'instructeur. Deux étudiants d'universités différentes peuvent soumettre des essais ChatGPT presque identiques et recevoir des expériences complètement différentes : l'un voit un score de similarité faible sans aucun drapeau IA, l'autre voit un score de similarité faible à côté d'un indicateur de probabilité IA élevé dans le même rapport.

Pourquoi SafeAssign évalue-t-il les soumissions ChatGPT comme originales ?

Comprendre pourquoi le texte ChatGPT échappe à la vérification traditionnelle de SafeAssign nécessite un aperçu rapide de la façon dont l'outil a été construit. L'algorithme de similarité de SafeAssign fonctionne sur un modèle de correspondance n-gram. Il extrait de courtes phrases qui se chevauchent d'une soumission et recherche ces phrases exactes ou quasi-exactes dans son corpus de référence. Cette approche est excellente pour détecter le plagiat de copie-coller, les passages étroitement paraphrasés et les essais recyclés du début du semestre. Elle échoue à détecter ChatGPT pour une raison structurelle : ChatGPT synthétise un nouveau texte plutôt que de récupérer ou de réorganiser un texte existant. Les phrases qu'il produit n'ont pas apparues dans la base de données de SafeAssign parce qu'elles n'existaient pas avant que l'utilisateur ne lance cet invite spécifique. Il n'y a pas de correspondance à trouver. C'est la même limitation qui affecte tous les outils de détection de similarité de plagiat quand ils sont appliqués à l'écriture IA. L'originalité ne signifie pas écrit par un humain — cela signifie simplement que le texte n'est pas apparu ailleurs sous une forme indexée. Un étudiant qui copie un essai d'une fabrique de documents achetée afficherait un score de similarité faible pour la même raison structurelle si l'article n'a pas été soumis nulle part auparavant. Le pourcentage de similarité de SafeAssign répond à la question « ce texte correspond-il au contenu existant connu ? » — il ne peut pas répondre « un humain a-t-il écrit cela ? » Ce sont des questions différentes, et les confondre est la source de la plupart des confusions sur ce que SafeAssign peut et ne peut pas détecter.

"Un score de similarité SafeAssign faible ne signifie pas que le travail est écrit par un humain. Cela signifie que le texte ne correspond pas au contenu déjà dans la base de données de référence — ce qui est une chose très différente."

Anthology a-t-il ajouté une couche de détection IA pour ChatGPT ?

Oui, avec des réserves. Anthology a développé et déploie progressivement une fonction de détection d'écriture IA dans SafeAssign dans le cadre de sa feuille de route d'intégrité académique suite à la version publique de ChatGPT fin 2022. La fonctionnalité apparaît dans le rapport du carnet de notes de Blackboard comme un indicateur séparé — distinct du pourcentage de similarité du plagiat — et fournit une probabilité estimée que le texte soumis a été généré par IA. Cette couche de détection IA fonctionne fondamentalement différemment de la vérification de similarité. Au lieu de la mise en correspondance de base de données, elle utilise un classificateur de texte statistique entraîné pour identifier les signaux associés aux résultats du modèle de langage. Les deux principaux signaux sont la perplexité — une mesure de la prévisibilité de chaque choix de mot compte tenu du contexte environnant — et la rafale, qui capture le degré auquel la longueur et la complexité des phrases varient au sein d'un passage. Le texte généré par IA comme la sortie de ChatGPT tend vers une faible perplexité parce que le modèle sélectionne des séquences de mots statistiquement probables, et vers une faible rafale parce que ses résultats manquent de la variation naturelle du rythme de la prose humaine. Quand les deux signaux indiquent une paternité IA, le classificateur produit un score de probabilité élevé. Quand ils sont mixtes ou ambigus, le score tombe dans une plage intermédiaire qui peut être plus difficile pour les instructeurs à agir. La réserve importante est que l'adoption institutionnelle de cette fonctionnalité est inégale. Certaines écoles l'ont activée sur tous les devoirs Blackboard. D'autres l'ont activée seulement dans des départements spécifiques ou pour des types de devoirs spécifiques. De nombreux établissements utilisent toujours d'anciennes versions de Blackboard qui n'incluent pas la fonctionnalité du tout. À partir de l'interface de soumission, un étudiant ne peut pas dire de manière fiable quelle situation s'applique à son cours — le panneau de soumission ressemble au même indépendamment de ce qui s'exécute en arrière-plan.

1. L'étudiant soumet son travail via l'interface standard de devoir Blackboard
2. SafeAssign exécute sa comparaison n-gram et génère un pourcentage de similarité de plagiat
3. Si le module de détection IA est activé, un classificateur séparé analyse le même texte pour les signaux de perplexité et de rafale
4. Les deux scores apparaissent dans le rapport du carnet de notes Blackboard visible par l'instructeur
5. L'instructeur examine le rapport combiné en même temps que l'historique complet des soumissions de l'étudiant avant de décider de soulever une préoccupation

Que se passe-t-il si SafeAssign signale votre écriture comme IA ?

Un indicateur de probabilité IA élevé de SafeAssign ne signifie pas automatiquement une pénalité de note ou une accusation formelle de malhonnêteté académique. Les propres directives d'Anthology traitent le score comme un point de départ pour l'examen des instructeurs, non comme une conclusion, et la plupart des établissements qui ont adopté la fonctionnalité suivent le même modèle. Le processus typique commence par l'instructeur examinant la soumission signalée dans le contexte des autres travaux de l'étudiant dans le cours. Un étudiant dont l'essai score 85 % de probabilité IA mais qui a constamment produit une écriture solide tout au long du semestre semble différent d'un étudiant dont les travaux précédents étaient faibles et qui soumet soudainement un essai poli et fluide. Les instructeurs sont généralement censés engager une conversation directe avec l'étudiant avant d'escalader quoi que ce soit vers un comité formel d'intégrité académique. Cette conversation peut impliquer de demander à l'étudiant de décrire son processus de recherche et d'écriture, de produire des brouillons ou des notes, d'expliquer des passages spécifiques ou de suivre un composant court en personne ou oral. Les faux positifs sont un problème documenté sur toutes les plateformes de détection IA. Les études évaluées par les pairs publiées entre 2023 et 2025 ont trouvé des taux d'erreur allant de 4 % à plus de 15 % sur les sous-populations spécifiques, les locuteurs non natifs de l'anglais et les auteurs qui utilisent des registres formels ou techniques étant les plus à risque. Un étudiant qui écrit dans un style académique particulièrement structuré — ou qui s'appuie fortement sur des outils de correction grammaticale qui lissent la variation naturelle — peut recevoir un drapeau malgré avoir écrit chaque mot lui-même. Si cela vous arrive, la réponse la plus efficace est d'entrer dans la conversation de l'instructeur avec des preuves concrètes : des brouillons de documents enregistrés montrant votre processus d'écriture, l'historique du navigateur des séances de recherche, les notes de citation et tout matériel d'esquisse écrit que vous avez créé pendant la composition.

1. Demandez le rapport SafeAssign spécifique à votre instructeur afin que vous puissiez voir exactement quels passages ou métriques ont été signalés
2. Rassemblez toutes les preuves de votre processus d'écriture avant la conversation : brouillons enregistrés, fichiers de plan, notes et historique de recherche du navigateur
3. Contactez votre instructeur pour demander une réunion et encadrez-la comme une opportunité de présenter votre processus
4. Pendant la réunion, référencez vos brouillons et expliquez vos choix pour les passages spécifiques dans la soumission signalée
5. Si la situation s'éscalade vers un processus formel, contactez le bureau d'intégrité académique de votre établissement pour comprendre vos droits et le calendrier d'examen

"Les scores de détection ouvrent une conversation — ils ne la terminent pas. Aucun examen crédible d'intégrité académique ne repose sur un seul score de probabilité automatisé sans examiner le contexte complet du travail de l'étudiant."

Quelle est la précision de SafeAssign dans la détection du texte généré par ChatGPT ?

Anthology n'a pas publié de références de précision publiques détaillées pour la fonctionnalité de détection IA de SafeAssign, ce qui rend l'évaluation indépendante difficile. Ce qui existe à partir des évaluations tierces de détecteurs IA académiques comparables fournit un cadre général : les classificateurs commerciaux bien implémentés testés sur l'anglais académique clairement généré par IA dans des conditions contrôlées identifient généralement le texte IA à des taux de 85-93 %. Ce nombre se dégrade considérablement dans les conditions du monde réel. Les courtes soumissions de moins de 200 mots ne donnent pas au classificateur suffisamment de texte pour produire un signal fiable. La sortie de ChatGPT qui a été réécrire de façon significative, éditée phrase par phrase ou combinée avec une analyse originale tombe souvent dans un territoire de probabilité intermédiaire ambigu. Les locuteurs non natifs de l'anglais face à des taux de faux positifs élevés parce que les structures de phrases qui semblent parfaitement naturelles pour leurs modèles d'entraînement de première langue peuvent ressembler aux séquences de haute probabilité qui caractérisent la sortie du modèle de langage. ChatGPT lui-même est aussi une cible mouvante. Les versions de modèles plus récentes ont été affinées de façon à introduire plus de variation au niveau de la surface, et certaines techniques d'invite produisent des résultats qui sont plus difficiles à identifier avec une confiance élevée par les classificateurs statistiques. Le score de détection IA de SafeAssign est mieux compris comme un indicateur probabiliste — il vous dit que le texte présente des modèles qui sont statistiquement plus courants dans l'écriture générée par IA que dans l'écriture humaine typique, compte tenu des données d'entraînement du classificateur. Il n'établit pas la paternité avec certitude. Les instructeurs qui traitent un score élevé comme une preuve définitive risquent à la fois de pénaliser les étudiants qui ont écrit leur travail de manière authentique et de créer l'apparence d'une conclusion objective que la méthodologie sous-jacente ne peut pas soutenir.

La précision de détection IA de SafeAssign sur les soumissions réelles — en particulier le travail mixte ou légèrement édité — est considérablement inférieure à celle que les chiffres de référence de laboratoire suggèrent, et la marge d'erreur est importante quand les conséquences académiques sont en jeu.

Les instructeurs utilisent-ils des outils supplémentaires pour attraper ChatGPT ?

Beaucoup le font, et la gamme d'outils varie considérablement selon l'établissement et la discipline. SafeAssign est un outil natif de Blackboard, mais ce n'est pas la seule ressource d'intégrité académique à laquelle les instructeurs ont accès. Turnitin opère en tant que plateforme d'abonnement séparate, offrant son propre indicateur d'écriture IA et s'intégrant à Blackboard via un connecteur d'interopérabilité des outils d'apprentissage (LTI). Certains établissements exécutent à la fois SafeAssign et Turnitin simultanément sur le même devoir — les étudiants soumettent une fois par Blackboard et les deux outils analysent le texte en parallèle. GPTZero, Copyleaks et Winston AI sont également autorisés par des établissements via des chemins LTI similaires, ce qui signifie que l'interface de soumission qu'un étudiant voit dans Blackboard peut acheminer son texte vers des outils qui n'ont rien à voir avec SafeAssign. Au-delà des plateformes de détection dédiées, les instructeurs dépendent de plus en plus de signaux contextuels qu'aucun algorithme ne fournit. Un étudiant qui participe couramment à la discussion en classe mais soumet un essai hautement technique utilisant un vocabulaire et des structures d'argument incompatibles avec cette discussion soulève des questions qu'un logiciel seul ne peut pas encadrer. Les exemples d'écriture en classe, les défenses orales du travail soumis et les devoirs conçus autour d'expériences personnelles ou d'un contexte spécifique au cours sont tous des stratégies pédagogiques que les instructeurs utilisent pour rendre l'assistance de ChatGPT moins utile et plus facile à identifier. L'implication pratique pour les étudiants est que la question de savoir si SafeAssign détecte ChatGPT n'est qu'une partie de l'image. Même dans les écoles où le module de détection IA de SafeAssign est désactivé, les instructeurs peuvent exécuter des outils externes, appliquer un jugement contextuel ou les deux. Une soumission qui réussit chaque vérification automatisée est toujours sujette à un examen par une personne qui sait à quoi ressemblent vos autres travaux.

Devriez-vous vérifier votre travail avant de soumettre via Blackboard ?

Faire une auto-vérification avant votre date limite de devoir est une étape pratique quel que soit le degré de confiance que vous avez que la détection IA de SafeAssign est active. Si vous écrivez dans un registre académique formel, utilisez des outils de grammaire qui normalisent la structure des phrases, ou avez composé une partie de votre brouillon avec l'aide de l'IA et l'avez ensuite édité substantiellement, vous ne saurez peut-être pas comment ce travail se lit pour un classificateur statistique jusqu'à ce que vous le testiez vous-même. NotGPT analyse le texte au niveau de la phrase et met en évidence les passages qui portent le signal de ressemblance IA le plus fort, ce qui vous permet de voir quelles parties de votre soumission sont les plus susceptibles d'attirer l'attention avant que votre instructeur ne voit quelque chose. Ceci est utile dans les deux directions : si vous avez entièrement écrit le travail vous-même et souhaitez confirmer que votre prose formelle ne sera pas signalée, une prévérification vous donne cette information tandis que vous avez encore le temps de faire des ajustements. Si vous avez utilisé l'IA pour une partie du brouillon et avez fait des éditions, vérifier votre version finale vous montre comment le profil de détection a changé. L'objectif n'est pas de jouer un système — c'est de comprendre comment votre texte se lit pour la même classe d'outils que votre établissement peut exécuter, afin que vous puissiez prendre une décision éclairée avant la date limite de soumission plutôt que de réagir à une demande après.