Comment Canvas détecte l'IA ? La vraie mécanique derrière le score

Comment Canvas détecte l'IA dans une soumission, étape par étape ?

Comment Canvas détecte l'IA dans une soumission ? Le processus commence au moment où un étudiant clique sur soumettre, pas quand un instructeur ouvre l'assignment. Si l'assignment a été créé avec une intégration LTI liée à Turnitin ou similaire, Canvas envoie la soumission à l'outil connecté via LTI 1.3, la version actuelle de la norme Learning Tools Interoperability qui permet aux applications externes de fonctionner au sein d'un LMS comme s'il s'agissait de fonctionnalités natives. Ce transfert porte le contenu textuel de la soumission, l'ID d'assignment et suffisamment de métadonnées pour acheminer le résultat vers le bon étudiant et la bonne colonne de note — mais rien sur la façon dont l'étudiant l'a écrit. L'outil externe extrait le texte lisible du format de fichier soumis, met le texte extrait en file d'attente pour l'analyse et l'exécute à travers un modèle de classification entraîné. Une fois que le score est généré, l'outil renvoie le résultat à Canvas via la même connexion LTI en utilisant un appel de service de résultat, et le score apparaît dans la vue SpeedGrader de l'instructeur à côté du rapport de similitude du plagiat, généralement dans les minutes pour les soumissions courtes et jusqu'à une heure pendant les périodes de trafic intense comme la semaine des examens finaux. Canvas ne stocke pas de copie de la logique d'analyse, n'exécute aucune partie du score lui-même et n'a aucune visibilité sur la façon dont le modèle externe a atteint sa conclusion — c'est un messager pour le texte qui sort et un score qui revient.

1. Un étudiant soumet un fichier ou du texte collé via la page d'assignment Canvas
2. Canvas lance une connexion LTI 1.3 à l'outil de détection lié (généralement Turnitin)
3. L'outil externe extrait le texte lisible du fichier soumis
4. Le texte extrait est mis en file d'attente et exécuté à travers le modèle de classification de l'outil
5. Le score résultant est renvoyé à Canvas via un appel de service de résultat LTI
6. Le score apparaît dans SpeedGrader à côté du rapport de similitude du plagiat

Qu'est-ce qui se passe réellement pendant le balayage : tokenisation, notation et agrégation du texte

L'étape de balayage elle-même n'est pas une recherche par mot-clé ou une correspondance de style plagiat par rapport à une base de données — il n'y a pas de texte fixe à comparer car l'écriture peut être complètement originale. Au lieu de cela, le modèle de classification divise le texte extrait en segments chevauchants, souvent quelques centaines de mots chacun, et évalue chaque segment pour détecter les motifs statistiques associés à la sortie du modèle de langage. Deux propriétés conduisent la plupart de ces classificateurs : la perplexité, qui mesure la prévisibilité de chaque choix de mot étant donné les mots précédents, et la rafale, qui mesure combien la longueur et la structure des phrases varient dans un passage. Les grands modèles de langage ont tendance à générer du texte avec une perplexité plus faible car ils sont entraînés à sélectionner des mots à haute probabilité, et avec une rafale plus faible car leur rythme de phrase reste relativement uniforme. Le modèle attribue à chaque segment un score de probabilité, puis agrège ces scores au niveau du segment en le pourcentage unique qui apparaît dans le rapport, accompagné d'une mise en évidence au niveau de la phrase qui signale les passages spécifiques qui conduisent le nombre global. C'est un classificateur entraîné qui porte un jugement probabiliste, pas une recherche — ce qui explique exactement pourquoi les mêmes mécanismes sous-jacents qui capturent le texte généré par l'IA capturent également l'écriture humaine qui se trouve partager ces propriétés statistiques, comme la prose académique formelle ou les brouillons fortement édités.

"Le modèle n'est pas en train de comparer votre phrase à une base de données de sortie ChatGPT — il demande à quel point vos choix de mots sont statistiquement peu surprenants par rapport à la variation humaine typique." — Chercheur en NLP décrivant la détection d'IA basée sur les classificateurs, 2025

Quels types de soumission Canvas le pipeline peut-il réellement analyser ?

Si le pipeline de détection peut analyser une soumission Canvas dépend entièrement de la capacité de l'outil à extraire du texte utilisable. C'est la réponse pratique à la question de savoir comment Canvas détecte l'IA au niveau du type de fichier — cela dépend de ce que le classificateur peut lire, pas de ce qu'un étudiant a réellement écrit. Les entrées de texte dactylographié, le texte collé et les téléchargements de documents standard — fichiers Word, fichiers texte et PDF avec une véritable couche de texte — s'extraient proprement et se déplacent dans le pipeline sans problème. Les PDF numérisés et les pages manuscrites photographiées sont une autre histoire : si le fichier est essentiellement une image sans couche de texte intégrée, l'outil de détection n'a rien à tokeniser, et la soumission passe sans aucune analyse d'IA sauf si l'institution exécute également la reconnaissance optique de caractères en premier, ce que la plupart des intégrations Canvas-Turnitin standard ne font pas automatiquement. Les quiz Canvas construits à partir de questions à choix multiples, vrai/faux ou d'appariement ne produisent aucune prose analysable du tout — il n'y a pas de texte au niveau de la phrase pour un classificateur à évaluer, ce qui explique pourquoi ces types de questions sont complètement en dehors de la détection de texte d'IA, quel que soit l'outil connecté par une école. Les questions de réponse courte et de style essai peuvent être analysées si l'institution a configuré cette intégration, bien que cela soit moins courant que la détection au niveau de l'assignment. Les soumissions de code passent par la plupart des pipelines de détection de manière peu fiable, car les classificateurs sont entraînés sur des modèles de langage naturel et le code suit des règles statistiques complètement différentes. Les soumissions de groupe sont notées comme un seul document, ce qui signifie que le pipeline n'a aucun moyen d'attribuer quelles portions proviennent de quel contributeur.

1. Entrées de texte dactylographié ou collé — analysées de manière fiable
2. Documents Word et PDF basés sur du texte — analysés de manière fiable
3. Pages numérisées ou photographiées sans couche de texte — généralement omises
4. Questions de quiz à choix multiples, vrai/faux et d'appariement — non analysables
5. Réponses de quiz de type réponse courte ou essai — analysées uniquement si configurées séparément
6. Soumissions de code — passées par le pipeline mais classées de manière peu fiable
7. Soumissions de groupe — notées comme un document sans attribution par auteur

Comment Canvas détecte l'IA de manière fiable — et où cela échoue ?

Même quand une soumission est entièrement basée sur le texte et se déplace proprement à travers le pipeline, plusieurs limites structurelles façonnent la quantité du score résultant qui peut réellement dire quelque chose à un instructeur. La plupart des outils de détection exigent un nombre minimum de mots — généralement autour de 300 mots — avant même de générer un score, car les passages plus courts ne fournissent pas un échantillon statistique suffisant pour que le modèle atteigne une estimation de probabilité stable ; les soumissions en dessous de ce seuil renvoyent généralement un avis de 'texte insuffisant' au lieu d'un pourcentage. La fiabilité diminue également pour les soumissions en anglais non-natif, car la plupart des classificateurs ont été entraînés principalement sur des paires de textes en anglais, et pour le contenu mélangeant plusieurs langues au sein d'un seul document. Canvas lui-même ne suit pas nativement l'historique au niveau de la frappe ou les données de révision horodatées pour la plupart des types d'assignment, donc l'outil de détection n'a pas de chronologie de brouillon à comparer avec la soumission finale — il ne voit que le texte fini, sans aucun moyen de vérifier si ce texte a été tapé sur trois heures ou collé en un seul mouvement, à moins qu'une extension de surveillance séparée soit superposée. Les classificateurs sont également spécifiques à la version : un modèle entraîné à reconnaître les motifs d'une génération d'outils d'écriture IA peut être à la traîne par rapport aux modèles plus récents qui produisent une sortie plus naturellement variée, ce qui fait partie de la raison pour laquelle la précision de détection change au fil du temps car les outils d'écriture IA et les classificateurs de détection continuent de se mettre à jour. Aucune de ces limites ne signifie que le score n'a pas de sens, mais elles signifient qu'il s'agit d'une estimation de probabilité construite sur des informations incomplètes, pas un record vérifié de la façon dont un document a été écrit.

Pourquoi le même pipeline produit-il des scores différents pour des textes similaires ?

Les étudiants remarquent parfois que deux passages qui se lisent aussi formels ou de style IA à l'œil produisent des scores très différents, et la mécanique explique pourquoi. Le classificateur note les motifs statistiques au niveau du segment, donc un document avec quelques paragraphes influencés par l'IA mélangés dans des sections autrement écrites par des humains peut produire un score mixte modéré plutôt qu'un score uniformément élevé — l'étape d'agrégation fait la moyenne entre les segments, ce qui signifie que l'édition intensive des seules portions signalées peut modifier le nombre global de façon substantielle même si la majorité du document reste inchangée. C'est en partie pourquoi la question de savoir comment Canvas détecte l'IA n'a pas une seule réponse fixe — le même pipeline peut renvoyer des nombres différents pour un texte similaire selon le moment, la configuration et quelles portions se retrouvent dans un segment signalé. Les outils de paraphrase compliquent cela davantage : la paraphrase légère qui échange simplement des synonymes a tendance à préserver la signature de perplexité basse et de rafale basse qui a déclenché le signalement original, tandis que la paraphrase qui restructure l'ordre des phrases et varie la longueur de façon plus significative peut réduire le score sans changer nécessairement le sens sous-jacent. La configuration institutionnelle ajoute une autre couche de variation — certaines écoles configurent leur intégration pour afficher un pourcentage brut, tandis que d'autres appliquent un seuil qui ne signale que si elle dépasse un certain point de coupure, donc le même score sous-jacent peut se présenter différemment selon la façon dont l'instance Canvas d'un instructeur est configurée. Et parce que les classificateurs eux-mêmes sont retraînés et recalibrés périodiquement, le même texte exact soumis des mois plus tard via le pipeline de la même institution peut renvoyer un score mesurément différent, simplement parce que le modèle effectuant le score a changé.

Qu'advient-il du score après la fin du balayage ?

Une fois que le score arrive dans SpeedGrader, le travail du pipeline est terminé — tout après cela est une décision humaine, pas une mécanique. Canvas ne signale pas automatiquement, n'échoue pas automatiquement et ne signale automatiquement rien basé sur le nombre ; il affiche simplement ce que l'outil connecté a renvoyé, de la même manière qu'il affiche un pourcentage de similitude du plagiat. Certaines institutions ont établi des politiques de seuil où les scores au-dessus d'un point de coupure défini déclenchent une notification automatique à un bureau d'intégrité académique, mais cette politique existe au niveau institutionnel ou départemental, configurée séparément de l'outil de détection lui-même. En l'absence d'une politique de seuil, l'interprétation est entièrement laissée à l'instructeur, qui pondère généralement le score aux côtés d'autres contextes : les exemples de rédaction antérieurs de l'étudiant, la nature de l'assignment et si les passages signalés correspondent à des motifs que l'instructeur associe déjà à la voix de cet étudiant. Parce que la mécanique sous-jacente produit une probabilité plutôt qu'un verdict, la plupart des conseils institutionnels — y compris les cadres publiés par les bureaux d'intégrité académique depuis 2024 — traitent le score comme un point de départ pour une conversation avec l'étudiant plutôt que comme une preuve autonome de mauvaise conduite.

Comment pouvez-vous vérifier votre écriture par rapport à la même mécanique que Canvas utilise ?

Puisque le pipeline de détection évalue les motifs statistiques plutôt que de chercher un 'indice' spécifique, la chose la plus utile qu'un étudiant puisse faire avant de soumettre est de voir comment son propre brouillon se compare à un type d'analyse similaire. Exécuter un brouillon à travers un outil de détection qui évalue la perplexité et la rafale au niveau de la phrase montre quels passages spécifiques se lisent comme statistiquement uniformes — les mêmes passages qu'un outil intégré Canvas signalerait probablement — tandis qu'il y a encore du temps pour réviser avant la date limite. Le détecteur de texte NotGPT applique ce type d'analyse au niveau de la phrase et met en évidence exactement quelles portions conduisent le score de probabilité global, ce qui est plus utile qu'un pourcentage mixte unique car cela montre où se concentrer. Si un passage signalé reflète réellement votre propre style d'écriture formel plutôt que l'assistance d'IA, la fonction Humaniser peut ajuster le rythme des phrases et la formulation à intensité Light, Medium ou Strong pour réduire l'uniformité statistique qui déclenche les faux signalements, sans modifier la substance de ce que vous dites. L'objectif n'est pas de manipuler un score — c'est de comprendre, avant qu'un instructeur ne le fasse, quelles parties d'une soumission partagent l'empreinte statistique que ces classificateurs sont conçus pour détecter.

1. Terminez votre brouillon avec suffisamment de temps pour l'examiner avant la date limite Canvas
2. Exécutez l'intégralité du texte à travers un outil de détection d'IA au niveau de la phrase
3. Notez quels passages spécifiques obtiennent les scores les plus élevés plutôt que seulement le pourcentage global
4. Vérifiez si les passages signalés sont fortement édités, hautement formels ou inhabituellement uniformes en longueur de phrase
5. Révisez les passages signalés pour plus de variation naturelle, ou utilisez un outil d'humanisation si le style signalé est vraiment le vôtre
6. Vérifiez à nouveau le brouillon révisé avant de le soumettre via Canvas