Comment détecter l'IA dans les travaux d'étudiants : Un guide pratique pour les éducateurs

Signes manuels suggérant des travaux d'étudiants générés par l'IA

Les enseignants travaillant sans outils de détection peuvent toujours identifier des signaux forts suggérant qu'une soumission peut avoir été générée par l'IA. Le signal manuel le plus fiable est une discordance entre la qualité du travail et ce que l'étudiant a démontré dans d'autres contextes — participation en classe, écriture en classe ou devoirs précédents. Quand un étudiant qui a du mal à construire des arguments cohérents en classe produit une soumission avec une structure de paragraphes sophistiquée, des transitions précises et des exemples exactement pertinents, cet écart seul justifie un examen plus attentif.

Au-delà de la discordance de qualité, plusieurs motifs d'écriture spécifiques apparaissent régulièrement dans les textes académiques générés par l'IA. Les paragraphes d'introduction définissent souvent le sujet du devoir dans la première phrase et décrivent la structure du travail avant de formuler un argument — un comportement de suivi de modèle que les étudiants humains reproduisent rarement de manière aussi régulière. Les paragraphes de corps ont tendance à s'ouvrir avec une affirmation, l'appuyer avec deux ou trois énoncés généraux et la conclure avec une reformulation qui reflète l'ouverture, produisant une uniformité structurelle entre plusieurs paragraphes qui se lit comme propre mais n'est pas caractéristique de la plupart des rédactions d'étudiants. Les transitions entre paragraphes utilisent souvent un petit ensemble rotatif de phrases de connexion — « De plus, » « En outre, » « Il est important de noter, » « En conclusion » — à des intervalles prévisibles.

La spécificité des références est un autre motif révélateur. La rédaction étudiante inclut généralement des détails concrets tirés des matériaux de cours réels : des arguments spécifiques des textes assignés, la terminologie introduite en classe ou des exemples que l'instructeur a utilisés dans une conférence. Le texte généré par l'IA est plus susceptible d'aborder la consigne de manière précise avec des exemples factuellement corrects mais entièrement génériques — des exemples qui apparaîtraient dans un manuel scolaire plutôt que dans quelque chose de spécifique à ce cours.

1. Écart de qualité entre le travail soumis et les capacités démontrées en classe
2. Paragraphes d'ouverture qui définissent le sujet et décrivent la structure du travail dans les deux premières phrases
3. Structure de paragraphes cohérente avec ouverture-corps-fermeture qui se répète avec une variation minimale entre plusieurs sections
4. Phrases de transition formulaires utilisées en rotation : « De plus, » « En outre, » « En conclusion »
5. Exemples génériques et exacts qui ne font pas référence aux lectures ou matériaux de cours spécifiques
6. Absence de langage prudent ou provisoire — le texte IA a tendance à affirmer avec confiance plutôt que de nuancer
7. Registre formel cohérent sans variation de ton ou de voix dans l'ensemble du document

« L'indice pour moi, c'est toujours l'introduction. Les étudiants écrivent dans leur argument — ils ne savent pas encore ce qu'ils vont dire quand ils commencent. Quand une intro énonce la thèse, nomme trois points de soutien et promet une conclusion dans le premier paragraphe, c'est un modèle, pas un étudiant. » — Professeur d'écriture au lycée, 2025

Comment détecter l'IA dans les travaux d'étudiants à l'aide d'outils de détection

Les outils de détection automatisent le processus de mesure des propriétés statistiques qu'il est difficile d'évaluer manuellement. Les deux les plus largement utilisés dans les environnements académiques sont l'indicateur d'écriture IA de Turnitin — disponible pour la plupart des abonnés institutionnels depuis 2023 — et GPTZero, qui a été conçu spécifiquement pour l'usage éducatif et est maintenant disponible par des accords institutionnels dans de nombreuses universités. Les deux plateformes fournissent des scores de probabilité accompagnés d'un surlignage au niveau des phrases ou des paragraphes montrant quelles sections contribuent le plus au résultat global.

Pour les instructeurs qui veulent un outil fonctionnant en dehors d'un abonnement institutionnel, les détecteurs autonomes incluant NotGPT peuvent vérifier rapidement n'importe quelle soumission. L'approche générale est la même sur toutes les plateformes : coller le texte complet du document, lire le score de probabilité et les passages surlignés ensemble, et traiter la sortie comme un point de données dans votre examen plutôt que comme une détermination finale. Vérifier des extraits partiels réduit considérablement la précision — les outils sont calibrés pour les documents complets, et les entrées au niveau du paragraphe produisent des scores beaucoup plus bruités.

Lorsque vous examinez la sortie de l'outil, commencez par les passages surlignés plutôt que par le score global. Le pourcentage est un résumé ; les surlignages vous montrent exactement où le signal statistique est concentré. Un document où un seul paragraphe génère un score faible par ailleurs est une situation différente d'un document où le surlignage est distribué uniformément dans l'ensemble du texte. Les deux importent, mais ils pointent vers des étapes suivantes différentes.

1. Copier le texte complet de la soumission — les extraits partiels réduisent considérablement la précision
2. Coller dans le champ d'entrée de texte de l'outil de détection et soumettre le document complet
3. Lire le score de probabilité au niveau du document comme un signal initial, pas une conclusion
4. Examiner le surlignage au niveau des phrases ou des paragraphes pour identifier quels passages spécifiques ont généré le score
5. Noter si les passages surlignés s'alignent avec les signaux manuels que vous avez identifiés lors du premier examen
6. Si le score est limite (environ 30–70%), chercher des facteurs corroborants dans la soumission elle-même avant de tirer des conclusions
7. Documenter le score et les passages spécifiques surlignés avant de contacter l'étudiant ou de renvoyer l'affaire

« Le score me dit où regarder, pas ce qui s'est passé. Les phrases surlignées sont là où je commence à lire attentivement — pas où j'arrête. » — Instructrice en rédaction universitaire, 2025

Interpréter les scores de détection : Probabilité, pas preuve

Chaque plateforme majeure de détection — Turnitin, GPTZero, Copyleaks, NotGPT — produit des scores de probabilité plutôt que des verdicts binaires. Un score de 85% signifie que les propriétés statistiques du texte sont hautement cohérentes avec une sortie générée par l'IA ; cela ne signifie pas que le texte a été définitivement produit par l'IA. Le même score de 85% apparaîtrait sur un document écrit entièrement par une IA que sur un document écrit par un locuteur non natif de l'anglais dont le registre académique formel se trouve correspondre au profil statistique que les outils de détection associent au texte généré par machine.

Ce cadre probabiliste est important car les deux propriétés les plus importantes mesurées par les détecteurs — la perplexité et la rafale — peuvent être basses pour des raisons entièrement humaines. La perplexité mesure la prévisibilité de chaque choix de mot étant donné son contexte ; les rédacteurs humains varient naturellement leur vocabulaire plus que les modèles d'IA, produisant un texte à perplexité plus élevée. Mais un étudiant écrivant l'anglais académique comme deuxième langue travaille souvent dans une plage de vocabulaire plus étroite, produisant un texte à perplexité plus basse qui obtient un score similaire à la sortie IA. La rafale mesure la variation de la longueur des phrases ; la rédaction humaine tend vers des rythmes irréguliers tandis que la rédaction IA tend vers une longueur de phrase uniforme. La rédaction d'étudiant fortement éditée perd fréquemment cette variation naturelle — chaque passage de révision supprime la rugosité que les détecteurs utilisent comme signal d'authenticité de la création humaine.

Les évaluations de précision publiées des outils majeurs de détection ont trouvé des taux de faux positifs allant de 4% à plus de 15% selon le style d'écriture, le sujet et si la première langue de l'écrivain était l'anglais. Ces chiffres signifient que même un outil bien calibré signalera certaines rédactions d'étudiants authentiques. Comprendre cette limitation est central pour savoir comment détecter l'IA dans les travaux d'étudiants de manière responsable — l'objectif est d'identifier les cas qui justifient une enquête plus approfondie, pas de produire des conclusions à partir des seuls scores.

« Les faux positifs ne sont pas aléatoires. Ils se concentrent dans la rédaction des étudiants qui sont déjà désavantagés — les locuteurs non natifs, les étudiants de première génération écrivant dans des genres académiques peu familiers, les rédacteurs techniques suivant les conventions normalisées du domaine. Un score élevé est une raison de regarder plus attentivement, pas une raison d'agir. » — Chercheur en intégrité académique, 2024

Combiner les scores d'outils avec l'examen manuel

L'approche la plus défendable des cas d'intégrité académique impliquant l'IA implique de combiner les scores d'outils avec des preuves manuelles indépendantes plutôt que de traiter l'une ou l'autre comme suffisante seule. Les plateformes de détection déclarent explicitement dans leur propre documentation que les scores ne sont pas conçus pour être utilisés comme preuve unique dans les procédures académiques — ce sont des outils de signalisation, pas des outils d'adjudication. Un instructeur qui renvoie une affaire basée uniquement sur un score de détection travaille à l'encontre des conseils de l'outil sur lequel il s'appuie.

L'examen manuel qui corrobore un score de détection élevé constitue un cas beaucoup plus solide et protège également contre l'action sur un faux positif. L'approche pratique consiste à identifier deux ou trois préoccupations spécifiques dans la soumission elle-même — séparées du score — que vous pourriez expliquer à un étudiant ou à un agent d'intégrité. Ces préoccupations doivent être fondées sur le texte : des sections où la qualité de l'écriture dépasse ce que l'étudiant a montré dans d'autres travaux, des passages où les exemples sont suspecieusement génériques, des structures d'arguments formulaires dans l'ensemble du document sans aucune spécificité à ce cours.

Quand la sortie de l'outil et l'examen manuel pointent tous deux dans la même direction, une conversation avec l'étudiant est généralement l'étape appropriée suivante. Demander à l'étudiant d'expliquer son processus d'écriture, de discuter des sources qu'il a référencées ou de produire un court texte dans un environnement surveillé fournit des informations qu'aucune approche de détection automatisée ne peut fournir : la relation réelle de l'étudiant avec le travail soumis.

Les instructeurs qui construisent un processus d'examen cohérent — plutôt que d'appliquer le contrôle de manière sélective aux soumissions suspectes — réduisent également le risque d'appliquer la détection de manière asymétrique entre les étudiants. Exécuter un échantillon aléatoire de soumissions à travers le même flux de travail que les soumissions signalées détecte les incohérences, établit une ligne de base pour ce que les scores normaux ressemblent pour votre cours et population d'étudiants, et signifie que tout renvoi éventuel à l'intégrité est fondé sur un processus systématique plutôt que sur des soupçons réactifs.

1. Former vos observations manuelles avant d'examiner le score de détection pour éviter le biais d'ancrage
2. Identifier au moins deux préoccupations textuelles spécifiques que vous pouvez décrire sans référencer le score
3. Vérifier si les passages surlignés abordent le contenu spécifique au cours ou seulement une couverture générique du sujet
4. Comparer la qualité et la voix de l'écriture de la soumission par rapport aux travaux en classe ou aux devoirs antérieurs du même étudiant
5. Si vous procédez à une conversation avec l'étudiant, posez des questions sur le processus plutôt que des questions d'accusation

Utiliser NotGPT pour vérifier les soumissions d'étudiants

NotGPT donne aux éducateurs un outil de détection accessible depuis mobile qui fonctionne sur n'importe quel texte d'assignation — essais, réponses à des messages de discussion, rapports de laboratoire ou questions d'examen à réponses courtes. Collez la soumission complète de l'étudiant pour recevoir un score de probabilité accompagné d'un surlignage au niveau des phrases marquant quels passages sont statistiquement cohérents avec une sortie générée par l'IA. Le surlignage fonctionne comme un guide de lecture : au lieu de lire l'ensemble du document avec une attention égale, vous pouvez commencer par les sections surlignées et évaluer si les préoccupations tiennent sous un examen plus approfondi.

Pour les enseignants qui veulent comprendre comment détecter l'IA dans les travaux d'étudiants au niveau du mécanisme plutôt que simplement vérifier des documents individuels, la fonction Humanize de NotGPT est également un outil de référence utile. Exécuter un texte généré par l'IA connu à travers Humanize à différents niveaux d'intensité illustre exactement quels changements statistiques réduisent un score de détection — ce qui équivaut à illustrer quelles propriétés statistiques la détection répondait à l'origine. Comprendre le mécanisme facilite la reconnaissance de ces propriétés lors d'un examen manuel, indépendamment de toute sortie d'outil.

La division 80/20 entre le jugement manuel et l'assistance par outil s'applique dans les deux directions : la plupart de votre travail de détection impliquera une lecture attentive et une comparaison avec ce que vous savez de l'étudiant, tandis que l'outil met en évidence les passages spécifiques méritant votre attention plus proche.