Perusall peut-il détecter l’IA ? Ce que la plateforme voit et ne voit pas

Perusall est une plateforme d’annotation sociale utilisée avec le système de gestion de l’apprentissage d’un cours. Les étudiants lisent un PDF imposé, regardent une vidéo ou étudient un chapitre de manuel et, au lieu de remettre une dissertation séparée, déposent des commentaires, des questions et des réponses directement sur des passages ou des horodatages précis. Les autres étudiants du même groupe peuvent voir ces annotations et y répondre : c’est ce qui rend l’expérience "sociale", par opposition à une remise privée. Comme le travail noté se compose de courtes annotations réparties dans un document plutôt que d’une dissertation continue, la question de la détection de l’IA par Perusall se pose pour une autre raison qu’avec Turnitin ou le dépôt d’une dissertation dans Canvas : les textes sont plus courts, plus conversationnels et liés à une citation ou à un moment précis du contenu source. Cela modifie à la fois l’apparence possible des annotations générées par l’IA et la manière dont un système devrait les repérer.

Non. Perusall ne soumet pas les annotations à un modèle de détection d’IA et la plateforme ne propose aucun réglage permettant à un enseignant d’en activer un. Le moteur de notation de Perusall, que l’entreprise appelle sa notation automatisée, est conçu pour évaluer des signaux de participation : la longueur d’une annotation, la présence dans un commentaire de références précises au texte, le moment de publication par rapport à l’échéance et les interactions d’autres étudiants avec ce commentaire. Aucun de ces signaux ne vise à estimer si le texte a été généré par l’IA. Ainsi, même si certains demandent si Perusall vérifie l’usage de l’IA en s’attendant à une réponse semblable à un rapport de similitude, la réalité est que l’algorithme a été conçu pour mesurer la qualité de la participation, et non l’auteur du texte, et qu’aucun score de probabilité d’IA n’est associé aux annotations.

Dans Perusall, la vue de l’enseignant est davantage manuelle qu’automatisée. Il peut ouvrir le tableau de bord des annotations d’un cours, lire chaque commentaire laissé par un étudiant, les trier par document, étudiant ou horodatage, et consulter le score de participation automatisé calculé par Perusall pour chacun. En revanche, il ne peut voir ni pourcentage de probabilité d’IA ni signalement mis en évidence indiquant qu’une annotation "semble écrite par une machine", puisque Perusall ne génère pas ces informations. Si un enseignant soupçonne que les annotations d’un étudiant ont été produites par l’IA plutôt que rédigées au fil de la lecture, ce soupçon vient généralement du texte lui-même : un commentaire qui loue le contenu en termes généraux sans référence précise au passage auquel il est rattaché, ou des formulations qui se répètent dans plusieurs lectures d’une façon inhabituelle par rapport à la voix de l’étudiant.

Oui, et c’est généralement la démarche la plus pertinente lorsqu’un enseignant souhaite étudier plus attentivement les habitudes d’annotation d’un étudiant. Perusall permet d’exporter vers une feuille de calcul les données d’annotation, notamment le texte des commentaires, les horodatages et les scores de participation, grâce aux fonctions d’exportation des données ou de synchronisation du carnet de notes. Perusall ne soumet pas cet export à un modèle de détection d’IA : il s’agit uniquement de texte brut et de métadonnées. Une fois le texte des annotations sorti de la plateforme, l’enseignant peut toutefois l’examiner manuellement à la recherche des mêmes signaux d’alerte qu’ailleurs, ou coller des extraits particulièrement courts ou suspects dans un outil distinct de détection d’IA si le règlement du cours prévoit ce type de vérification. C’est l’étape d’exportation qui relie véritablement un devoir Perusall à un éventuel contrôle par IA ; rien ne se produit automatiquement avant cela.

Perusall est généralement ajouté à un cours par une intégration LMS, le plus souvent Canvas, mais aussi Brightspace ou Blackboard. Ce LMS peut utiliser séparément Turnitin ou un autre outil de détection d’IA sur d’autres devoirs du même cours, comme des dissertations ou des publications de discussion. Ce processus est totalement distinct de la notation des annotations par Perusall. Un cours peut activer l’indicateur de rédaction par IA de Turnitin pour un mémoire remis via Canvas tout en utilisant Perusall uniquement pour les annotations de lecture hebdomadaires ; les deux systèmes ne partagent ni données ni scores. Si un syllabus mentionne la détection de l’IA, il convient donc de vérifier si cette règle concerne l’outil de remise des dissertations ou celui d’annotation des lectures, car un étudiant pourrait raisonnablement supposer que l’un couvre l’autre alors que ce n’est pas le cas.

Sans score automatisé sur lequel s’appuyer, les enseignants qui soupçonnent l’usage de l’IA dans les annotations Perusall ont tendance à le remarquer grâce à des motifs récurrents plutôt qu’à un seul chiffre signalé.

Si un enseignant exprime une inquiétude concernant précisément des annotations Perusall, la réponse la plus utile consiste généralement à clarifier la procédure plutôt qu’à se mettre sur la défensive, puisqu’il n’existe d’abord aucun rapport généré par Perusall à contester.

Puisque Perusall ne signale rien automatiquement, le risque concret dépend entièrement de la manière dont un enseignant pourrait interpréter une annotation plus tard, lors d’un examen courant ou après un export. Passer les annotations longues ou particulièrement soignées dans l’outil de détection de texte par IA de NotGPT avant leur publication peut indiquer si leurs formulations semblent générées par l’IA. Cela peut être utile lorsqu’un commentaire a été rédigé avec une forte assistance d’un correcteur grammatical ou d’un logiciel de traduction et finit par paraître plus raide ou plus formel que les autres annotations de l’étudiant. Si un commentaire signalé est réellement original mais semble anormalement soigné par rapport à la voix habituelle de l’étudiant, l’outil Humanize peut ajuster sa formulation sans modifier l’observation faite sur la lecture. Cette vérification est une précaution liée à la perception possible du texte, et non une réponse à une mesure de Perusall, car la plateforme ne possède aucune couche de détection d’IA.