Pourquoi les détecteurs d’IA ciblent les auteurs non natifs (faux positifs)

Vous avez écrit chaque mot de votre article. Vous avez cité vos sources, vous l’avez révisé deux fois, puis vous l’avez soumis en toute conscience. Le rapport est revenu avec la mention « IA probable », et vous essayez maintenant de prouver le contraire au sujet de votre propre production. Si l’anglais est votre deuxième langue, ce n’est pas un mauvais coup de chance rare. C’est un schéma documenté.

Et voici la vérité inconfortable : un faux positif d’un détecteur d’IA a beaucoup plus de chances de viser un auteur non natif qu’un auteur natif. Ce n’est pas parce que l’écriture non native serait de moindre qualité. C’est parce que ces outils mesurent la « texture » statistique du langage, et qu’une rédaction rigoureuse en langue seconde partage justement des caractéristiques avec le texte généré par machine sur lesquelles ils ont été entraînés.

Il ne s’agit pas d’une plainte marginale, formulée par des étudiants frustrés. C’est un résultat issu de recherches évaluées par les pairs : c’est aussi pour cette raison que plusieurs grandes universités ont pris du recul par rapport à ces outils, et que des tribunaux et des administrations ont commencé à considérer les sorties des détecteurs avec une prudence réelle. Voici ce que dit effectivement la preuve, et quoi faire si un détecteur se trompe.

Ce que l’étude de Stanford révèle sur le biais des détecteurs

La preuve la plus solide provient d’une étude de 2023 menée par Liang et ses collègues à Stanford, publiée dans la revue Patterns de Cell Press et intitulée, sans détour : « GPT detectors are biased against non-native English writers. »

Les chercheurs ont fait passer des essais dans sept détecteurs largement utilisés. Pour les essais rédigés par des locuteurs non natifs, issus d’un corpus TOEFL, les détecteurs ont signalé en moyenne environ 61 % comme étant générés par une IA. Pour les essais écrits par des auteurs natifs, le taux de faux positifs était d’environ 5 %. Près d’un essai sur cinq chez les non-natifs, environ 19,8 %, a été signalé unanimement comme IA par chacun des détecteurs testés. Dans tous les cas, il s’agissait d’essais rédigés par des humains.

Le mécanisme est la partie la plus intéressante, car il explique pourquoi le biais est « intégré » plutôt qu’accidentel. Beaucoup de détecteurs s’appuient sur un signal appelé perplexity, qui mesure à quel point les choix de mots d’un texte sont « surprenants » pour un modèle de langage. Un texte rempli de mots courants et de formulations prévisibles produit une perplexité faible. Or, pour le détecteur, une faible perplexité ressemble à du texte machine. Les auteurs en langue seconde utilisent souvent un vocabulaire plus limité et plus conventionnel, non pas parce que leurs idées seraient simples, mais parce qu’ils écrivent soigneusement dans une langue qui n’est pas la leur. Le détecteur voit la surface lisse et la qualifie d’artificielle.

C’est au cœur du problème d’équité. Les habitudes mêmes qui rendent une prose en langue seconde à la fois claire et correcte sont précisément celles que ces outils ont été conçus pour pénaliser.

Pourquoi l’écriture non native déclenche des faux positifs de détecteurs d’IA

Il est utile de s’arrêter sur ce « pourquoi », car comprendre le mécanisme enlève une partie de la morsure d’un signalement injuste.

Un locuteur natif qui écrit vite parseme son texte d’expressions idiomatiques, de choix de mots inhabituels, de rythmes parfois singuliers, et de quelques raccourcis grammaticaux. Cette imprévisibilité se traduit par une perplexité élevée et est perçue comme humaine. Un auteur non natif, ou, plus largement, tout écrivain académique discipliné, tend à privilégier des constructions précises et standard, ainsi qu’un vocabulaire contrôlé. Les modèles de langage favorisent eux aussi les constructions précises et standards et un vocabulaire contrôlé. Le détecteur ne peut pas distinguer un humain attentif d’une machine attentive : sur l’axe précis qu’il mesure, ils se ressemblent.

Rien de tout cela ne signifie que l’écriture est moins bonne. La clarté est une vertu dans la prose académique, pas un défaut. Cela signifie simplement que le détecteur mesure la mauvaise chose et en tire une conclusion assurée.

Cette confiance est le danger. Un outil qui affiche un pourcentage net donne une impression d’autorité, même lorsque le chiffre repose sur un signal qui désavantage systématiquement l’ensemble d’une population de rédacteurs légitimes.

Les universités qui ont pris du recul par rapport aux détecteurs d’IA

Les institutions ont remarqué le problème assez tôt, et plusieurs ont agi.

En août 2023, l’université Vanderbilt a désactivé le détecteur d’IA de Turnitin, et a publié une explication inhabituellement détaillée de cette décision. Elle a noté que, même si l’affirmation d’un taux de faux positifs d’environ 1 % ne serait pas significative à l’échelle de l’ensemble d’un article, compte tenu d’environ 75 000 soumissions par an, le fait qu’il ait été démontré que l’outil produit des résultats biaisés contre les auteurs non natifs d’anglais, combiné à l’opacité de ses processus, signifiait qu’environ 750 articles pourraient être signalés à tort. D’autres, comme Michigan State, l’Université du Texas à Austin, Northwestern et l’Université de Pittsburgh, ont pris des mesures similaires. Southern Methodist University s’est retirée en décembre 2023, et l’Université de Waterloo a suivi en septembre 2025, après avoir constaté que des textes rédigés par des humains étaient notés comme « entièrement IA ».

Les indications de Turnitin sont elles aussi prudentes. Son indicateur IA dévalue les chiffres de 1 à 19 %, en utilisant un astérisque plutôt qu’un nombre, puisque les faux positifs sont plus fréquents dans la partie basse de l’échelle. L’entreprise avertit aussi explicitement que ce score ne doit pas être utilisé seul pour prendre des décisions concernant l’intégrité académique. Autrement dit, un fournisseur demande aux institutions de ne pas traiter sa propre sortie comme une preuve : c’est un signal fort sur le poids qu’un seul chiffre mérite vraiment.

Si votre établissement utilise encore ces outils, ce n’est pas une raison de paniquer. C’est une raison de connaître vos droits et de conserver vos éléments de preuve, ce à quoi nous reviendrons ci-dessous.

Cas réels, exposés clairement

Quelques controverses ont fait la une, et elles méritent d’être comprises avec précision, car les détails comptent et les titres les brouillent souvent.

Dans l’affaire d’Orion Newby à l’université Adelphi, un essai étudiant a été signalé comme entièrement généré par IA. Un juge fédéral a examiné la question et a estimé que la conclusion était « sans fondement », ordonnant qu’elle soit retirée du dossier de l’étudiant, comme rapporté en février 2026. Nous détaillons ce que cette décision a établi, et ce qu’elle n’a pas établi, dans la décision Newby v. Adelphi. À l’UC Davis, William Quarterman a été signalé par GPTZero et a fait annuler le signalement en s’appuyant sur l’historique des versions de son Google Docs, qui montrait la rédaction progressive au fil du temps. Il s’agissait d’une résolution administrative, et non d’un procès.

Un point doit être énoncé clairement : parce que beaucoup de résumés en ligne se trompent. Aucun de ces résultats n’était un jugement juridique contre Turnitin, la société, et aucun étudiant, dans ces cas, n’a « poursuivi Turnitin et gagné ». Les litiges concernaient les établissements et la manière dont un signal a été utilisé ; la leçon porte sur le processus et la preuve, pas sur l’idée qu’un fournisseur de détecteurs perdrait devant un tribunal. Formulé correctement, l’enseignement est au contraire autonomisant : un score de détecteur est une allégation, non un verdict, et des auteurs légitimes ont réussi à la contester.

Que faire si vous êtes signalé à tort

Si un détecteur signale comme IA un travail que vous avez rédigé, la situation reste réparable, et les rédacteurs qui la résolvent bien ont tendance à faire un petit nombre de choses.

Conservez vos brouillons et l’historique des versions. Google Docs et Word suivent les modifications dans le temps, et cette chronologie est l’élément de preuve le plus convaincant que vous puissiez fournir, exactement comme dans le cas de l’UC Davis. Demandez, poliment, quel score a déclenché le signalement et comment le relecteur l’interprète : un chiffre dissimulé ou limite constitue un fondement faible pour toute décision. Mettez en avant la recherche et la prudence institutionnelle évoquées ci-dessus si vous devez argumenter sur l’équité dans votre réponse. Notre guide étape par étape pour faire appel d’un faux signal de détection d’IA décrit l’ensemble du processus.

À l’avenir, l’objectif n’est pas de « tromper » l’outil. Il s’agit d’écrire un anglais naturel et assuré, afin que votre prose attentive ait moins de chances d’être mal lue, et de déclarer toute assistance par IA selon ce que votre institution exige. Notre humaniseur de texte pour l’IA a été conçu pour cela : et si vous écrivez en anglais en tant que langue seconde, notre guide dédié pour humanizer l’IA pour les chercheurs ESL aborde le workflow plus en profondeur. L’objectif est l’équité pour le travail déjà accompli, pas le camouflage.

Avant et après : corriger la texture « plate » qui déclenche un détecteur

La théorie est plus facile à croire quand on peut la voir sur un paragraphe réel. Voici un extrait de résultats rédigé par une chercheuse ESL, avec l’aide d’un assistant IA pour lisser l’anglais. Le texte se lit sans heurt, et pourtant un détecteur l’a signalé.

Avant (signalé comme IA probable) :

"The results demonstrate that the intervention significantly reduced recovery time by 27% across all cohorts (Chen et al., 2021). This substantial improvement clearly highlights the effectiveness of the proposed approach. The findings confirm the hypothesis and underscore the importance of early intervention."

Trois phrases, presque identiques en longueur, avec chaque proposition qui avance au même rythme. Le vocabulaire reste « sûr » et prévisible. Cette régularité, un détecteur la lit comme une faible perplexité et une faible « burstiness », et c’est la même texture que l’on retrouve dans beaucoup d’écrits non natifs authentiques signalés.

Après (révisé dans la voix de l’auteur) :

"Recovery time fell by 27% across the three cohorts (Chen et al., 2021), a bigger drop than we had expected (n = 214). The effect held, though it was weaker in the oldest group. That pattern points to a real benefit from early intervention, but with a sample this size we would not push the claim further than the data allows."

Lisez-les côte à côte : la deuxième donne l’impression d’un travail réellement réalisé par une personne.

Ce qui a changé, et pourquoi c’est important. Nous avons conservé tous les faits essentiels : le chiffre des 27 %, la citation (Chen et al., 2021), le nombre de cohortes et la taille de l’échantillon. Rien n’a bougé dans les éléments probants. Ce que nous avons ajouté, c’est de la variation. Les longueurs de phrases oscillent désormais du long au court puis au long, ce qui augmente la « burstiness ». Les choix de mots sont moins prévisibles, ce qui augmente la perplexité. Nous avons aussi réintroduit les nuances : « points to », « we would not push the claim further ». Les brouillons produits par l’IA retirent ce type de prudence, et les outils de sur-lissage aussi ; c’est l’une des raisons pour lesquelles un anglais non natif poli a tendance à dériver vers le profil de l’IA.

C’est aussi une amélioration de qualité, pas une astuce. La version « après » formule une affirmation plus mesurée, plus défendable que la version « avant », qui a débordé avec « demonstrate » et « confirm the hypothesis ». C’est précisément l’argument que nous répétons : la révision qui réduit le risque de faux signal est généralement la même que celle qui survivrait à une relecture par les pairs. Un humaniseur académique peut réaliser ce premier passage tout en protégeant vos citations et vos chiffres, mais vous devez tout de même relire chaque ligne.

Une prudence. Aucune modification ne garantit un score « propre », et les détecteurs continuent d’évoluer (Turnitin a ajouté la détection d’humaniseur en août 2025). Visez une écriture qui reflète votre propre raisonnement, comprenez ce que mesure la perplexité, et déclarez toute aide par IA conformément à la politique de votre revue ou de votre université.

Questions fréquemment posées

Q : Pourquoi les détecteurs d’IA ciblent-ils des auteurs d’anglais non natifs ?

La plupart des détecteurs mesurent à quel point les choix de mots d’un texte sont prévisibles ; une écriture soignée en langue seconde tend à utiliser un vocabulaire courant et standard, qui se lit comme une faible perplexité. Cette régularité statistique ressemble à du texte machine pour l’outil, qui produit alors un faux positif même si un humain a écrit chaque mot. Le biais est intégré à ce que mesure le détecteur, pas à la qualité de l’écriture.

Q : Que révèle l’étude de Stanford sur le biais des détecteurs ?

L’étude stanfordienne de 2023, publiée dans Patterns, a testé sept détecteurs et a constaté qu’ils signalaient environ 61 % des essais TOEFL non natifs comme étant de l’IA, contre environ 5 % pour les auteurs natifs. Près de 20 % des essais non natifs ont été signalés unanimement par tous les détecteurs. Tous les essais étaient rédigés par des humains.

Q : Que dois-je faire si on me signale à tort comme IA ?

Conservez l’historique de votre brouillon depuis Google Docs ou Word, car une chronologie visible de la rédaction constitue la preuve la plus solide. Demandez quel score a déclenché le signalement, citez la recherche sur les faux positifs, puis suivez une procédure d’appel claire. Un score de détecteur est une allégation que vous pouvez contester, pas un verdict final.

Q : Les universités ont-elles cessé d’utiliser des détecteurs d’IA ?

Plusieurs les ont limités ou désactivés. Vanderbilt a désactivé le détecteur d’IA de Turnitin en 2023 en raison de préoccupations liées aux faux positifs et aux biais ; Michigan State, UT Austin, Northwestern, Pittsburgh, SMU et Waterloo ont pris des mesures similaires. De nombreuses institutions qui utilisent encore des détecteurs traitent désormais le score comme un simple signal, et non comme une preuve.

Q : Le fait d’écrire en anglais plus simple augmente-t-il le risque d’être signalé comme IA ?

Dans une certaine mesure, oui. Les détecteurs lisent un vocabulaire plus simple et plus prévisible comme une faible perplexité, le même signal statistique qu’ils associent à l’IA, ce qui explique pourquoi une écriture ESL claire entraîne souvent des faux positifs. Le correctif n’est pas de gonfler artificiellement votre vocabulaire, mais de restaurer une variation naturelle dans les phrases, ainsi que vos propres nuances et votre voix.

Q : Puis-je corriger un faux signal IA en modifiant ma propre écriture plutôt qu’en utilisant un humaniseur ?

Souvent, oui. Relire votre brouillon à voix haute, varier la longueur des phrases et réintroduire les limites que vous voulez vraiment exprimer augmentera la « burstiness » et donnera au texte l’impression qu’il a été écrit par vous. Un outil peut accélérer ce premier passage, mais l’objectif est une voix authentique, et vous devez toujours déclarer toute aide par IA conformément à la politique de votre revue ou de votre université.

Un outil de humanisation conçu pour les auteurs ESL

Rédigez en anglais académique clair et naturel, et réduisez les faux positifs qui touchent le plus durement les auteurs non natifs, en préservant le sens et les citations.