Comment lire un AI Writing Report Turnitin

C’est le chiffre du rapport le plus souvent mal interprété. Turnitin le définit comme la part de qualifying text, et qualifying text désigne des phrases en prose dans un format d’écriture long : des phrases à l’intérieur de paragraphes, dans quelque chose qui a la forme d’un essai, d’une thèse ou d’un article.

Tout le reste est exclu du calcul. Turnitin indique que le modèle ne détecte pas de façon fiable l’écriture par IA hors prose, et cite la poésie, les scripts et le code, ainsi que les écrits courts ou inhabituels : listes à puces, tableaux, bibliographies annotées.

Un score de 30 % sur un devoir composé pour moitié de tableaux et de listes ne veut pas dire « 30 % de votre copie ». Cela désigne 30 % de la prose que Turnitin a bien voulu évaluer, laquelle peut ne représenter qu’un tiers de ce que vous avez rendu.

Il y a aussi un plancher. Un dépôt doit comporter au moins 300 mots de prose au format long avant qu’un rapport soit produit. En dessous, il n’y a pas de pourcentage : pas un faible, aucun. Il existe aussi un plafond : le rapport IA s’arrête à 30 000 mots, si bien qu’une thèse complète n’obtient pas un seul rapport qui la couvre entièrement.

Les exigences actuelles en matière de fichier ajoutent d’autres limites : le fichier doit peser moins de 100 Mo, être un DOCX, PDF, TXT ou RTF pris en charge et être rédigé dans l’une des langues prises en charge. Turnitin a ajouté l’arabe standard moderne le 18 août 2026, portant cette liste à quatre ; deux de ses propres pages en anglais en annoncent encore trois, si bien que la page sur laquelle vous atterrissez n’est peut-être pas à jour. Un Similarity Report réussi ne signifie pas automatiquement que le dépôt est éligible à un AI Writing Report ; les deux systèmes ont des finalités et des exigences différentes.

Un exemple sur le dénominateur rend la distinction concrète. Imaginons un rapport de laboratoire de 4 000 mots dont 1 600 mots se trouvent dans des tableaux, des listes à puces, du code et des références ; il reste 2 400 mots de prose éligible. Un 25 % affiché désigne à peu près un quart de ces 2 400 mots tels que le modèle les a classés, et non un quart des 4 000 mots. Le rapport ne fournit pas assez d’éléments pour reconstituer un décompte exact à l’œil : prenez donc ce calcul comme une explication du dénominateur, non comme un total reconstitué à rebours.

Avant d’interpréter le pourcentage, posez-vous deux questions : le fichier était-il éligible, et quelle part du texte comptait comme prose éligible ?

Les lecteurs remarquent souvent que les passages surlignés ne semblent pas atteindre le pourcentage annoncé et en concluent que quelque chose est cassé. Rien n’est cassé. Turnitin le dit directement : un document contenant plusieurs types d’écriture différents va produire un écart entre le pourcentage et les surlignages.

Le pourcentage est calculé sur la prose éligible. Les surlignages se trouvent dans un document qui contient aussi du texte non éligible. Les dénominateurs diffèrent, les deux chiffres ne se réconcilieront donc pas à l’œil, et vérifier l’un par l’autre est un effort perdu.

Ce pour quoi les surlignages servent vraiment, c’est la répartition. L’endroit où tombe un signalement vous en apprend plus que la quantité totale.

Lisez le rapport en trois temps. D’abord, repérez l’état de l’indicateur. Turnitin en documente sept, et deux seulement affichent un pourcentage à l’écran : 0 %, et un chiffre à partir de 20. Un astérisque, un rapport encore en cours de chargement, une erreur de traitement, un fichier non conforme aux exigences et une détection désactivée au moment du dépôt vous donnent autre chose qu’un chiffre. Ensuite, lisez la répartition du dépôt. Jusqu’au 4 août 2026, elle séparait le texte généré par IA du texte généré par IA qui avait été paraphrasé ; Turnitin a depuis fusionné les deux en une seule catégorie bleue, si bien que les rapports antérieurs et postérieurs à cette date n’ont pas la même légende. Enfin, examinez les passages surlignés dans leur contexte, y compris les phrases non surlignées qui les précèdent et les suivent. Se jeter directement sur un paragraphe bien éclairé supprime le contexte nécessaire pour l’évaluer.

• Un regroupement dans la méthodologie ou dans des passages types peut traduire un langage très conventionnel et mérite une comparaison avec les modèles ou protocoles imposés.
• Une frontière entre des passages rédigés différemment mérite l’examen des phrases alentour, car la classification n’est pas nécessairement précise à la lisière.
• Un motif dispersé doit tout de même être confronté à l’historique des versions et aux sources : la dispersion visuelle ne remplace pas la provenance.
• Aucun surlignage avec un astérisque est le comportement attendu pour la plage basse masquée, et non la preuve que l’interface n’a pas chargé.

Ne comptez pas les lignes surlignées et ne les divisez pas par la longueur de la page. La mise en page, la taille de la police, les références et les types d’écriture exclus rendent ce calcul sans rapport avec le dénominateur de prose éligible de Turnitin. Servez-vous des surlignages pour repérer les passages à relire, pas pour vérifier le pourcentage comme s’il s’agissait d’une mesure de surface.

Le rapport répartit son pourcentage en deux types de détection.

• AI-generated only — du texte que le modèle juge probablement issu d’un grand modèle de langage, éventuellement modifié ensuite par un outil de contournement.
• AI-generated text that was AI-paraphrased — du texte jugé probablement généré par IA puis probablement passé par ce que Turnitin appelle « an AI paraphrasing tool or AI word spinner » (un outil de reformulation par IA ou un mélangeur de mots par IA). Turnitin cite QuillBot en exemple.

La deuxième catégorie mérite qu’on s’y arrête. L’étape du paraphraseur n’est pas invisible pour le modèle : faire passer un texte d’IA par un réécriveur est un schéma que le détecteur a été conçu pour reconnaître comme tel, et non un moyen de le contourner. Si vous vous êtes déjà demandé pourquoi la reformulation n’a pas fait baisser un score, voici la raison documentée.

Elle explique aussi une déception fréquente. Le modèle lit la charpente de la phrase : une retouche qui laisse cette charpente intacte laisse donc intact ce qui est lu — un point à lire en parallèle de ce que mesurent réellement les détecteurs.

Les libellés décrivent la classification du modèle, pas une chaîne de possession vérifiée. « AI-generated only » n’identifie ni un modèle, ni une invite, ni une personne ; « AI-paraphrased » ne prouve pas qu’un service nommé a été utilisé. Turnitin dit elle-même que son modèle peut se tromper sur du texte écrit par un humain, généré par IA ou paraphrasé par IA. Les catégories aident un enseignant à organiser sa relecture, mais elles ne transforment pas une sortie probabiliste en preuve d’origine.

Il y a aussi une limite de langue facile à manquer : le guide actuel de Turnitin indique que la détection de la paraphrase par IA et des contournements n’est incluse que dans le détecteur anglais. Les rapports en espagnol et en japonais n’intègrent pas ces capacités pour l’instant. Une capture d’écran de la répartition par catégories a donc besoin de son contexte linguistique avant de pouvoir être comparée à un autre rapport.

Depuis le 8 juillet 2024, lorsque le modèle place un résultat dans la plage de 1 à 19 %, le rapport affiche un astérisque et n’attribue aucun pourcentage numérique ni aucun surlignage. Un résultat sans texte éligible est un autre état, et une erreur de traitement également.

La raison avancée par Turnitin est que ses tests ont trouvé une incidence plus élevée de faux positifs aux pourcentages bas et que masquer le chiffre précis réduit le risque de mauvaise interprétation. L’astérisque signifie donc « un résultat non nul en dessous du seuil de signalement, avec une fiabilité réduite », et non « 0 % », « sans risque » ou « faute ».

La règle porte sur ce que l’interface affiche ; ce n’est pas un seuil institutionnel de faute. Un résultat chiffré de 19 % sur un rapport produit avant le 8 juillet 2024 et un astérisque sur un rapport plus récent peuvent correspondre à la même bande sous des règles d’affichage différentes. Notez la date du rapport avant de les comparer.

Un 0 % visible n’est pas non plus la preuve qu’aucun processus assisté par IA n’a eu lieu. Cela signifie que le modèle n’a pas identifié de texte éligible comme appartenant probablement à ses catégories de détection dans cette version et cette configuration. La détection connaît des faux négatifs aussi bien que des faux positifs, et le contenu non pris en charge ou exclu se situe entièrement hors du pourcentage.

Turnitin indique que son modèle peut se tromper sur du texte écrit par un humain, généré par IA ou paraphrasé par IA et qu’il ne doit pas servir de seule base à une mesure défavorable à un étudiant. Il fournit des données que le personnel enseignant doit évaluer en regard de la politique institutionnelle et d’autres éléments de preuve. Le chiffre est une donnée en entrée du jugement humain, et c’est l’entreprise elle-même qui le dit dans le guide du rapport.

C’est la chose la plus utile à savoir si vous en recevez un. La question n’est pas « comment faire baisser ce chiffre » mais « à quoi ce chiffre sert-il, et que signifie-t-il selon la politique de mon établissement ».

• Ce n’est pas le Similarity Score. Le texte qui correspond à des sources déjà existantes et le texte classé comme IA sont deux analyses distinctes ; l’une n’explique pas l’autre.
• Ce n’est pas un constat de plagiat. La paternité, l’attribution et l’aide autorisée relèvent des règles d’évaluation et des preuves.
• Ce n’est pas une carte de probabilité mot à mot. Les surlignages désignent des passages rattachés à des catégories : ils ne donnent pas à chaque mot une valeur de confiance propre.
• Ce n’est pas stable d’une version à l’autre. Les conditions d’admissibilité, le comportement du modèle et les règles d’affichage peuvent changer : conservez donc le rapport original plutôt que de le recréer plus tard en supposant l’équivalence.

Si vous devez discuter d’un rapport, apportez le dépôt original, le rapport complet, les règles d’usage de l’IA prévues pour le devoir et des preuves de processus comme des brouillons ou des notes. Cet ensemble répond à quatre questions distinctes : qu’a-t-on déposé, qu’est-ce que l’outil a signalé, quelle aide était autorisée et comment le document a été produit. Le pourcentage seul ne répond qu’à la deuxième, et seulement dans les limites du détecteur.