Les universités qui abandonnent la détection de l’IA

Les universités n’abandonnent pas la détection de l’IA au sens où elles renonceraient à la technologie. Ce qu’elles abandonnent, c’est la politique qui consistait à traiter un score d’IA comme le seul fondement d’une accusation d’inconduite académique. Le passage s’opère de « le score est la preuve » à « le score est un élément de preuve qui demande un examen plus approfondi ». Ce n’est pas un rejet de Turnitin. C’est un alignement sur ce que dit la documentation de Turnitin elle-même.

La documentation de l’AI Writing Report énonce la position sans détour. Le score « should not be used as the sole basis for adverse actions against a student. » (ne doit pas servir de seul fondement à des mesures défavorables à un étudiant). Les universités qui exigent des preuves supplémentaires avant d’agir suivent les recommandations du fournisseur lui-même.

La phrase la plus importante pour comprendre cette tendance se trouve dans la documentation de l’AI Writing Report. Turnitin écrit :

« Our AI writing detection model may not always be accurate (it may misidentify human-written, AI-generated, and AI-paraphrased text), so it should not be used as the sole basis for adverse actions against a student. » (Notre modèle de détection de l’écriture par IA n’est pas toujours exact — il peut se tromper sur un texte écrit par un humain, généré par une IA ou paraphrasé par une IA —, aussi ne doit-il pas servir de seul fondement à des mesures défavorables à un étudiant.)

La phrase suivante est à lire absolument :

« It takes further scrutiny and human judgment in conjunction with an organization's application of its specific academic policies to determine whether academic misconduct has occurred. » (Il faut un examen plus approfondi et un jugement humain, conjugués à l’application par l’établissement de ses politiques académiques propres, pour déterminer s’il y a eu inconduite académique.)

Ces deux phrases, lues ensemble, décrivent exactement le modèle de politique qu’adoptent les universités. Le score déclenche un examen. Il ne le conclut pas. Un étudiant n’est pas accusé à cause d’un chiffre. Un étudiant fait l’objet d’un examen à cause d’un chiffre, et cet examen applique un jugement humain et la politique de l’établissement avant toute conclusion.

La page d’accompagnement distincte de Turnitin, Comment dois-je examiner l’AI Writing Report ?, renforce la même lecture :

« It is not meant to provide definitive answers in isolation. More important than any tool is the educator who sees the score and makes decisions balancing this information with their personal knowledge of their students, their work, and institutional policy. » (Il n’est pas destiné à fournir à lui seul des réponses définitives. Plus important que n’importe quel outil : l’enseignant qui voit le score et prend ses décisions en mettant cette information en balance avec sa connaissance personnelle de ses étudiants, de leur travail et de la politique de l’établissement.)

La phrase suivante de cette page rend l’usage prévu explicite :

« When educators look at the AI writing score and utilize it as a single data point rather than a definitive response, then it is being used as intended. » (Lorsque les enseignants regardent le score d’écriture IA et l’utilisent comme un point de données unique plutôt que comme une réponse définitive, l’outil est alors utilisé comme prévu.)

« A single data point rather than a definitive response. » (Un point de données unique plutôt qu’une réponse définitive.) C’est la formule. Les universités qui adoptent cette lecture ne défient pas Turnitin. Elles font ce pour quoi le fournisseur dit que l’outil est conçu.

Turnitin annonce un taux de faux positifs inférieur à 1 %, mais les précisions comptent. La FAQ indique :

« We strive to maximize the effectiveness of our detector while keeping our false positive rate - incorrectly identifying fully human-written text as AI-generated - under 1% for documents with over 20% of AI writing. » (Nous nous efforçons de maximiser l’efficacité de notre détecteur en maintenant notre taux de faux positifs — c’est-à-dire le fait d’identifier à tort comme généré par IA un texte entièrement écrit par un humain — sous 1 % pour les documents comportant plus de 20 % d’écriture IA.)

La phrase suivante reformule le chiffre :

« In other words, we might flag a human-written document as AI-written for one out of every 100 fully-human written documents. » (Autrement dit, il se peut que nous signalions comme écrit par IA un document écrit par un humain, à raison d’un sur 100 documents entièrement écrits par des humains.)

La précision « for documents with over 20% of AI writing » (pour les documents comportant plus de 20 % d’écriture IA) est importante. L’objectif d’un taux inférieur à 1 % s’applique aux documents qui contiennent une quantité significative de texte IA. La phrase qui reformule le chiffre omet cette précision, mais l’affirmation initiale, elle, ne l’omet pas.

Même à 1 sur 100, le calcul devient inconfortable à grande échelle. Une université qui traite 10 000 copies par semestre pourrait voir environ 100 documents entièrement écrits par des humains signalés comme générés par IA. Une université qui en traite 75 000 pourrait en voir 750. Ce ne sont pas des chiffres abstraits. Chacun correspond à un étudiant confronté à une accusation d’inconduite fondée sur un outil dont Turnitin dit lui-même qu’il ne doit pas être le seul fondement.

(La décision de la Vanderbilt University de désactiver le détecteur d’IA est traitée dans ce que signifie un taux de faux positifs de 1 % lorsqu’une université soumet 75 000 copies. Ce qui compte ici, c’est la tendance générale, pas un établissement en particulier.)

Parmi les limites connues du détecteur, deux expliquent pourquoi les universités ajoutent des garanties plutôt qu’elles ne les suppriment.

Premièrement, les documents courts sont difficiles pour le modèle. La FAQ indique :

« In shorter documents where there are only a few hundred words, the prediction will be mostly 'all or nothing' because we're predicting on a single segment without the opportunity to overlap. » (Dans les documents plus courts, où il n’y a que quelques centaines de mots, la prédiction sera le plus souvent « tout ou rien », parce que nous prédisons sur un seul segment, sans possibilité de chevauchement.)

La phrase suivante :

« This means that some text that is a mix of AI-generated and original content could be flagged as entirely AI-generated. » (Cela signifie qu’un texte mêlant contenu généré par IA et contenu original pourrait être signalé comme entièrement généré par IA.)

Pour un cours construit autour de réponses courtes, c’est une préoccupation bien réelle. Une réflexion de 300 mots en partie assistée par IA pourrait être signalée comme générée à 100 % par IA.

Deuxièmement, le fournisseur reconnaît qu’il échange de la couverture contre de la précision. La FAQ indique :

« In order to maintain this low rate of 1% for false positives, there is a chance that we might miss some AI written text in a document. We're comfortable with that since we do not want to incorrectly highlight human-written text as AI-written. For example, if we identify that 50% of a document is likely written by an AI tool, it could contain as much as 65% AI writing. » (Pour maintenir ce faible taux de 1 % de faux positifs, il est possible que nous passions à côté d’une partie du texte écrit par IA dans un document. Cela nous convient, car nous ne voulons pas signaler à tort comme écrit par IA un texte écrit par un humain. Par exemple, si nous identifions que 50 % d’un document sont probablement écrits par un outil d’IA, ce document pourrait contenir jusqu’à 65 % d’écriture IA.)

Concrètement, le détecteur est conçu pour être prudent. Il préfère laisser passer du texte IA plutôt que d’accuser à tort une personne. Les universités inquiètes des accusations infondées peuvent trouver un certain réconfort dans ce choix de conception. Mais cela signifie aussi qu’un score propre ne prouve pas l’absence d’IA. Cela signifie que l’outil n’a rien signalé au-dessus de son seuil.

Un fait complique le récit des « universités qui abandonnent la détection de l’IA » : le fournisseur, lui, n’abandonne pas l’outil. La FAQ indique :

« In July 2026, we updated our model architecture to consolidate a multi-model ensemble into a single model. This update improves and simplifies the AI writing report, maintaining a less than 1% false positive rate. » (En juillet 2026, nous avons mis à jour l’architecture de notre modèle afin de consolider un ensemble de plusieurs modèles en un modèle unique. Cette mise à jour améliore et simplifie le rapport d’écriture IA, tout en maintenant un taux de faux positifs inférieur à 1 %.)

Le modèle est en développement actif. La consolidation de juillet 2026 a simplifié l’architecture tout en maintenant l’objectif de faux positifs. Les universités ajustent leurs politiques autour d’un outil dans lequel le fournisseur continue d’investir. La technologie ne disparaît pas. La réponse institutionnelle, elle, gagne en maturité.

Ce que l’on observe dans les établissements n’est pas un choix binaire entre « utiliser la détection » et « ne pas utiliser la détection ». Le modèle est plus précis. Les universités traversent globalement trois étapes.

Première étape : le score est considéré comme une preuve suffisante pour conclure à une inconduite. C’est l’approche du « seul fondement ». La documentation de Turnitin elle-même dit que ce n’est pas ainsi que l’outil doit être utilisé.

Deuxième étape : le score déclenche une procédure d’examen qui exige des preuves supplémentaires. Cet examen peut comprendre un entretien avec l’étudiant, une comparaison avec des travaux antérieurs ou une vérification de l’historique des brouillons. C’est l’approche de la « preuve complémentaire ». Elle rejoint la déclaration de la FAQ selon laquelle le score « should not be used as the sole basis » (ne doit pas servir de seul fondement) et « it takes further scrutiny and human judgment. » (il faut un examen plus approfondi et un jugement humain).

Troisième étape : l’établissement désactive entièrement le détecteur d’IA. C’est rare. La décision de Vanderbilt est l’exemple le plus cité, mais la plupart des établissements qui ont réexaminé leurs politiques se sont arrêtés à la deuxième étape, pas à la troisième.

La tendance va vers la deuxième étape. Les universités gardent l’outil et ajoutent des garanties procédurales — que l’indicateur d’IA soit activé ou non dans votre propre établissement dépend de ce qu’ils ont acheté. Elles n’abandonnent pas la détection. Elles exigent qu’un score soit traité comme ce que Turnitin dit qu’il est : un point de données unique, pas une réponse définitive.

Si vous êtes étudiant, voici la conséquence pratique. Un score d’IA élevé sur votre copie ne signifie pas automatiquement une accusation. Dans un nombre croissant d’établissements, le score ouvre une conversation, il ne prononce pas un verdict, et ce qu’on demande à votre enseignant de faire lorsque votre pourcentage d’IA est élevé est écrit noir sur blanc par le fournisseur. Gardez vos brouillons, gardez l’historique de vos versions et tenez-vous prêt à expliquer votre processus d’écriture si on vous le demande.

Si vous êtes enseignant, la conséquence est que la documentation de Turnitin soutient déjà ce changement de politique. La FAQ dit que le score « should not be used as the sole basis for adverse actions. » (ne doit pas servir de seul fondement à des mesures défavorables). La page d’accompagnement sur l’examen dit qu’il s’agit d’« a single data point rather than a definitive response. » (un point de données unique plutôt qu’une réponse définitive). Vous n’avez pas à défendre une politique de preuve complémentaire comme si elle s’écartait des recommandations du fournisseur. Elle est la recommandation.

Si vous avez une copie signalée et que vous souhaitez la retravailler avant de la rendre, vous pouvez importer le rapport Turnitin et ne travailler que sur les passages qu’il a mis en évidence.