Articles de conférence et détection d'IA de Turnitin : ce qu'il faut savoir

Les articles de conférence se trouvent dans une position délicate pour la détection d'IA. Ils sont assez courts pour déclencher le problème du « tout ou rien » que Turnitin décrit pour les documents ne contenant que quelques centaines de mots de prose éligible. Ils sont denses en méthodologie et en résumés de travaux connexes qui correspondent au profil de faux positif de la FAQ. Ils contiennent aussi des puces, des légendes de figures et des entrées de tableau que le modèle n'analyse pas comme texte éligible. Le pourcentage que vous voyez peut refléter une portion bien plus petite de votre article que ce que vous attendez.

La FAQ identifie des types de texte spécifiques sujets aux faux positifs :

"Sometimes false positives (incorrectly flagging human-written text as AI-generated), can include content without a lot of structural variation, text that literally repeats itself, or text that has been paraphrased without developing new ideas." (Parfois, les faux positifs (signaler à tort du texte écrit par un humain comme étant généré par l'IA) peuvent inclure du contenu sans grande variation structurelle, du texte qui se répète littéralement, ou du texte qui a été paraphrasé sans développer de nouvelles idées.)

Les articles de conférence cochent plusieurs de ces cases. Les limites de pages poussent les auteurs vers des phrases efficaces et uniformes. Les sections de travaux connexes condensent des études entières en une ou deux phrases chacune, ce qui est de la paraphrase sans développer de nouvelles idées. Le résumé, l'introduction et la conclusion partagent souvent un langage de cadrage répétitif parce que les mêmes affirmations doivent apparaître à plusieurs endroits. La FAQ poursuit :

"If our indicator shows a higher amount of AI writing in such text, we advise you to take that into consideration when looking at the percentage indicated." (Si notre indicateur montre une quantité plus importante d'écriture d'IA dans un tel texte, nous vous conseillons d'en tenir compte lors de l'examen du pourcentage indiqué.)

C'est un conseil que nous devrions prendre au sérieux pour les articles de conférence en particulier.

Avant de parler de score, nous devons couvrir ce que Turnitin accepte réellement. Un article d'assistance de Turnitin précise les contraintes :

"File must be written in a supported language: English, Spanish, Japanese" (Le fichier doit être rédigé dans une langue prise en charge : anglais, espagnol, japonais)

Cette ligne de langue a une version de retard sur le produit. Turnitin a ajouté l'arabe standard moderne le 18 août 2026, portant la liste à quatre, et la page d'exigences citée ci-dessus n'avait pas été modifiée pour l'indiquer au moment de la rédaction de cet article. La même source énumère les formats acceptés et les limites de taille :

"Accepted file types: .docx, .pdf, .txt, .rtf" (Types de fichiers acceptés : .docx, .pdf, .txt, .rtf)

Les exigences supplémentaires incluent des fichiers de moins de 100MB, au moins 300 mots de prose, et pas plus de 30,000 mots. Pour les articles de conférence, le minimum de 300 mots compte. Un article de 6 pages avec des figures, des tableaux et des équations peut avoir moins de 300 mots de prose éligible après exclusion du contenu non prosaïque. La limite supérieure de 30,000 mots a peu de chances d'être un problème, mais le minimum de prose peut l'être.

Si votre article de conférence est en LaTeX et que vous l'exportez en PDF, le format est accepté. Si vous soumettez un DOCX, le modèle traite le texte de la même manière. Le format lui-même ne change pas le score, mais la quantité de prose éligible dans ce format, si.

La FAQ décrit le pipeline qui transforme votre article en un score :

"When a paper is submitted to Turnitin, sentences from the submission are extracted and segmented into overlapping sections for prediction analysis. Each segment is classified by the AI detection model and given a value between 0 and 1, denoting the probability of the text being likely human or AI-generated. Each qualifying sentence within these segments inherits the segment's score. Since segments overlap, some sentences may have multiple scores, which are then pooled into a single score. These sentence scores are further aggregated and used to compute the overall document AI writing score." (Lorsqu'un article est soumis à Turnitin, les phrases de la soumission sont extraites et segmentées en sections chevauchantes pour l'analyse de prédiction. Chaque segment est classé par le modèle de détection d'IA et reçoit une valeur entre 0 et 1, dénotant la probabilité que le texte soit vraisemblablement humain ou généré par l'IA. Chaque phrase éligible au sein de ces segments hérite du score du segment. Comme les segments se chevauchent, certaines phrases peuvent avoir plusieurs scores, qui sont ensuite regroupés en un score unique. Ces scores de phrases sont ensuite agrégés et utilisés pour calculer le score global d'écriture d'IA du document.)

Deux choses ressortent pour les articles de conférence. Premièrement, seules les phrases éligibles sont extraites. La FAQ définit le texte éligible :

"This qualifying text includes only prose sentences, meaning that we only analyze blocks of text that are written in standard grammatical sentences and do not include other types of writing such as lists, bullet points (short non-sentence structures), or other non-sentence structures." (Ce texte éligible n'inclut que des phrases en prose, ce qui signifie que nous n'analysons que des blocs de texte rédigés en phrases grammaticales standard et n'incluant pas d'autres types d'écriture tels que les listes, les puces (courtes structures non phrasales) ou d'autres structures non phrasales.)

Deuxièmement, le pourcentage reflète uniquement cette prose éligible. La FAQ précise :

"This percentage is not necessarily the percentage of the entire submission." (Ce pourcentage n'est pas nécessairement le pourcentage de l'ensemble de la soumission.)

Un article de conférence de 10 pages peut comporter plusieurs pages de figures, de tableaux et de listes à puces. Le score d'IA ne couvre que les phrases en prose. Un score de 40 % ne signifie pas que 40 % de l'article se lit comme généré par l'IA. Il signifie que 40 % de la prose éligible, si.

Les articles de conférence sont plus courts que les articles de revue. Après exclusion du contenu non prosaïque, la prose éligible dans un article de conférence typique peut tomber dans la plage que la FAQ met en garde :

"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 surtout « tout ou rien » car nous prédisons sur un seul segment sans la possibilité de chevauchement.)

La conséquence est directe :

"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 qui est un mélange de contenu généré par l'IA et original pourrait être signalé comme entièrement généré par l'IA.)

Même si votre article de conférence totalise 3,000 mots, la prose éligible après exclusion des légendes de figures, des entrées de tableau et des listes à puces pourrait être bien moindre. Moins de segments signifie que chacun pèse plus lourd. Un seul segment à score élevé peut faire grimper le pourcentage global fortement.

Il existe une croyance répandue selon laquelle le détecteur de Turnitin évalue la « burstiness » et la « perplexité ». La FAQ y répond directement :

"Our model is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions." (Notre modèle n'est pas explicitement programmé pour évaluer des signaux spécifiques tels que « burstiness », « perplexité » ou d'autres métriques individuelles parfois évoquées dans les discussions publiques.)

La phrase suivante explique ce qui se passe à la place :

"Instead, it learns statistical patterns from our training data." (Au lieu de cela, il apprend des schémas statistiques à partir de nos données d'entraînement.)

La FAQ décrit ensuite sur quoi les classificateurs se concentrent réellement :

"Our classifiers are trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers." (Nos classificateurs sont entraînés pour détecter ces différences de probabilité de mots et sont rompus aux séquences particulières de probabilité de mots des écrivains humains.)

Cela signifie que le modèle examine les schémas de choix de mots appris à partir de données d'entraînement. Il ne mesure pas la variation de longueur des phrases ou la rareté du vocabulaire isolément. Comprendre cela aide à expliquer pourquoi les articles de conférence, avec leur rédaction compressée et conventionnelle, peuvent déclencher des scores qui semblent erronés. Les schémas de mots dans la prose académique efficace peuvent ressembler à des schémas que le modèle a appris à partir d'exemples d'entraînement générés par l'IA.

Le guide du rapport est clair sur la manière dont le score doit et ne doit pas être utilisé :

"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 d'écriture d'IA peut ne pas toujours être exact (il peut mal identifier les textes écrits par des humains, générés par l'IA et paraphrasés par l'IA), il ne devrait donc pas être utilisé comme unique fondement pour des mesures défavorables à l'encontre d'un étudiant.)

La phrase suivante renforce le point :

"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 approfondi et un jugement humain conjointement à l'application par une organisation de ses politiques académiques spécifiques pour déterminer s'il y a eu manquement académique.)

Il en va de même lorsqu'un article de conférence part en évaluation par les pairs. Un membre du comité de programme ou un éditeur de revue qui détient un score d'IA élevé dispose, selon le propre compte du fournisseur, d'une information qui nécessite encore un jugement humain derrière elle, et non une conclusion.

Voici ce qu'il faut garder à l'esprit si votre article de conférence reçoit un score d'IA Turnitin élevé :

• Les articles de conférence correspondent au profil de faux positif : structure uniforme, travaux connexes paraphrasés, et langage de cadrage répétitif d'une section à l'autre.
• Le minimum de 300 mots de prose peut ne pas être atteint après exclusion du contenu non prosaïque d'un article riche en figures.
• Le pourcentage reflète uniquement la prose éligible, pas l'ensemble de la soumission.
• Une prose éligible courte peut déclencher des prédictions de « tout ou rien » avec peu de segments chevauchants.
• Le modèle mesure les schémas de probabilité de mots appris à partir des données d'entraînement, pas la burstiness ou la perplexité.
• Le score ne doit pas être l'unique fondement d'aucun jugement.

Si vous souhaitez traiter les passages signalés, importez votre rapport Turnitin et passez-les en revue. Les passages éligibles peuvent être retraités sans frais.