Pourquoi des travaux universitaires en chinois rédigés par des humains sont signalés comme IA : la vérité sur les listes à puces, le parallélisme et le « En résumé »

Les listes numérotées, la syntaxe parallèle et les formules classiques de transition déclenchent fréquemment les alertes des logiciels de détection de l’IA, car leur extrême régularité et leur structure stéréotypée rappellent les schémas appris par les classificateurs neuronaux. Pourtant, aucune preuve empirique ne démontre qu’une expression chinoise précise signerait, à elle seule, une rédaction automatique. Face à un faux positif, supprimer ces connecteurs logiques ne fait que nuire à la clarté universitaire ; fournir un historique vérifiable de vos versions de travail et engager les procédures de recours de votre établissement constitue la seule démarche défendable.

L'équipe HumanPen

· 9 min de lecture

Pourquoi les listes à puces, le parallélisme et le « En résumé » déclenchent-ils des alertes IA dans les travaux en chinois rédigés par des humains ?

Les classificateurs de texte par IA n’évaluent pas le fond intellectuel de vos recherches ; ce sont des modèles d’apprentissage automatique entraînés à mesurer des régularités statistiques et structurelles au fil des séquences de tokens. L’énumération structurée (telle que « premièrement, deuxièmement, troisièmement »), les propositions parallèles équilibrées et les transitions académiques figées (comme « en résumé » / 综上所述 ou « il en ressort que » / 由此可见) constituent des formulations hautement standardisées et uniformes en chinois formel. Dans la mesure où les classificateurs ont appris à associer cette rigide symétrie syntaxique et cette prévisibilité formelle aux distributions d’entraînement de l’IA générative, une prose académique humaine particulièrement soignée et ordonnée peut déclencher des scores de suspicion élevés.

Ce dilemme — où la rigueur académique elle-même peut susciter une alerte automatisée — suscite une vive attention publique. Dans une enquête publiée par BeiQing ShenYiDu (Beijing Youth Daily) et intitulée « Graduation Theses Trapped in the 'AI Rate': Methodically Structured Bullet Points and Frequent Parallel Sentences Judged as Not 'Human' » (« Thèses de fin d’études piégées par le "taux d’IA" : des listes à puces méthodiques et de fréquentes phrases parallèles jugées "non humaines" »), un étudiant raconte avoir été signalé en raison de son découpage méthodique et de ses phrases en miroir, demandant : « Just because I like to use methodical bullet points and parallel sentences, does that mean I cannot be 'human'? » (« Est-ce parce que j’aime structurer mes propos par points et faire des phrases parallèles que je ne serais pas "humain" ? »). Cette situation a conduit de nombreux étudiants à se demander si les systèmes de détection chinois ne conservent pas une liste noire interne d’expressions de transition interdites.

La réalité technique sous-jacente est sans équivoque : aucun éditeur de logiciel de détection ni aucune étude publiée en apprentissage automatique n’a jamais démontré qu’une expression chinoise ou une construction grammaticale isolée constituerait une signature exclusive de l’intelligence artificielle. Les classificateurs réagissent à des schémas de distribution statistique — la prévisibilité syntaxique, la fluidité des transitions au niveau des tokens et le rythme mécanique d’un passage —, et non à des mots précis de vocabulaire.

La frontière des preuves : les détecteurs sont des classificateurs entraînés, non des filtres de mots-clés

Pour comprendre pourquoi une prose académique méthodique se retrouve signalée, il faut examiner le fonctionnement réel des technologies actuelles de détection de l’IA. Une idée reçue très répandue sur les forums étudiants veut que les détecteurs calculent en temps réel une « perplexité » mathématique (le degré de surprise du modèle face au mot suivant) et une « burstiness » (la variation de structure et de longueur des phrases) pour noter les travaux soumis. Comme nous l’avons détaillé dans notre analyse consacrée aux liens entre perplexité, burstiness et détection de l’IA, ces indicateurs caractérisaient surtout les outils de démonstration de première génération. Les éditeurs commerciaux de détection s’en sont largement détournés : GPTZero a indiqué ne plus utiliser la perplexité ni la burstiness depuis l’automne 2023, tandis que Turnitin a précisé que son modèle « is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity'. » (n’est pas explicitement programmé pour évaluer des signaux spécifiques tels que la « burstiness » ou la « perplexité »).

Les détecteurs actuellement en production — y compris les grandes plateformes universitaires de contrôle et les classificateurs neuronaux de texte — fonctionnent comme des classificateurs d’apprentissage automatique affinés. Ces modèles d’apprentissage profond sont entraînés sur d’immenses corpus appariés de textes rédigés par des humains et de textes générés par des machines, afin d’identifier des traits linguistiques complexes et multidimensionnels.

Toutefois, l’enseignement standard de la rédaction universitaire dans les universités chinoises encourage activement des habitudes structurelles qui coïncident étroitement avec les schémas statistiques repérés par ces classificateurs :

  • L’énumération numérotée : présenter des mesures sous la forme « First, establish mechanisms; second, improve procedures; third, strengthen supervision » (« premièrement, établir des mécanismes ; deuxièmement, perfectionner les procédures ; troisièmement, renforcer la supervision ») crée une rigide symétrie structurelle ;
  • Le parallélisme et l’équilibre syntaxique : aligner les structures grammaticales entre propositions coordonnées produit des phrases de longueur uniforme et des cadres syntaxiques répétitifs ;
  • Les formules de transition : des expressions telles que « en résumé » (综上所述), « à partir de l’analyse ci-dessus » (基于上述分析) et « il en ressort que » (由此可知) offrent des passerelles logiques standardisées dont l’environnement textuel immédiat est extrêmement prévisible.

Lorsqu’un étudiant se conforme strictement aux normes académiques formelles en organisant son argumentation en paragraphes très structurés et symétriques, le profil linguistique de sa prose devient exceptionnellement uniforme. Pour un classificateur neuronal entraîné, cette régularité structurelle reflète de très près la distribution des textes synthétiques observée lors de l’entraînement du modèle.

C’est ici que se situe la frontière essentielle des preuves : les détecteurs automatisés sont sensibles aux gabarits structurels rigides, à la symétrie mécanique et à une uniformité d’organisation extrême ; néanmoins, aucune source technique publiée ne considère la seule présence d’une formule comme « en résumé » ou de listes à puces comme une preuve concluante d’une rédaction par IA. Un pourcentage élevé représente une classification probabiliste fondée sur des faisceaux de caractéristiques appris, et non le constat factuel et vérifié d’un manquement à l’intégrité.

Le piège des fermes de contenu : pourquoi le conseil de « supprimer ces expressions » est sans fondement

Les moteurs de recherche et les forums pullulent de publications commerciales affirmant que « deleting these 20 phrases will instantly reduce your AI rate below 5%. » (« supprimer ces 20 expressions réduira instantanément votre taux d’IA sous les 5 % »). Ces fermes de contenu compilent des listes arbitraires de soi-disant « expressions taboues », incitant les étudiants à bannir des marqueurs académiques usuels comme « en résumé », « il est évident que », « une exploration approfondie », « sous l’angle de » ou encore « on one hand... on the other hand. » (« d’une part… d’autre part »).

Les plateformes commerciales font la promotion de ces recettes de suppression simplistes car le simple remplacement de mots se monétise facilement au moyen d’outils de réécriture automatisée et de services de reformulation payants. Sur le plan de l’analyse comme de la méthode, ce conseil est profondément trompeur :

  1. Les classificateurs analysent des fenêtres contextuelles, non des listes noires statiques de mots-clés : remplacer mécaniquement « en résumé » (综上所述) par un synonyme plus familier comme « globalement » (总的来看) laisse l’architecture sous-jacente de la phrase, les plongements contextuels et la distribution de probabilité structurelle pratiquement inchangés.
  2. La suppression arbitraire compromet la cohésion et la rigueur académiques : l’argumentation scientifique repose sur des repères de transition explicites pour articuler les relations logiques. Pousser les étudiants à démanteler des listes à puces ordonnées en fragments conversationnels décousus ou à troquer des termes techniques précis contre un registre familier dégrade directement la qualité du mémoire, suscitant des remarques tout à fait justifiées lors de l’évaluation par le jury.
  3. L’usage des outils dépend des règles de l’établissement, et non d’interdictions universelles ou de promesses d’intermédiaires : les étudiants se demandent souvent si l’utilisation de logiciels de réécriture ou d’humanisation est strictement interdite. L’usage acceptable d’un outil ne relève d’aucune règle universelle ; ce qui est autorisé dépend entièrement des directives précises de l’université, du département d’études et du sujet assigné. Certaines facultés autorisent les outils génératifs ou d’assistance pour le polissage linguistique sous réserve que cette aide soit expressément déclarée, tandis que d’autres interdisent toute réécriture automatisée. Nous vous invitons à consulter la charte d’intégrité académique de votre établissement et à échanger directement avec votre directeur de recherche. Surtout, les étudiants doivent se méfier des intermédiaires commerciaux qui vantent des « taux de réussite garantis » ou promettent des « scores 100 % humains ». Des enquêtes de l’agence Xinhua ont mis en lumière l’omniprésence de services payants de « réduction du taux d’IA », tandis que China National Radio (Voice of China) a dénoncé les dérives de ce marché, relevant des tarifs allant de quelques dizaines à plus de mille yuans, des vendeurs se contentant d’utiliser l’IA via des invites de commande pour réécrire les textes (« utiliser l’IA pour baisser le taux d’IA » / 用AI降AI率), et des cas où des étudiants en litige ont été menacés de voir leur mémoire publié en ligne ou dénoncé à leur université. Les modèles de détection reposant sur des probabilités statistiques, aucun outil commercial ne peut légitimement garantir un résultat chiffré précis.

Conventions disciplinaires d’écriture : la structure méthodique relève de la rigueur académique, non d’une génération artificielle

Une structure méthodique et des transitions codifiées sont des conventions fondamentales de la rigueur académique, qui reflètent les exigences des différentes disciplines et non des raccourcis génératifs :

  • Sciences de l’ingénieur et informatique : les méthodologies techniques, les pipelines algorithmiques, les paramètres d’essai et les architectures de systèmes s’expriment couramment par des listes numérotées, des étapes discrètes et des séquences reproductibles afin de préserver la précision technique ;
  • Droit, gestion et administration publique : l’analyse des textes de loi, les bilans institutionnels et les recommandations administratives s’appuient largement sur des propositions parallèles et des récapitulations formalisées pour garantir une interprétation juridique et procédurale sans ambiguïté ;
  • Médecine et sciences de la vie : les comptes rendus empiriques obéissent à des protocoles de présentation standardisés (comme la description des essais cliniques et les données de groupes témoins), au sein desquels des formulations normées limitent toute ambiguïté d’interprétation.

Comme l’a souligné le professeur E Haihong dans le reportage de Xinhua : « Different disciplines should not apply a one-size-fits-all approach to AIGC rates; final determinations should be made by subject-matter experts or faculty advisors. » (« Les différentes disciplines ne devraient pas appliquer une approche uniforme aux taux d’AIGC ; la décision finale doit revenir aux spécialistes du domaine ou aux directeurs de recherche. ») Les outils de classification statistique sont incapables de faire la part entre l’adhésion rigoureuse d’un auteur aux conventions de sa discipline et la complétion statistique de tokens opérée par un algorithme.

En fin de compte, l’appréciation souveraine de l’originalité académique appartient aux universitaires humains : directeurs de recherche, pairs évaluateurs et jurys de soutenance. Les chartes d’intégrité universitaire ciblent le plagiat, la falsification et l’usage non autorisé d’outils génératifs ; une organisation limpide, une syntaxe équilibrée et un raisonnement rigoureux ne constituent en rien une fraude académique. L’exigence scientifique ne doit pas être sacrifiée pour donner des gages à un outil statistique.

Comment réagir de manière responsable face à une alerte IA : un protocole de vérification en quatre étapes

Lorsqu’un mémoire rédigé de façon autonome en chinois obtient un score élevé de détection d’IA en raison d’une structure méthodique, de phrases parallèles ou de transitions académiques standardisées, les candidats doivent garder leur calme et résister aux intermédiaires commerciaux qui promettent des scores garantis. Les formes de révision ou d’assistance autorisées dépendent des règles propres à votre établissement, mais soumettre des réécritures commerciales non vérifiées risque de compromettre votre travail. Suivez plutôt ce protocole institutionnel de vérification en quatre étapes :

  1. *Conservez et sécurisez un historique complet de vos brouillons (Draft Trail)* : la défense la plus irréfutable face à un signalement automatique est un enregistrement chronologique inaltérable de votre processus d’écriture ; exportez et archivez les versions horodatées de vos documents (fichiers Word avec suivi des modifications et sauvegardes automatiques locales, historiques de versions sur les clouds WPS ou Tencent Docs, ou journaux de commits sur Overleaf et dépôts Git) ; rassemblez des preuves complémentaires d’élaboration (littérature scientifique annotée, cahiers de laboratoire manuscrits, jeux de données brutes d’enquêtes, enregistrements audio d’entretiens et rapports d’avancement officiels soumis aux différentes étapes du mémoire).
  2. Examinez et recoupez le rapport d’analyse détaillé : procurez-vous et étudiez minutieusement le rapport complet (au format PDF ou HTML) généré par la plateforme officielle désignée par votre établissement, au lieu de vous fier uniquement au pourcentage récapitulatif ; identifiez précisément les sections, paragraphes ou blocs mis en évidence, en vérifiant si le logiciel les signale comme des schémas d’IA générative ou comme des similitudes documentaires classiques ; contrôlez la bonne configuration des exclusions structurelles, en vous assurant que la bibliographie, les remerciements, les annexes, les formules mathématiques et les citations en bloc n’ont pas été inclus par erreur dans le décompte des mots analysés.
  3. Exposez à votre directeur de recherche les conventions de votre discipline et votre logique méthodologique : convenez d’un rendez-vous en présentiel avec votre directeur de recherche en lui présentant à la fois le rapport d’analyse et vos versions de travail ; expliquez clairement pourquoi les structures signalées sont nécessaires dans votre domaine : « Section 3 uses a three-part comparative list in accordance with standard engineering benchmarking conventions, and the concluding transitional sentence reflects the direct deduction from the preceding empirical dataset » (« La section 3 recourt à une liste comparative en trois points conforme aux usages de référence en ingénierie, et la phrase de transition conclusive découle directement des données empiriques qui précèdent ») ; appuyez-vous sur l’expertise académique de votre encadrant pour attester que les passages signalés relèvent d’une expression disciplinaire adaptée et non d’une génération automatisée.
  4. Renseignez-vous sur les seuils d’évaluation de l’établissement et les voies de recours : consultez les directives officielles de gestion des mémoires auprès du bureau des études (Academic Affairs Office / 教务处) ou de l’école doctorale (Graduate School / 研究生院), afin de déterminer si le score d’AIGC constitue une simple alerte consultative ou un seuil éliminatoire strict ; demandez les procédures de recours formelles de votre université ainsi que les formulaires requis. En vertu de la Loi sur les diplômes universitaires de la République populaire de Chine (Academic Degrees Law), des dispositions légales encadrent le réexamen des diplômes : l’article 39 prévoit la présentation d’observations et d’arguments de défense (陈述和申辩) avant toute décision de non-délivrance ou de retrait de diplôme, l’article 40 prévoit un réexamen académique (学术复核) des conclusions d’évaluation scientifique, et l’article 41 prévoit un réexamen (复核) des décisions d’irrecevabilité de candidature, de refus d’attribution ou d’abrogation de diplôme. Dans la mesure où un score initial de détection d’AIGC ne constitue pas en soi une sanction disciplinaire légale, les étudiants confrontés à un litige doivent suivre les procédures de recours en vigueur dans leur établissement, en soumettant leurs historiques de brouillons et l’évolution de leurs rédactions à l’évaluation humaine des enseignants-chercheurs.

Références et sources publiques

  1. BeiQing ShenYiDu (Beijing Youth Daily) (北青深一度 / 北京青年报) : « Graduation Theses Trapped in the 'AI Rate': Methodically Structured Bullet Points and Frequent Parallel Sentences Judged as Not 'Human' » (《困在“AI率”中的毕业论文:有条理地分点叙述,常用排比句,被判定为不是“人”》), publié le 8 août 2025. URL : `https://news.qq.com/rain/a/20250808A03F3K00`
  2. Agence de presse Xinhua (新华社) : « Thesis AIGC Rate: Are Detection Standards Scientific? » (《论文AIGC率,检测标准科学吗?》), publié le 23 mai 2026 sur le compte WeChat de Xinhua (publié initialement par Science and Technology Daily / CCTV News le 22 mai 2026), analysant les normes de contrôle universitaire et les services payants de réduction d’IA. URL : `https://m.thepaper.cn/newsDetail_forward_33210288`
  3. China National Radio (央广网) : « Investigation into Abuses in Thesis AI-Reduction Services » (《代降论文AI率服务乱象调查》), publié le 14 juillet 2025 (initialement publié par Legal Daily), rapportant des services payants utilisant des invites d’IA pour réécrire les textes, des tarifs allant de quelques dizaines à plus de mille yuans et des menaces lors de litiges. URL : `https://news.cnr.cn/native/gd/20250714/t20250714_527260647.shtml`
  4. Guangming Daily Online (光明网) : « My Self-Written Thesis Was Diagnosed as AI » (《“自己写的毕业论文,被确诊AI”》, 22 juillet 2024, republication de The Paper) et « Thesis 'AI-Reduction' Has Become a Business: AI Detection Must Not Become Formalism » (《论文“降AI率”已成生意,AI检测不能沦为形式主义》, 11 juin 2026, commentaire faisant référence au rapport du 10 juin 2026 de National Business Daily intitulé 《高校严查论文AI率,帮学生“降写”成了火爆生意》). URL : `https://m.gmw.cn/2024-07/22/content_1303798841.htm` / `https://guancha.gmw.cn/2026-06/11/content_38823723.htm`
  5. Beijing Daily Client (北京日报客户端) : « Thesis AI Detection Is Driving This Year's College Graduates Crazy » (《论文AI检测,正在“逼疯”这届大学生》), publié le 19 juillet 2026. URL : `https://xinwen.bjd.com.cn/content/s6a5ccb7de4b03fa51a81b89b.html`
  6. Comité permanent de la 14e Assemblée populaire nationale : Loi sur les diplômes universitaires de la République populaire de Chine (《中华人民共和国学位法》), adoptée le 26 avril 2024 lors de la 9e session du Comité permanent de la 14e APN, entrée en vigueur le 1er janvier 2025. URL : `https://www.12371.cn/2024/04/28/ARTI1714265542656277.shtml`

CONTINUER LA LECTURE