Turnitin détecte-t-il DeepSeek ? Ce que dit la liste des modèles

Oui. DeepSeek est nommément cité dans la liste de modèles publiée par Turnitin. Cette liste indique que le modèle de détection d’écriture IA de Turnitin pour les soumissions en anglais peut repérer les contenus issus d’un ensemble de modèles où figurent DeepSeek, mais aussi GPT, Gemini, Claude, LLaMA, Mistral, Nova, Grok et o1-mini. La liste couvre également les "tools based on these LLMs as well," (outils reposant sur ces LLM également), ce qui signifie que les applications bâties sur les modèles de langage de DeepSeek entrent dans le périmètre de détection annoncé.

Cela dit, figurer sur cette liste ne veut pas dire que chaque passage produit par DeepSeek sera signalé. Turnitin reconnaît elle-même qu’une partie des textes écrits par IA n’est pas détectée, et que les capacités de détection évoluent à mesure que le modèle est mis à jour. La réponse honnête est donc la suivante : DeepSeek est couvert, mais être couvert n’équivaut pas à une garantie.

Turnitin ne publie pas de tableau de modèles assorti de résultats de détection du type « détecté / non détecté ». L’entreprise fournit à la place, au fil de sa documentation, une liste en ligne séparée par des virgules. La phrase d’introduction se lit ainsi : "Currently, Turnitin's AI writing detection model for English submissions can detect content from" (à l’heure actuelle, le modèle de détection d’écriture IA de Turnitin pour les soumissions en anglais est capable de détecter les contenus issus des modèles suivants), et se poursuit par une liste où DeepSeek côtoie les autres grands modèles de langage. Claude et Gemini figurent sur cette même ligne, celle-là même que décortique l’article Turnitin détecte-t-il Claude, Copilot ou Gemini ?. La liste se conclut en précisant que la couverture s’étend aux "tools based on these LLMs as well." (outils reposant sur ces LLM également).

L’expression clé, ici, c’est "can detect content from." (peut détecter les contenus issus de). Cette formulation nous apprend que le détecteur est entraîné à reconnaître les textes produits par ces modèles ; elle ne promet en rien une détection parfaite. La phrase qui suit immédiatement la liste est tout aussi importante : "We will continue to expand our detection capabilities to other models in the future." (nous continuerons à l’avenir d’étendre nos capacités de détection à d’autres modèles).

Pour DeepSeek en particulier, cela signifie que tout outil ou service qui utilise les modèles de langage de DeepSeek pour produire du texte entre dans le périmètre annoncé. Que le détecteur repère ou non chaque occurrence est une autre question, que nous abordons dans les sections ci-dessous.

Pour comprendre pourquoi la détection n’est pas un simple oui ou non, il est utile d’examiner le mécanisme décrit par Turnitin. Lorsqu’un devoir est soumis, les phrases en sont extraites puis découpées en sections chevauchantes, soumises à une analyse prédictive. Chaque section est classée par le modèle de détection IA et reçoit une valeur comprise entre 0 et 1, qui indique la probabilité que le texte soit d’origine humaine ou généré par une IA. Chaque phrase retenue à l’intérieur de ces sections hérite du score de sa section. Comme les sections se chevauchent, une même phrase peut recevoir plusieurs scores, qui sont ensuite fusionnés en un score unique. Ces scores par phrase sont à leur tour agrégés pour calculer le score global d’écriture IA du document.

Autrement dit, le pourcentage final inscrit sur votre rapport est l’agrégat d’une multitude de petites prédictions faites au niveau de la phrase. Ce n’est pas un unique balayage qui étiquette le document entier comme « IA » ou « humain ». Chaque phrase pèse dans le total, et le chevauchement des sections aide à lisser les cas limites.

Le modèle de Turnitin n’est pas figé. D’après la documentation, "As we iterate and develop our model further to better detect newer LLMs, it is likely that our detection capabilities will also change, affecting the AI percentage.. However, for a submitted document, the AI percentage will change only if it's re-submitted again to be processed." (à mesure que nous faisons évoluer notre modèle pour mieux détecter les LLM les plus récents, il est probable que nos capacités de détection changent elles aussi, ce qui modifiera le pourcentage d’IA. Toutefois, pour un document déjà soumis, le pourcentage d’IA ne changera que si le document est soumis à nouveau pour être traité.)

Cela a une conséquence très concrète. Si vous soumettez un document aujourd’hui et obtenez un certain pourcentage d’IA, ce même document pourrait recevoir un pourcentage différent s’il était soumis à nouveau plusieurs semaines ou plusieurs mois plus tard. Le modèle évolue, et ces évolutions peuvent faire bouger les scores dans un sens comme dans l’autre : c’est l’une des raisons pour lesquelles votre score IA Turnitin change lorsque vous soumettez à nouveau le document. Un passage qui paraît humain aujourd’hui peut être lu comme généré par IA après une mise à jour, ou l’inverse.

Pour un texte issu de DeepSeek, cela signifie que le taux de détection que vous observez aujourd’hui ne correspondra pas forcément à celui que vous observerez plus tard. La liste des modèles confirme que DeepSeek est dans le périmètre, mais la sensibilité de cette détection peut varier au fil des perfectionnements apportés par Turnitin à son modèle.

Turnitin est transparent sur le fait que son détecteur ne repère pas tout. La documentation 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." (afin de maintenir ce faible taux de 1 % de faux positifs, il se peut que nous manquions une partie du texte écrit par IA dans un document. Cela ne nous pose pas de problème, car nous ne voulons pas signaler à tort comme écrit par une IA un texte rédigé par un humain. Par exemple, si nous estimons que 50 % d’un document a probablement été écrit par un outil d’IA, ce document pourrait en réalité contenir jusqu’à 65 % d’écriture IA.)

C’est un arbitrage assumé. Turnitin privilégie un faible taux de faux positifs, ce qui revient à accepter qu’une partie du texte IA passe à travers. Un document qui affiche 50 % d’IA peut en réalité contenir jusqu’à 65 % de contenu IA. Le détecteur pèche par excès de prudence : il préfère manquer du texte IA plutôt que de signaler à tort un texte humain.

Comprendre pourquoi le détecteur fonctionne ainsi suppose de regarder ce qu’il mesure réellement. Le modèle de Turnitin ne s’appuie pas sur les métriques souvent évoquées dans les débats publics sur la détection d’IA, une dénégation que nous décortiquons dans Turnitin utilise-t-il la perplexité et la burstiness pour détecter l’IA ?. La documentation précise : "Our model is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions. Instead, it learns statistical patterns from our training data." (notre modèle n’est pas explicitement programmé pour évaluer des signaux spécifiques tels que la « burstiness », la « perplexity » ou d’autres métriques individuelles parfois évoquées dans les discussions publiques. Il apprend plutôt des régularités statistiques à partir de nos données d’entraînement.) Le modèle applique ensuite ce qu’il a appris pour classer le texte. Comme le formule Turnitin, "Our classifiers are trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers." (nos classifieurs sont entraînés à détecter ces différences de probabilité des mots et maîtrisent les séquences de probabilité propres aux rédacteurs humains.)

En d’autres termes, le détecteur examine les schémas de probabilité des mots, et non des signaux de surface comme la variation de longueur des phrases ou la rareté du vocabulaire. C’est pourquoi un texte IA fortement remanié ou réécrit peut parfois échapper à la détection, et c’est aussi pourquoi la question Turnitin détecte-t-il les outils d’humanisation IA ? n’appelle pas de réponse tranchée. Si les séquences de probabilité des mots changent suffisamment au fil de la réécriture, le classifieur peut cesser de reconnaître le texte comme généré par IA.

Si votre rapport Turnitin signale des passages comme générés par IA, la démarche la plus pragmatique consiste à ne traiter que les sections signalées plutôt que de réécrire le document entier : c’est précisément la méthode décrite dans ne réécrire que les paragraphes signalés par un rapport Turnitin. La notation phrase par phrase de Turnitin permet de repérer les segments précis qui ont déclenché la détection et d’y concentrer la révision.

Conservez vos citations, vos tableaux et votre mise en forme intacts. Seuls les passages signalés comme écrits par IA réclament votre attention. Si vous révisez le texte et le soumettez à nouveau, gardez à l’esprit que le pourcentage d’IA peut bouger à cause des mises à jour du modèle, et pas seulement à cause de vos modifications.

Les passages éligibles peuvent être traités à nouveau gratuitement.