Turnitin détecte-t-il GPT-5 et les autres nouveaux modèles d’IA ?

La FAQ de Turnitin publie une liste de modèles d’écriture par IA dont elle peut détecter le contenu. Cette liste comprend notamment les modèles GPT, Gemini, Claude, LLaMA, Mistral, Deepseek, Nova, Grok et o1-mini. Le verbe officiel est « can detect content from. » (peut détecter le contenu issu de ces modèles). La liste se termine par : « and tools based on these LLMs as well. » (ainsi que les outils basés sur ces LLM). La FAQ indique également : « 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.) Elle reconnaît que ces capacités ne sont pas figées : « 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. » (À mesure que nous faisons évoluer notre modèle pour mieux détecter les LLM plus récents, il est probable que nos capacités de détection évoluent elles aussi, ce qui modifiera le pourcentage d’IA.) Qu’un modèle précis comme GPT-5 figure ou non dans la liste dépend de la date de la dernière mise à jour de la FAQ. Celle-ci ne promet pas une couverture en temps réel de chaque nouveau modèle, mais elle promet de continuer à s’étendre.

La FAQ fournit une liste de modèles dont elle peut détecter le contenu. La phrase d’introduction emploie le verbe « can detect content from. » (peut détecter le contenu), suivie d’une liste de modèles séparés par des virgules. La liste comprend GPT, Gemini, des variantes de Claude, LLaMA, Mistral, Deepseek, Nova, Grok et o1-mini. Elle se termine par :

« and tools based on these LLMs as well. » (ainsi que les outils basés sur ces LLM).

La phrase suivante : « 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.)

Cela signifie que la liste n’est pas exhaustive. Les outils construits sur les modèles listés sont eux aussi présentés comme détectables. La promesse d’extension signifie que de nouveaux modèles peuvent être ajoutés au fil des mises à jour du modèle de détection. L’article Turnitin détecte-t-il Claude, Copilot ou Gemini ? passe en revue les entrées nommées de cette liste.

La FAQ reconnaît explicitement que la détection n’est pas une cible fixe :

« 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. » (À mesure que nous faisons évoluer notre modèle pour mieux détecter les LLM plus récents, il est probable que nos capacités de détection évoluent elles aussi, ce qui modifiera le pourcentage d’IA.)

La phrase suivante : « However, for a submitted document, the AI percentage will change only if it's re-submitted again to be processed. » (Cependant, pour un document déjà soumis, le pourcentage d’IA ne changera que s’il est soumis à nouveau pour être traité.)

Il y a deux conséquences. D’une part, le modèle de détection est mis à jour pour cibler les LLM plus récents. D’autre part, les documents déjà évalués ne sont pas réévalués automatiquement lorsque le modèle change. Si votre copie a été notée avant une mise à jour du modèle, le score reflète les capacités de détection de ce moment-là, et non les actuelles : c’est pourquoi toujours signalé après une nouvelle vérification Turnitin recommande de comparer des rapports plutôt que des scores.

Le modèle de détection traite le texte en le découpant en segments qui se chevauchent et en attribuant des scores de probabilité :

« 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. » (Lorsqu’un devoir est soumis à Turnitin, les phrases de la soumission sont extraites et découpées en sections qui se chevauchent pour l’analyse de prédiction. Chaque section est classée par le modèle de détection d’IA et reçoit une valeur entre 0 et 1, qui indique la probabilité que le texte soit humain ou généré par une IA.)

Le modèle ne repose pas sur des métriques de surface comme le burstiness ou la perplexité. La FAQ indique : « 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 précis comme le burstiness ou la perplexité, ni d’autres métriques individuelles parfois évoquées dans les débats publics.) La phrase suivante : « Instead, it learns statistical patterns from our training data. » (Il apprend plutôt des régularités statistiques à partir de nos données d’entraînement.)

La même FAQ précise aussi : « 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.) Le modèle ne calcule donc pas le burstiness ni la perplexité comme métriques nommées, mais il classe bien le texte à partir de régularités de probabilité des mots apprises dans les données d’entraînement.

La FAQ reconnaît un compromis entre faux positifs et faux négatifs :

« 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. » (Afin de maintenir ce faible taux de 1 % de faux positifs, il est possible que nous manquions une partie du texte rédigé par IA dans un document.)

La FAQ détaille : « 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. » (Par exemple, si nous estimons que 50 % d’un document ont probablement été rédigés par un outil d’IA, il pourrait en réalité contenir jusqu’à 65 % d’écriture par IA.)

Cela signifie que le détecteur est réglé pour éviter les faux positifs, même au prix de textes IA manqués. Un nouveau modèle produisant un texte plus proche des régularités de probabilité humaines serait plus difficile à détecter, du moins jusqu’à ce que le modèle de détection soit mis à jour pour le couvrir. La promesse de la FAQ de « continue to expand our detection capabilities » (continuer à étendre nos capacités de détection) fait contrepoids, mais il existe un décalage inhérent entre la sortie d’un nouveau modèle et sa couverture par la détection. La même question du décalage se pose pour les outils de réécriture : Turnitin détecte-t-il les humaniseurs d’IA ?

Pour résumer ce que nous avons vu :

• Turnitin publie une liste de modèles d’écriture par IA dont il peut détecter le contenu, dont GPT, Gemini, Claude et d’autres.
• Le verbe officiel est « can detect content from. » (peut détecter le contenu) et la liste inclut aussi les outils basés sur ces LLM.
• La FAQ promet d’étendre la détection à d’autres modèles à l’avenir.
• Les capacités de détection évoluent avec le temps, à mesure que le modèle est mis à jour pour cibler les LLM plus récents.
• Les documents déjà évalués ne sont pas réévalués automatiquement lorsque le modèle change.
• Le détecteur accepte de manquer une partie du texte IA pour garder un faible taux de faux positifs.

Si vous recevez un rapport d’IA Turnitin et que vous souhaitez traiter les passages signalés, importez le rapport et travaillez dessus. Les passages éligibles peuvent être relancés gratuitement.