L’anglais n’est pas votre langue maternelle : un détecteur d’IA risque-t-il de vous signaler ? Ce que révèle le test « 0 sur 914 » de GPTZero

Pour deux détecteurs et sur un type d’écrit bien précis, les chiffres les plus récents s’avèrent extrêmement bas. GPTZero affirme que son modèle actuel, GPTZero 4o, a classé comme rédigées par un humain la totalité des 914 rédactions d’apprenants en anglais d’un ensemble de test sur lequel il n’avait pas été entraîné. Une prépublication mise en ligne le même jour par des chercheurs de l’Université du Maryland, de Google DeepMind et de l’Université Simon Fraser a évalué Pangram 4 sur 3 909 devoirs d’apprenants et en a signalé 0,0 %. Les deux corpus ont été rédigés par des élèves du secondaire aux États-Unis, et aucune des deux études n’a testé Turnitin.

Ce zéro doit toutefois être lu avec toutes ses réserves. GPTZero a mené et publié son propre test, et un résultat de 0 sur 914 reste statistiquement compatible avec un taux réel pouvant atteindre environ 1 sur 300. Ce chiffre n’annule pas non plus l’étude de Stanford de 2023 à l’origine de cette préoccupation. À l’époque, la version de GPTZero en ligne en mars 2023 avait signalé 52 % de 91 rédactions du TOEFL, chacune comptant moins de 150 mots. Le modèle, les textes et leur longueur diffèrent totalement : les deux résultats ne sont donc pas contradictoires. Aucun des deux ne constitue une promesse quant à votre propre devoir.

L’article s’intitule "Biased Against ESL and Students with Disabilities? We Put GPTZero 4o to the Test" (Biaisé envers les apprenants d’anglais langue seconde et les élèves en situation de handicap ? Nous avons mis GPTZero 4o à l’épreuve), signé par Anna Gao et publié sur le blog de GPTZero le 5 octobre 2026. GPTZero a annoncé la version 4o le 24 septembre et indique qu’elle est devenue le modèle par défaut pour l’ensemble des utilisateurs le 20 septembre.

Ces textes sont issus de PERSUADE 2.0, un corpus de recherche regroupant plus de 25 000 rédactions argumentatives d’élèves américains de la 6e à la 12e année, conçu pour perfectionner l’évaluation automatisée de l’écrit. Chaque copie comprend des données sur son auteur, notamment s’il s’agissait d’un apprenant de l’anglais et s’il bénéficiait d’un plan IEP ou de la Section 504 (dispositifs scolaires américains d’accompagnement des élèves en situation de handicap). La version 2.0 ajoute des évaluations aux devoirs initialement publiés sous le nom de PERSUADE 1.0, qui n’avait retenu que les rédactions d’au moins 150 mots comportant au moins 75 % de mots correctement orthographiés. Leur longueur moyenne est de 402 mots. PERSUADE 1.0 ayant été publié dans une revue en octobre 2022, avant le lancement de ChatGPT par OpenAI le 30 novembre 2022, aucun de ces devoirs n’a pu être rédigé à l’aide de ChatGPT.

GPTZero a évalué des copies provenant de ce qu’il qualifie de "PERSUADE2.0's official held-out test split, which GPTZero 4o was not trained on." (l’échantillon de test officiel réservé de PERSUADE 2.0, sur lequel GPTZero 4o n’a pas été entraîné). Cet ensemble comptait 914 rédactions d’apprenants en anglais et 1 172 devoirs d’élèves bénéficiant d’un plan IEP ou 504, 147 appartenant aux deux catégories. GPTZero 4o les a tous classés comme rédigés par un humain. Ses graphiques placent la totalité des 914 rédactions d’apprenants dans la colonne unique située tout en haut de son échelle de « probabilité humaine », et pour les 147 élèves appartenant aux deux groupes, le score le plus bas était de 0,997.

L’article passe toutefois deux aspects sous silence. Il ne précise pas à partir de quel score un devoir est considéré comme « rédigé par un humain ». Et il n’indique pas si le reste de PERSUADE a servi à entraîner 4o. Or, cette portion d’entraînement est publique depuis une compétition de science des données sur Kaggle (le Feedback Prize 2021) et provient du même corpus de dissertations d’élèves américains de la 6e à la 12e année. Cet échantillon réservé constitue donc une vérification valable pour des rédactions similaires, mais beaucoup moins probante pour un rapport de laboratoire universitaire.

Il s’agit par ailleurs d’un test réalisé par GPTZero sur son propre produit, à partir d’un jeu de données qu’il a lui-même sélectionné, publié sur son propre blog, sans lien vers le code ni vers les devoirs évalués. Cela ne signifie pas que les chiffres sont inexacts. Cela signifie simplement que vous lisez la communication de l’entreprise sur son outil, et GPTZero qualifie d’ailleurs lui-même ce résultat de "a great milestone; however, it is not a finish line." (une étape remarquable ; ce n’est toutefois pas une ligne d’arrivée).

Obtenir zéro sur 914 est un décompte brut qui ne permet pas d’établir un taux précis. Avec 914 devoirs et aucun faux positif, le taux réel pourrait tout à fait atteindre environ 0,33 %, soit près de 1 sur 300. Il s’agit de la borne supérieure classique à 95 % de confiance lorsqu’un événement se produit zéro fois sur 914 essais. C’est faible, mais ce n’est pas zéro.

La seconde limite est moins évidente. L’article de lancement de la version 4o de GPTZero mentionnait "only 1 false positive out of 10,402 essays" (seulement 1 faux positif sur 10 402 rédactions) dans l’ensemble de test de PERSUADE. Cet échantillon comptant 10 402 devoirs au total, c’est exactement de là que proviennent les 914 copies. D’après nos calculs, si les apprenants en anglais étaient signalés exactement au même rythme que les autres élèves, on s’attendrait à environ 0,09 faux positif sur 914 devoirs, ce qui signifie que l’on observerait zéro dans la quasi-totalité des cas. Même s’ils étaient signalés dix fois plus souvent, on obtiendrait encore zéro au moins quatre fois sur dix.

Un résultat de 0 sur 914 ne permet donc pas de prouver que les apprenants en anglais sont traités à égalité avec les autres étudiants : un échantillon de cette taille ne permet pas de distinguer ces deux réalités. Ce qu’il démontre en revanche, c’est que sur ce corpus précis, le taux de faux positifs a été très bas pour tout le monde, apprenants en anglais y compris.

La seconde série de chiffres figure dans une annexe de "IdeaLens: Detecting AI Ideas in Long-form Writing" (IdeaLens : détecter les idées générées par IA dans les textes longs), une prépublication de Rishanth Rajendhran et de sept coauteurs, déposée sur arXiv le 5 octobre 2026. Cet article porte principalement sur un détecteur expérimental développé par les auteurs eux-mêmes. Pangram 4, un détecteur commercial, fait partie des outils auxquels ils l’ont comparé à travers 19 ensembles d’écrits humains ordinaires. Pangram n’a pas réalisé ce test. Les auteurs le remercient toutefois pour l’octroi de crédits de recherche, et l’article n’a pas fait l’objet d’une évaluation par les pairs.

L’un de ces 19 ensembles est ELLIPSE, un corpus d’environ 6 500 rédactions d’apprenants en anglais de la 8e à la 12e année. Chaque devoir a été composé sur ordinateur en 25 à 30 minutes lors d’épreuves annuelles organisées à l’échelle d’un État aux États-Unis. Des évaluateurs formés ont attribué à chaque copie une note de compétence en anglais de 1 à 5, 1 correspondant à des compétences limitées et 5 à "native-like facility" (aisance comparable à celle d’un locuteur natif). L’article en a exploité 3 909. D’après nos vérifications, ce chiffre et sa répartition par niveau scolaire et par note correspondent au fichier d’entraînement public du corpus à un ou deux devoirs près (le fichier en recense 3 911). Environ 70 % de ces 3 909 textes comptent moins de 500 mots.

Les auteurs considèrent un texte comme produit par IA dès lors que la part d’IA attribuée par Pangram, additionnée à la moitié de sa part d’« aide par IA », atteint au moins la moitié. Selon cette règle, Pangram a signalé 0,0 % des 3 909 copies. Ce chiffre étant arrondi à une décimale, il laisse la place à un seul devoir au maximum. Dans le fichier de résultats publié par les auteurs, le score s’établit également à 0,0 % dans chaque tranche de compétence, bien que les tranches soient très inégales : la plus basse ne compte que 8 devoirs et la plus haute 28, tandis que les paliers 2, 3 et 4 en regroupent chacun plus d’un millier.

Ici, une comparaison avec le taux de base s’avère réellement pertinente, car le même article rapporte le comportement global de Pangram face aux écrits humains ordinaires. En moyenne sur l’ensemble des 19 évaluations, Pangram a signalé 0,3 % des documents rédigés par des humains. Cette moyenne découle principalement de deux corpus : un banc d’essai composite de textes humains et un ensemble d’évaluations expertes de propositions de recherche. Quinze des 19 groupes, dont ELLIPSE, affichent 0,0 %. Les autres ensembles allant d’évaluations par les pairs à des pages web, cette analyse compare donc les apprenants au comportement général de Pangram sur l’écriture humaine, et non directement à leurs camarades anglophones natifs. C’est ce qui se rapproche le plus, parmi ces deux nouveaux tests, d’une réponse à la question de savoir si les apprenants en anglais sont plus souvent signalés que les autres auteurs. Pour Pangram, sur ce corpus, ce n’était pas le cas.

Il ne s’agit pas d’un classement. Chaque ligne correspond à un détecteur ou à une version distincte, avec sa propre définition de « signalé comme IA », testé sur des profils d’auteurs différents. Le décompte des mots de la première ligne est le nôtre, établi à partir des rédactions que les chercheurs de Stanford ont publiées avec leur code. Nous avons analysé cette recherche dans Pourquoi les auteurs non anglophones sont plus souvent signalés par les détecteurs d’IA et l’évaluation de Turnitin dans Turnitin a testé son propre détecteur face aux biais envers les apprenants d’anglais. La ligne consacrée à Turnitin décrit le modèle de 2023 : Turnitin a depuis lors modifié son détecteur.

Pas d’après ces éléments. Les chiffres de 2026 sont bien réels, mais ils reflètent une situation bien plus restreinte que celle des « apprenants en anglais » au sens large.

• La longueur. Dans le corpus de Stanford, tous les devoirs faisaient moins de 150 mots. Le test de Turnitin en 2023 avait d’ailleurs constaté que l’écart entre apprenants et auteurs natifs se creusait pour les textes de 150 à 300 mots. Or, les deux nouveaux corpus se situent largement au-dessus : les rédactions de PERSUADE comptent en moyenne 402 mots, et 30 % de celles d’ELLIPSE atteignent 500 mots ou plus. Les textes extrêmement courts à l’origine du chiffre alarmant de 2023 ne correspondent donc pas à ce qu’ont mesuré les tests de 2026.
• Le niveau d’études. Les deux nouveaux corpus relèvent de l’enseignement secondaire. Si les textes d’apprenants utilisés par Turnitin en 2023 provenaient bien de l’enseignement supérieur (le tableau de son jeu de données étiquette les deux corpus d’apprenants comme "higher ed" (enseignement supérieur)), il s’agissait, selon ses propres indications, principalement de courts exercices argumentatifs ou informatifs ; de plus, la quasi-totalité des auteurs de langue maternelle du groupe de 300 mots étaient des élèves américains du secondaire. Turnitin précisait d’ailleurs : "A comparable collection of publicly available full-length university level documents from L2 and L1 writers was not available for this evaluation." (Une collection comparable de documents complets de niveau universitaire, accessibles publiquement et rédigés par des auteurs L2 et L1, n’était pas disponible pour cette évaluation).
• Les scripteurs les plus fragiles sont très peu représentés. PERSUADE a écarté les devoirs comportant trop de fautes d’orthographe, et la tranche de compétence la plus faible d’ELLIPSE ne contient que 8 rédactions.
• Turnitin. Sa FAQ sur la détection d’IA indique qu’en juillet 2026, l’entreprise a fusionné son ensemble de modèles en un seul, et sa réponse sur la question des biais se limite à décrire la sélection des données d’entraînement, sans avancer aucun chiffre. Dans le texte de cette FAQ, les termes "English learner", "ESL", "L2" et "native" apparaissent chacun 0 fois, et les quatre mentions de "second language" ne sont accompagnées d’aucune statistique.
• Les versions. GPTZero 4o n’est le modèle par défaut que depuis le 20 septembre. L’article ne précise pas la date exacte à laquelle Pangram a évalué les devoirs. Ces deux détecteurs feront par ailleurs l’objet de futures mises à jour.

Le bilan objectif est bien plus circonscrit que les gros titres : à l’automne 2026, deux détecteurs, face à des devoirs de quelques centaines de mots rédigés par des élèves du secondaire aux États-Unis, ne les ont pour ainsi dire jamais signalés comme de l’IA.

1. Identifiez le détecteur employé et la date de l’analyse. Ces données s’appliquent à GPTZero 4o et Pangram 4. Si votre établissement utilise Turnitin, ou si l’analyse sur GPTZero a été effectuée avant le 20 septembre 2026, ces conclusions ne sont pas transposables.
2. Exigez le rapport complet, et non une simple étiquette ou un pourcentage. Vous devez voir exactement quels passages ont été signalés et quel score leur a été attribué.
3. Si le texte incriminé est court, signalez-le. Les études initiales ont mis en évidence des anomalies sur les textes courts, et le rapport de Turnitin n’affiche aucun pourcentage d’IA pour les écrits de moins de 300 mots de prose continue. Un signalement portant sur une courte intervention sur un forum de discussion repose sur un volume de texte bien plus mince que pour une dissertation complète.
4. Conservez précieusement vos brouillons. Vos versions antérieures, vos notes, vos sources de lecture et l’historique des révisions constituent des preuves directes pour votre devoir. Le taux de détection moyen d’une étude menée sur les textes d’autrui n’en est pas une. L’article Comment conserver l’historique des versions dans Word, Google Docs et Overleaf détaille les configurations qui enregistrent réellement ces traces.
5. Citez ces études avec précision si vous décidez de les invoquer. Si vous avez été signalé par GPTZero, vous êtes en droit de souligner que le test publié par l’éditeur a classé les 914 devoirs d’apprenants en anglais comme humains. Présentez cela comme un motif d’examiner vos brouillons, et non comme une preuve absolue : une expérience portant sur 914 devoirs scolaires ne suffit pas à trancher ce qui s’est passé pour le vôtre.

Cela signifie-t-il que Turnitin ne signalera pas mon travail ? Ces études ne permettent pas de l’affirmer. La propre évaluation de Turnitin en 2023 avait relevé 1,4 % de signalements sur les textes d’apprenants en anglais de 300 mots ou plus (un chiffre proche des 1,3 % observés chez les auteurs natifs), mais sur un modèle remplacé depuis, et sa FAQ actuelle ne fournit aucune statistique pour les apprenants.

Je suis étudiant à l’université. Ces résultats s’appliquent-ils à mon cas ? De très loin seulement. Les deux corpus de 2026 sont composés de rédactions d’élèves du secondaire aux États-Unis : des devoirs de classe pour PERSUADE, et des épreuves chronométrées de 25 à 30 minutes pour ELLIPSE. Une revue de littérature universitaire est nettement plus longue, plus technique et rédigée sur plusieurs semaines. Les données les plus proches restent celles de l’évaluation de Turnitin de 2023, dont les textes d’apprenants provenaient d’étudiants universitaires, bien qu’il s’agissait pour l’essentiel d’exercices courts : 1,4 % de ceux de 300 mots ou plus avaient été signalés, sur un modèle que Turnitin a depuis remplacé.

Dois-je simplifier ou au contraire complexifier mon anglais pour éviter d’être signalé ? Rien dans ces résultats ne va dans ce sens. Lors du test de Pangram, les rédactions des niveaux de compétence 2, 3 et 4 (plus d’un millier pour chacun) ont toutes obtenu 0,0 %, et ce constat s’est maintenu à travers l’ensemble des tranches de grammaire et de vocabulaire dans le fichier de résultats des auteurs. Il ne s’agit que d’un seul détecteur, mais cela ne justifie en rien d’adopter un style d’écriture qui n’est pas le vôtre.

Qu’en est-il des élèves en situation de handicap ? Ce même article de GPTZero indique que 4o a classé comme rédigés par un humain la totalité des 1 172 devoirs d’élèves bénéficiant d’un IEP ou d’un plan 504. Les mêmes réserves s’appliquent : il s’agit d’un test réalisé par le fournisseur lui-même, sur des devoirs scolaires, et un total de zéro laisse subsister un faible taux réel.

• Anna Gao, Biased Against ESL and Students with Disabilities? We Put GPTZero 4o to the Test, GPTZero, 5 octobre 2026 (texte et les cinq images de la page) ; GPTZero Team, Introducing GPTZero 4o, 24 septembre 2026 ; tous deux consultés le 7 octobre 2026.
• Rishanth Rajendhran, Minjoon Choi, Jenna Russell, Ramya Namuduri, Deniz Bölöni-Turgut, Marzena Karpinska, John Wieting et Mohit Iyyer, IdeaLens: Detecting AI Ideas in Long-form Writing, arXiv:2610.06778v1, 5 octobre 2026 (annexe E.3, section G.1, tableau 17), ainsi que le fichier de résultats ELLIPSE des auteurs ; consultés le 7 octobre 2026.
• Scott Crossley et ses collègues, A large-scale corpus for assessing written argumentation: PERSUADE 2.0, Assessing Writing 61 (2024), prépublication ; The persuasive essays for rating, selecting, and understanding argumentative and discourse elements (PERSUADE) corpus 1.0, Assessing Writing 54 (2022) ; consultés le 7 octobre 2026.
• Scott Crossley et ses collègues, The English Language Learner Insight, Proficiency and Skills Evaluation (ELLIPSE) Corpus, International Journal of Learner Corpus Research 9(2), 2023, prépublication et fichiers du corpus ; consultés le 7 octobre 2026.
• OpenAI, ChatGPT: Optimizing Language Models for Dialogue, 30 novembre 2022 (archive Internet Archive du 2 décembre 2022) ; consulté le 7 octobre 2026.
• Weixin Liang, Mert Yuksekgonul, Yining Mao, Eric Wu et James Zou, GPT detectors are biased against non-native English writers, arXiv:2304.02819v3 (figure 1a ainsi que matériel et méthodes ; publié dans Patterns, 2023), et le dépôt de données des auteurs ; consultés le 7 octobre 2026.
• David Adamson, New research: Turnitin's AI detector shows no statistically significant bias against English Language Learners, Turnitin, 26 octobre 2023 (texte et image du tableau de résultats) ; Turnitin, AI writing detection capabilities FAQs et Using the AI Writing Report ; consultés le 7 octobre 2026.