Vous avez fait traduire votre propre texte ? À quelle fréquence Pangram l’a qualifié d’IA dans un test de 2026

Dans un test de 2026, très rarement. Des chercheurs ont pris des pages web rédigées par des humains dans 24 langues, toutes antérieures à 2022, et ont chargé Gemini 3.7 Flash de les traduire en anglais le plus fidèlement possible. Pangram 4 a qualifié d’IA 26 des 1 197 traductions, soit 2,17 %. Il n’en avait classé aucune sur les 1 198 textes d’origine. En revanche, dès lors qu’un modèle s’est chargé de la rédaction, la tendance s’est inversée : les pages que Gemini avait réécrites à partir du propre plan de l’auteur ont été signalées 1 161 fois sur 1 197 (97,0 %) une fois traduites en anglais.

Ce résultat ne concerne que Pangram. Turnitin, GPTZero et les autres détecteurs n’ont pas été testés : ces 2,17 % ne peuvent donc pas leur être appliqués. L’article est une prépublication non évaluée par les pairs, les textes analysés étaient des pages web et non des dissertations académiques, et la traduction a été délibérément littérale. De plus, savoir si un détecteur signale votre traduction est une question bien distincte de celle de savoir si vous aviez le droit de traduire. Plusieurs universités, ainsi que le JCQ (l’organisme qui définit les règles des devoirs pour les GCSE et les A-levels), ont rédigé des directives explicites à ce sujet.

L’étude s’intitule « IdeaLens: Detecting AI Ideas in Long-form Writing » (IdeaLens : détecter les idées d’IA dans les textes longs), menée par Rishanth Rajendhran et sept coauteurs de l’université du Maryland, de Google DeepMind et de l’université Simon Fraser, et déposée sur arXiv le 5 octobre 2026. Le test de traduction n’est qu’une expérience secondaire figurant dans ses annexes. Le sujet principal de l’article porte sur un détecteur expérimental visant à déterminer si les idées d’un document proviennent d’un humain ou d’un modèle. Les auteurs y remercient Pangram, le détecteur évalué ici, pour l’attribution d’une bourse de crédits de recherche.

Les textes rédigés par des humains provenaient de FineWeb2, un vaste corpus public de pages web. Les auteurs n’ont conservé que des pages écrites avant 2022 — ce qui rend hautement improbable l’intervention d’un agent conversationnel — et issues exclusivement de huit formats longs : textes académiques, créations littéraires, articles de vulgarisation, actualités, essais et récits documentaires, pages personnelles « À propos », blogs personnels et avis d’utilisateurs. Pour le test de traduction, ils ont sélectionné 50 pages dans chacune des 24 langues. La liste s’étend du chinois, de l’espagnol, de l’allemand, du japonais, du français et du russe jusqu’à l’amharique, au yoruba, au cingalais et au tamoul, en passant par l’arabe, l’hindi, le persan, le vietnamien et l’ukrainien.

Chaque page humaine était assortie de deux versions générées par l’IA dans la même langue, toutes deux rédigées par Gemini 3.7 Flash :

• Sujet seul. Le modèle ne recevait qu’une description d’une ligne indiquant le type de page et le thème général ; l’intégralité du texte était donc de son propre cru.
• D’après le plan de l’auteur. Le modèle recevait le plan complet de la page et avait pour consigne de développer chaque point dans l’ordre, sans rien ajouter. L’humain a fourni chaque idée ; le modèle a rédigé chaque phrase.

Les trois versions ont ensuite été traduites en anglais, toujours par Gemini 3.7 Flash. Ses consignes exigeaient « nothing added, nothing removed, nothing improved » (ne rien ajouter, ne rien supprimer, ne rien améliorer) et lui intimaient de « Keep the register, repetition, fragments and clumsy phrasing. » (Conserver le registre, les répétitions, les fragments et les formulations maladroites.) Cette démarche est bien plus proche de celle d’un traducteur humain rigoureux que du fait de coller un brouillon dans un agent conversationnel en lui demandant d’améliorer l’anglais. Pangram 4 a noté chaque texte avant et après traduction.

Le terme « signalé » a ici un sens bien précis. Pangram 4 divise un texte en différentes parts qu’il qualifie d’IA, d’IA assistée et d’origine humaine. Les auteurs ont considéré qu’un texte était de l’IA lorsque la part d’IA, additionnée à la moitié de la part d’IA assistée, atteignait au moins la moitié du total. Une page traduite dont Pangram n’aurait repéré qu’une infime portion comme étant de l’IA ne figure donc pas dans ces 26 cas, et l’article ne précise pas combien de pages se trouvaient dans cette situation.

Ainsi, environ une page humaine traduite sur 46 a écopé d’un verdict d’IA. Deux autres lignes du tableau sont faciles à mal interpréter.

Les 97 % ne constituent pas une fausse alerte sur des écrits humains. L’étude classe ces détections parmi les faux positifs, car l’article porte sur les idées et que, sur cette ligne, les idées venaient bien de l’humain. Pourtant, un modèle a rédigé chaque phrase, et c’est précisément la formulation que Pangram est conçu pour repérer. La documentation du jeu de données le dit sans détour : « An idea detector should not flag level 5; a prose detector should. » (Un détecteur d’idées ne devrait pas signaler le niveau 5 ; un détecteur de style le devrait.) Le niveau 5 correspond à la version rédigée d’après le plan de l’auteur. Si vous confiez vos notes ou votre plan dans votre langue à un agent conversationnel pour qu’il rédige, l’anglais que vous récupérez est la prose du chatbot, et dans ce test, Pangram l’a presque intégralement démasquée.

Dans ce test, la traduction n’a pas masqué le texte généré par l’IA : elle en a exposé davantage. Dans les langues d’origine, Pangram laissait passer une part importante de contenus — 258 sur les 1 200 textes rédigés à partir du seul sujet lors de cet essai —, et davantage encore dans les langues disposant de moins de corpus en ligne : sur l’ensemble des données multilingues de l’article, il n’a repéré que 58,0 % des textes rédigés sur seul sujet dans les dix langues qualifiées de peu dotées par les auteurs. Après traduction, il a signalé l’ensemble des 1 200 textes rédigés sur seul sujet. Rédiger avec un agent conversationnel dans sa propre langue puis traduire a donc été davantage détecté dans ce test, et non moins.

Une seconde vérification présentée dans le même article va dans le même sens. CoCoNUTS, un jeu de données constitué par une autre équipe de recherche, rassemble des évaluations par les pairs rédigées en anglais en 2022 ou avant. Certaines ont été traduites en chinois puis retraduites en anglais par des modèles de langage : Pangram 4 n’a signalé que 0,1 % de ces 1 493 textes. D’autres, issues du même corpus, ont été polies par des modèles de langage : Pangram a alors signalé 61,2 % de ces 1 497 textes. Un aller-retour par le chinois n’est évidemment pas équivalent à votre propre brouillon. Néanmoins, sur les deux jeux de données, les signalements d’IA se sont concentrés là où un modèle écrivait ou retouchait les phrases, et non là où il les traduisait fidèlement.

• Ce qu’il en est pour Turnitin. Aucun chiffre concernant Turnitin ne ressort de cette étude, et un verdict de Pangram ainsi qu’un pourcentage Turnitin ne constituent pas le même type de mesure (pour approfondir, voir Pangram vs Turnitin : pourquoi les deux scores d’IA ne concordent pas). On entend souvent dire que les traducteurs et les agents conversationnels tournent sur le même type de modèle linguistique, et que tout anglais traduit devrait donc sembler artificiel à n’importe quel détecteur. Dans le cas de Pangram et d’une traduction fidèle, cette expérience n’a globalement pas confirmé cette idée reçue. Mais cette étude n’a pas testé Turnitin ; elle n’indique donc rien sur la façon dont il traite un texte traduit. Un test plus ancien de 2023 comptait bien Turnitin parmi 14 détecteurs : sur l’ensemble de ces outils, l’exactitude globale était de 96 % sur des textes humains écrits en anglais et, selon les mots des auteurs, « dropped by 20% » (a chuté de 20 %) sur neuf textes humains traduits automatiquement en anglais avec DeepL ou Google Translate. Il s’agit là d’une moyenne sur 14 outils et non d’un score propre à Turnitin, sans compter que les détecteurs ont évolué depuis. L’article Traduire du chinois vers l’anglais est-il signalé comme IA par Turnitin ? passe en revue les caractéristiques textuelles que la propre documentation de Turnitin associe aux faux positifs.
• Votre langue. Les résultats de traduction ne sont publiés que sous la forme d’un total regroupant 24 langues, à raison de 50 pages chacune. Il n’existe aucun taux distinct pour le chinois seul ou l’arabe seul dans ce test.
• L’outil de traduction que vous utilisez. Un seul modèle a été testé, assorti d’une consigne stricte de fidélité. DeepL, Google Translate ou un agent conversationnel à qui l’on demanderait de « donner un style plus universitaire » n’ont pas été évalués. Le résultat obtenu sur les avis polis laisse penser que ce dernier cas relève d’une tout autre situation.
• Les dissertations et devoirs académiques. Les textes analysés étaient des blogs, des articles de presse, des avis et des pages comparables, et non des travaux universitaires rédigés selon un barème d’évaluation précis.
• L’évaluation par les pairs. Il s’agit d’une prépublication qui n’a pas encore été révisée par les pairs, et Pangram a fourni des crédits de recherche. L’article ne précise pas la date exacte d’évaluation des textes, et ces détecteurs font l’objet de mises à jour régulières.

L’étude ne peut apporter de réponse sur ce point. Les universités rédigent des règlements spécifiques sur les outils de traduction, et ces règles s’appliquent qu’un texte soit ou non signalé par un détecteur. Voici trois exemples actuels de règlements universitaires, ainsi que les directives du JCQ pour les devoirs :

• Université d’York. Sa politique relative aux aides extérieures classe parmi les pratiques inacceptables pour les évaluations sommatives le fait de : « Using translation tools or services to translate text in whole or significant sections (oral or written), which is then submitted as summative work » (Utiliser des outils ou services de traduction pour traduire l’intégralité ou des parties significatives d’un texte [oral ou écrit], qui est ensuite soumis comme travail certificatif). Son guide destiné aux étudiants admet la traduction « As a dictionary » (comme un dictionnaire) au niveau d’un mot, d’une collocation ou d’une expression, tout en avertissant qu’un « translated text which is at sentence level or beyond risks submitting work of false authorship. » (texte traduit à l’échelle de la phrase ou au-delà risque de constituer la soumission d’un travail dont la paternité est trompeuse.)
• Université de Huddersfield. « If you translate large portions of text written initially in your native language and submit this for assessment, this may be considered to be misconduct, as it raises the question of authorship of the translated version. » (Si vous traduisez de larges pans de texte rédigés initialement dans votre langue maternelle et que vous les soumettez à l’évaluation, cela peut être considéré comme une faute, car cela soulève la question de la paternité de la version traduite.) Le même règlement vous demande de citer vos outils de traduction et indique qu’un enseignant s’interrogeant sur votre niveau de langue peut vous demander de résumer le contenu ou d’expliquer la grammaire et le vocabulaire utilisés. La clause suivante, 10.2.3, ajoute : « We do not expect you to use AI tools to contribute to the completion of your assessment or online exam unless you have been explicitly told that you can. » (Nous attendons de vous que vous n’utilisiez pas d’outils d’IA pour contribuer à la réalisation de votre évaluation ou examen en ligne, sauf s’il vous a été explicitement indiqué que vous pouviez le faire.) Un point capital si votre outil de traduction est un agent conversationnel.
• Université du Queensland. Le guide de sa bibliothèque recommande de vérifier le descriptif de votre cours avant de recourir à la traduction automatique, l’exclut pour les évaluations en présentiel, et précise : « You must acknowledge that you have used machine translation in your assessment. Failure to acknowledge the use of machine translation can result in Academic Misconduct. » (Vous devez déclarer avoir utilisé la traduction automatique dans votre évaluation. Omettre de déclarer l’usage de la traduction automatique peut être qualifié de manquement à l’intégrité académique.)
• JCQ (évaluations continues pour le GCSE, les A-levels et l’EPQ). Les instructions 2026-27 du JCQ pour les évaluations sans examen du GCSE et des A-levels ainsi que pour l’EPQ précisent désormais : « AI translation tools must not be used to generate work for assessment. » (Les outils de traduction par IA ne doivent pas être utilisés pour générer des travaux soumis à évaluation.)

Comparez ces règles aux résultats de l’étude. À York, une dissertation entièrement traduite depuis votre propre brouillon figure sur la liste des pratiques interdites, même si Pangram en validait chaque page sans sourciller. Dans le Queensland, ce même travail peut être tout à fait recevable, tant que votre cours l’autorise et que vous le déclarez. Le verdict du détecteur ne change absolument rien à ces deux réalités.

1. Recherchez la règle propre à ce travail, et pas seulement la politique générale de l’université. York autorise ses départements à interdire la traduction pour certaines évaluations spécifiques, et le Queensland vous renvoie au descriptif du cours. Si la consigne ne précise rien, demandez confirmation par écrit : « I write my first draft in [language] and translate it with [tool]. Is that allowed for this assignment, and how should I acknowledge it? » (Je rédige mon premier jet en [langue] et je le traduis avec [outil]. Cela est-il autorisé pour ce devoir, et comment dois-je le déclarer ?). Conservez soigneusement la réponse.
2. Déclarez votre démarche sous la forme exigée par votre établissement. Le guide du Queensland fournit un modèle de formulation que vous pouvez adapter : « This work was post-edited by the author, after being translated from <insert language> to English using <insert tool>. » (Ce travail a fait l’objet d’une post-édition par l’auteur, après avoir été traduit de <insérer la langue> vers l’anglais à l’aide de <insérer l’outil>.)
3. Conservez votre brouillon en langue maternelle, avec ses dates. C’est la trace la plus limpide prouvant que les idées et la structure venaient de vous avant que le moindre outil n’intervienne. Un document stocké sur OneDrive ou Google Docs conserve l’historique des versions. Un fichier Word laissé sur votre bureau ne le fait pas. L’article Comment conserver l’historique des versions dans Word, Google Docs et Overleaf vous explique comment procéder pour chacun d’eux.
4. N’impliquez pas le modèle dans l’étape d’écriture. Dans cette étude, les verdicts d’IA sont restés rares lorsqu’un modèle se contentait de traduire, mais ils ont bondi dès qu’il rédigeait à partir du plan de l’auteur ou retouchait ses phrases. Le règlement d’York classe d’ailleurs séparément comme inacceptable le fait de : « Generating or re-writing (including shortening or summarising) any of the student's sentences or sections of work » (Générer ou réécrire [y compris raccourcir ou résumer] toute phrase ou section du travail d’un étudiant). « Translate this and make it sound more academic » (Traduisez ceci et donnez-lui un style plus universitaire) correspond en réalité à deux requêtes, et c’est la seconde qui est visée à la fois par les données des détecteurs et par ce règlement. Certaines formations se montrent plus tolérantes : vérifiez ce qui s’applique à la vôtre.
5. Assurez-vous d’être capable d’expliquer chaque phrase. Relisez la version anglaise en regard de votre brouillon initial jusqu’à pouvoir expliquer ce que chaque phrase signifie et pourquoi elle emploie ces termes précis. Le règlement de Huddersfield décrit exactement ce genre de vérification.

Cela veut-il dire que Turnitin ne signalera pas ma dissertation traduite ? Non. Turnitin ne faisait pas partie de l’étude. Mis à part les modèles de recherche propres aux auteurs, le seul détecteur appliqué aux pages traduites était Pangram 4.

Le chinois faisait-il partie des langues testées ? Oui, le chinois était l’une des 24 langues. Mais les résultats de traduction ne sont communiqués que sous la forme d’un total combiné, il n’y a donc pas de taux isolé pour le chinois.

Rédiger directement en anglais est-il plus sûr que de traduire ? Cet article ne permet pas de trancher. Dans un ensemble distinct de 3 909 dissertations rédigées par des apprenants de l’anglais, Pangram 4 n’a signalé que 0,0 % des textes (arrondi à une décimale). Les pages web traduites se sont situées à 2,17 %. Comme il s’agit de types de textes différents, ces deux chiffres ne peuvent faire l’objet d’une comparaison directe. Tous deux restent faibles.

Qu’est-ce qu’IdeaLens, et dois-je m’en inquiéter ? C’est le détecteur expérimental conçu par les auteurs, pensé pour juger de la provenance des idées d’un texte plutôt que de savoir qui en a rédigé les mots. Sur les pages humaines traduites, il en a signalé 3 sur 1 197. Les auteurs l’ont mis à disposition du public. L’article ne mentionne aucun établissement scolaire ou universitaire qui l’utiliserait.

Mon devoir traduit a déjà été signalé comme IA. Que faire maintenant ? Demandez quel détecteur a été utilisé et exigez le rapport complet, pas seulement un chiffre. Apportez votre brouillon en langue maternelle, l’historique de vos traductions et tout historique de versions. Vérifiez ensuite les règles propres au devoir, car la question de savoir si la traduction était autorisée et si vous l’avez déclarée sera soulevée quel que soit le verdict du détecteur.

• 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, mis en ligne le 5 octobre 2026 ; consulté le 7 octobre 2026 (annexes E.3, H.3, H.4 ; tableaux 19 et 30).
• Les fichiers de résultats des auteurs : traduction, CoCoNUTS, ELLIPSE, la consigne de traduction et la fiche du jeu de données IdeaShift-X ; consulté le 7 octobre 2026.
• Debora Weber-Wulff et ses coauteurs, Testing of Detection Tools for AI-Generated Text, arXiv:2306.15666v1, 2023 ; consulté le 7 octobre 2026 (sections 3 et 5.1.1).
• Yihan Chen et ses coauteurs, CoCoNUTS: Concentrating on Content while Neglecting Uninformative Textual Styles for AI-Generated Peer Review Detection, ACL 2026 ; consulté le 7 octobre 2026 (section consacrée à la construction du jeu de données).
• Université d’York, Acceptable Assistance with Assessments (including Generative AI, Proofreading and Translation) - Policy et Student guidance on using AI and translation tools ; Université de Huddersfield, Regulations for taught students, section 10 ; Bibliothèque de l’Université du Queensland, Machine translation for assignments ; tous consultés le 7 octobre 2026.
• JCQ, Instructions for conducting non-examination assessments et Instructions for conducting coursework (en vigueur au 1 septembre 2026), consultés le 2 octobre 2026.