Des recherches récentes ont soulevé des préoccupations concernant la fiabilité des outils de détection de rédaction automatisée utilisés par les universités. Une analyse publiée en octobre 2026 a détaillé des problèmes de précision significatifs avec ces systèmes d’IA, affectant l’évaluation des travaux des étudiants, rapporte 24brussels.
L’étude, parue le 17 octobre dans la revue Discover Education, a examiné 90 articles de recherche des années 2020 à 2026. Les chercheurs ont noté des problèmes liés aux différences linguistiques et aux erreurs de classification automatisée, entraînant des faux positifs où des travaux rédigés par des humains étaient identifiés à tort comme étant générés par IA. Cette identification erronée peut avoir de graves implications académiques pour les étudiants.
La revue a également mis en évidence la variabilité des résultats à travers différentes plateformes de détection, compliquant la comparaison des scores entre les services. De plus, une étude de février 2026 impliquant deux outils commerciaux a évalué 192 textes, y compris des travaux d’étudiants et du contenu produit par IA, révélant qu’Originality avait atteint une précision de 69 % tandis que Turnitin enregistrait 61 % dans des conditions identiques. Les deux outils ont rencontré des difficultés avec des textes combinant rédaction humaine et rédaction par IA.
Les différences linguistiques compliquent encore davantage les choses, notamment pour les étudiants rédigeant en anglais comme langue additionnelle. Lors d’une conférence en octobre 2026, une étude a analysé 135 389 documents académiques, comparant des versions avant et après une édition professionnelle en anglais. L’analyse a révélé que pour certains systèmes de détection, les scores liés à l’IA avaient augmenté après l’édition, tandis que pour d’autres, les scores avaient diminué.
Les chercheurs affirment que les détecteurs d’IA évaluent les modèles d’écriture, mais n’établissent pas de manière définitive l’attribution, ce qui rend impraticable une dépendance exclusive à ces outils pour établir une faute académique. Turnitin reconnaît les potentielles inexactitudes et conseille aux éducateurs de ne pas utiliser les résultats de détection comme seule base pour des mesures disciplinaires. Leur logiciel dissimule certains scores bas pour atténuer les risques d’interprétations trompeuses.
À la lumière de ces résultats, les universitaires sont encouragés à rassembler plusieurs formes de preuves avant de conclure à des allégations de faute. Les recommandations pour les universités incluent la révision des premiers brouillons, des notes de recherche, et la discussion des devoirs avec les étudiants pour mieux comprendre leurs processus.
Ces dernières découvertes incitent les universités à repenser leurs méthodes d’enquête sur le plagiat. Bien que les scores automatisés puissent indiquer des travaux nécessitant une attention accrue, l’évaluation humaine demeure essentielle. Les chercheurs plaident pour des procédures d’évaluation et des politiques plus claires afin de contester les accusations erronées, tout en fournissant aux étudiants de meilleures directives sur l’assistance à l’écriture permise.
Alors que la conversation sur les outils de détection d’IA se poursuit, l’accent se déplace de la performance logicielle vers l’assurance d’équité dans les évaluations académiques et la protection du travail original sans considérer des résultats incertains comme des faits.
La mise en œuvre de pratiques d’évaluation mises à jour dans les universités est attendue alors que le discours évolue autour des implications de l’IA sur l’éducation.
