Aller au contenu
Précision mesurée

Précision du détecteur d’IA par type de texte

La précision du détecteur d’IA varie selon la langue et le type de texte. Chaque chiffre ci-dessous a été mesuré sur des textes réservés sur lesquels le détecteur n’a jamais été ajusté, au seuil qu’utilise la carte de résultat, avec la taille de l’échantillon et son intervalle. Découvrez ci-dessous la reconnaissance de l’IA et les faux positifs pour chaque langue.

  • 13 langues avec une calibration distincte
  • Un score, un niveau de confiance et des phrases repérées
  • Des mesures répétées lorsque le modèle ou le seuil change
Résultats par langue

Comparez les langues prises en charge

La part des textes d’IA reconnue par le test sur textes réservés de chaque langue et la part des textes humains signalée, un texte comptant comme signalé à partir d’un score de 65.

  • Anglais

    IA reconnue lors du test90.7 %
    Textes de natifs signalés0 %
    Textes de non-natifs signalés0.5 %
    Mesuré sur des textes réservés, 2026-10-12
  • Espagnol

    IA reconnue lors du test82.9 %
    Textes de natifs signalés0.7 %
    Textes de non-natifs signalés0.7 %
    Mesuré sur des textes réservés, 2026-10-12
  • Français

    IA reconnue lors du test68.8 %
    Textes de natifs signalés0 %
    Textes de non-natifs signalés1 %
    Mesuré sur des textes réservés, 2026-10-12
  • Allemand

    IA reconnue lors du test90.7 %
    Textes de natifs signalés0 %
    Textes de non-natifs signalés0 %
    Mesuré sur des textes réservés, 2026-10-12
  • Italien

    IA reconnue lors du test94.7 %
    Textes de natifs signalés0 %
    Textes de non-natifs signalés0.7 %
    Mesuré sur des textes réservés, 2026-10-12
  • Portugais

    IA reconnue lors du test96 %
    Textes de natifs signalés0.7 %
    Mesuré sur des textes réservés, 2026-10-12
  • Néerlandais

    IA reconnue lors du test97.3 %
    Textes de natifs signalés1.3 %
    Mesuré sur des textes réservés, 2026-10-12
  • Polonais

    IA reconnue lors du test91.9 %
    Textes de natifs signalés0 %
    Mesuré sur des textes réservés, 2026-10-12
  • Turc

    IA reconnue lors du test89 %
    Textes de natifs signalés0 %
    Mesuré sur des textes réservés, 2026-10-12
  • Russe

    IA reconnue lors du test90.7 %
    Textes de natifs signalés0.7 %
    Mesuré sur des textes réservés, 2026-10-12
  • Arabe

    IA reconnue lors du test95.9 %
    Textes de natifs signalés0.7 %
    Mesuré sur des textes réservés, 2026-10-12
  • Hindi

    IA reconnue lors du test94.5 %
    Textes de natifs signalés0.7 %
    Mesuré sur des textes réservés, 2026-10-12
  • Indonésien

    IA reconnue lors du test98.6 %
    Textes de natifs signalés0 %
    Mesuré sur des textes réservés, 2026-10-12

Choisissez une langue pour voir quelle part des textes d’IA le test sur textes réservés a reconnue et quelle part des textes humains il a signalée, séparément pour les locuteurs natifs et non natifs.

Résultats par langue

Les deux facettes de la précision du détecteur d’IA

Résultats des tests : Anglais

Textes générés par IA reconnus

90.7 %

68 sur 75 textes

Intervalle à 95 % : 82 % à 95.4 %

Tous les textes automatiques du test : réponses d’un modèle de chat, suites d’un début humain et paraphrases.

Réponses de chat IA reconnues

100 %

54 sur 54 textes

Intervalle à 95 % : 93.4 % à 100 %

Textes écrits entièrement par un modèle de chat.

Textes de natifs signalés à tort

0 %

0 sur 150 textes

Intervalle à 95 % : 0 % à 2.5 %

Un taux plus faible signifie que moins de textes humains ont été signalés lors du test. Consultez les notes pour connaître les auteurs et les types de textes inclus.

Textes de non-natifs signalés à tort

0.5 %

3 sur 600 textes

Intervalle à 95 % : 0.2 % à 1.5 %

Rédactions et réponses de personnes qui écrivent dans une langue apprise.

Ces taux proviennent de textes réservés sur lesquels le détecteur n’a jamais été ajusté. Un texte compte comme signalé à partir d’un score de 65, le seuil qu’utilise la carte de résultat. Les taux décrivent le test, pas la certitude d’un score individuel.

Mesuré sur des textes réservés, 2026-10-12
Longueur du texte

Donnez suffisamment de contexte au détecteur

Les passages plus longs fournissent davantage d’indices sur les caractéristiques d’écriture. Consultez le niveau de confiance avec le score, car la langue et le type de texte influencent aussi le résultat. Que devez-vous coller ? Choisissez un passage continu du document que vous souhaitez examiner. Conservez sa formulation intacte pour la première vérification, puis utilisez les repères sur les phrases pour déterminer les passages à examiner de plus près.

En dessous de 50 mots, le détecteur ne fournit aucune analyse.

Comparez les tests sur les textes courts

Résultats des tests : Anglais

Les mesures sur les textes courts pour cette langue sont en attente.

Fonctionnement

De votre texte à une analyse utile

Le détecteur analyse la prévisibilité du texte, phrase par phrase. Il utilise des motifs appris à partir de textes humains et générés par machine, puis applique la courbe de calibration ajustée à la langue du texte. Il évalue les caractéristiques d’écriture plutôt que de rechercher des mots interdits, un filigrane ou une correspondance dans une base de données.

  1. 01

    Ajoutez votre texte

    Collez votre texte ou importez un fichier dans une langue figurant sur cette page.

  2. 02

    Analyse de chaque phrase dans son contexte

    Chaque phrase est évaluée avec le passage qui l’entoure, afin que l’analyse ne se limite pas à des formulations isolées.

  3. 03

    Évaluation des caractéristiques d’écriture

    Des modèles entraînés attribuent un score selon la proximité de chaque passage avec les motifs associés à l’écriture humaine ou générée par machine.

  4. 04

    Application de la calibration linguistique

    Le score est interprété à l’aide d’une courbe ajustée à la langue du texte, qui tient aussi compte des textes de personnes dont ce n’est pas la langue maternelle.

  5. 05

    Consultez le score et les indices

    Vous obtenez un chiffre, son intervalle, un niveau de confiance élevé, moyen ou faible, ainsi que des repères indiquant les phrases qui suggèrent une écriture humaine ou générée par IA.

Conception et tests

Des mesures attentives aux auteurs humains

Les indices sont plus utiles lorsque les faux positifs sont mesurés en parallèle de la reconnaissance de l’IA. Nous fixons le seuil de décision en tenant compte des textes humains, puis publions des résultats datés et le contexte nécessaire pour les interpréter. Ces mesures sont celles de Blurwrite. Les liens vers les recherches et la vérification externe apportent un éclairage distinct, afin que vous puissiez distinguer nos tests des données externes.

  1. 01

    Apprendre à partir de textes variés

    Les modèles ont appris à partir de nombreux corpus et sources, couvrant des textes humains variés et des textes générés par les modèles actuels.

  2. 02

    Calibrer chaque langue

    Chaque langue dispose de sa propre courbe ajustée à partir de textes dans cette langue, y compris ceux de personnes dont ce n’est pas la langue maternelle.

  3. 03

    Tester au-delà de la calibration

    Les tests indépendants couvrent des textes exclus de la calibration, des apprenants en langues, d’anciennes générations de modèles, d’autres familles de modèles et des suites générées par machine à partir de débuts de textes humains.

  4. 04

    Appliquer une règle de publication

    Notre règle de publication fixe un plafond d’un faux positif sur vingt pour les types de textes dont nous publions les chiffres, avec des mesures distinctes pour les auteurs non natifs. Les résultats des tests indépendants ci-dessous montrent comment les analyses actuelles se situent par rapport à cette règle.

Comment fonctionne le seuil de décision

Les textes humains et générés par machine peuvent produire des scores qui se chevauchent. Le seuil de décision équilibre la reconnaissance de l’IA et la protection contre les faux positifs. Les textes proches de ce seuil demandent une attention accrue au niveau de confiance et aux indices phrase par phrase.

Texte humainTexte généré par machineSeuil de décisionIndices qui se chevauchent

Mesurer la précision pour les auteurs non natifs

Des recherches ont montré que les détecteurs d’IA peuvent signaler plus souvent les dissertations en anglais d’auteurs non natifs que celles d’auteurs natifs. Nous mesurons séparément les textes d’auteurs non natifs afin qu’une moyenne globale par langue ne masque pas ces erreurs.

Précision du détecteur d’IA : questions fréquentes

Un score de détection d’IA de 20 % est-il mauvais ?

Un score de 20 % est une analyse du texte, pas la preuve que vous avez utilisé l’IA ou qu’une part fixe de vos mots a été générée. Examinez le niveau de confiance et les passages repérés dans leur contexte. Qu’est-ce que la règle des 30 % pour l’IA ? Considérez tout seuil en pourcentage comme une règle à vérifier auprès de l’organisme qui demande votre travail. Demandez s’il s’agit d’un score d’IA, d’un score de similarité ou d’une politique d’utilisation autorisée. Ces notions désignent des choses différentes. Le seuil de décision d’un outil a également une fonction différente des exigences d’un devoir. Vérifiez votre texte avec le détecteur d’IA Blurwrite pour consulter les indices derrière son score.

Un détecteur d’IA peut-il se tromper ?

Oui. Des textes humains peuvent être signalés, et les taux varient selon la langue et le type de texte. Un extrait de 50 mots fournit moins de contexte qu’un passage plus long ; comparez un échantillon de 50 mots à un autre de 100 mots ou plus. Pourquoi mon propre texte a-t-il été signalé ? Les textes humains et générés par machine peuvent partager des caractéristiques, si bien qu’un passage authentique peut franchir le seuil de décision. Partez du texte exact qui a été vérifié et examinez les phrases repérées. Si vous discutez d’un résultat contesté, consignez l’outil, la date, la langue, l’extrait et le niveau de confiance. L’examen reste ainsi centré sur l’analyse réelle plutôt que sur des suppositions concernant votre processus d’écriture. Vérifiez votre texte avec Blurwrite et consultez le niveau de confiance avec le score.

Comment prouver que je n’ai pas utilisé l’IA ?

Les brouillons, l’historique des versions, les notes et les références des sources peuvent aider à montrer votre processus d’écriture. Conservez ces éléments et expliquez comment vous avez élaboré le texte ; un score de détecteur apporte du contexte, mais ne prouve pas qui en est l’auteur. Que dois-je partager lors d’un examen ? Établissez une chronologie claire, de votre plan au texte remis. Indiquez où vous avez ajouté des sources, modifié un argument ou révisé un passage. Conservez les fichiers originaux et leurs horodatages lorsqu’ils sont disponibles. Demandez à la personne chargée de l’examen quels passages ont suscité des doutes et quels éléments de preuve sa procédure accepte. Si vous avez utilisé une aide à la rédaction autorisée, expliquez son rôle et suivez la politique de déclaration applicable. Vérifiez votre texte avec Blurwrite pour examiner les passages qui pourraient nécessiter une explication.

Quelle est la qualité de la détection d’IA utilisée par mon établissement ?

Évaluez-la à partir de tests publiés pour la version, la langue et le type de texte concernés. Les mesures de cette page décrivent Blurwrite, pas les performances d’un autre outil. Comment comparer les détecteurs d’IA ? Recherchez des taux de reconnaissance datés, des faux positifs, des tailles d’échantillon, des types de textes et des tests indépendants sur des contenus comparables. Examinez la manière dont les outils traitent les passages réécrits et si les mesures sont actualisées à mesure que les textes générés par IA évoluent. Pour une dissertation, privilégiez les résultats sur les dissertations plutôt qu’une moyenne générale. Demandez si le seuil annoncé correspond à celui utilisé en pratique et si les auteurs non natifs ont été testés séparément. L’accord entre outils apporte un contexte utile, mais des erreurs communes peuvent aussi produire cet accord. Vérifiez votre texte avec le détecteur d’IA Blurwrite et utilisez le guide de lecture du score sur cette page pour interpréter le résultat.

Lisez les résultats dans leur contexte

Ce que signifient le score et le niveau de confiance

Le score décrit ce que l’analyse du texte suggère, tandis que le niveau élevé, moyen ou faible décrit la solidité des indices. Utilisez les repères sur les phrases pour identifier les passages à examiner, plutôt que de considérer le score comme une preuve de l’origine du texte. En quoi les taux des tests diffèrent-ils ? La reconnaissance de l’IA compte les textes générés par machine correctement signalés. Le taux de faux positifs compte les textes humains signalés à tort. Leurs dénominateurs correspondent à des groupes différents : ces taux ne sont donc pas opposés et ne doivent pas être additionnés. Une comparaison utile de la précision présente les deux, avec les tailles d’échantillon, les types de textes et le seuil de décision. Un résultat individuel constitue une analyse distincte de votre texte.

Retour à l’outil