Pourquoi les détecteurs d'IA sont biaisés contre les rédacteurs non natifs de l'anglais

Les détecteurs d’IA biaisés contre les locuteurs non natifs ne relèvent pas d’une plainte subjective. Une étude de Stanford, évaluée par les pairs en 2023, l’a mesuré directement. Les chercheurs ont soumis sept détecteurs GPT largement utilisés à 91 véritables dissertations TOEFL rédigées par des locuteurs non natifs de l’anglais et à 88 dissertations rédigées par des élèves américains de huitième année, puis ont comparé les scores obtenus par chaque groupe.

Les détecteurs ont lu les dissertations de huitième année correctement presque à chaque fois. Pour les dissertations TOEFL, rédigées par des adultes qui avaient déjà réussi un examen de compétence en anglais de niveau universitaire, les mêmes sept outils ont produit un taux moyen de faux positifs de 61.22 percent. Quatre-vingt-neuf des quatre-vingt-onze dissertations, soit près de 98 percent, ont été signalées comme générées par l’IA par au moins un des sept outils.

L’aperçu de TextPulse sur les preuves plus larges concernant la précision des détecteurs d’IA présente cette conclusion principale ainsi que les poursuites judiciaires auxquelles elle a ensuite donné lieu. Ce qui est omis presque partout où l’étude est citée, c’est le mécanisme, pourquoi la prose d’une personne ayant un niveau d’anglais universitaire est-elle d’abord lue comme produite par une machine, et qu’est-ce qui change lorsqu’elle cesse d’être lue ainsi.

Les détecteurs d’IA biaisés contre les locuteurs non natifs, le mécanisme

Un détecteur ne lit jamais le sens. Il lit le degré de prévisibilité de chaque mot, compte tenu des mots qui le précèdent, et attribue un score faible à un passage lorsque le modèle aurait pu en deviner la majeure partie à l’avance. La diversité lexicale, c’est-à-dire l’ampleur du vocabulaire mobilisé par un auteur plutôt que la répétition d’un ensemble plus restreint de mots sûrs, et la prévisibilité syntaxique, c’est-à-dire la mesure dans laquelle la structure des phrases suit le schéma le plus courant de la langue plutôt que de varier, sont deux propriétés de la production linguistique qui font baisser ce score.

La distinction compte parce que les deux apparaissent différemment sur la page. La diversité lexicale concerne les mots eux-mêmes, un auteur qui emploie « obtain », « acquire » et « secure » dans trois phrases différentes paraît plus varié qu’un auteur qui écrit « get » trois fois, même lorsque les phrases sont par ailleurs identiques. La prévisibilité syntaxique concerne la structure, sujet, verbe, objet, répétés encore et encore, plutôt qu’une phrase qui s’ouvre sur une proposition subordonnée ou se termine sur un mot inattendu. Un auteur de langue seconde travaillant dans des conditions d’examen a tout intérêt à adopter la version la plus sûre de ces deux aspects.

L’écriture en langue seconde présente de manière fiable moins de ces deux aspects, et non comme une déficience. Un auteur qui travaille dans une langue supplémentaire s’appuie sur le vocabulaire et les schémas de phrases les plus susceptibles d’être corrects, parce que se tromper coûte davantage lorsque la langue n’est pas encore entièrement automatisée. L’article de Stanford qui a documenté le biais du détecteur cite un ensemble de recherches en linguistique appliquée portant précisément sur ce schéma, établi bien avant l’existence des détecteurs d’IA, une richesse lexicale réduite, une diversité lexicale réduite et une structure de phrase plus simple sont des caractéristiques documentées et mesurables de l’écriture en langue seconde, plutôt qu’un signe de quoi que ce soit d’autre.

Cet écart entre l’écriture native et non native apparaît comme une différence de perplexité, la même mesure qu’un détecteur utilise pour décider si un passage a été généré par une machine. Une perplexité plus faible donne une impression plus mécanique, quel qu’en soit l’auteur, et l’écriture non native se situe plus bas sur cette échelle pour des raisons qui n’ont rien à voir avec un chatbot. La question de savoir si cet écart est réellement ce qui alimente les détecteurs, plutôt qu’une coïncidence, est une question testable. L’équipe de Stanford l’a testée directement.

Ce qui s’est passé lorsque les mêmes essais ont été réécrits avec un vocabulaire plus riche

Les chercheurs ont pris les mêmes 91 dissertations TOEFL qui avaient déclenché un taux moyen de faux positifs de 61.22 percent et ont demandé à ChatGPT de les réviser à l’aide d’une seule consigne, « Enhance the word choices to sound more like that of a native speaker. » Rien dans le contenu, l’argumentation ou la grammaire ne devait être modifié. Après cette unique modification, le taux moyen de faux positifs sur les mêmes sept détecteurs est tombé à 11.77 percent, soit une baisse de près de cinquante points de pourcentage, et le nombre de dissertations que chaque détecteur avait unanimement signalées est passé de dix-huit à un.

Les chercheurs ont ensuite inversé l’expérience. Ils ont pris les 88 dissertations de huitième année rédigées par des locuteurs natifs, que les détecteurs avaient à l’origine correctement évaluées presque à chaque fois, et ont demandé à ChatGPT de simplifier leurs choix lexicaux comme si elles avaient été écrites par un locuteur non natif. Le taux moyen de faux positifs sur ces mêmes dissertations rédigées par des locuteurs natifs est passé de 5.19 percent à 56.65 percent. Les dissertations n’ont pas changé d’auteur. Seul le vocabulaire a changé, et les détecteurs ont suivi le vocabulaire.

La perplexité a évolué de concert avec le taux de mauvaise classification dans les deux sens, elle a augmenté fortement lorsque les dissertations TOEFL ont été enrichies, et a diminué fortement lorsque les dissertations de huitième année ont été simplifiées. Les auteurs en tirent une conclusion sans détour, ce à quoi les détecteurs répondaient en réalité n’a jamais été l’auteur. C’était le choix des mots, une propriété que le vocabulaire de n’importe quel écrivain peut porter, quel que soit l’endroit où il a appris l’anglais.

Dans quelle mesure le biais est-il cohérent entre différents détecteurs

Les sept détecteurs ne s’accordaient pas sur grand-chose, sauf sur le sens dans lequel l’erreur se produisait. Chacun d’entre eux signalait les dissertations TOEFL beaucoup plus souvent que les dissertations de huitième année, mais selon des écarts très différents.

Détecteur	Taux de faux positifs, dissertations TOEFL	Taux de faux positifs, dissertations rédigées par des locuteurs natifs
Originality.ai	76%	1%
Quil.org	75%	9%
Sapling	68%	5%
OpenAI's detector	58%	9%
Crossplag	52%	12%
GPTZero	52%	0%
ZeroGPT	48%	0%

Il s'agit de chiffres de 2023, mesurés sur des outils tels qu'ils existaient alors. Plusieurs ont depuis complètement changé, OpenAI a fermé son propre détecteur en juillet 2023, quatre mois après ce test, après avoir constaté qu'il ne signalait correctement que 26 pour cent du texte réellement rédigé par l'IA tout en étiquetant à tort 9 pour cent des écrits humains. Ce qui n'a pas changé, c'est la direction de l'écart. Un benchmark de biais plus large, conçu spécifiquement pour tester les détecteurs selon des catégories démographiques et linguistiques, publié en décembre 2025 et appliqué à quatre nouveaux outils open source, a encore signalé un rappel systématiquement plus faible pour les groupes de rédacteurs sous-représentés.

Ce biais apparaît-il encore dans les détecteurs plus récents ?

L'étude de Stanford a maintenant plusieurs générations d'IA de retard, et ses propres auteurs ont eux-mêmes formulé la limite, un petit échantillon pilote, et des détecteurs construits principalement sur GPT-2, un modèle bien plus petit et plus ancien que celui qui alimente la détection aujourd'hui. Cela soulève une question légitime. Une meilleure technologie a-t-elle comblé l'écart ?

Le test dédié le plus récent dit non, pas encore. Dans une étude de février 2026 menée à l’Université Sultan Qaboos, des chercheurs ont testé deux détecteurs commerciaux actuels, Turnitin et Originality, sur 192 textes mêlant des écrits authentiques d’étudiants en EFL antérieurs à ChatGPT, des écrits humains professionnels, du texte généré par IA et du texte hybride humain IA. Les résultats ont montré une exactitude globale de 69 percent et 61 percent pour les deux outils, l’exactitude dans la catégorie hybride, c’est à dire le type d’écriture qu’un passage de révision produit réellement, tombant presque à zéro. La même étude a également révélé un second biais parallèle au biais linguistique, l’exactitude dans l’écriture scientifique étant inférieure de 28 à 38 points de pourcentage à celle de l’écriture en sciences humaines.

Aucune de ces deux constatations ne concerne un seul produit défectueux. Deux architectures de détecteurs différentes, testées à trois ans d’intervalle sur des corpus différents par des équipes de recherche différentes, aboutissent toujours au même résultat, à savoir que l’écriture façonnée par les conventions du genre ou par une seconde langue se situe plus près de ce que ces outils appellent une production machinique que l’écriture qui n’est ni l’une ni l’autre. Les outils gratuits de TextPulse permettent à un auteur de vérifier ce même profil statistique avant que quoi que ce soit n’atteigne le détecteur d’une institution.

Des preuves indépendantes que l’écart est réel, et non un artefact de test

Le premier problème des résultats du TOEFL est qu’on pourrait soutenir qu’ils ne s’appliquent qu’à une petite étude pilote de 2023. La même équipe de recherche a répondu à cela dans une autre étude utilisant des données qui n’ont rien à voir avec les détecteurs. Elle a examiné 1,574 articles acceptés à ICLR 2023, une grande conférence de machine learning, en limitant l’échantillon aux résumés soumis et évalués avant l’existence de ChatGPT.

Les auteurs basés dans des pays où l’anglais n’est pas la langue principale ont rédigé des résumés avec une perplexité nettement plus faible que les auteurs basés dans des pays anglophones natifs, et cet écart persistait même après contrôle de la note attribuée à chaque article par les évaluateurs. Cet échantillon n’aurait pas pu être façonné par quelqu’un cherchant à paraître plus ou moins comme un chatbot. ChatGPT était à trois mois de sa sortie lorsque la période de soumission s’est close. L’écart de perplexité entre l’écriture académique native et non native n’est pas quelque chose que les détecteurs ont inventé. C’est quelque chose qu’ils ont hérité.

Une analyse statistique de 2026 de la détection de l’IA comme problème de test propose une version formelle de la même conclusion. Chaque fois qu’un groupe d’auteurs produit un langage qui se recoupe, dans l’ensemble, avec la sortie typique de l’IA, tout détecteur ayant une réelle capacité à repérer un texte rédigé par l’IA doit présenter pour ce groupe précis un taux plus élevé de faux positifs, une propriété mathématique du test d’une population diverse plutôt qu’un défaut d’un outil particulier. Les auteurs non natifs de l’anglais constituent le cas documenté le plus clair de ce recoupement exact.

Ce que cela signifie pour les auteurs dans une deuxième langue

Rien de tout cela n’est un argument en faveur d’une écriture moins fidèle à soi-même. C’est une raison de savoir ce qui est réellement mesuré avant qu’un score n’arrive. Un détecteur qui lit votre prose comme prévisible relève une propriété statistique réelle de l’écriture en deuxième langue, et non une preuve que vous avez utilisé un outil que vous n’avez pas utilisé.

Les chercheurs de Stanford qui ont mené l’étude initiale notent une implication inconfortable de leur propre résultat, le même ajustement du vocabulaire qui réduit le risque de faux positifs est aussi le type de révision qu’un auteur pourrait souhaiter pour des raisons entièrement distinctes, une formulation plus claire, un mot plus précis, indépendamment de tout détecteur. La page de TextPulse pour les auteurs académiques ESL page for ESL academic writers couvre à quoi ressemble ce type de révision sur de vraies phrases, indépendamment de tout ce qui concerne un score de détection.

Les détecteurs plus récents commencent à prendre explicitement en compte ce schéma. Pangram, l’un des entrants commerciaux les plus récents, indique dans sa propre documentation technique que son classifieur n’est pas biaisé contre les auteurs d’anglais non natifs, bien que cette affirmation provienne du fournisseur et non d’un test indépendant. Un vérificateur de perplexité gratuit montre la même mesure sous-jacente que l’un quelconque de ces outils calcule à partir d’un texte, sans envoyer d’abord le brouillon ailleurs.

Deux compagnons pratiques se situent dans le même ensemble, when to use a, an and the, qui est la source la plus fréquente du schéma, et how to sound natural in English academic writing plus généralement.

La recherche continue de s’accumuler dans la même direction deux ans plus tard, à travers différentes équipes, différents détecteurs et différents plans de test. Ce qui n’a pas suivi le rythme est une réponse institutionnelle largement adoptée, auditer un détecteur sur un éventail d’auteurs avant de lui faire confiance pour l’un d’entre eux, plutôt qu’après qu’un étudiant précis a déjà été accusé. Tant que cela ne deviendra pas une routine, la charge de prouver qu’une fausse alerte est erronée retombera exactement sur les auteurs que cette recherche dit être les plus susceptibles d’en recevoir une.