Comment Turnitin détecte l'IA, étape par étape

Un rapport Turnitin peut afficher un seul chiffre, par exemple quarante-deux pour cent, et ne presque rien dire d’autre sur la manière dont il a été obtenu, à moins que quelqu’un n’aille chercher le mécanisme qui se trouve derrière. Ce chiffre n’est pas lu sur le document dans son ensemble et ce n’est pas une supposition. Il est l’aboutissement d’un pipeline spécifique et documenté, qui fonctionne de la même manière pour chaque soumission.

Alors, comment Turnitin détecte-t-il l’IA ? En découpant une soumission en parties, en les évaluant individuellement selon qu’elles sont susceptibles d’avoir été générées par l’IA ou générées par l’IA puis paraphrasées, puis en faisant la moyenne de ces scores pour déterminer le score en pourcentage global affiché sur le rapport. Chaque étape de ce pipeline est décrite dans la documentation propre à Turnitin, et non reconstituée de l’extérieur.

Il s’agit ici spécifiquement de la fonctionnalité de détection de rédaction par IA de Turnitin, un système distinct de l’ancien contrôle de similarité ou de plagiat qui compare une soumission à d’autres documents. Les mécanismes ci-dessous s’inscrivent dans la question plus large de comment les détecteurs d’IA fonctionnent réellement, et Turnitin constitue un exemple pratique utile précisément parce qu’il publie davantage de sa propre méthode que la plupart des fournisseurs. Ce qui suit présente d’abord le pipeline, puis ce qu’il signale en pratique, ce que des tests indépendants ont montré qu’il manque, et qui, au sein d’une institution, voit effectivement le résultat.

Comment Turnitin détecte-t-il l’IA ? Le pipeline en bref

Le détecteur de rédaction par IA de Turnitin fonctionne en quatre étapes, dans un ordre fixe. Premièrement, il vérifie si un document contient suffisamment de prose admissible pour être évalué. Deuxièmement, il divise ce texte en segments de quelques centaines de mots chacun. Troisièmement, un modèle attribue un score à chaque segment individuellement. Quatrièmement, les scores des segments sont moyennés pour produire le pourcentage unique au niveau du document que le lecteur voit réellement.

Le rapport de rédaction par IA n'est pas le rapport de similarité

Le rapport de rédaction par IA de Turnitin est un produit distinct du rapport de similarité qui vérifie le plagiat. Ils fonctionnent sur des modèles différents et sont affichés dans des onglets différents de la même interface. Le score de similarité compare une soumission à une base de données de sources déjà publiées et à d'autres travaux d'étudiants, puis renvoie le pourcentage correspondant. Le score d'IA fait tout autre chose, un classificateur lit la prose, attribue à chaque segment évalué une probabilité d'avoir été généré par IA, puis agrège ces scores en un pourcentage unique au niveau du document. Comme ils mesurent des choses différentes, une soumission peut présenter un score de similarité de 2 percent et un score d'IA de 60 percent, ou l'inverse.

Le pourcentage d'IA est aussi plus restreint qu'il n'y paraît. Il décrit la proportion de prose admissible que le modèle prévoit comme ayant été rédigée par IA, et non l'ensemble du document, car les blocs de code, les listes à puces, les titres et les textes de forme courte sont supprimés avant le calcul du score. À la date de rédaction, le détecteur fonctionne uniquement sur des textes en English, Spanish et Japanese.

Étape un, segmenter le document en blocs

Avant toute évaluation, le modèle de Turnitin divise la soumission en blocs de quelques centaines de mots chacun, soit environ cinq à dix phrases par bloc. La segmentation intervient d'abord parce que le modèle a été conçu pour attribuer un score à un bloc de cette taille, et non à une seule phrase, ni à une dissertation entière en une seule passe.

Seul le texte en prose compte dans un segment. Le modèle a été conçu pour lire des textes longs. Un document qui contient à la fois de la prose et des tableaux ou du code sera évalué comme comportant un certain pourcentage de texte en prose, mais il peut ne pas décrire l’ensemble du texte en prose du document. Cela tient au fait que le détecteur évalue un ensemble de données qui n’inclut pas les blocs de code, les puces ni les textes courts. C’est pourquoi le document peut renvoyer un pourcentage qui ne décrit qu’une partie de ce qui a été soumis.

La notation au niveau du segment a une conséquence plus discrète qu’il convient de nommer. Une seule phrase rédigée par l’IA, insérée dans un segment par ailleurs rédigé par un humain et de quelques centaines de mots, est moyennée avec tout le reste de ce segment, de sorte que son effet sur le score propre à ce segment est dilué par la quantité de texte rédigé par des humains qui partage le même segment. Une brève insertion rédigée par l’IA atteint tout de même le modèle. Elle pèse simplement moins qu’un segment rédigé par l’IA du premier au dernier mot.

Étape deux, notation de chaque segment

Chaque segment est noté séparément, indépendamment de tous les autres segments du document. Le modèle prédit si cet extrait précis de texte est rédigé par un humain, généré par l’IA, ou généré par l’IA puis paraphrasé, soit une distinction à trois catégories plutôt qu’un simple oui ou non.

Il s’agit d’une catégorie distincte et non d’un simple prolongement de AI-generated, ce qui suggère qu’il existe un véritable problème lorsque la paraphrase affaiblit la détection. Cela est étayé par une étude de 2023, qui a montré que le passage d’un texte généré par l’IA dans un modèle de paraphrase dédié faisait chuter un détecteur de recherche appelé DetectGPT de 70.3% de précision à 4.6%, avec un taux constant de faux positifs de 1%. Il ne semble pas que Turnitin ait publié quoi que ce soit sur la résistance de son propre classificateur à trois catégories à la même technique. Cette catégorie existe pour une raison documentée.

La notation au niveau des segments plutôt qu’au niveau du document entier est un choix de conception délibéré. Une thèse de quatre-vingt-dix pages avec deux paragraphes rédigés par IA et un essai de cinq pages entièrement rédigé par IA sont des problèmes différents, et la moyenne calculée sur les segments est ce qui permet à un seul chiffre au niveau du document de refléter cette différence au lieu de l’aplanir.

Turnitin n’a pas publié l’architecture interne de ce modèle par segment avec le même niveau de détail que les étapes de son pipeline. Il s’agit d’un classifieur supervisé entraîné sur des exemples étiquetés, et non d’un simple seuil appliqué au type de score brut du prochain jeton couvert dans le guide de TextPulse sur ce que mesure réellement la perplexité dans la détection par IA, bien que la même idée sous-jacente, un texte inhabituellement prévisible, fasse presque certainement partie de ce qu’un tel classifieur apprend à repérer.

Étape trois, moyenne vers un pourcentage au niveau du document

Les scores des segments sont moyennés pour produire le pourcentage unique qu’affiche un rapport. Ce pourcentage représente la proportion de prose admissible, uniquement l’écriture de forme longue, que le modèle prédit comme étant générée par IA ou générée par IA puis paraphrasée. Il s’agit d’une proportion de segments notés, et non d’une affirmation selon laquelle une part exacte des mots du document aurait été littéralement saisie par une machine.

Le pourcentage figurant sur le rapport est la moyenne. C’est pourquoi deux documents qui affichent tous deux quarante pour cent peuvent sembler différents lorsqu’on les examine de près. L’un peut avoir quarante pour cent de ses segments notés comme entièrement générés par IA. Un autre peut avoir chaque segment noté comme partiellement probable, ce qui aboutit à la même valeur globale. Cela ne montre pas quel schéma l’a produit.

Turnitin peut-il détecter ChatGPT, Claude ou Gemini ?

En général, oui, lorsqu’un document contient une écriture substantielle produite par IA, et le classificateur ne se soucie pas du fournisseur qui l’a produite. Turnitin indique que son modèle recherche un schéma d’écriture plutôt qu’un nom de marque, et sa couverture s’est élargie à plusieurs reprises depuis le lancement initial de GPT-3.5 et GPT-4 en 2023. Les indications actuelles mentionnent la série GPT-5, Gemini et Claude parmi les systèmes contre lesquels il est entraîné, avec de nouveaux modèles ajoutés de manière continue. Un étudiant qui a utilisé Gemini, Claude ou DeepSeek à la place ne contourne pas le détecteur simplement en choisissant une autre entreprise.

La part des soumissions concernées a augmenté. Environ 15 percent des dissertations analysées par Turnitin entre octobre 2025 et février 2026 présentaient 80 percent ou plus de texte généré par IA, contre environ 3 percent lors du lancement de l’outil en avril 2023.

Le texte d’IA paraphrasé reçoit sa propre catégorie plutôt qu’un passe-droit, ce qui correspond à la classification en trois catégories décrite ci-dessus. La documentation de Turnitin distingue le texte qu’il juge uniquement généré par IA du texte qu’il juge généré par IA puis paraphrasé par IA, et en août 2025, elle a ajouté une détection visant spécifiquement les outils de contournement de l’IA conçus pour réécrire la sortie machine afin de passer un détecteur. Cela ne signifie pas que la paraphrase est inutile ni que chaque passage réécrit est détecté. Cela signifie que l’hypothèse selon laquelle la paraphrase est invisible par défaut pour Turnitin est dépassée depuis un certain temps. Ce que l’outil fait avec le texte paraphrasé en particulier, et avec la sortie de DeepSeek, est traité séparément.

Le seuil minimal de mots et le seuil avec astérisque

Une soumission doit comporter au moins 300 mots de prose admissible avant que le détecteur d’IA de Turnitin ne génère un score, ce seuil ayant été relevé par rapport à un minimum antérieur de 150 mots. En dessous de cette longueur, il n’y a tout simplement pas assez de texte pour que le processus de segmentation et de moyenne puisse fonctionner.

Le seuil de 300 mots correspond à la taille d’un seul bloc de notation décrit plus haut, quelques centaines de mots, cinq à dix phrases. Un document qui se situe exactement au minimum ne fournit en réalité au pipeline qu’une seule portion de texte admissible à moyenner, plutôt que plusieurs, ce qui explique en partie pourquoi un rapport proche de ce seuil a plus de chances de tomber dans la plage moins fiable que le seuil suivant vise à signaler.

Turnitin n’affiche pas non plus de pourcentage inférieur à un seuil de 20%. Depuis juillet 2024, le rapport affiche un astérisque à côté du signe pour cent au lieu d’un nombre. Ce seul élément du comportement du rapport crée plus de confusion que toute autre partie du pipeline, c’est pourquoi il fait l’objet de sa propre section ci-dessous.

Condition	Ce que le rapport affiche	Pourquoi
Moins de 300 mots de prose admissible	Aucun score d’IA du tout	Pas assez de texte pour que le pipeline de segmentation et de moyenne fonctionne de manière fiable
Le score tomberait sous 20%	Un astérisque à côté d’un signe pour cent, pas un nombre	La propre documentation de Turnitin signale un taux de faux positifs sensiblement plus élevé dans cette plage
Score de 20% ou plus	Un pourcentage précis	Considéré comme suffisamment fiable par Turnitin pour être affiché sous forme de nombre

Que signifie le score avec astérisque sur Turnitin ?

Un astérisque dans un rapport de rédaction IA de Turnitin signifie que le modèle a détecté une certaine rédaction IA, mais moins de 20 pour cent du document, et Turnitin refuse de publier un nombre dans cette plage. À l’endroit où se trouverait normalement un pourcentage, le rapport affiche à la place un astérisque à côté d’un signe pour cent. La documentation produit de Turnitin l’indique explicitement : "When AI is detected below the 20% threshold in the report, it is now indicated with an asterisk (*%) and no percentage is attributed."

Une astérisque n’est donc ni une erreur, ni un score manquant, ni le signe qu’un problème est survenu lors du téléversement. Il s’agit d’une décision délibérée du fournisseur de ne pas afficher une valeur qu’il ne juge pas assez fiable pour être imprimée.

Pourquoi Turnitin masque le nombre inférieur à 20 percent

Parce que cette plage est celle où l’outil a le plus de chances de se tromper, et la propre promesse de précision de Turnitin est formulée de manière à l’exclure. L’entreprise s’engage à maintenir son taux de faux positifs « sous 1% pour les documents avec plus de 20% d’écriture par IA ». Il faut lire attentivement le périmètre, l’engagement comporte un seuil intégré, et ce seuil est précisément les 20 percent. En dessous de cette ligne, l’entreprise ne revendique pas la même fiabilité, donc, plutôt que d’afficher un petit nombre qu’un lecteur interpréterait inévitablement comme précis, elle n’affiche rien du tout. L’astérisque existe pour éviter les faux positifs, c’est-à-dire pour éviter de remettre à un enseignant une valeur qui déformerait un document rédigé par un humain.

Le raisonnement suit la mécanique décrite plus haut. Un score au niveau du document est une moyenne calculée sur des segments de quelques centaines de mots. Lorsque seule une faible part de ces segments est évaluée comme IA, la moyenne obtenue repose sur très peu de signal, et le pipeline ne peut pas distinguer de manière fiable un véritable 8 percent d’un faux. La suppression du nombre est la réponse honnête à cette situation, et c’est la même logique qui sous-tend le minimum de 300 mots.

Ce que signifie l’astérisque dans la pratique à l’université

Dans la pratique, la plupart des établissements considèrent une astérisque comme quelque chose sur lequel il n’y a rien à faire, et la lisent comme un score faible compatible avec un travail rédigé par un humain. Le raisonnement est simple. Si le fournisseur qui a conçu le détecteur ne veut pas assumer une valeur dans cette plage, un enseignant n’a rien de substantiel à reprocher à un étudiant, et encore moins quelque chose à porter devant une commission de manquement à l’intégrité. Pour la plupart des procédures d’intégrité académique, un rapport affichant une astérisque est fonctionnellement équivalent à un rapport vierge.

C’est une description de la manière dont le résultat est utilisé, ce qu’il est utile de savoir si vous êtes en train d’en examiner un. Ce n’est pas la même chose qu’une conclusion sur ce qu’est réellement le document, et la distinction compte dans les deux sens.

Ce que l’astérisque ne signifie pas

• Ce n’est pas un certificat de paternité humaine. Turnitin refuse d’attribuer au document un score avec confiance, ce qui est une affirmation sur le détecteur plutôt que sur l’auteur.
• Ce n’est pas la même chose que zéro. Un document sans aucune écriture par IA et un document avec un seul paragraphe assisté par IA peuvent produire le même astérisque, et c’est précisément pourquoi le chiffre est retenu.
• Ce n’est pas comparable d’une soumission à l’autre. Deux astérisques vous indiquent que les deux documents sont passés sous le même seuil, et rien sur la manière dont ils se comparent l’un à l’autre.
• Ce n’est pas le score de similarité. La détection du plagiat est un rapport distinct, dans un onglet distinct, et elle affiche son propre pourcentage, quel que soit le comportement de l’indicateur d’IA.

La conséquence pratique qu’il vaut la peine de retenir est qu’une légère retouche assistée par IA, un paragraphe réécrit avec aide et le reste rédigé sans assistance, produira souvent un astérisque plutôt qu’un petit pourcentage. Ni la présence ni l’absence d’un chiffre ne tranche la question à elle seule, ce qui est la même conclusion que celle à laquelle parviennent les chiffres de précision ci-dessous, mais dans l’autre sens.

Ce que Turnitin affirme au sujet de la précision, et à qui appartiennent ces chiffres

Turnitin publie ses propres chiffres de précision, et il convient de les lire exactement pour ce qu’ils sont, les chiffres de validation du fournisseur lui-même, et non un audit indépendant. Son matériel publié indique un taux de faux positifs inférieur à 1% pour les documents que le modèle évalue à plus de 20% d’écriture par IA, un seuil qui correspond au point de coupure de l’astérisque décrit ci-dessus. Le même programme a ensuite été étendu à des échantillons d’écriture d’apprenants de l’anglais en réponse à des recherches sur le biais des détecteurs.

Turnitin affirme avoir validé ce chiffre par rapport à une vaste base de référence de travaux rédigés par des humains et soumis avant l’existence de ChatGPT. Les documents de Turnitin sont incohérents quant à la taille exacte de cette base de référence, la page de FAQ cite 700,000 travaux, tandis qu’un billet de blog du Chief Product Officer de Turnitin cite 800,000, avec la même affirmation de moins de 1% associée aux deux. Les documents de Turnitin décrivent aussi un compromis, selon les propres termes de l’entreprise, détecter plus agressivement le contenu généré par IA signifie en manquer environ 15%.

L’entreprise a aussi révisé publiquement ses propres affirmations. En 2023, peu après le lancement, le chief product officer de Turnitin a reconnu que les tests en laboratoire n’avaient pas prévu combien de faux positifs apparaîtraient dans l’usage réel, en particulier pour les soumissions courtes, et a signalé un taux de faux positifs au niveau de la phrase d’environ 4 percent. Le relèvement de la longueur minimale pouvant être notée de 150 à 300 words a constitué la réponse à cet écart.

Pris ensemble, ces chiffres décrivent un compromis précis plutôt qu’un seul chiffre de précision. Un taux de faux positifs inférieur à 1% semble proche du négligeable jusqu’à ce qu’on le mette à l’échelle du nombre de soumissions traitées par le système, et un taux de non-détection de 15% signifie qu’une part significative du contenu généré par IA est notée comme humaine par conception, et non par dysfonctionnement. Les documents de Turnitin présentent ces deux chiffres comme l’équilibre voulu du système, et non comme la preuve que l’outil a simplement raison ou simplement tort.

Ce que les tests indépendants ont révélé

Les tests indépendants apportent des précisions que les chiffres du fournisseur ne donnent pas, dans le même esprit que les tests indépendants des détecteurs d’IA plus larges, qui continuent de mettre en évidence des écarts entre les conditions de laboratoire et les soumissions réelles. Le Center for the Advancement of Teaching de Temple University a mené l’un des examens les plus rigoureux disponibles. Les chercheurs ont soumis 120 échantillons d’écriture, répartis également entre une écriture entièrement humaine, une écriture entièrement générée par IA, une écriture générée par IA passée par un outil de paraphrase, et des textes hybrides combinant des contributions humaines et de IA, puis ont consigné ce que Turnitin a renvoyé pour chacun.

L’outil a correctement identifié 93 pour cent des échantillons purement humains et 77 pour cent de ceux entièrement générés par IA. Pour les questions plus difficiles, la précision a encore diminué. Turnitin a correctement identifié seulement 63 pour cent des échantillons d’IA paraphrasés comme générés par IA, et seulement 43 pour cent des échantillons hybrides comme n’étant ni entièrement humains ni entièrement IA. Ce sont les catégories les plus proches de la manière dont l’écriture assistée par IA est réellement produite, et les chercheurs ont signalé en particulier le texte hybride comme susceptible de représenter une part importante et croissante des véritables soumissions, à mesure que davantage de cours demandent des travaux qui utilisent l’IA pour une partie de la tâche.

Ce qui a été testé	Résultat de Turnitin
Échantillons rédigés à 100 % par des humains	93 % correctement identifiés comme humains
Échantillons générés à 100 % par IA	77 % correctement identifiés comme IA
Texte IA passé par un outil de paraphrase	63 % correctement identifiés comme IA
Échantillons hybrides, en partie humains et en partie IA	43 % correctement identifiés comme n’étant ni 0 % ni 100 %
Documents avec plus de 20 % signalés (chiffre propre à Turnitin)	Taux de faux positifs inférieur à 1 %

Aucune de ces conclusions n’est indépendante du côté de Turnitin. Des chercheurs extérieurs à l’entreprise, cités dans des articles sur les propres études de biais de Turnitin, décrivent un tableau encore plus complexe, en particulier pour les auteurs non natifs de l’anglais et les brouillons fortement révisés.

Où les points saillants au niveau de la phrase se dégradent

Le score au niveau du document n’est pas la seule vue qu’un enseignant peut ouvrir, et l’autre est moins fiable. Certaines interfaces affichent un rapport de signalement qui met en évidence des phrases spécifiques comme étant probablement rédigées par une IA. Les chercheurs de Temple ont comparé ces mises en évidence aux phrases de leurs échantillons hybrides qui étaient réellement rédigées par une IA, et n’ont trouvé aucune relation entre les deux. Cela importe si un enseignant transmet une capture d’écran d’un paragraphe mis en évidence plutôt que le pourcentage récapitulatif, le score global du document a donné des résultats nettement meilleurs que les mises en évidence au niveau de la phrase.

Qui voit réellement le score

Le score IA ne fait pas partie par défaut du rapport visible par les étudiants. Il se trouve dans son propre onglet, visible par les enseignants et les administrateurs, et un étudiant ne le voit que si l’enseignant choisit de partager le rapport ou de le signaler directement. Il s’agit d’une différence structurelle réelle par rapport au score de similarité, que les étudiants peuvent généralement consulter eux-mêmes dans le même système une fois qu’un dépôt a été traité.

Il en va de même pour la question de savoir si la fonctionnalité existe ou non pour un cours particulier, ce qui relève d’une décision institutionnelle au-delà de l’enseignant. Les administrateurs au niveau du compte peuvent activer ou désactiver la détection IA de Turnitin pour l’ensemble d’une institution. Un enseignant peut ne pas être en mesure de l’activer si son université l’a désactivée, et inversement. Deux étudiants de différentes universités peuvent soumettre des travaux comparables et vivre une expérience très différente de cet outil, pour des raisons qui n’ont rien à voir avec ce que l’un ou l’autre a écrit.

Pourquoi certaines universités l’ont désactivé

L’Université de Waterloo a abandonné la fonctionnalité de détection IA de Turnitin en septembre 2025, et la justification publiée est d’une franchise inhabituelle. L’université a invoqué l’inauthenticité documentée de l’outil, son biais à l’encontre des étudiants dont la langue maternelle n’est pas l’anglais, ainsi que ses propres tests internes, qui comprenaient au moins un cas de texte entièrement rédigé par un humain et évalué à 100 percent généré par IA. Au regard du coût de l’outil, l’université a conclu que les coûts dépassaient les avantages et a plutôt réorienté les efforts vers la refonte des évaluations et la formation à la littératie IA.

Waterloo est un exemple visible d’une division plus large plutôt qu’une exception. Les universités qui maintiennent la fonctionnalité activée ont généralement ajouté des garde-fous plutôt que de traiter le score comme un verdict en soi, en exigeant une conversation avec l’étudiant avant que quoi que ce soit de formel ne commence et en considérant le nombre comme une raison d’ouvrir cette conversation plutôt que de la fermer. Lire comment les universités gèrent plus largement la politique sur l’IA rend le schéma plus clair, le fait qu’un score vous parvienne ou non dépend d’une décision prise bien au-dessus de votre salle de séminaire, et non d’une propriété fixe de la technologie elle-même.

Ce qu’un score élevé prouve, et ne prouve pas

Un score élevé d’IA est une preuve, pas un verdict. Turnitin présente lui-même le pourcentage comme un point de données parmi d’autres pour le jugement d’un enseignant plutôt que comme une conclusion de manquement, et les chiffres de précision ci-dessus expliquent pourquoi cette formulation compte, car même un score au niveau du document qui fonctionne raisonnablement bien interprète mal une part significative des écrits fortement révisés, paraphrasés ou hybrides, et les surlignages au niveau de la phrase sont nettement moins fiables que le nombre récapitulatif. Rien de tout cela ne garantit qu’un score individuel soit erroné. Cela signifie qu’un pourcentage est une raison de poser des questions plutôt qu’une conclusion à accepter au premier regard.

Un seul pourcentage au niveau du document condense quatre étapes distinctes en un seul nombre, et aucune de ces étapes ne lit le sens ni ne vérifie si un argument est solide. Voir comment un passage plus court obtient un score sur les signaux statistiques sous-jacents dont un pipeline de ce type est constitué est une manière plus directe de comprendre un rapport que de traiter le pourcentage comme un verdict. Le vérificateur de perplexité gratuit de TextPulse exécute une version simplifiée de ce type de notation au niveau des mots sur votre propre brouillon, en dehors de tout pipeline institutionnel, et son vérificateur de burstiness gratuit couvre la moitié liée au rythme des phrases de la même mesure. Les deux vous donnent une lecture de votre propre texte, et non une prédiction de ce que Turnitin en dira. Aucun outil ne peut promettre cela de manière responsable à propos d’un système qu’il ne contrôle pas.

Turnitin signale deux chiffres et ils mesurent des choses sans rapport. La distinction entre les deux est exposée séparément, ainsi que ce qui compte réellement comme un bon score Turnitin une fois que l'on sait à quoi renvoie le pourcentage. Plusieurs questions connexes ont leurs propres pages, savoir si un professeur peut voir que vous avez utilisé ChatGPT sans aucun détecteur, la version plus directe de la question, vais-je me faire prendre, et, pour des contextes particuliers, la détection de l'IA dans les programmes de soins infirmiers et savoir si les services d'admission universitaires effectuent ces vérifications. Le cadrage plus large figure dans un texte distinct sur l'intégrité académique et l'IA.

Rien de tout cela n'est susceptible d'être la version finale. Turnitin a réécrit ses seuils, ses règles de visibilité et la couverture de ses modèles plus d'une fois depuis 2023, et août 2026 ne sera pas non plus le dernier mot. Cela s'inscrit aux côtés du reste de la collection d'outils gratuits de TextPulse, pour toute personne qui souhaite un second signal avant de traiter le pourcentage d'une institution comme le dernier mot.

Ce que notre propre recherche a montré

Dans l'étude d'accord entre détecteurs de TextPulse Research, neuf détecteurs d'IA commerciaux ont noté les mêmes 90 textes académiques. L'un d'eux était un texte hybride de 455 mots : une ouverture et une conclusion écrites par un humain autour d'un passage central de 168 mots généré par IA. Turnitin a attribué à ce texte 26.8% d'IA, alors que les verdicts des autres outils sur les mêmes mots allaient de 0% à 95.7% d'IA. L'article complet, le corpus et la matrice des scores par outil sont en accès libre sur TextPulse Research.