Comment réduire votre score de détection IA

L’étudiant fait passer un paragraphe dans un détecteur, voit un score de 82 percent, remplace une douzaine de mots par des synonymes sans toucher à la structure d’une seule phrase, puis vérifie à nouveau. Le nombre bouge à peine. Toute l’histoire est là, certaines modifications changent presque rien, et une seule change davantage que toutes les autres réunies, pour des raisons qui n’ont rien à voir avec le fait de déjouer un logiciel.

Ce texte explique comment faire baisser le score AI dans l’ordre qui compte réellement, quelles modifications sont à peine prises en compte, lesquelles font bouger le nombre de manière substantielle, et laquelle le fait le plus, et pourquoi. Il explique aussi ce que le nombre mesure réellement, car un score plus bas mérite d’être recherché pour une vraie raison, une écriture plus claire et plus précise, et constitue un mauvais objectif à poursuivre pour lui-même.

Ce que mesure réellement un score AI

Un modèle de langage écrit en prédisant le mot suivant le plus probable, encore et encore, ce qui produit une empreinte statistique spécifique, des longueurs de phrases qui se regroupent, des transitions tirées d’un petit ensemble d’options sûres, des choix de mots qui se situent près du centre de ce qui est attendu dans ce contexte. Un score de détection AI est une estimation de la proximité entre un passage et cette empreinte, produite par un classificateur entraîné à la repérer, et non un fait sur la personne qui a tapé la phrase.

Les détecteurs ne définissent pas tous ce nombre de la même manière. Turnitin indique clairement que son pourcentage « indique la quantité de texte admissible dans la soumission que le modèle de détection de rédaction par IA de Turnitin détermine comme ayant probablement été générée par IA », et précise explicitement qu’il s’agit d’une part de texte signalé, et non d’un score de probabilité ou de confiance. D’autres détecteurs produisent quelque chose de plus proche d’une valeur de confiance au niveau de la phrase elle-même. Dans tous les cas, une explication complète des mécanismes qui sous-tendent ces nombres mérite d’être lue dans comment fonctionnent les détecteurs d’IA. Ce qui compte ici est plus simple, le nombre est toujours une estimation statistique, et chaque modification ci-dessous agit en changeant les statistiques qu’il est conçu pour lire, et non en cachant le fait qu’un modèle a été impliqué.

Les substitutions de synonymes modifient à peine un score d’IA

Remplacer un mot par un synonyme moins courant ne change presque rien au schéma que mesure un classifieur, car cela laisse intactes la longueur de la phrase, la structure des propositions et son rythme. Un modèle entraîné à repérer une forme de phrase uniforme ne se soucie pas qu’une phrase dise enables ou allows. Il se soucie du fait que trois phrases d’affilée aient presque la même longueur et commencent de la même manière.

Une phrase plate se lit ainsi : "The platform enables users to efficiently accomplish routine tasks without additional training." Mot à mot remplacée, elle devient : "The platform allows users to efficiently complete routine tasks without extra training." Même longueur, même ordre des propositions, même rythme. Un lecteur pourrait remarquer un mot légèrement différent. Un classifieur qui évalue des schémas au niveau de la phrase à travers le paragraphe n’a presque rien de nouveau à exploiter.

Ceci n’est pas un argument contre la correction du vocabulaire de base. Des mots comme facilitate, robust et myriad méritent d’être supprimés, car un lecteur attentif les remarque, et un AI word cleaner gratuit en repère la plupart en quelques secondes. C’est un argument contre l’idée qu’il faille attendre de cette passe qu’elle fasse l’essentiel du travail. Si un score bouge à peine après une passe sur le vocabulaire, c’est le résultat attendu, et non le signe que la passe a échoué.

La variété des phrases le fait progresser davantage

Un modèle prédit un jeton à la fois et n’a aucune raison intégrée de rendre la troisième phrase plus courte que la deuxième, donc, laissé à lui-même, un paragraphe se stabilise dans une plage étroite de longueur et de forme. Cette régularité, et non un mot isolé, est le signal plus fort, parce qu’un classificateur entraîné sur des sorties de machine a vu ce schéma des milliers de fois.

Trois phrases plates se lisent ainsi : "The results were significant. The findings supported the hypothesis. The data was analyzed using standard methods." Retravaillé pour varier, le même contenu se lit ainsi : "The results were significant, and they supported the hypothesis, though the standard analysis needed a second pass once two of the outlying cases were removed." Une phrase porte désormais à la fois l’affirmation et sa complication, avec une véritable variation de longueur et de structure des propositions dans tout le paragraphe. C’est ce qu’un burstiness checker mesure lorsqu’il évalue l’irrégularité, et c’est pourquoi cette modification fait davantage bouger un score qu’une passe sur le vocabulaire.

Rien de tout cela n’est difficile à faire à la main sur une ou deux pages. Lisez le paragraphe à voix haute, repérez toute suite de deux ou trois phrases qui semblent avoir la même longueur et la même forme, puis scindez l’une d’elles ou combinez-en deux en une seule, avec une virgule qui joue un rôle réel. Les modifications au niveau de la phrase qui sous-tendent cette section sont présentées pas à pas, avec d’autres exemples développés, dans le guide complet sur la manière d’humaniser un texte AI.

Vos propres preuves font le plus bouger un score AI

Un modèle de langage n’a pas accès à ce qui s’est réellement passé dans votre projet. Lorsqu’on lui demande d’écrire sur une étude, il adopte par défaut la formulation la plus prudente, qui convient à presque n’importe quelle étude sur le même sujet, parce que c’est le seul matériau dont il dispose. Une phrase portant une affirmation précise tirée d’une source précise n’est pas une phrase qu’un modèle aurait produite à partir de l’invite seule, et c’est cet écart qui fait le plus varier le score.

Une phrase générique, "The intervention had a positive effect on outcomes for participants." Cela pourrait décrire des centaines d’études. Réécrite à partir du propre matériau de l’auteur, "Attendance records showed the effect held only for students who came to more than six sessions, a threshold the original design had not anticipated." Plus longue, plus précise, et ne pouvant décrire que cette étude. Un modèle de référence invité à poursuivre la même invite n’aurait pas deviné le détail des six séances, car rien dans l’invite ne suggérait qu’il existait.

C’est aussi la modification qui améliore le plus l’écriture, quel que soit le rapport de n’importe quel détecteur, et c’est là le point sur lequel il vaut la peine de s’attarder. Un nombre précis, une limite nommée, une source citée directement plutôt que paraphrasée en une affirmation vague, tout cela rend un paragraphe plus convaincant pour une personne qui le lit, et le fait que cela fasse aussi varier un score relève davantage d’un effet secondaire que de l’objectif.

Modification	Effet typique sur le score	Pourquoi
Remplacer des mots par des synonymes	Faible à nul	La longueur, la structure et le rythme des phrases restent les mêmes
Varier la longueur et la structure des phrases	Modéré à important	Rompt le schéma uniforme qu’un classificateur est entraîné à repérer
Ajouter vos propres preuves ou affirmations	Le plus important	Introduit un contenu qu’un modèle n’avait aucun moyen de produire à partir de l’invite seule

Comment faire baisser le score d’IA sans poursuivre le mauvais objectif

Chaque chiffre ci-dessus est une estimation, pas un verdict. Turnitin le dit lui-même dans sa documentation, en indiquant que sa détection de rédaction par IA « may not always be accurate » et qu’elle « should not be used as the sole basis for adverse actions against a student. » Un score peut varier pour des raisons qui n’ont rien à voir avec la paternité du texte, et il peut rester inchangé sur un texte qu’une personne a écrit de zéro. Considérer le chiffre comme un fait sur l’identité de la personne qui a écrit une phrase est à l’origine de la majeure partie de l’anxiété autour de ce sujet, et ce n’est pas ce que le chiffre prétend être.

C’est aussi pourquoi faire baisser le score est un mauvais objectif en soi. Courir après un chiffre peut pousser un rédacteur vers les modifications les plus faciles à automatiser, un passage au crible du vocabulaire, quelques propositions réordonnées, tout en sautant celle qui compte le plus, ajouter le matériau spécifique que seul le rédacteur possède réellement. Un score plus bas obtenu de cette manière vaut la peine d’être conservé.

Courir après un score plus bas peut aussi orienter un paragraphe dans la mauvaise direction sur le plan stylistique, en multipliant les réserves sur chaque affirmation, en empilant les modalisateurs, en ajoutant des phrases de remplissage qui n’existent que pour casser le rythme plutôt que pour dire quelque chose. Rien de tout cela ne corrige le schéma sous-jacent, et tout cela rend le paragraphe plus difficile à lire. Les modifications qui font réellement bouger un score, la variété des phrases et des preuves précises, sont aussi celles qui améliorent l’écriture selon ses propres critères, ce qui constitue un contrôle utile lorsqu’une modification commence à ressembler à du remplissage plutôt qu’à une amélioration.

Le AI humanizer de TextPulse applique les modifications au niveau de la phrase et de la structure décrites ci-dessus à l’ensemble d’un document en une seule fois, et indique un Human Score estimé calculé à partir de ces mêmes signaux, non une affirmation selon laquelle un détecteur nommé le validera. Bien utilisé, il constitue un premier passage rapide sur un long document. Il ne peut toujours pas ajouter l’unique élément qui fait le plus bouger un score, puisqu’il n’était pas présent lorsque le travail réel a été effectué. Cette part reste du côté du rédacteur.

Deux questions préalables méritent d’être réglées d’abord, si les AI humanizers fonctionnent du tout, et s’ils sont sûrs à utiliser sur un travail que vous avez l’intention de soumettre.

L’ordre ci-dessus est aussi une liste de priorité pour décider où consacrer le temps limité avant une échéance. Sautez l’étape des synonymes si le temps manque. Ne sautez pas le paragraphe où vous réintroduisez le détail que personne d’autre n’aurait pu écrire, car c’est la seule modification qu’aucun logiciel de réécriture ne peut faire à votre place.