Par Elisha Bajemon | Publié le 17 octobre 2026

Les détecteurs de texte IA sont-ils fiables sur des textes en anglais non natif ?

En bref

Sur 91 essais d’anglophones non natifs, sept détecteurs ont produit 61,22 % de faux positifs en moyenne, selon Liang et al., juillet 2023. Les chercheurs ont comparé ces textes à des essais d’élèves américains, également écrits par des humains. Les essais signalés unanimement avaient une perplexité plus basse. Une réécriture du vocabulaire par IA a fait baisser le taux de classement comme textes générés. Chez Citead, le critère de naturalité signale des tournures et reste hors du score GEO.

Points clés

Les résultats chiffrés ci-dessous proviennent de la version arXiv de Liang et al., révisée le 10 juillet 2023.

• Sept détecteurs évaluent 91 essais TOEFL et 88 essais d’élèves américains de « 8th grade ».
• L’étude mesure 61,22 % de faux positifs en moyenne sur les essais TOEFL ; 18 essais sur 91, soit 19,78 %, sont signalés par tous les détecteurs.
• Au moins un détecteur classe à tort 89 essais TOEFL sur 91 comme générés, soit 97,80 % du corpus.
• Après enrichissement du vocabulaire des essais TOEFL par ChatGPT, le taux moyen de classement comme textes générés passe de 61,22 % à 11,77 %. Après simplification du vocabulaire des essais américains par le même outil, il passe de 5,19 % à 56,65 %.
• La méthodologie de Citead décrit la naturalité comme un repérage de formulations, sans verdict sur l’origine du texte ni contribution au score.

Qu’a testé l’étude de Liang et al. ?

Le volet sur les faux positifs compare les réponses de sept détecteurs grand public à des textes dont les auteurs sont humains. Un faux positif désigne ici un texte humain que l’outil classe à tort comme généré par une IA.

Dans leur prépublication arXiv révisée le 10 juillet 2023, Weixin Liang et ses coauteurs utilisent des essais TOEFL provenant d’un forum éducatif chinois. Le corpus de comparaison rassemble des essais d’élèves américains de « 8th grade », issus du jeu de données Automated Student Assessment Prize, ou ASAP, de la Hewlett Foundation. Les auteurs comparent ainsi deux populations et deux contextes de rédaction en anglais.

L’article est aussi publié dans Patterns, le 10 juillet 2023, avec un texte accessible sur PMC. Les pourcentages détaillés présentés ici suivent la version arXiv, qui donne certaines valeurs différentes de celles de Patterns. Cette précision permet de retrouver chaque résultat sans mélanger les versions.

Pour une agence ou un indépendant qui relit un texte, l’intérêt du protocole tient au point de départ : les essais sont présentés comme humains avant leur passage dans les détecteurs. Les alertes observées sur ces textes d’origine mesurent donc des erreurs de classement.

Sur quels textes les détecteurs se sont-ils trompés ?

Dans cette comparaison, les erreurs se concentrent sur les essais d’auteurs dont l’anglais n’est pas la langue maternelle. La version arXiv de Liang et al., juillet 2023 décrit une précision presque parfaite sur les essais américains, contre un taux moyen de faux positifs de 61,22 % sur les essais TOEFL.

Ces mesures répondent à des questions différentes. La moyenne décrit l’erreur à travers les outils testés. L’unanimité compte les textes pour lesquels tous se trompent. Le dernier taux mesure la part du corpus exposée à au moins une alerte, quel que soit l’outil qui la produit.

Même l’accord entre tous les détecteurs a concerné des textes humains. Dans cette expérience, croiser les alertes ne suffit donc pas à établir l’origine d’un texte. Le taux de 97,80 % agrège les signalements de tous les outils : chaque essai entre dans ce total dès qu’un détecteur le signale.

Pourquoi les textes d’auteurs non natifs sont-ils plus souvent signalés ?

Les chercheurs avancent une explication liée à la prévisibilité du langage. Dans Patterns, juillet 2023, la perplexité désigne la difficulté, pour un modèle de langage, à prévoir le mot suivant : elle est basse lorsque ce mot est facile à anticiper. Un vocabulaire moins varié peut ainsi ressembler, pour un détecteur, aux formulations attendues d’un texte généré.

Dans la version arXiv de juillet 2023, les essais TOEFL signalés unanimement présentent une perplexité significativement plus basse que les autres. Les auteurs testent alors leur hypothèse en modifiant le vocabulaire des textes avec ChatGPT, puis en soumettant les versions révisées aux détecteurs.

Pour les essais TOEFL, l’enrichissement du vocabulaire fait passer le taux moyen de classement comme textes générés de 61,22 % à 11,77 %. La perplexité augmente aussi après la révision. Dans l’autre sens, la simplification du vocabulaire des essais américains fait monter le taux moyen de classement comme texte généré de 5,19 % à 56,65 %, tandis que leur perplexité diminue.

Cette expérience éclaire ce que captent les outils : une intervention sur le choix des mots modifie fortement leur réponse. Les taux après révision portent sur des textes désormais assistés par IA. Ils mesurent le classement de ces versions modifiées ; les faux positifs sur les essais entièrement humains se mesurent avant cette intervention. Le classement réagit donc à des propriétés de formulation, sans retracer à lui seul le travail de rédaction.

Pour votre relecture, Citead recommande d’examiner avec l’auteur les passages dont la formulation vous semble imprécise ou difficile à comprendre, avant toute décision éditoriale fondée sur une alerte.

Les détecteurs peuvent-ils être contournés ?

Oui, dans les expériences de Liang et al., une révision de textes générés fait fortement baisser leur détection. La version arXiv de juillet 2023 décrit notamment un test sur 31 essais de candidature universitaire produits par ChatGPT. La légende de la figure correspondante donne des taux de détection allant jusqu’à 100,00 % avant révision, puis jusqu’à 13,00 % après celle-ci.

Ces valeurs correspondent aux maxima rapportés parmi les détecteurs. Le résultat documente la sensibilité des outils testés à une modification de la formulation.

Cette expérience complète celle des faux positifs. Des textes humains provoquent des alertes, tandis que des textes générés révisés sont moins souvent détectés. Citead recommande donc de traiter avec prudence aussi bien une alerte qu’un résultat rassurant.

Quelles limites l’étude présente-t-elle ?

Les résultats portent sur les corpus et les outils testés à l’époque. Dans la discussion de leur version arXiv, juillet 2023, les auteurs qualifient leurs échantillons de relativement petits et appellent à des évaluations plus larges et plus diverses. Le volet sur les faux positifs compare 91 essais TOEFL à 88 essais américains.

Le volet comparant les deux corpus humains concerne des essais en anglais. Les taux rapportés ne mesurent donc pas la fiabilité des outils actuels sur vos pages web en français. La section de méthode date l’accès aux détecteurs du 15 mars 2023 : il faut conserver cette date lorsqu’on utilise les résultats.

Les auteurs soulignent également que leur analyse se concentre sur les méthodes fondées sur la perplexité et sur l’apprentissage supervisé. Cet échantillon ne couvre pas toutes les techniques de détection possibles. Leur conclusion appelle surtout à la prudence dans les usages d’évaluation et d’éducation, en particulier pour les personnes dont l’anglais n’est pas la langue maternelle.

Pour une commande de contenu, Citead recommande de définir les usages d’IA acceptés dans le brief, puis de vérifier les sources et la qualité des passages livrés. En cas de doute, demandez à l’auteur d’expliquer ses choix et ses appuis.

Pourquoi le critère de naturalité de Citead n’est-il pas un détecteur ?

Le critère de naturalité repère des formulations et les signale individuellement, sans attribuer une origine au texte. La page de méthodologie de Citead précise qu’il recherche des tournures, du vocabulaire et des constructions surreprésentés dans les textes générés. Cette note est affichée à part et ne compte pas dans le score GEO.

La distinction est utile lors d’une correction. Vous pouvez relire une tournure signalée et décider si elle convient au lecteur. Le signalement porte sur un passage observable ; il ne permet pas de conclure que son auteur a utilisé une IA. Le score global, de son côté, ne prédit pas la citation d’une page par un moteur de réponse.

Dans Scoring Without the Engine, déposé sur arXiv le 7 septembre 2026, Elisha Bajemon et André-Louis Rochet expliquent aussi cette séparation. Leur annexe sur les pondérations indique que la naturalité est négativement corrélée à la citation dans leurs données de production. Ils estiment que l’intégrer à un score de citabilité mélangerait deux notions distinctes. Cette observation reste propre aux données rapportées dans ce travail.

L’article associé, La naturalité d’un texte et sa citation : pourquoi ce critère reste hors du score, est consacré à cette question.

Pour aller plus loin

• La naturalité d’un texte et sa citation : pourquoi ce critère reste hors du score.
• Comment les moteurs de réponse choisissent leurs sources : ce que les études publiées permettent d’affirmer en 2026.
• Contenu rédigé par une IA : ce que l’article 50 de l’AI Act impose de signaler.