← Accueil actu | Salle du marché
2026-11-03 · Source:虎嗅·中继

La détection de plagiat indique à qui votre texte ressemble ; la détection AIGC ne fait que juger s'il « ressemble à de l'IA », sans jamais expliquer ses critères de marquage.
Son diplôme et son grade en main depuis exactement un an, Qiao Shengnan a été rappelée à l'université par un appel de sa conseillère : le contrôle par échantillonnage de son mémoire révélait un taux d'IA suspecté de 47 %, susceptible de remettre en cause les deux diplômes déjà obtenus. Ce mémoire, qui avait franchi la détection de plagiat, l'évaluation et la soutenance, aurait dû rester dans les archives de l'université. L'année de sa remise des diplômes, l'IA générative était encore immature ; ses camarades tout au plus lui demandaient d'aider à organiser leurs idées. Un an plus tard, une nouvelle norme de détection les avait rattrapés : elle devait réexpliquer comment le mémoire avait été rédigé, d'où venaient les matériaux, et quelles phrases étaient les siennes.
Lors de la dernière saison des soutenances, ce type de problème d'autopreuve s'est largement répandu. Lin Yueqi, master en réalisation à une université du projet « 211 », ne s'inquiétait pas au départ — son mémoire portait sur les mini-séries de l'industrie audiovisuelle. Alors qu'elle modifiait sa présentation de pré-soutenance, elle a reçu un message WeChat de sa directrice de mémoire à plus de 21 heures : taux d'IA de 39 %, non conforme ; s'il ne descendait pas sous les 20 % cette semaine, pas de soutenance jeudi prochain. Selon le calendrier habituel, la détection de plagiat avait lieu début mai, la version finale à la mi-mai, les soutenances fin mai, et début juin devaient commencer vacances, recherche de logement et entrée en fonction. Début mai cette année, l'université a ajouté la détection du taux d'IA via CNKI : moins de 20 % pour les lettres et sciences sociales, moins de 15 % pour les sciences et la médecine. Après l'autocontrôle et le contrôle uniforme de la faculté, il restait encore la détection par le système central de l'université, avec un nombre limité de tentatives officielles. Certains ont atteint le seuil mais ont dû repasser la soutenance pour un taux d'IA trop élevé dans leur promotion ; d'autres ont modifié leur texte à de nombreuses reprises, sans que le résultat de la détection baisse — au contraire, il a augmenté.
Les règles varient d'un établissement à l'autre : certains délimitent les usages par étape, d'autres intègrent le taux dans le processus de soutenance. Une université « 985 » de Shanghai a fixé pour ses licences 2025 : avec l'accord du superviseur, l'IA peut servir d'assistance pour la recherche documentaire, le débogage de code et la mise en forme bibliographique, mais il est interdit de la faire participer à la conception du protocole de recherche, à l'analyse des données, aux conclusions ou à la rédaction du corps du texte — un seul taux de détection ne dit pas à quelle étape l'étudiant a utilisé l'IA.
À la différence de la détection de plagiat, la détection AIGC ne répond pas « à qui cela ressemble », mais « cela ressemble-t-il à de l'écrit par IA ». Le problème : un mémoire académique exige par nature rigueur, complétude et logique stable — précisément les caractéristiques que l'algorithme peut identifier comme des traces de rédaction machine. Ainsi, la dernière série de corrections ne sert plus les idées, les matériaux ou l'expression : transformer le style soutenu en langage oral, fragmenter les phrases complètes, remplacer les connecteurs usuels par des formulations plus alambiquées — tout vise le chiffre du taux d'IA. Une fois l'étudiant parti, le problème demeure : si le résultat de détection est lui-même instable et incapable d'expliquer ses critères de marquage, sur quoi se fonde-t-il pour juger le processus de recherche, les matériaux et la capacité argumentative d'un étudiant ?
Mots-clés: CNKI · Qiao Shengnan · Lin Yueqi · AIGC Detection · Academic Integrity
萬安算交所 AIXX · AIXX · Bourse compute vérifiée · Accéder à la salle