L'Indice d'Authenticité Rédactionnelle (IAR®) — Devoirs
DEVOIRS
Ouvrir l'App
Concept : authentification des copies

L'Indice d'Authenticité Rédactionnelle : chaque élève comparé à lui-même

La détection de l'IA générative dans les copies scolaires est une impasse. L'IAR® prend le problème à l'envers : au lieu de chercher des traces d'IA dans le texte, il vérifie si l'élève a écrit comme lui-même, en comparant la copie à son propre historique.

Le principe : la référence, c'est l'élève lui-même

Les détecteurs d'IA comparent un texte à un modèle générique de « texte généré ». Ce modèle n'existe pas de façon stable : il dépend du détecteur, de la langue, et évolue à chaque nouvelle version de GPT. Le résultat : des faux positifs massifs, et une impossibilité légale de sanctionner sur cette base.

L'IAR® ne compare pas l'élève à un modèle externe. Il compare chaque copie aux 10 productions précédentes de cet élève, pondérées par leur ancienneté. Si la nouvelle copie est cohérente avec l'historique (même richesse lexicale, même syntaxe, même façon de saisir), l'IAR® est élevé. Si elle s'en écarte significativement, l'IAR® est faible : signal d'une vérification à conduire.

Cette bascule n'est pas un choix marketing : c'est le passage de la « détection » à la vérification d'auteur, un problème que la recherche pose depuis longtemps comme « ce texte est-il stylistiquement compatible avec le corpus connu de cet auteur ? » plutôt que « ce texte vient-il d'une IA ? ».[3]

Formule de calcul (simplifiée)

IAR® = max(0, 100 − avgAbsZ × 25)
où avgAbsZ est la moyenne des écarts absolus au profil habituel (Z-score MAD)

Les 10 méta-marqueurs de l'IAR®

L'IAR® s'appuie sur 10 méta-marqueurs : 5 méta-marqueurs rédactionnels (la Signature Rédactionnelle, 70 % de l'indice) et 5 méta-marqueurs de saisie (la Signature de saisie, 30 % de l'indice).

Signature Rédactionnelle : 5 méta-marqueurs rédactionnels

70 %

Richesse du vocabulaire

Diversité et longueur des mots utilisés : un élève a un registre lexical caractéristique qu'il reproduit naturellement.

Niveau de langage

Proportion de mots longs (≥ 8 lettres), indicateur du registre soutenu ou courant habituel de l'élève.

Complexité syntaxique

Longueur des phrases, usage des subordonnées, ponctuation : chaque élève a une syntaxe qui lui est propre.

Structure argumentative

Fréquence des connecteurs logiques (« cependant », « en revanche », « ainsi »…) et marqueurs de progression.

Organisation du texte

Découpage en paragraphes et densité de ponctuation : la façon dont l'élève structure visuellement sa copie.

Signature de saisie : 5 méta-marqueurs de saisie

30 %

Réflexion

Régularité des pauses et temps de réflexion pendant la rédaction : le rythme de pensée propre à l'élève.

Fluidité

Longueur des séquences de rédaction et vitesse de production écrite, captées pendant la passation.

Révision

Ratio de révision et profondeur des modifications : la manière dont l'élève retravaille son texte.

Navigation

Retours arrière et déplacements dans le texte : la façon de circuler dans sa propre copie.

Engagement

Part de temps de rédaction active et stabilité globale du geste d'écriture sur toute la passation.

L'IAR® n'est pas une preuve disciplinaire

Un score IAR® faible n'est pas une accusation. Une copie rédigée dans un contexte de stress, une progression stylistique rapide, ou un sujet inhabituel peuvent tous produire un score atypique. L'IAR® est un signal d'attention pédagogique : il invite l'enseignant à ouvrir une conversation avec l'élève, jamais à sanctionner automatiquement.

Ce que dit la recherche

L'IAR® ne réinvente rien : il assemble trois champs scientifiques établis pour les mettre au service de l'équité.

La stylométrie : votre style est une signature mesurable

La stylométrie n'est pas neuve : dès 1964, Mosteller et Wallace attribuaient les « Federalist Papers » disputés en comparant la fréquence de mots courants, fondant l'attribution d'auteur statistique.[11] Le tournant contemporain est la mesure « Delta » de Burrows (2002), qui standardise les fréquences des mots les plus fréquents pour comparer des styles : elle reste, vingt ans après, la référence de l'attribution d'auteur.[12] Des travaux récents en expliquent mathématiquement l'efficacité.[13] Les surveys du domaine confirment que chaque scripteur laisse des régularités linguistiques quantifiables (vocabulaire, syntaxe, connecteurs) qui le distinguent.[1, 2] C'est le socle de la Signature Rédactionnelle : dix indicateurs de ce type, adaptés au français.

La dynamique de frappe : une biométrie du geste d'écriture

Le rythme de frappe, les pauses et les révisions forment une biométrie comportementale stable, et donnent accès au processus d'écriture lui-même, pas seulement au produit fini.[5, 6] C'est le socle de la Signature de saisie.

Distinguer une rédaction authentique d'un texte transcrit

Des travaux récents montrent que la dynamique de frappe distingue une rédaction spontanée d'un texte copié ou assisté, sans recourir à un détecteur d'IA.[8, 10] Le style d'un même auteur évolue de façon modélisable, ce qui permet de suivre une trajectoire et d'en repérer les ruptures.[7]

Comparer l'élève à lui-même : le principe de l'évaluation formative

Mesurer la progression d'un élève par rapport à sa propre trajectoire, plutôt qu'à une norme externe, est l'un des leviers d'apprentissage les mieux documentés.[9]

Les choix statistiques : médiane, MAD et z-score robuste

Comparer une copie au profil d'un élève suppose de choisir comment mesurer un écart. Ces choix ne sont pas arbitraires : ils viennent de la statistique robuste, conçue précisément pour les petits échantillons et les valeurs atypiques, c'est-à-dire la situation d'un élève dont on ne connaît que quelques copies. Utiliser la moyenne et l'écart-type y serait fragile : une seule copie hors norme suffirait à fausser toute la référence.

La dispersion : le MAD, pas l'écart-type

L'écart-type est lui-même sensible aux valeurs extrêmes qu'il est censé mesurer : une copie atypique le gonfle, ce qui masque ensuite les vrais écarts. La déviation absolue médiane (MAD) a un point de rupture de 0,5 : elle reste fiable même si la moitié des valeurs sont aberrantes. Rousseeuw et Croux en ont posé les fondements[14] ; Leys et ses collègues en font la recommandation explicite, jusque dans leur titre : « n'utilisez pas l'écart-type autour de la moyenne, utilisez la déviation absolue autour de la médiane ».[16]

L'écart standardisé : le z-score modifié (constante 0,6745)

Les dix indicateurs vivent sur des échelles différentes (une longueur de phrase en mots, une richesse lexicale entre 0 et 1). Pour les comparer, chaque écart au profil est standardisé sous la forme du z-score modifié d'Iglewicz et Hoaglin : 0,6745 × (valeur − centre) / MAD. La constante 0,6745, le quartile de la loi normale, rend cette échelle robuste comparable à un z-score classique.[15]

Le seuil de 2,5 : un critère justifié, pas un réglage maison

Un indicateur n'est signalé comme inhabituel qu'au-delà d'un écart absolu de 2,5. Ce seuil n'est pas choisi au doigt mouillé : c'est exactement la règle médiane ± 2,5 × MAD que Leys et ses collègues recommandent, en insistant sur le fait qu'un seuil doit toujours être explicite et justifiable.[16]

Les ruptures de trajectoire : le facteur 1,4826

Pour repérer un décrochage dans la trajectoire d'un élève, l'écart à la médiane de ses copies antérieures est rapporté à 1,4826 × MAD. Ce facteur, la constante de cohérence de la statistique robuste, aligne le MAD sur l'écart-type sous une loi normale, ce qui donne un seuil de rupture interprétable.[14]

La pondération par récence : suivre la progression

Le profil de référence pèse davantage les copies récentes (poids 1,0 pour la dernière, décroissant jusqu'à 0,55 pour la dixième). Un élève progresse : la référence doit suivre sa trajectoire, pas le figer sur ses premières copies. La dispersion, elle, reste robuste, pour qu'un progrès régulier n'apparaisse jamais comme une rupture.

Formule complète

zi = 0,6745 × (valeuri − centrei) / MADi
IAR® = max(0, 100 − 25 × moyenne(|zi|))
centre = profil pondéré par récence ; MAD = dispersion robuste ; signalement si |z| > 2,5

Fondements philosophiques : mesurer sans accuser

Le choix de comparer l'élève à lui-même n'est pas qu'un choix technique : c'est une position sur ce qu'on a le droit de mesurer, et sur ce qu'un chiffre peut légitimement dire d'une personne.

De la détection à la vérification d'auteur

Demander « ce texte vient-il d'une IA ? » suppose une propriété absolue du texte, que la recherche montre indécidable de façon fiable. L'IAR® pose une autre question, elle, mesurable : « ce texte est-il cohérent avec ce que cet auteur écrit d'habitude ? ». C'est le déplacement de la détection, impossible, vers la vérification d'auteur, un problème que la stylométrie sait traiter.

L'équité par la référence à soi

Comparer un élève à une norme externe pénalise ceux qui s'en écartent légitimement : les détecteurs d'IA classent plus souvent « artificielles » les rédactions d'auteurs non natifs. Prendre l'élève lui-même pour seule référence supprime ce biais par construction : la seule norme est sa propre histoire rédactionnelle, pas la moyenne d'une classe ni un idéal de « bon français ».

L'humilité épistémique : un signal, jamais une preuve

Un score n'établit pas un fait, il formule une hypothèse réfutable, à vérifier par le dialogue. Parce que le seuil est explicite et justifié, il est aussi contestable : c'est l'inverse d'une boîte noire qui trancherait seule. L'IAR® éclaire une décision humaine, il ne la remplace pas ; le professeur garde toujours le dernier mot.

La cohérence avec l'évaluation formative

Situer un élève par rapport à sa propre trajectoire, plutôt qu'à une norme de classe, est l'un des principes les mieux établis de l'évaluation formative.[9] L'IAR® s'inscrit dans cette tradition : il rend visible une évolution pour ouvrir un accompagnement, pas pour classer.

Questions fréquentes

Qu'est-ce que l'Indice d'Authenticité Rédactionnelle (IAR®) ?+
L'IAR® est un score de 0 à 100 qui mesure la cohérence entre une copie rendue et l'ensemble des productions précédentes de l'élève. Un score élevé signifie que la copie ressemble à ce que l'élève écrit habituellement. Un score faible signale une rupture stylistique ou de saisie, sans pour autant accuser l'élève : c'est une invitation à vérifier.
L'IAR® détecte-t-il si un élève a utilisé ChatGPT ?+
Non, et c'est intentionnel. L'IAR® ne cherche pas à reconnaître un texte généré par IA, ce qui est impossible de façon fiable, surtout en français. Il mesure si l'élève a écrit comme lui-même : même richesse lexicale, même structure argumentative, même rythme de saisie. Si une copie sort du profil habituel de l'élève, quelle qu'en soit la raison, l'IAR® le signale.
Comment l'IAR® est-il calculé ?+
L'IAR® s'appuie sur 10 méta-marqueurs : 5 méta-marqueurs rédactionnels formant la Signature Rédactionnelle (70 %) : richesse du vocabulaire, niveau de langage, complexité syntaxique, structure argumentative, organisation du texte : et 5 méta-marqueurs de saisie formant la Signature de saisie (30 %) : réflexion, fluidité, révision, navigation, engagement. Chaque copie est comparée aux 10 dernières productions de l'élève via un score Z robuste (médiane + MAD).
À partir de combien de copies l'IAR® devient-il fiable ?+
L'IAR® est visible dès la 2e copie rendue. Il devient statistiquement robuste à partir de la 3e copie. Le profil de référence utilise les 10 dernières productions avec des poids décroissants (1,0 pour la plus récente, 0,55 pour la plus ancienne) pour tenir compte de la progression naturelle de l'élève.
L'IAR® peut-il être utilisé comme preuve disciplinaire ?+
Non. L'IAR® est un signal d'alerte pédagogique, pas une preuve. Un score faible peut s'expliquer par un stress, une copie rendue dans des conditions inhabituelles, ou une progression stylistique rapide. Son rôle est d'inciter l'enseignant à avoir une conversation avec l'élève, pas à sanctionner automatiquement.

À lire aussi

Pourquoi les détecteurs d'IA ne fonctionnent pas

Faux positifs, manque de fiabilité en français, contournements faciles : l'état des lieux complet.

Correction automatique des copies

Comment Devoirs intègre l'IAR® dans un workflow de correction complet pour les enseignants.

Références

Publications scientifiques et sources primaires citées dans cet article. Chaque lien renvoie vers la source d'origine.

  1. [1]Stamatatos, E. (2009). A Survey of Modern Authorship Attribution Methods. Journal of the American Society for Information Science and Technology, 60(3), 538-556. doi.org/10.1002/asi.21001
  2. [2]Neal, T., Sundararajan, K., Fatima, A., Yan, Y., Xiang, Y., & Woodard, D. (2017). Surveying Stylometry Techniques and Applications. ACM Computing Surveys, 50(6), 1-36. doi.org/10.1145/3132039
  3. [3]Stamatatos, E. (2016). Authorship Verification: A Review of Recent Advances. Research in Computing Science, 123, 9-25. rcs.cic.ipn.mx/2016_123/Authorship%20Verification_%20A%20Review%20of%20Recent%20Advances.pdf
  4. [4]Koppel, M., Schler, J., & Bonchek-Dokow, E. (2007). Measuring Differentiability: Unmasking Pseudonymous Authors. Journal of Machine Learning Research, 8, 1261-1276. www.jmlr.org/papers/volume8/koppel07a/koppel07a.pdf
  5. [5]Monrose, F., & Rubin, A. D. (2000). Keystroke Dynamics as a Biometric for Authentication. Future Generation Computer Systems, 16(4), 351-359. doi.org/10.1016/S0167-739X(99)00059-X
  6. [6]Leijten, M., & Van Waes, L. (2013). Keystroke Logging in Writing Research: Using Inputlog to Analyze and Visualize Writing Processes. Written Communication, 30(3), 358-392. doi.org/10.1177/0741088313491692
  7. [7]Ríos-Toledo, G., Posadas-Durán, J. P. F., Sidorov, G., & Castro-Sánchez, N. A. (2022). Detection of Changes in Literary Writing Style Using N-grams as Style Markers and Supervised Machine Learning. PLOS ONE, 17(7), e0267590. doi.org/10.1371/journal.pone.0267590
  8. [8]Kundu, D., Mehta, A., Kumar, R., et al. (2024). Keystroke Dynamics Against Academic Dishonesty in the Age of LLMs. IEEE International Joint Conference on Biometrics (IJCB). arXiv:2406.15335. arxiv.org/abs/2406.15335
  9. [9]Black, P., & Wiliam, D. (1998). Assessment and Classroom Learning. Assessment in Education: Principles, Policy & Practice, 5(1), 7-74. doi.org/10.1080/0969595980050102
  10. [10]Deane, P., Zhang, M., Hao, J., & Li, C. (2025). Using Keystroke Dynamics to Detect Nonoriginal Text. Journal of Educational Measurement (online first). doi.org/10.1111/jedm.12431
  11. [11]Mosteller, F., & Wallace, D. L. (1964). Inference and Disputed Authorship: The Federalist. Addison-Wesley (réédition CSLI Publications, 2007). press.uchicago.edu/ucp/books/book/distributed/I/bo5667096.html
  12. [12]Burrows, J. F. (2002). « Delta » : a Measure of Stylistic Difference and a Guide to Likely Authorship. Literary and Linguistic Computing, 17(3), 267-287. doi.org/10.1093/llc/17.3.267
  13. [13]Evert, S., Proisl, T., Jannidis, F., Reger, I., Pielström, S., Schöch, C., & Vitt, T. (2017). Understanding and Explaining Delta Measures for Authorship Attribution. Digital Scholarship in the Humanities, 32(suppl. 2), ii4-ii16. doi.org/10.1093/llc/fqx023
  14. [14]Rousseeuw, P. J., & Croux, C. (1993). Alternatives to the Median Absolute Deviation. Journal of the American Statistical Association, 88(424), 1273-1283. doi.org/10.1080/01621459.1993.10476408
  15. [15]Iglewicz, B., & Hoaglin, D. C. (1993). How to Detect and Handle Outliers. ASQC Quality Press, Basic References in Quality Control, vol. 16. books.google.com/books/about/Volume_16_How_to_Detect_and_Handle_Outli.html?id=FuuiEAAAQBAJ
  16. [16]Leys, C., Ley, C., Klein, O., Bernard, P., & Licata, L. (2013). Detecting Outliers: Do Not Use Standard Deviation Around the Mean, Use Absolute Deviation Around the Median. Journal of Experimental Social Psychology, 49(4), 764-766. doi.org/10.1016/j.jesp.2013.03.013

Commencez à mesurer l'authenticité de vos copies

Essai gratuit 30 jours. L'IAR® se construit automatiquement à partir de la 2e copie rendue, aucune configuration requise.