Comment fonctionnent les détecteurs d'IA : perplexité et burstiness

Les détecteurs d'IA ne lisent pas le sens comme le fait une personne. Ils mesurent plutôt des modèles statistiques dans la façon dont les mots sont choisis et agencés. Deux de ces modèles, la perplexité et la burstiness, accomplissent l'essentiel du travail. Les comprendre aide les relecteurs à lire un score comme une preuve à examiner, et non comme une décision finale.

Ce que mesure la perplexité

La perplexité décrit à quel point un passage est prévisible pour un modèle de langage. Le détecteur demande, en somme, à quel point un modèle serait surpris par chaque mot suivant. Lorsque le texte suit encore et encore le chemin le plus probable, la perplexité est faible. Lorsque les choix de mots sont inattendus, idiosyncrasiques ou irréguliers, la perplexité augmente.

Cela compte parce que des modèles comme GPT-5, Claude et Gemini sont entraînés à produire un texte fluide et à haute probabilité. Leur sortie par défaut est souvent lisse et assurée, ce qui tend à obtenir une faible perplexité. Les brouillons humains, en revanche, divaguent davantage, laissant une trace moins prévisible.

Ce que mesure la burstiness

La burstiness examine la variation entre les phrases plutôt qu'au sein des choix de mots individuels. L'écriture humaine est naturellement irrégulière : une phrase longue et sinueuse peut côtoyer une phrase courte. Le rythme change, la complexité monte et descend, et la structure varie.

Le texte généré par machine maintient souvent une cadence plus régulière, avec des phrases de longueur similaire et une construction uniforme. Une faible burstiness, associée à une faible perplexité, est un schéma courant dans les brouillons assistés par IA. Notre page méthodologie décrit comment ces signaux sont combinés.

Pourquoi ces signaux ne sont pas des verdicts

Aucune mesure ne prouve la paternité d'un texte. Plusieurs situations ordinaires poussent l'écriture humaine vers des schémas semblables à ceux de l'IA :

• Le texte traduit devient souvent plus lisse et plus uniforme que l'original.
• L'écriture technique ou modélisée suit des structures fixes qui réduisent la burstiness.
• L'écriture non native peut privilégier une formulation plus simple et plus prévisible.
• Les brouillons fortement édités peuvent perdre l'irrégularité qui signale une main humaine.

En raison de ces chevauchements, un score devrait restreindre l'endroit où un relecteur regarde, et non décider du résultat. Consultez nos notes sur la précision des détecteurs pour voir comment la confiance évolue selon la longueur de l'échantillon et le type de document.

Comment GPTZeroAI les applique

Le Détecteur d'IA signale des indicateurs au niveau du passage aux côtés d'une estimation globale, afin que les relecteurs puissent voir où se concentrent la prévisibilité et l'uniformité. Les échantillons plus courts comportent plus d'incertitude, c'est pourquoi les entrées très brèves sont signalées avec prudence plutôt qu'avec un score ferme. L'objectif est une trace de revue transparente, et non une accusation.

Utiliser les signaux du détecteur de manière responsable

Traitez la perplexité et la burstiness comme des points de départ. Comparez les passages signalés aux brouillons, aux citations et à la voix habituelle de l'auteur. Notez le contexte du document, confirmez que l'échantillon est assez long pour juger, et faites un suivi par une conversation lorsque les résultats sont ambigus. Un signal gagne sa valeur lorsqu'il mène à une étape suivante équitable et documentée.