Aller au contenu

Livre blanc

Bien plus qu'un simple détecteur

Un cadre pour l'intégration éthique de l'IA dans la recherche académique

Alex SpezowkaRecherche Jenni2026Références bibliographiques (81)

  • <80%Précision des détecteurs d'IA lors de tests indépendants
  • 50%De faux positifs sur les plateformes courantes
  • 61%De textes de non-anglophones signalés comme générés par IA

La prolifération de l'IA générative dans l'enseignement supérieur a mis en lumière une vérité fondamentale que les institutions ont longtemps hésité à admettre :

Le paradigme de la détection a échoué.

Les outils de détection de l'IA affichent des taux d'exactitude souvent inférieurs à 80 % lors de tests indépendants.1 Wakjira et al. (2025) Les taux de faux positifs peuvent atteindre 50 % sur les plateformes les plus utilisées.2 Weber-Wulff et al. (2023) On constate également un biais systématique documenté : plus de 61 % des textes écrits en anglais par des non-anglophones sont signalés à tort comme étant générés par une IA.3 Liang et al. (2023) L’approche punitive actuelle fait donc plus de tort qu’elle ne prévient de dérives.

Pourtant, l'intégration de l'IA au travail universitaire est déjà une réalité massive. Des études démontrent que 13,5 % à 22,5 % des publications universitaires portent aujourd'hui la marque d'une assistance par IA.4 Liang et al. (2025a) Les processus d'évaluation par les pairs sont tout autant concernés, avec au moins 15,8 % de relectures assistées par IA dans certaines conférences.5 Latona et al. (2024) Ce livre blanc démontre que la véritable priorité des universités n'est plus d'interdire l'IA, mais de concevoir des cadres institutionnels et d'adopter des solutions innovantes pour rendre cette cohabitation transparente, structurée et pédagogiquement vertueuse.

L'avenir passe par l'abandon d'une surveillance inefficace et punitive au profit d'une "architecture de transparence" : des outils et des méthodes pensés pour valoriser, auditer et encadrer intelligemment les contributions de l'intelligence artificielle. Ce tournant n'est pas une simple abdication face à l'innovation, mais une opportunité de redéfinir l’intégrité académique à l'ère moderne.

Partie I : Les limites épistémologiques de la détection d'IA

Le déploiement massif de détecteurs d'IA dans les universités repose sur un postulat erroné : l’idée qu'un texte rédigé par un humain et un texte généré par une IA appartiendraient à des catégories distinctes, identifiables à coup d'analyses algorithmiques. Les recherches publiées depuis fin 2022 prouvent scientifiquement les limites d'un tel système.6 Weber-Wulff et al. (2023) ; Sadasivan et al. (2023)

Dans l'évaluation indépendante la plus exhaustive réalisée à ce jour, parue dans l'International Journal for Educational Integrity, Weber-Wulff et chercheurs associés ont testé quatorze outils de détection.7 Weber-Wulff et al. (2023) Le verdict fut sans appel : aucune solution n'a dépassé le seuil des 80 % de précision, et seules cinq ont franchi les 70 %. L’étude conclut que ces logiciels ne sont ni fiables ni rigoureux, affichant une forte tendance à étiqueter les contenus comme humains plutôt qu'à identifier l'usage d'une IA.

De plus, cette efficacité s'effondre en conditions réelles. Les détecteurs peinent dès que le texte est légèrement retravaillé, reformulé ou modifié par l'auteur.8 Perkins et al. (2024c) ; Weber-Wulff et al. (2023) Les outils du marché se révèlent inefficaces face au travail de reformulation, ce qui pénalise injustement le travail légitime d'appropriation intellectuelle.9 Liu et al. (2024)

Pour contourner ce problème, de grands éditeurs comme Turnitin essaient d'ajuster leurs algorithmes, acceptant volontairement plus de "faux négatifs" pour tenter de limiter le taux de fausses accusations.10 Jabarian and Imas (2025) Cet arbitrage technique démontre un dilemme insoluble : un détecteur ne peut maintenir simultanément une forte sensibilité (intercepter l’IA) et une haute spécificité (ne pas suspecter un humain). Cette incapacité à distinguer un réel effort de reformulation humaine d'un simple contenu artificiel invalide l'usage de ces outils comme fondements de sanctions disciplinaires.11 Bordalejo et al. (2025)

Les fondements mathématiques de cette impossibilité physique ont été posés par Sadasivan et son équipe à l’Université du Maryland.12 Sadasivan et al. (2023) Leurs travaux démontrent que face aux modèles de langage avancés, même le parfait détecteur n'obtient guère mieux qu'un résultat aléatoire après une simple reformulation du texte.13 Cheng et al. (2025) ; Sadasivan et al. (2023) Le professeur Soheil Feizi le résume ainsi : « Il y a une limite fondamentale à ce que le pistage statistique peut accomplir. Il est donc hautement improbable que nous puissions un jour créer un logiciel capable d'identifier l'IA avec certitude. »14 University of Maryland (2025)

Ce n’est pas un défaut logiciel temporaire, mais une limite mathématique. À mesure que les modèles de langage progressent et se rapprochent des structures d'écriture humaines, les indices statistiques s’estompent, rendant la distinction artificielle caduque.15 Knott et al. (2024) ; Frank et al. (2024) L’avenir appartient donc à l'accompagnement éthique de l'écriture en amont, et non à l'inquisition algorithmique en aval.

Partie II : La transformation systémique de la production scientifique

Si la discussion se focalise souvent sur la fraude des étudiants du premier cycle, l'académie manque de recul sur la révolution silencieuse qui a déjà redessiné la recherche professionnelle. Moins de deux ans après la sortie du premier grand public d'IA, l'accompagnement par l'IA est devenu une pratique standard de la publication scientifique.16 Matsui (2025) ; Yip et al. (2025)

L'étude méthodologique la plus poussée sur le sujet, publiée par Kobak et ses collègues dans Science Advances en juillet 2025,17 Kobak et al. (2025) a analysé plus de 15 millions de résumés d'articles biomédicaux en langue anglaise parus entre 2010 et 2024. Grâce à une méthode d'analyse comparative, l’équipe a mesuré l’apparition anormale de syntagmes clés post-2022. Résultat : au moins 13,5 % des résumés de recherche biomédicale rédigés en 2024 ont été édités par des LLM, ce taux s’envolant jusqu’à 40 % selon les disciplines et les aires géographiques.

Les chercheurs y ont identifié des marqueurs de style typiques des IA génératives (l'abondance de mots comme « delve », « crucial », « meticulous », ou « intricate »). La conclusion est sans équivoque : « Le recours à ces outils a eu un impact plus immédiat et structurel sur le style de rédaction académique que des événements planétaires majeurs comme la pandémie de Covid-19. »18 Kobak et al. (2025)

L’évaluation par les pairs suit la même trajectoire. L'analyse présentée par Liang et ses collègues à l'International Conference on Machine Learning en 202419 Liang et al. (2024) estime qu’entre 6,5 % et 16,9 % des revues de critiques scientifiques pour des conférences d'IA d’envergure ont été rédigées avec une aide renforcée par IA. Certains tics d'écriture caractéristiques ont littéralement explosé (fréquence multipliée par 34 pour le terme « meticulous » par exemple). Cela s'accompagne d’ailleurs de dérives comportementales notables, comme des avis soumis à la dernière minute ou un engagement plus faible dans la phase de réponse aux auteurs.

Les précurseurs de la documentation comme arXiv s'adaptent d'évidence à ces bouleversements depuis fin 2025,20 Sun et al. (2025) ; Jianghao et al. (2025) de nombreux articles de synthèse s'apparentant désormais à de simples listes bibliographiques compilées de façon automatique plutôt qu'à un réel apport de recherche.21 Liang et al. (2025b) ; Wang et al. (2024)

Ces indicateurs mettent en lumière un changement global de paradigme dans la production du savoir, et non un problème isolé de triche étudiante. Réprimer les étudiants du secondaire tout en observant passivement la mutation globale de l'écriture académique est une grave erreur stratégique.

13.5%
Des résumés biomédicaux de 2024 montrent un usage clair de LLM
40%
Dans certaines revues, disciplines ou universités
16.9%
Des rapports d'évaluation scientifique de grands congrès d'IA

Partie III : Le biais de détection, une injustice sociale

Au-delà de leur manque flagrant de précision, les algorithmes de détection posent des problèmes d'éthique et d'égalité des chances.22 Gorichanaz (2023) ; Giray (2024) Ce préjudice frappe de plein fouet les chercheurs non-anglophones, mais aussi les profils neurodivergents et tous ceux dont le style littéraire diffère des critères attendus par les algorithmes de détection.23 Gegg-Harrison and Quarterman (2024) ; Chambers and Kelley (2025)

L'étude de référence sur ce sujet, publiée dans la revue Patterns par l'équipe de Liang, a confronté sept détecteurs d'IA majeurs à deux séries d'essais : 91 copies de TOEFL écrites par des étudiants non-anglophones, et 88 rédactions d'élèves de collège américains natifs.24 Liang et al. (2023) Si les détecteurs s’en sortent sans faute sur les enfants anglophones, ils attribuent d'office à l'IA plus de la moitié des rédactions écrites par des locuteurs non natifs. Plus précisément, 61,3 % de ces copies d'étudiants d'origine étrangère ont été faussement étiquetées comme artificielles.25 Perkins et al. (2024c) Pire encore, près de 98 % des copies TOEFL ont été signalées par au moins un détecteur de la sélection, et 20 % d’entre elles ont fait l'unanimité à tort auprès de tous les logiciels.26 Arango et al. (2024)

Le cœur de ce biais réside dans la mécanique même des algorithmes de détection : la mesure de la « perplexité » (qui évalue le niveau de prévisibilité du choix des mots).27 Liang et al. (2023) ; Park (2024) Par nature, un non-anglophone possède un vocabulaire plus ciblé et emploie des structures de phrases plus convenues et régulières. Ces écrits à faible perplexing sont donc assimilés de façon quasi systématique aux schémas d'une machine. Les détecteurs punissent précisément les efforts linguistiques requis pour maîtriser l'écriture dans une langue étrangère.

Cette dérive soulève une grave problématique de discrimination, au détriment de minorités ethniques ou d’étudiants étrangers.30 Jacob et al. (2024) ; Ovalle (2023) ; Jiang et al. (2024) Pour des étudiants internationaux, une telle fausse accusation d’imposture académique peut avoir des retombées désastreuses allant au-delà de la note, menaçant leurs visas ou leurs espoirs de carrière universitaire.31 Bannister et al. (2024) ; Giray (2024) Ces étudiants se retrouvent alors contraints à une intenable présomption de culpabilité face à la décision froide d’une machine.32 Gorichanaz (2023)

Les profils autistes et neurodivergents subissent des préjudices très similaires.33 Gegg-Harrison and Quarterman (2024) ; Chambers and Kelley (2025) Les analyses cliniques révèlent que l'écriture authentique d'étudiants autistes, se caractérisant parfois par un style plus rigide intellectuellement développé, des répétitions sémantiques ou une structure formelle stricte, mime involontairement l'apparence des modèles de langage ordinaires.34 França et al. (2024) ; Chambers and Kelley (2025) ; Carik et al. (2024)

S'obstiner dans cette quête de détection revient à normaliser un système académique à deux vitesses, fondé sur le privilège linguistique. Les locuteurs natifs neurotypiques écrivent en toute sérénité, tandis que les parcours singuliers encourent continuellement le risque de fausses accusations infamantes.35 Giray (2024)

Partie IV : L'architecture de transparence, la nouvelle référence éthique

Puisque la détection s’avère inefficace sur le plan technique et biaisée d’un point de vue social, quelle alternative propose-t-on ? L’enjeu majeur consiste à ancrer la transparence par le biais d'un environnement d’écriture vertueux, soit un assistant qui matérialise l'implication humaine au lieu de tenter de devancer l'espionnage.

Cette philosophie s’aligne sur le concept de "transparence par conception" (transparency by design) théorisé par Felzmann et collaborateurs, adaptant les concepts du RGPD à l’univers de l’intelligence artificielle.36 Felzmann et al. (2020) L’intelligence artificielle doit être conçue pour rendre ses interventions traçables et auditables d’emblée, et non être une boîte noire dont on tente de percer ultérieurement les mystères.

Jenni AI a été développée selon ce principe fondateur de transparence et de collaboration. Plutôt que de proposer un assistant qui écrit des paragraphes entiers déconnectés de la réflexion de l'utilisateur, l’infrastructure de Jenni AI garantit que la pensée de l’auteur reste aux commandes, tout en encadrant les propositions formulées par l’IA. Plusieurs choix de conception distinguent Jenni AI des outils de génération de texte de masse :

La saisie semi-automatique phrase par phrase : Jenni AI propose des suggestions progressives au fil de la plume au lieu d’une rédaction automatisée en bloc. L’utilisateur doit ainsi relire, évaluer et valider chaque suggestion pour avancer. Contrairement aux services qui génèrent des pages entières sans relecture possible, Jenni AI encourage un dialogue permanent de co-écriture, où le chercheur garde un contrôle éditorial et argumentatif total.

La bibliothèque de recherche et vérification de sources intégrée : la plateforme élimine de fait le problème majeur des hallucinations et fausses références bibliographiques typiques des IA génératives standards. Avec Jenni AI, l'utilisateur charge ses propres fichiers, formats BibTeX ou fichiers PDF, forçant l'assistant à baser toutes ses propositions rédactionnelles sur les vrais documents stockés dans sa bibliothèque personnelle.37 Walters and Wilder (2023) ; Spennemann (2025) ; Mustaffa et al. (2025)

La gestion modulable des fonctionnalités d'édition : l'IA est idéale pour aider à exécuter des tâches fastidieuses (reformuler, améliorer la syntaxe, corriger la grammaire ou restructurer un travail). Les chercheurs partagent d'ailleurs le constat que ces fonctionnalités d'aide à la rédaction sont de formidables outils de travail, tant que le cœur argumentatif et conceptuel d'un devoir ou d'une recherche est préservé par l’humain.38 Shimray and Subaveerapandiyan (2025) ; Xu (2025) ; Liao et al. (2024) ; Arroyo-Machado et al. (2025)

Une ouverture multilingue inclusive : compatible avec plus de trente langues, Jenni AI permet aux étudiants ou chercheurs d’élaborer leur pensée dans leur langue maternelle avant d'ajuster leur production finale. Cet outil n'aide pas à contourner l’honnêteté intellectuelle : il garantit l’égalité des chances pour la valorisation internationale d’un travail sans barrière linguistique.40 Filimonovic and Rutzer (2025) ; Prakash et al. (2025) ; Amano et al. (2025) ; Rueda et al. (2025) ; Sebastian and Baron (2024) ; Lepp and Sarin (2024)

L'IA devient alors un allié éthique du parcours de recherche scientifique, plutôt qu’une menace pour l’intégrité. En plaçant l'accompagnement transparent au cœur de son fonctionnement, Jenni AI prouve qu'un logiciel d'écriture intelligent peut être, par nature, le meilleur vecteur d'honnêteté intellectuelle.

Partie V : Les voies d’intégration institutionnelle

Le passage d’une culture de flicage à une logique de transparence exige d'adapter les règlements d’examens, la formation pédagogique des enseignants, et de s'équiper avec des assistants de rédaction adaptés.

La refonte fondamentale consiste à substituer le devoir de transparence au vain projet de détection. Le règlement de l’Université Cornell indique clairement : « Nous ne préconisons pas l'usage de détecteurs d'IA dans le cadre de recours pour fraude académique, compte tenu de leur manque criant de fiabilité. »42 Cornell University (2025) L’Université Columbia préconise de son côté de traiter ces indications comme de simples hypothèses exploratoires, alertant sur le danger d'exclure injustement des étudiants.43 Columbia University (2025) Même son de cloche pour l’Université de Pittsburgh qui a abandonné tout partenariat avec ces technologies de contrôle.44 University of Pittsburgh (2025a)

Les codes de bonne conduite récents s’orientent de ce fait sur des démarches de déclaration explicite. La déclaration du COPE en résume les contours : les auteurs doivent documenter de façon transparente l’utilisation concrète d’un assistant ou d'une plateforme d'IA au sein de leur section méthodologique, l’auteur humain restant entièrement juridiquement responsable de l’intégralité de sa publication.45 da Veiga (2025)

L’évaluation se réoriente également vers de nouvelles méthodes. La commission mixte MLA-CCCC suggère par exemple de demander la présentation de l'historique rédactionnel des travaux écrits des étudiants, prouvant ainsi la maturation de l'écrit au fil du temps.46 MLA-CCCC Task Force (2023)

En parallèle, l’évaluation de la réflexion en continu (à l'occasion d'une présentation orale ou par un système de portfolios) atteste de la vraie valeur des compétences acquises.47 Theobold (2021) ; Gaines and Burrows (2024) ; Smith and Tanner (2010)

Le modèle graduel de l’"Échelle d'évaluation IA" développé par Perkins et ses confrères offre à ce titre une excellente grille de lecture en 5 niveaux, allant de l'évaluation sur table sans outil (niveau 1) à une hybridation totale encadrée (niveau 5).49 Perkins et al. (2024b) ; Perkins et al. (2024a) Sa mise en œuvre a permis d'optimiser l'expérience étudiante et d'abaisser significativement les litiges pour fraude académique dans certaines filières pilotes.50 Furze et al. (2024)

La formation du personnel universitaire s’avère donc indispensable. Elle doit intégrer l’accréditation éthique de l'IA, le traitement critique de ses apports, et la maîtrise technique et rhétorique des outils de co-création.51 UNESCO (2024) ; Tadimalla and Maher (2024) ; Chiu et al. (2024) L’intégration d'outils labellisés, assurant la protection des données et encourageant la clarté d'écriture académique (à l'instar de Jenni AI), s'impose naturellement comme la meilleure stratégie d'intégrité à long terme.53 Ng et al. (2025) ; Wu et al. (2024)

Conclusion

Le constat dressé dans ce livre blanc est imparable : à l'ère de l'intelligence artificielle générative, la surveillance classique par détection a atteint ses limites.

Les détecteurs ont prouvé leur inefficacité. Les plus récentes analyses universitaires font état de taux d’inexactitude supérieurs à 80 %, de faux positifs jusqu’à 50 % sur les plateformes courantes et d'une pénalisation évidente des profils atypiques ou internationaux.58 Weber-Wulff et al. (2023) Ce diagnostic d'échec est une fatalité mathématique. Les modèles avancés s'ajustent plus vite que l’aptitude d'un système tiers à les repérer.

D'ailleurs, la bascule culturelle est déjà effective. Plus de 13,5 % de la recherche biomédicale contemporaine et jusqu'à 16,9 % des rapports d'arbitrage scientifique en informatique sont d'ores et déjà rédigés en collaboration avec une IA.62 Kobak et al. (2025) Sanctonner les élèves tout en tolérant ces usages professionnels au plus haut niveau est intenable.

La solution intelligente n’est pas l’interdiction, mais l'adoption d'un nouveau paradigme de transparence. Des logiciels innovants comme Jenni AI, qui intègrent nativement la co-écriture phrase par phrase, la validation des sources académiques et le suivi de l’écriture, changent la donne. Ils évitent les dérives criminogènes et les dynamiques conflictuelles au profit de la rigueur et de la traçabilité consentie des contributions de chacun.

La vraie question n’est plus de savoir si l'on doit autoriser l’IA. Elle est désormais intégrée au cœur du monde moderne et de la vie active. L’enjeu pour l'enseignement supérieur est désormais de choisir entre laisser s'installer une triche clandestine et illisible, ou accompagner les étudiants vers une maîtrise professionnelle, éthique et guidée par des solutions adéquates.

En proposant un assistant d'écriture universitaire unique, transparent et performant comme Jenni AI, les universités peuvent enfin sortir de l'impasse de la détection et former les esprits de demain avec un temps d’avance.

Déclaration d'utilisation de l'IA

Durant l'élaboration de ce document, les auteurs ont eu recours aux services de Jenni AI pour clarifier leur style de rédaction, vérifier la conformité des formats bibliographiques retenus et garantir la clarté et l'excellence de la communication écrite universitaire. Les auteurs conservent l'entière paternité éditoriale et la pleine responsabilité de cette publication.

Ce que les établissements peuvent faire maintenant

  1. 1Auditez vos contrats actuels d’outils de détection au regard des données de précision et de biais présentées ici.
  2. 2Élaborez des politiques de déclaration qui traitent l’assistance de l’IA comme un usage à déclarer plutôt qu’à interdire.
  3. 3Investissez dans la formation des enseignants pour développer la maîtrise de l’IA.
  4. 4Évaluez les outils axés sur la transparence comme une infrastructure, et non comme une menace.

Pour les établissements

Dotez votre département ou votre bibliothèque d’un outil d’écriture conçu pour la transparence.

Découvrir Jenni pour les équipes

Pour les chercheurs

Rejoignez des milliers de chercheurs qui font confiance à Jenni pour un travail transparent et vérifiable.

Commencez à écrire

Références bibliographiques

Alejandro, S. (2024). The education balancing act: AI progression, fairness and biases. Policy Perspectives, 31. https://doi.org/10.4079/pp.v31i0.15
Amano, T., Bowker, L., & Burton-Jones, A. (2025). AI-mediated translation presents two possible futures for academic publishing in a multilingual world. PLoS Biology, 23(6). https://doi.org/10.1371/journal.pbio.3003215
Arango, M. C., Hincapié-Otero, M. M., Hardeman, K. N., Shao, B., Starbird, L., & Starbird, C. A. (2024). Special considerations for the use of AI tools by PEERs as a learning and communication aid. Carolina Digital Repository (University of North Carolina at Chapel Hill). https://doi.org/10.17615/m0hg-9687
Arroyo‐Machado, W., Ma, J., Chen, T., Johnson, T. P., Islam, S., Michalegko, L., & Welch, E. W. (2025). Generative AI and academic scientists in US universities: Perception, experience, and adoption intentions. PLoS ONE, 20(8). https://doi.org/10.1371/journal.pone.0330416
Bannister, P., Peñalver, E. A., & Urbieta, A. S. (2024). International students and generative artificial intelligence. Journal of International Students, 14(3), 149–170. https://doi.org/10.32674/jis.v14i3.6277
Bordalejo, B., Pafumi, D., Onuh, F., Khalid, A. K. M. I., Pearce, M. S., & O’Donnell, D. P. (2025). “Scarlet Cloak and the Forest Adventure”: A preliminary study of the impact of AI on commonly used writing tools. International Journal of Educational Technology in Higher Education, 22(1). https://doi.org/10.1186/s41239-025-00505-5
Carik, B., Ping, K., Ding, X., & Rho, E. H. (2024). Exploring large language models through a neurodivergent lens: Use, challenges, community-driven workarounds, and concerns. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2410.06336
Chambers, S., & Kelley, M. C. (2025). The misclassification of autistic writing as AI-generated. In Lecture notes in computer science (pp. 89–103). Springer Science+Business Media. https://doi.org/10.1007/978-3-031-98420-4_7
Chan, C. K. Y., & Colloton, T. (2024). Generative AI in higher education. https://doi.org/10.4324/9781003459026
Cheng, Y., Sadasivan, V. S., Saberi, M., Saha, S., & Feizi, S. (2025). Adversarial paraphrasing: A universal attack for humanizing AI-generated text. https://doi.org/10.48550/ARXIV.2506.07001
Chiu, T. K. F., Ahmad, Z., Ismailov, M., & Sanusi, I. T. (2024). What are artificial intelligence literacy and competency? A comprehensive framework to support them. Computers and Education Open, 6, 100171. https://doi.org/10.1016/j.caeo.2024.100171
Columbia University. (2025). Office of the Provost — Generative AI. https://provost.columbia.edu/content/generative-ai
da Veiga, A. (2025). Ethical guidelines for the use of generative artificial intelligence and artificial intelligence-assisted tools in scholarly publishing: A thematic analysis. Science Editing, 12(1), 28–34. https://doi.org/10.6087/kcse.352
Felzmann, H., Fosch-Villaronga, E., Lutz, C., & Tamò-Larrieux, A. (2020). Towards transparency by design for artificial intelligence. https://doi.org/10.1007/s11948-020-00276-4
Figueroa, B. M., Eaton, S. E., Pethrick, H., Hayden, A., Brennan, R. W., Wiens, J., & McDermott, B. (2024). Academic integrity and artificial intelligence in higher education (HE) contexts: A rapid scoping review. Canadian Perspectives on Academic Integrity, 7(3). https://doi.org/10.55016/ojs/cpai.v7i3.78123
Filimonovic, D., & Rutzer, C. (2025). Generative AI as a linguistic equalizer in global science. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2511.11687
Frank, J. H., Herbert, F., Ricker, J., Schönherr, L., Eisenhofer, T., Fischer, A., Dürmuth, M., & Holz, T. (2024). A representative study on human detection of artificially generated media across countries. https://doi.org/10.1109/sp54263.2024.00159
França, A. B. C., Reategui, E. B., Mintz, J., Meira, R. R., & Motz, R. (2024). Writing analytics and AI for special education: Preliminary results on students with autism spectrum disorder. In Communications in computer and information science (pp. 192–199). Springer Science+Business Media. https://doi.org/10.1007/978-3-031-64312-5_23
Furze, L., Perkins, M., Roe, J., & MacVaugh, J. (2024). The AI assessment scale (AIAS) in action: A pilot implementation of GenAI-supported assessment. Australasian Journal of Educational Technology. https://doi.org/10.14742/ajet.9434
Gaines, T., & Burrows, N. L. (2024). Exploring alternative assessments during COVID: Instructor experiences using oral exams. Frontiers in Education, 9. https://doi.org/10.3389/feduc.2024.1379886
Gegg-Harrison, W., & Quarterman, C. (2024). AI detection's high false positive rates and the psychological and material impacts on students. In Advances in educational marketing, administration, and leadership book series (pp. 199–219). IGI Global. https://doi.org/10.4018/979-8-3693-0240-8.ch011
Generative AI in higher education. (2025). Edward Elgar Publishing. https://doi.org/10.4337/9781035326020
Giray, L. (2024). The problem with false positives: AI detection unfairly accuses scholars of AI plagiarism. The Serials Librarian, 1–9. https://doi.org/10.1080/0361526x.2024.2433256
Gorichanaz, T. (2023). Accused: How students respond to allegations of using ChatGPT on assessments. Learning Research and Practice, 9(2), 183–196. https://doi.org/10.1080/23735082.2023.2254787
Gupta, A., Atef, Y., Mills, A., & Bali, M. (2024). Assistant, parrot, or colonizing loudspeaker? ChatGPT metaphors for developing critical AI literacies. Open Praxis, 16(1), 37–53. https://doi.org/10.55982/openpraxis.16.1.631
Hysaj, A., Dean, B. A., & Freeman, M. (2025). Exploring the purposes and uses of generative artificial intelligence tools in academic writing for multicultural students. Higher Education Research & Development, 1–15. https://doi.org/10.1080/07294360.2025.2488862
Is AI-generated content actually detectable? (2025). University of Maryland. https://cmns.umd.edu/news-events/news/ai-generated-content-actually-detectable
Jabarian, B., & Imas, A. (2025). Artificial writing and automated detection. https://doi.org/10.2139/ssrn.5407424
Jacob, S., Tate, T., & Warschauer, M. (2024). Emergent AI-assisted discourse: A case study of a second language writer authoring with ChatGPT. Journal of China Computer-Assisted Language Learning. https://doi.org/10.1515/jccall-2024-0011
Jiang, Y., Hao, J., Fauss, M., & Li, C. (2024). Detecting ChatGPT-generated essays in a large-scale writing assessment: Is there a bias against non-native English speakers? Computers & Education, 217, 105070. https://doi.org/10.1016/j.compedu.2024.105070
Jianghao, L., Rong, S., Jiachen, Z., Xi, Y., Yong, Y., & Zhang, W. (2025). Stop DDoS attacking the research community with AI-generated survey papers. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2510.09686
Knott, A., Pedreschi, D., Jitsuzumi, T., Leavy, S., Eyers, D., Chakraborti, T., Trotman, A., Sundareswaran, S., Baeza‐Yates, R., Biecek, P., Weller, A., Teal, P. D., Basu, S., Haklıdır, M., Morini, V., Russell, S., & Bengio, Y. (2024). AI content detection in the emerging information ecosystem: New obligations for media and tech companies. Ethics and Information Technology, 26(4). https://doi.org/10.1007/s10676-024-09795-1
Kobak, D., González-Márquez, R., Horvát, E. Á., & Lause, J. (2025). Delving into LLM-assisted writing in biomedical publications through excess vocabulary. Science Advances, 11(27). https://doi.org/10.1126/sciadv.adt3813
Kong, S. C., Lee, J. C., & Tsang, O. (2024). A pedagogical design for self-regulated learning in academic writing using text-based generative artificial intelligence tools: 6-P pedagogy of plan, prompt, preview, produce, peer-review, portfolio-tracking. Research and Practice in Technology Enhanced Learning, 19, 30. https://doi.org/10.58459/rptel.2024.19030
Kwon, D. (2025). Is it OK for AI to write science papers? Nature survey shows researchers are split. Nature, 641(8063), 574–578. https://doi.org/10.1038/d41586-025-01463-8
Laflamme, A. S., & Bruneault, F. (2025). Redefining academic integrity in the age of generative artificial intelligence: The essential contribution of artificial intelligence ethics. Journal of Scholarly Publishing, 56(2), 481–509. https://doi.org/10.3138/jsp-2024-1125
Latona, G. R., Ribeiro, M. H., Davidson, T. R., Veselovsky, V., & West, R. (2024). The AI review lottery: Widespread AI-assisted peer reviews boost paper scores and acceptance rates. https://doi.org/10.48550/ARXIV.2405.02150
Lepp, H., & Sarin, P. (2024). A global AI community requires language-diverse publishing. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2408.14772
Liang, W., Izzo, Z., Zhang, Y., Lepp, H., Cao, H., Zhao, X., Chen, L., Ye, H., Liu, S., Huang, Z., McFarland, D. A., & Zou, J. (2024). Monitoring AI-modified content at scale: A case study on the impact of ChatGPT on AI conference peer reviews. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2403.07183
Liang, W., Yüksekgönül, M., Mao, Y., Wu, E. Q., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. https://doi.org/10.1016/j.patter.2023.100779
Liang, W., Zhang, Y., Wu, Z., Lepp, H., Ji, W., Zhao, X., Cao, H., Liu, S., He, S., Huang, Z., Yang, D., Potts, C., Manning, C. D., & Zou, J. (2025a). Quantifying large language model usage in scientific papers. Nature Human Behaviour. https://doi.org/10.1038/s41562-025-02273-8
Liang, X., Yang, J., Wang, Y., Tang, C., Zheng, Z., Niu, S., Song, S., Wang, H., Tang, B., Xiong, F., Mao, K., & Li, Z. (2025). SurveyX: Academic survey automation via large language models. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2502.14776
Liao, Z., Antoniak, M., Cheong, I., Cheng, E. Y. Y., Lee, A. H., Lo, K., Chang, J. C., & Zhang, A. X. (2024). LLMs as research tools: A large scale survey of researchers' usage and perceptions. https://doi.org/10.48550/ARXIV.2411.05025
Liu, J. Q. J., Hui, K. T., Zoubi, F. A., Zhou, Z. Z. X., Samartzis, D., Yu, C. C. H., Chang, J. R., & Wong, A. Y. L. (2024). The great detectives: Humans versus AI detectors in catching large language model-generated medical writing. International Journal for Educational Integrity, 20(1). https://doi.org/10.1007/s40979-024-00155-6
Lund, B., Orhan, Z., Mannuru, N. R., Bevara, R. V. K., Porter, B., Vinaih, M. K., & Bhaskara, P. (2025). Standards, frameworks, and legislation for artificial intelligence (AI) transparency. AI and Ethics, 5(4), 3639–3655. https://doi.org/10.1007/s43681-025-00661-4
Matsui, K. (2025). Delving into PubMed records: How AI-influenced vocabulary has transformed medical writing since ChatGPT. Perspectives on Medical Education, 14(1), 882–890. https://doi.org/10.5334/pme.1929
Miah, M. (2024). Unveiling the evolutionary impact of artificial intelligence on the workforce. Informatica Economica, 28, 39–58. https://doi.org/10.24818/issn14531305/28.1.2024.04
MLA-CCCC Joint Task Force on Writing and AI. (2023). Academic integrity and assignment design. https://aiandwriting.hcommons.org/2023/09/22/academic-integrity-and-assignment-design/
Mustaffa, N. E., Lai, K. H., Preece, C., & Wong, F. Y. (2025). A bibliometric review of large language model hallucination. International Journal of Research and Innovation in Social Science, 5025–5037. https://doi.org/10.47772/ijriss.2025.909000409
Ng, B., Liu, J., Tong, X., Ye, K., Yenne, G., Chandrasekaran, V., & Li, J. (2025). Analyzing security and privacy challenges in generative AI usage guidelines for higher education. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2506.20463
Ovalle, A. (2023). Decoding the digital fuku: Deciphering colonial legacies to critically assess ChatGPT in Dominican education. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2310.17533
Park, S. (2024). AI chatbots and linguistic injustice. Journal of Universal Language, 25(1), 99–119. https://doi.org/10.22425/jul.2024.25.1.99
Pastva, J., Jebbia, D., Reilly, M., & Werlinich, A. (2024). The implementation of Keenious at Carnegie Mellon University. Journal of eScience Librarianship, 13(1). https://doi.org/10.7191/jeslib.800
Pedersen, A. Y., Caviglia, F., Kay, J., & Luckin, R. (2018). Researcher or fellow citizen?: Looking for a role model in the humanities. Research Portal Denmark, 2, 945–948.
Perkins, M., Furze, L., Roe, J., & MacVaugh, J. (2024). The artificial intelligence assessment scale (AIAS): A framework for ethical integration of generative AI in educational assessment. Journal of University Teaching and Learning Practice, 21(6). https://doi.org/10.53761/q3azde36
Perkins, M., Roe, J., & Furze, L. (2024). The AI assessment scale revisited: A framework for educational assessment. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2412.09029
Perkins, M., Roe, J., Vu, B., Postma, D., Hickerson, D., McGaughran, J., & Khuat, H. Q. (2024). GenAI detection tools, adversarial techniques and implications for inclusivity in higher education. Cornell University. https://doi.org/10.48550/arxiv.2403.19148
Prakash, A., Aggarwal, S., Varghese, J. J., & Varghese, J. (2025). Writing without borders: AI and cross-cultural convergence in academic writing quality. Humanities and Social Sciences Communications, 12(1). https://doi.org/10.1057/s41599-025-05484-6
Rueda, J., Ivanković, V., & Blunden, C. (2025). A cautiously optimistic view on large language model use against linguistic injustice in academia. Nature Machine Intelligence, 7(11), 1773–1774. https://doi.org/10.1038/s42256-025-01138-z
Rughiniș, C., Vulpe, S., Țurcanu, D., & Rughiniș, R. (2025). AI at the knowledge gates: Institutional policies and hybrid configurations in universities and publishers. Frontiers in Computer Science, 7. https://doi.org/10.3389/fcomp.2025.1608276
Sadasivan, V. S., Kumar, A., Balasubramanian, S., Wang, W., & Feizi, S. (2023). Can AI-generated text be reliably detected? arXiv (Cornell University). https://doi.org/10.48550/arxiv.2303.11156
Sebastian, F., & Baron, R. (2024). Artificial intelligence: What the future holds for multilingual authors and editing professionals. Science Editor. https://doi.org/10.36591/se-d-4702-01
Shimray, S. R., & Subaveerapandiyan, A. (2025). Artificial intelligence in academic writing and research: Adoption and effectiveness. Open Information Science, 9(1). https://doi.org/10.1515/opis-2025-0026
Smith, J. I., & Tanner, K. D. (2010). The problem of revealing how students think: Concept inventories and beyond. CBE—Life Sciences Education, 9(1), 1–5. https://doi.org/10.1187/cbe.09-12-0094
Spennemann, D. (2025). The origins and veracity of references ‘cited’ by generative artificial intelligence applications: Implications for the quality of responses. Publications, 13, 12. https://doi.org/10.3390/publications13010012
Sun, Z., Zhu, X., Zhou, X., Tong, X., Wang, S., Fu, J., Li, G., Liu, Z., & Wu, F. (2025). SurveyBench: Can LLM(-agents) write academic surveys that align with reader needs? arXiv (Cornell University). https://doi.org/10.48550/arxiv.2510.03120
Tadimalla, S. Y., & Maher, M. L. (2024). AI literacy for all: Adjustable interdisciplinary socio-technical curriculum. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2409.10552
Theobold, A. S. (2021). Oral exams: A more meaningful assessment of students’ understanding. Journal of Statistics and Data Science Education, 29(2), 156–159. https://doi.org/10.1080/26939169.2021.1914527
UNESCO. (2024). AI competency framework for teachers. https://doi.org/10.54675/zjte2084
University of Pittsburgh. (2025). Generative AI: Encouraging academic integrity. https://teaching.pitt.edu/resources/encouraging-academic-integrity/
Wakjira, T. G., Tijani, I. A., Alam, M. S., Mashal, M., & Hasan, K. (2025). Can we trust AI content detection tools for critical decision-making? Information, 16(10), 904. https://doi.org/10.3390/info16100904
Walters, W. H. (2023). The effectiveness of software designed to detect AI-generated writing: A comparison of 16 AI text detectors. Open Information Science, 7(1). https://doi.org/10.1515/opis-2022-0158
Walters, W. H., & Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 13(1). https://doi.org/10.1038/s41598-023-41032-5
Wang, Y., Guo, Q., Yao, W., Zhang, H., Zhang, X., Wu, Z., Zhang, M., Dai, X., Zhang, M., Wen, Q., Ye, W., Zhang, S., & Zhang, Y. (2024). Autosurvey: Large language models can automatically write surveys. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2406.10252
Weber-Wulff, D., Anohina-Naumeca, A., Bjelobaba, S., Foltýnek, T., Guerrero-Dib, J., Popoola, O., Šigut, P., & Waddington, L. (2023). Testing of detection tools for AI-generated text. International Journal for Educational Integrity, 19(1). https://doi.org/10.1007/s40979-023-00146-z
Wu, C., Zhang, H., & Carroll, J. M. (2024). AI governance in higher education: Case studies of guidance at Big Ten universities. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2409.02017
Xu, Z. (2025). Patterns and purposes: A cross-journal analysis of AI tool usage in academic writing. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2502.00632
Yip, R., Sun, Y. J., Bassuk, A. G., & Mahajan, V. B. (2025). Artificial intelligence’s contribution to biomedical literature search: Revolutionizing or complicating? PLOS Digital Health, 4. https://doi.org/10.1371/journal.pdig.0000849
Zhai, C., Wibowo, S., & Li, L. D. (2024). The effects of over-reliance on AI dialogue systems on students’ cognitive abilities: A systematic review. https://doi.org/10.1186/s40561-024-00316-7
Zhang, X., Zhang, J., & Oubibi, M. (2025). Effects of Chinese college students’ academic integrity perceptions on the intention to disclose AI-generated outputs: A moderated mediation model. Journal of Academic Ethics, 23(4), 1709–1728. https://doi.org/10.1007/s10805-025-09622-2

Citer ce document

Spezowka, Alex. Au-delà de la détection : un cadre pour intégrer l'IA de manière éthique dans la recherche académique. Recherche Jenni, 2026. jenni.ai/fr/whitepaper.

Approuvé par les universités et les entreprises à travers le monde

google logo
penn logo
cambridge university
aston university logo

Approuvé par les universités et les entreprises à travers le monde

google logo
penn logo
cambridge university
aston university logo

Approuvé par les universités et les entreprises à travers le monde

google logo
penn logo
cambridge university
aston university logo
L’intégrité dès la conception

Conçu pour inspirer confiance, pas seulement pour aller vite

Chaque document créé avec Jenni intègre une transparence et une vérifiabilité intégrées.

Rédigez en toute confiance

Vérifiez directement le texte à partir des sources citées afin de vous assurer que vos affirmations représentent fidèlement la littérature.

Accédez à la confiance

L'analyse de la confiance des affirmations a abordé les problèmes de citations redondantes, faibles ou manquantes, ainsi que les cas de contradiction dans les arguments de citation.

Mal représenté

Contredit

3

Non pris en charge

4

Faiblement Appuyé

2

Exagéré

Non vérifiable

Repérez les problèmes tôt et évitez les allers-retours de commentaires

Vérifiez vos affirmations par rapport aux recherches existantes, en vous assurant que vos arguments sont défendables.

La plateforme dédiée à vos travaux de recherche

Fini de jongler avec les intégrations d’applications : rédigez votre prochain article au même endroit.

Confidentialité des données

Vos brouillons restent privés. Jenni n’utilise pas vos écrits pour entraîner ses modèles, et nos fournisseurs d’IA partenaires sont contractuellement tenus de ne pas s’entraîner sur les données des utilisateurs de Jenni.

Déclaration relative à l’IA

Insérez une déclaration de conformité conforme aux normes de divulgation de cadres tels que les Principes de l’OCDE sur l’IA et l’Éthique de l’IA de l’UNESCO.

Conçu pour la collaboration

Rédigez, modifiez et citez avec vos co-auteurs dans un éditeur de documents simple à utiliser. Évitez les tracas liés aux versions grâce à une collaboration fluide.

J’ai utilisé Jenni pour rédiger des résumés pour mes candidatures au doctorat, en me concentrant sur la numérisation, l’optimisation de la chaîne d’approvisionnement et la résilience. L’outil m’a aidé à transformer mes idées de recherche en propositions concises et percutantes qui ont retenu l’attention de nombreux lecteurs.

Rebecca Nakalanda | Chargée de cours, Makerere University Business School

Prêt à écrire en toute confiance ?

Rejoignez des milliers de chercheurs qui font confiance à Jenni pour un travail transparent et vérifiable.

Commencez gratuitement

Pas de carte de crédit requise

Annulez à tout moment

Plus de 6 millions

Universitaires du monde entier

5,2 heures économisées

En moyenne par document

Plus de 15 millions

Articles rédigés avec Jenni

Prêt à écrire en toute confiance ?

Rejoignez des milliers de chercheurs qui font confiance à Jenni pour un travail transparent et vérifiable.

Commencez gratuitement

Pas de carte de crédit requise

Annulez à tout moment

Plus de 6 millions

Universitaires du monde entier

5,2 heures économisées

En moyenne par document

Plus de 15 millions

Articles rédigés avec Jenni

Prêt à écrire en toute confiance ?

Rejoignez des milliers de chercheurs qui font confiance à Jenni pour un travail transparent et vérifiable.

Commencez gratuitement

Pas de carte de crédit requise

Annulez à tout moment

Plus de 6 millions

Universitaires du monde entier

5,2 heures économisées

En moyenne par document

Plus de 15 millions

Articles rédigés avec Jenni