Ce qui s'est passé dans le cours d'économie de Brown
Roberto Serrano enseigne Welfare Economics and Social Choice Theory depuis près de vingt ans. Le cours attirait habituellement jusqu'à trente étudiants. Ce semestre, 86 se sont inscrits, et le partiel était prévu à domicile. Le format a été choisi par respect pour les étudiants : une fusillade avait eu lieu sur le campus en décembre, et beaucoup avaient du mal à rester assis en salle de classe.
Les résultats du partiel à domicile sont revenus anormalement élevés, alors même que Serrano avait volontairement rendu l'examen plus difficile. Il a annoncé à la classe qu'il soupçonnait une utilisation massive de l'IA et, avec l'accord de son doyen, a déplacé l'examen final en présentiel. Après cela, 18 étudiants ont abandonné le cours et neuf autres ne sont jamais venus à l'examen final. L'écart entre les deux moyennes d'examen était le plus grand de l'histoire du cours.
Partiel à domicile face à l'examen final surveillé dans le même cours
Serrano a annulé le partiel et a donné plus de poids à l'examen final. Il a aussi abaissé la note de passage. Malgré tout, 19 étudiants ont échoué au cours.
Comment le professeur a vérifié la tricherie IA sans détecteur
Serrano a fait une chose simple. Il a soumis les questions d'examen à ChatGPT et comparé les réponses de la machine avec les travaux de ses étudiants. Elles correspondaient en style et en méthode. Pour une question, un argument direct était le plus simple, mais ChatGPT a choisi une preuve par l'absurde, longue et maladroite. Le même choix apparaissait dans de nombreux copies d'étudiants.
La méthode a fonctionné, mais elle prend trop de temps pour être pratique. La comparaison manuelle avec une réponse machine prend des heures, dépend de l'expérience du professeur, et ne fonctionne plus sur les tâches où l'IA n'a pas de style reconnaissable. En pratique, Serrano a construit à la main ce qu'un détecteur IA fait statistiquement : une estimation de la machine-likeness d'un texte. La différence : l'estimation d'un détecteur est reproductible et prend des minutes, pas un week-end.
L'honnêteté compte ici. Serrano lui-même est sceptique envers les détecteurs IA et pointe les faux positifs. Sur le point principal, il a raison : aucun outil ne rend un verdict. Un score de probabilité est une raison de parler avec l'étudiant et de repenser le format d'examen — c'est ce qui s'est passé à Brown. Quiconque promet un verdict à cent pour cent est le vrai problème.
Ce que le rapport du comité IA générative de Brown admet
Le rapport du comité Brown est paru le 7 juillet, et c'est un cas rare où une université aborde le problème en termes clairs. Le comité a recueilli les retours de 105 membres du corps enseignant et 169 membres du personnel. Les enseignants ont cité deux inquiétudes avant tout : les dommages à l'apprentissage à long terme des étudiants, et le déclin de leurs capacités cognitives. La tricherie arrivait en troisième position.
Ce que le corps enseignant de Brown a dit au comité IA de l'université
Les chiffres de Brown correspondent au tableau national. La même inquiétude concernant la tricherie est apparue au même niveau dans l'enquête nationale 2025 de l'American Association of Colleges and Universities, que le rapport cite.
Les recommandations du comité valent le temps de toute université. Premièrement : inscrire l'IA générative dans les codes académiques et tracer « des lignes claires autour des usages abusifs ». Deuxièmement, et de façon moins attendue : « dé-emphaser la punition ». Le rapport le dit clairement : « Il n'existe aucun moyen de vérifier avec 100 % de précision si l'IA générative a été employée », donc miser tout sur la punition ne fonctionne pas — et une conversation ouverte sur les règles doit avoir lieu.
Nous sommes d'accord avec cette phrase — et nous vendons un détecteur. Une vérification à 100 % de précision n'existe pas. Un fournisseur qui le promet ment. Ce qu'un détecteur IA offre, c'est un score reproductible avec un taux d'erreur connu. Chez It's AI, nos données de précision sont publiques. Le reste dépend de la procédure, pas de l'outil.
Procédure d'intégrité académique pour l'IA : quoi consigner par écrit
À Brown, quatre parties de cette procédure manquaient.
Politique IA dans le syllabus
La plupart des enseignants de Brown décrivent déjà leurs règles IA dans le syllabus et les répètent la première semaine de cours. C'est la base. Un étudiant doit savoir à l'avance ce qui est permis et ce qui ne l'est pas. Le syllabus doit aussi indiquer comment le travail sera vérifié.
Vérifications de texte en routine, pas en accusation
Serrano a commencé à vérifier après l'apparition du soupçon. Cet ordre crée le conflit. Une vérification IA régulière de chaque remise fonctionne autrement : elle s'applique à tous les étudiants de la même façon, donc personne n'est accusé personnellement. La vérification de plagiat fonctionne ainsi depuis des années.
Un processus pour le cas de groupe
Le comité Brown a demandé à Serrano de déposer une plainte séparée contre chaque étudiant. Il a refusé et qualifié la demande de ridicule. Tricia Bertram Gallant, qui dirige le bureau d'intégrité académique à UC San Diego, propose deux correctifs : accepter une plainte pour un groupe d'étudiants, et laisser un étudiant admettre une violation par e-mail, sans audience personnelle. Une procédure conçue pour un étudiant ne fonctionne pas pour soixante.
Format d'examen comme contrôle final
L'examen final en présentiel a montré ce que chaque étudiant savait réellement. Aucune analyse de texte ne peut faire cela. Une vérification de texte et un examen testent des choses différentes — un cours a besoin des deux.
Ce que les enseignants peuvent faire avant le prochain semestre
Si vous enseignez un cours avec des travaux écrits, trois étapes valent la peine avant le prochain semestre. Inscrivez les règles IA dans le syllabus en termes simples. Convenez avec votre département d'une procédure pour les cas de groupe avant que le premier cas n'apparaisse. Ajoutez une vérification de texte à la routine normale du cours, pour que le signal arrive avant l'examen et non après un scandale.
Quatre parties d'une procédure d'intégrité académique — et comment chacune échoue
Serrano l'a dit en une phrase : « We cannot choose to become idiots. » La note du partiel est une petite perte. La plus grande, c'est une génération d'étudiants qui apprend que le texte machine sous leur nom est normal — dans des universités qui préfèrent ne pas le voir.
FAQ
Quelle est la fréquence de la tricherie IA à l'université ?
Personne n'a de chiffre fiable de prévalence, et les enquêtes existantes mesurent la perception plutôt que les cas comptabilisés. Les enquêtes auprès des enseignants rapportent un sentiment général que l'utilisation de l'IA a augmenté — mais elles demandent aux instructeurs ce qu'ils croient, pas ce qui a été prouvé lors d'une audience. Les bureaux d'intégrité ne comptent que les cas qui leur parviennent, ce qui sous-estime par conception : la plupart des usages IA suspectés se règlent discrètement entre l'instructeur et l'étudiant, ou ne sont jamais signalés. Traitez tout pourcentage isolé comme un plancher plutôt qu'une mesure. Le chiffre qui compte pour un département est le sien, recueilli à partir de ses propres remises sur un semestre.
Comment les professeurs savent-ils si les étudiants utilisent l'IA ?
La plupart des instructeurs partent d'un décalage plutôt que d'un signe unique. Un travail qui ne correspond pas à ce que l'étudiant a produit plus tôt dans le semestre est le déclencheur le plus courant. Les citations qui ne mènent nulle part en sont un autre. Certains instructeurs passent chaque remise dans un détecteur IA et lisent le score comme un élément parmi d'autres ; d'autres s'appuient sur une composante en présentiel qu'aucune analyse de texte ne peut remplacer. La méthode qui échoue est celle appliquée seulement après que le soupçon s'est posé sur un étudiant particulier — car elle transforme une question sur le travail en accusation contre la personne.
Une classe entière peut-elle être punie pour tricherie IA ?
Non. Les systèmes d'intégrité académique reposent sur des constats individuels, et une sanction appliquée à une classe en groupe ne survivrait pas à un appel dans la plupart des établissements. Ce qui peut être partagé, c'est la procédure plutôt que le verdict : un dépôt unique couvrant plusieurs étudiants, avec un même jeu de preuves. La distinction compte parce que c'est la paperasse — pas le principe — qui casse à grande échelle. Un instructeur face à soixante remises suspectes dans un processus un par un laissera généralement tomber l'affaire — c'est le résultat que personne ne veut. Les départements devraient convenir de la voie groupée avant l'arrivée du premier grand cas.
Que doit inclure une politique IA dans un syllabus ?
Une politique IA dans le syllabus doit répondre à deux questions avant le premier devoir : ce qui est permis, et ce qui doit être déclaré. Une troisième clause — comment le travail sera vérifié — est celle que la plupart des politiques omettent, et son absence est ce qui fait qu'une vérification par détecteur IA plus tard ressemble à une embuscade. L'autorisation fonctionne mieux par tâche que par cours : un instructeur peut autoriser l'IA pour le brainstorming et l'interdire dans un essai noté — le syllabus doit le dire devoir par devoir. La déclaration a besoin d'un format plutôt que d'un principe, comme une ligne de clôture nommant l'outil et ce qu'il a fait.
Un résultat de détecteur IA est-il une preuve de tricherie ?
Non. Un détecteur IA renvoie une probabilité qu'un texte soit écrit par machine — et une probabilité est une preuve, pas un constat. Ce qui en fait un cas, c'est la procédure autour : une politique de cours que l'étudiant avait à l'avance, et une conversation où il peut rendre compte du travail. Les détecteurs ont aussi un taux mesurable de faux positifs — c'est pourquoi la prose formelle d'étudiants écrivant dans une langue seconde est le faux positif classique. Un établissement qui traite le score comme un verdict finira par sanctionner quelqu'un qui n'a rien fait de mal. Celui qui le traite comme une invitation à la conversation le fait rarement.
