La perplexité mesure la prévisibilité de chaque mot en fonction des mots qui le précèdent. La burstiness mesure la variation de la longueur et de la structure des phrases dans un passage. Les détecteurs combinent ces deux signaux avec d’autres pour estimer si un texte a été généré par une machine. Aucune de ces métriques ne prouve la paternité, et toutes deux peuvent être modifiées par l’édition.
Points clés à retenir
- La perplexité est un score de prévisibilité : une faible perplexité signifie que chaque mot suivant était facile à deviner à partir du contexte.
- La burstiness est un score de variation : une faible burstiness signifie que vos phrases ont toutes à peu près la même longueur et la même forme.
- Les détecteurs les interprètent comme des signaux, pas comme des verdicts — un score élevé est une estimation de probabilité, pas une preuve.
- La variation de la longueur des phrases est le levier le plus rapide à actionner, car elle modifie directement la burstiness et fait évoluer la perplexité en même temps.
- Notre propre mesure du 2026-09-19 a révélé que les guides DeAIze rédigés à la main obtenaient en moyenne un score d’IA de 27 % (n = 46), tandis que les sorties de modèle non éditées obtenaient en moyenne 35 % (n = 12) — le chevauchement est le point important.
- Vous ne pouvez pas, par l’édition, atteindre un chiffre garanti sur un détecteur, et vous ne devriez pas essayer.
Qu’est-ce que la perplexité dans la détection d’IA ?
En modélisation du langage, la perplexité est une mesure de la surprise. Un modèle attribue une probabilité à chaque mot en fonction de tout ce qui le précède. Si le modèle s’attend à « the » avec une forte confiance, ce mot contribue peu à la surprise. La perplexité agrège ces probabilités sur un passage en un seul nombre : une faible perplexité signifie que le texte était facile à prédire, une perplexité élevée signifie qu’il était difficile à prédire.
Un détecteur utilise un modèle de langage — souvent plus petit et plus rapide que le modèle qui a écrit le texte — pour évaluer votre brouillon de la même manière. Un texte qu’un modèle trouve facile à prédire tend à sembler généré par une machine, car les modèles génératifs sont optimisés pour produire des continuations probables. L’écriture humaine contient davantage de surprises locales : un nom concret soudain, une digression, une proposition qui ne suit pas le chemin attendu.
C’est pourquoi un paragraphe fluide et soigné peut être considéré comme généré par une machine. Fluidité et prévisibilité sont étroitement liées. Un rédacteur qui a intériorisé les règles d’une prose claire — ne rien varier, tout connecter, éviter les surprises — peut produire un texte avec une perplexité réellement faible sans jamais ouvrir un chatbot.
La perplexité explique aussi pourquoi les textes courts ne sont pas fiables. Un échantillon de deux phrases ne donne presque aucun contexte au modèle pour être surpris, donc l’estimation varie énormément. Si vous vérifiez un fragment, attendez-vous à du bruit.
Qu’est-ce que la burstiness dans la détection d’IA ?
La burstiness concerne le rythme. Prenez la longueur de vos phrases et regardez à quel point elles diffèrent. Un passage où chaque phrase fait entre 18 et 22 mots a une faible burstiness. Un passage qui fait 6, 31, 12, 44, 9 a une burstiness élevée.
Les rédacteurs humains sont bursty par accident. Nous écrivons une phrase longue et nuancée quand une idée a besoin d’être développée, puis une courte pour la conclure. Nous nous interrompons. Nous plaçons une proposition en début de phrase parce que cela sonnait mieux ainsi. La sortie machine tend vers une cadence régulière de longueur moyenne, car le modèle échantillonne à partir d’une distribution qui récompense les phrases sûres et complètes.
La burstiness est plus facile à voir que la perplexité car vous pouvez littéralement la compter. Ouvrez votre brouillon, mettez les longueurs de phrases dans une colonne et regardez la forme. Si les nombres se regroupent, vous avez un problème de burstiness, peu importe qui ou quoi a écrit le texte.
Si vous voulez voir la burstiness sur votre propre brouillon plutôt que de la deviner, le détecteur d’IA met en évidence chaque phrase par probabilité d’IA, afin que vous puissiez voir exactement quelles lignes portent le signal avant de modifier quoi que ce soit.
Comment la variation de la longueur des phrases influence-t-elle un score d’IA ?
La longueur des phrases est la variable la plus facile à contrôler, et elle alimente les deux métriques.
Lorsque vous alternez des phrases longues et courtes, vous augmentez directement la burstiness. Vous augmentez aussi indirectement la perplexité : une phrase très courte après une phrase longue est plus difficile à prédire pour un modèle de langage, car la suite attendue était une autre phrase longue. Les deux métriques ne sont pas indépendantes. La variation dans la structure produit de la surprise dans le choix des mots.
Voici une petite illustration travaillée, pas un vrai document :
Avant (cadence plate) :
L’étude examine la relation entre la densité urbaine et l’utilisation des transports en commun dans plusieurs régions métropolitaines. L’analyse s’appuie sur des données d’enquête recueillies sur une période de plusieurs années. Les résultats suggèrent que la densité seule ne permet pas de prédire les schémas de fréquentation. Les auteurs recommandent des recherches supplémentaires sur les contextes politiques locaux.
Chaque phrase a une longueur similaire et la même structure : sujet, verbe, complément, qualificatif. Cela se lit comme un résumé parce que c’en est un.
Après (cadence variée) :
La densité seule ne prédit pas l’utilisation des transports en commun. C’est là le résultat, et il résiste à plusieurs régions métropolitaines et à des années de données d’enquête. Qu’est-ce qui prédit la fréquentation ? La politique locale. Les auteurs veulent plus de recherches là-dessus, ce qui est une façon polie de dire que l’argument de la densité a été survendu.
Mêmes affirmations. La deuxième version pose une question, utilise une phrase de trois mots et laisse une phrase s’allonger. La variabilité est plus élevée, et un modèle qui l’évalue mot par mot a plus d’endroits où être surpris.
Aucune des deux versions n’est intrinsèquement plus honnête. La seconde est simplement moins prévisible.
Pourquoi la sortie brute d’un modèle obtient-elle parfois un score faible ?
C’est la partie que la plupart des explications passent sous silence. Dans notre propre mesure du 2026-09-19, nous avons évalué 12 passages de modèle non modifiés par rapport à 46 guides DeAIze rédigés à la main à l’aide du détecteur DeAIze avec un seuil de signalement de 30 %. La sortie de modèle non modifiée avait un score IA moyen de 35 % (médiane 34 %, plage 25-49 %). Les guides rédigés par des humains avaient une moyenne de 27 % (médiane 25 %, plage 0-55 %).
Les distributions se chevauchent. Certains guides humains ont obtenu un score supérieur à certains passages de modèle. C’est l’image honnête : la perplexité et la burstiness sont des signaux, et les signaux se chevauchent. Un détecteur qui en tirerait une certitude vous mentirait.
Nous avons également compté la fréquence des indices d’IA dans la même exécution : 3 pour 100 mots dans l’échantillon humain contre 1 pour 100 mots dans la sortie de modèle non modifiée. Les rédacteurs humains ont utilisé plus de formules toutes faites que l’on associe à l’écriture machine — « de plus », « il convient de noter », des échafaudages de liaison — que le modèle. Les indices sont un signal faible en eux-mêmes, et ils peuvent pointer dans la mauvaise direction.
Si vous voulez une vue d’ensemble de la façon dont ces signaux se combinent avec d’autres, comment fonctionne la détection d’IA couvre l’ensemble de la pile.
Des modifications concrètes qui changent la perplexité et la burstiness
Voici les actions qui font réellement bouger les chiffres. Appliquez-les à votre propre brouillon.
- Comptez la longueur de vos phrases. Mettez-les dans une liste. Si l’écart est faible, c’est votre première correction.
- Divisez une phrase longue en trois. Pas en deux — en trois, pour que l’une d’elles soit très courte.
- Ajoutez une question là où le texte explique. Une question directe augmente la perplexité car la suite attendue était une affirmation.
- Remplacez un nom abstrait par un nom concret. « Plusieurs facteurs » devient « normes de stationnement ». La spécificité est imprévisible.
- Supprimez un connecteur. « De plus », « en outre » et « par ailleurs » sont les mots les plus prévisibles dans n’importe quel paragraphe.
- Variez vos débuts de phrase. Si trois phrases consécutives commencent par le sujet, inversez-en une.
- Lisez-le à voix haute. Votre oreille perçoit une cadence plate plus vite que votre œil.
| Modification | Effet sur la burstiness | Effet sur la perplexité |
|---|---|---|
| Diviser une phrase longue en trois | Forte augmentation | Augmentation modérée |
| Ajouter une question directe | Augmentation modérée | Forte augmentation |
| Remplacer un nom abstrait par un nom concret | Faible | Augmentation modérée |
| Supprimer un connecteur | Faible | Légère augmentation |
| Mettre une proposition en tête pour l’emphase | Augmentation modérée | Augmentation modérée |
| Réécrire chaque phrase à la même longueur | Forte diminution | Forte diminution |
Remarquez la dernière ligne. Vous pouvez abaisser la lisibilité de votre score et augmenter votre score d’IA en même temps. Une prose plate n’a pas automatiquement l’air humaine ; elle a juste l’air plate.
Quelles sont les limites de ces deux métriques ?
La perplexité et la burstiness sont utiles parce qu’elles sont inspectables. Vous pouvez compter la longueur des phrases. Vous pouvez voir où un modèle a été surpris. C’est plus que ce que vous obtenez d’un pourcentage de boîte noire.
Mais ce ne sont pas un verdict, et les traiter comme tel cause un préjudice réel.
Ils pénalisent une écriture soignée. Un éditeur méticuleux qui uniformise la longueur des phrases selon un style maison produit un texte à faible burstiness. Il en va de même pour un rédacteur non anglophone appliquant des règles scolaires. C’est un mode de défaillance connu, et il vaut la peine de lire pourquoi un détecteur d’IA signale les rédacteurs non anglophones si cela vous décrit.
Ils sont instables sur les textes courts. Un échantillon de 200 mots ne peut pas soutenir une estimation fiable. Un seul paragraphe non plus.
Ils ne savent pas qui a écrit les mots. La perplexité mesure la prévisibilité. Un paragraphe prévisible écrit par un humain reste prévisible.
Les détecteurs ne sont pas d’accord entre eux. Modèles différents, seuils différents, données d’entraînement différentes. Si deux outils vous donnent des lectures différentes, c’est un comportement attendu, pas la preuve que l’un est défectueux. Les détecteurs d’IA sont-ils précis ? explique pourquoi deux outils ne sont pas d’accord sur le même essai.
Éditer pour la métrique n’est pas la même chose qu’éditer pour le lecteur. Courir après la burstiness peut produire une prose hachée et artificielle. Si une phrase se lit mieux longue, laissez-la longue.
Une routine pratique pour vérifier votre propre brouillon
Voici une séquence qui prend environ dix minutes sur un article normal.
- Passez le brouillon dans un détecteur qui affiche une mise en évidence au niveau des phrases, pas seulement un score global du document. Le détecteur d’IA fait cela : un score pour l’ensemble du document, plus une analyse phrase par phrase.
- Regardez quelles phrases portent le signal. Il s’agit généralement d’une série de déclarations de longueur similaire au milieu d’une section explicative.
- Réécrivez uniquement ces phrases. Laissez tout le reste tel quel — vous essayez de corriger un problème de cadence, pas de blanchir un document entier.
- Recalculez le score. Si la série signalée a disparu, arrêtez. Ne courez pas après un chiffre.
- Vérifiez que le sens a survécu. C’est l’étape que les gens sautent. Une réécriture qui modifie votre affirmation est pire qu’un signalement.
Ce dernier point compte plus que n’importe quelle métrique. Si vous avez utilisé l’IA pour rédiger une section, les idées, les données et les conclusions doivent toujours être les vôtres. Réécrire pour la burstiness ne fait pas de l’argument de quelqu’un d’autre le vôtre, et aucun score de détecteur ne change cela.
Si votre préoccupation concerne un processus formel plutôt qu’un brouillon, le guide sur la politique d’intégrité académique explique ce que les institutions évaluent généralement.
Où la burstiness et la perplexité s’inscrivent dans le tableau d’ensemble
Considérez-les comme deux cadrans sur le même panneau. La perplexité mesure la prévisibilité au niveau des mots. La burstiness mesure la variation structurelle. Les détecteurs les combinent avec des motifs de tokens, des mesures de répétition et d’autres caractéristiques, puis produisent une probabilité.
Cette probabilité est une estimation. Ce n’est pas une preuve de paternité, et aucun outil responsable ne devrait la présenter comme telle. DeAIze rapporte une réduction moyenne du score IA de plus de 60 % après humanisation sur nos propres scores prédits, avec un meilleur cas de 71 %, et sur le paragraphe d’exemple utilisé sur le site, un score IA de 92 % devient 4 % d’IA. Ce sont nos scores prédits, pas un verdict officiel d’un détecteur tiers, et ils ne correspondront pas à ce que rapportent tous les outils.
Ce sur quoi vous pouvez compter, c’est le mécanisme. Si vous comprenez pourquoi un paragraphe plat obtient un score élevé, vous pouvez le corriger délibérément, selon vos propres critères, sans deviner.
Prêt à voir quelles phrases semblent générées par une machine ?
Lire sur la perplexité n’est pas la même chose que de la voir sur votre brouillon. Le moyen le plus rapide d’apprendre le mécanisme est de le regarder fonctionner sur un texte que vous avez écrit.
Commencez par le détecteur d’IA pour obtenir une analyse phrase par phrase, puis utilisez l’éditeur de brouillon pour réécrire uniquement les lignes signalées et re-noter. Si vous voulez voir comment la boucle fonctionne avant de vous engager, la page tarifs liste les formules pay-as-you-go avec des crédits qui n’expirent jamais, et vous pouvez vous inscrire pour 200 mots gratuits sans carte de crédit.
Appliquez-le à un paragraphe. Si les phrases surlignées sont celles que vous soupçonniez déjà d’être plates, vous avez compris le mécanisme. C’est tout l’intérêt de l’exercice.