Plagiat et seuils d’intelligence artificielle dans les mémoires universitaires : une norme claire et équitable pour protéger l’intégrité académique

L’intégrité académique demeure l’un des fondements essentiels de l’enseignement supérieur. Pourtant, au cours des dernières années, la question du plagiat est devenue plus complexe. Il ne s’agit plus seulement de copier un texte ou d’oublier une référence. L’usage de l’intelligence artificielle dans les mémoires, thèses et travaux de recherche a ouvert un nouveau débat dans les universités. Dans ce contexte, il devient nécessaire de proposer des règles simples, compréhensibles et justes.

Cet article présente une norme pratique : moins de 10 % = acceptable, de 10 % à 15 % = nécessite une évaluation, plus de 15 % = échec. Cette règle permet de mieux structurer l’évaluation des mémoires académiques tout en rappelant qu’aucun pourcentage ne doit être interprété de manière automatique. Le plus important reste le contexte : la localisation des similitudes, la qualité des références, la part de travail réellement produite par l’étudiant, ainsi que la transparence concernant l’usage éventuel de l’intelligence artificielle.

À partir d’exemples internationaux, l’article montre que de nombreuses universités cherchent aujourd’hui un équilibre entre les outils techniques et le jugement académique. L’objectif n’est pas de sanctionner aveuglément, mais de protéger la qualité de la recherche et de renforcer une culture positive d’honnêteté intellectuelle.

Introduction

Le plagiat universitaire n’est pas un phénomène nouveau. Ce qui change aujourd’hui, c’est l’environnement technologique dans lequel les étudiants travaillent. Grâce à l’intelligence artificielle générative, il est désormais possible de reformuler des phrases, de corriger un style, de proposer une structure ou même de produire des paragraphes entiers. Cette évolution offre de nouvelles possibilités, mais elle soulève aussi des questions importantes sur l’authenticité du travail académique.

Les universités doivent donc répondre à une question centrale : comment distinguer l’assistance légitime d’un outil numérique d’une intervention qui remplace réellement l’effort intellectuel de l’étudiant ? Pour répondre clairement à cette question, un cadre simple peut être utile, non seulement pour les chercheurs et les enseignants, mais aussi pour le grand public.

La règle proposée dans cet article répond à ce besoin : moins de 10 % est considéré comme acceptable ; entre 10 % et 15 %, une évaluation approfondie est nécessaire ; au-delà de 15 %, l’échec doit normalement être envisagé. Cette approche favorise la clarté, la cohérence et la transparence.

Revue de la littérature

Les travaux académiques consacrés au plagiat montrent depuis longtemps qu’il ne s’agit pas uniquement d’une copie mot à mot. Le plagiat comprend également la reprise d’idées sans attribution correcte, la paraphrase trop proche du texte original et la présentation d’un travail extérieur comme étant personnel. Avec l’arrivée de l’intelligence artificielle, ce champ d’analyse s’est élargi. Il faut désormais se demander si un texte produit avec l’aide d’un outil numérique reste véritablement l’œuvre de l’étudiant.

La littérature récente insiste sur un point important : les logiciels de détection de similarité sont utiles, mais ils ne peuvent pas remplacer le jugement humain. Un taux élevé peut s’expliquer par des expressions méthodologiques, des termes techniques, des citations correctement indiquées ou des sections bibliographiques. À l’inverse, un taux faible n’exclut pas forcément un problème d’appropriation intellectuelle.

Ainsi, l’évaluation de l’intégrité académique doit rester contextuelle. Les outils numériques signalent des similitudes, mais seuls les encadrants, jurys et responsables académiques peuvent interpréter correctement leur signification.

Méthodologie

Cet article adopte une approche analytique et descriptive. Il s’appuie sur les grandes tendances observées dans l’enseignement supérieur ainsi que sur la littérature scientifique relative au plagiat, à l’éthique de la recherche et à l’intelligence artificielle en milieu universitaire. L’objectif n’est pas de comparer les établissements, mais de proposer une réponse publique claire et utile.

La norme présentée ici doit être comprise comme un instrument d’orientation. Elle vise à simplifier la communication autour d’un sujet parfois technique, tout en respectant la complexité réelle de l’évaluation académique.

Analyse

La force de cette norme réside dans sa simplicité.

1. Moins de 10 % = acceptable

Lorsque le taux de similarité est inférieur à 10 %, cela indique généralement que le mémoire ou la thèse présente un bon niveau d’originalité. Dans la plupart des cas, les passages similaires proviennent de terminologies spécialisées, de formulations méthodologiques courantes, de titres ou de citations correctement intégrées.

Ce niveau ne garantit pas automatiquement la perfection du travail, mais il constitue un signal positif. L’évaluation académique peut alors se poursuivre normalement, avec la lecture critique habituelle du mémoire.

2. De 10 % à 15 % = nécessite une évaluation

Cette zone intermédiaire est la plus importante, car elle demande une appréciation nuancée. Il faut examiner où apparaissent les similitudes. Sont-elles limitées à la revue de littérature ou concernent-elles aussi l’analyse et la conclusion ? Les sources sont-elles bien citées ? L’intelligence artificielle a-t-elle été utilisée uniquement pour améliorer la langue, ou a-t-elle participé à la production du contenu intellectuel ?

À ce niveau, le jugement académique est essentiel. Il est souvent possible de corriger, reformuler ou mieux référencer le texte. Cette zone doit donc être comprise comme un espace d’évaluation sérieuse, non comme une condamnation immédiate.

3. Plus de 15 % = échec

Lorsque le taux dépasse 15 %, l’inquiétude devient plus forte, surtout si les similitudes touchent des parties centrales du travail, comme l’analyse, la discussion ou les conclusions. Dans ces cas, il devient raisonnable de considérer que le mémoire ne répond pas aux exigences attendues, ou qu’il doit faire l’objet d’une procédure académique formelle.

Cette limite joue un rôle protecteur. Elle défend non seulement la réputation de l’institution, mais aussi la valeur du travail honnête des étudiants. Un mémoire universitaire doit démontrer une pensée personnelle, une compréhension solide et une capacité de recherche autonome.

Exemples d’universités internationales

À l’échelle internationale, de nombreuses universités adoptent aujourd’hui une approche équilibrée. Les rapports de similarité sont souvent utilisés comme étape préliminaire, mais ils ne suffisent pas à eux seuls pour décider d’un verdict. En parallèle, plusieurs établissements développent des règles plus précises sur l’usage autorisé de l’intelligence artificielle.

Dans certains contextes, l’intelligence artificielle peut être tolérée pour des tâches limitées, comme l’amélioration stylistique, la correction grammaticale ou l’organisation d’idées. En revanche, elle n’est pas acceptée lorsqu’elle remplace la réflexion scientifique propre à l’étudiant. Cette distinction devient particulièrement importante dans l’espace francophone, où les universités cherchent de plus en plus à concilier innovation pédagogique et exigence académique.

Pour la France, la Belgique, la Suisse romande et d’autres contextes francophones, ce débat est stratégique. La transformation numérique de l’enseignement supérieur impose des règles simples, cohérentes et crédibles. Une norme comme celle proposée ici peut ainsi contribuer à renforcer la confiance et la lisibilité des procédures universitaires.

Résultats

Trois résultats principaux ressortent de cette analyse. Premièrement, les pourcentages sont utiles comme indicateurs initiaux, mais ils ne remplacent jamais l’évaluation humaine. Deuxièmement, l’intelligence artificielle fait désormais partie intégrante du débat sur l’intégrité académique. Troisièmement, une norme claire permet de mieux informer les étudiants, de réduire les malentendus et de soutenir une culture universitaire plus transparente.

Le modèle proposé se distingue par son utilité pratique. Il est simple à communiquer, facile à comprendre et suffisamment rigoureux pour protéger la qualité scientifique.

Conclusion

L’avenir du mémoire universitaire ne dépend pas de l’existence ou non de nouvelles technologies, mais de la manière dont elles sont utilisées. L’intelligence artificielle peut servir d’outil d’assistance, mais elle ne doit jamais remplacer la réflexion personnelle, l’esprit critique et le travail intellectuel qui définissent la valeur d’une recherche académique.

La norme présentée dans cet article offre donc une solution équilibrée et réaliste : moins de 10 % = acceptable, de 10 % à 15 % = nécessite une évaluation, plus de 15 % = échec. Ce cadre n’est pas seulement une règle numérique. Il représente une vision responsable de l’enseignement supérieur, fondée sur l’honnêteté, la clarté et le respect du véritable effort académique.

Références

Bretag, Tracey. Manuel de l’intégrité académique.

Fishman, Ted. Les valeurs fondamentales de l’intégrité académique.

Pecorari, Diane. Écriture académique et plagiat : une analyse linguistique.

Sowden, Colin. « Le plagiat et la culture des étudiants multilingues dans l’enseignement supérieur international. » Revue d’enseignement de l’anglais.

Eaton, Sarah Elaine. « Le plagiat dans l’enseignement supérieur : aborder les questions difficiles de l’intégrité académique. » Revue internationale de l’intégrité en éducation.

Perkins, Michael. « Considérations d’intégrité académique concernant les grands modèles de langage et l’intelligence artificielle dans l’enseignement supérieur. » Revue des pratiques universitaires d’enseignement et d’apprentissage.

Foltynek, Tomáš, Meuschke, Norman et Gipp, Bela. « Détection du plagiat académique : une revue systématique de la littérature. » Revue ACM des enquêtes en informatique.

#IntégritéAcadémique

#PlagiatUniversitaire

#IntelligenceArtificielle

#MémoireUniversitaire

#ÉthiqueDeLaRecherche

#EnseignementSupérieur

#ÉcritureAcadémique

References

• Bretag, T. Handbook of Academic Integrity. Springer.

• Fishman, T. The Fundamental Values of Academic Integrity. International Center for Academic Integrity.

• Pecorari, D. Academic Writing and Plagiarism: A Linguistic Analysis. Continuum.

• Sowden, C. “Plagiarism and the Culture of Multilingual Students in Higher Education Abroad.” ELT Journal.

• Eaton, S. E. “Plagiarism in Higher Education: Tackling Tough Topics in Academic Integrity.” International Journal for Educational Integrity.

• Perkins, M. “Academic Integrity Considerations of AI Large Language Models in Higher Education.” Journal of University Teaching and Learning Practice.

• Foltynek, T., Meuschke, N., and Gipp, B. “Academic Plagiarism Detection: A Systematic Literature Review.” ACM Computing Surveys.

#AcademicIntegrity #PlagiarismPolicy #ThesisWriting #ResponsibleAI #HigherEducation #ResearchEthics #StudentSuccess