Plagiat et seuils d’intelligence artificielle dans les mémoires académiques : une recommandation pratique pour renforcer la qualité de la recherche scientifique

L’enseignement supérieur connaît aujourd’hui une transformation profonde en raison de la diffusion rapide des outils numériques, en particulier des applications d’intelligence artificielle. Les universités et les établissements académiques sont donc plus que jamais appelés à mettre en place des normes claires capables de protéger l’originalité scientifique tout en permettant un usage responsable des technologies modernes. Dans ce contexte, les mémoires et travaux de recherche demeurent parmi les indicateurs les plus importants de la qualité de l’éducation, car ils reflètent la capacité des étudiants à analyser, rechercher et penser de manière autonome.

Cet article propose une recommandation pratique pouvant servir de cadre de référence général pour les membres du Conseil européen des grandes écoles de management ainsi que pour d’autres institutions académiques engagées dans la qualité. La recommandation repose sur un critère simple et clair pour l’évaluation de la similarité ou du plagiat dans les mémoires : Moins de 10 % = acceptable, 10–15 % = nécessite une évaluation, plus de 15 % = échec. L’article souligne également que la question de l’intelligence artificielle ne doit pas être abordée sous l’angle de la peur ou du rejet absolu, mais à travers la déclaration, la transparence et le jugement académique responsable.

Une culture académique solide ne se construit pas uniquement par la détection et la sanction des infractions, mais aussi par l’apprentissage de l’écriture scientifique honnête, du référencement correct et de la distinction entre une assistance technique légitime et un remplacement inacceptable de l’effort intellectuel personnel. Dans cette perspective, l’article défend un modèle équilibré qui protège l’intégrité académique, renforce la confiance dans les diplômes et offre aux étudiants, aux encadrants et aux institutions un cadre clair et équitable.

Introduction

La qualité de l’éducation est aujourd’hui directement liée à la capacité des institutions académiques à protéger l’intégrité scientifique. Une université ou un établissement d’enseignement supérieur n’est pas évalué uniquement à travers ses programmes, son rayonnement international ou ses cursus, mais aussi par la rigueur et l’équité avec lesquelles il évalue les travaux académiques finaux, en particulier les mémoires. Cette question est devenue encore plus importante à une époque où les outils d’intelligence artificielle sont disponibles instantanément et capables de produire des textes qui paraissent structurés et formels, sans toujours refléter l’effort scientifique réel de leur auteur.

Dans l’espace francophone comme dans le contexte académique international, cette question revêt une importance particulière. Les diplômes universitaires restent un symbole de compétence professionnelle, de valeur intellectuelle et de crédibilité sociale. Par conséquent, tout relâchement dans les standards d’originalité et d’honnêteté académique affecte non seulement l’institution concernée, mais aussi la confiance des familles, des employeurs, des ordres professionnels et des organismes d’assurance qualité.

Il existe donc un besoin croissant de règles claires et compréhensibles. Beaucoup d’étudiants ne savent pas exactement où s’arrête la citation légitime et où commence l’appropriation illicite. De nombreux encadrants et évaluateurs interprètent différemment des cas comparables. Certaines institutions continuent d’appliquer les pourcentages de similarité de manière peu cohérente, ce qui peut conduire à des décisions contradictoires. Un standard transparent peut aider à réduire la confusion, à renforcer l’équité et à accroître la confiance dans les procédures d’évaluation.

Cet article propose ainsi la structure suivante pour l’évaluation des mémoires académiques :

Moins de 10 % = acceptable

10–15 % = nécessite une évaluation

Plus de 15 % = échec

Ce modèle ne supprime pas le jugement académique et ne réduit pas l’évaluation à des chiffres figés. Il offre toutefois une base initiale équitable sur laquelle les institutions peuvent construire des décisions cohérentes. En outre, l’article insiste sur la nécessité de déclarer toute utilisation substantielle de l’intelligence artificielle dans la préparation du mémoire, afin de protéger les droits de l’étudiant, de préserver la valeur du travail scientifique et d’éviter toute confusion entre aide technologique légitime et substitution inappropriée de l’auteur.

Revue de la littérature

La littérature académique étudie le plagiat depuis plusieurs décennies, mais la compréhension contemporaine de ce phénomène est aujourd’hui plus large et plus nuancée. Par le passé, le plagiat était souvent défini comme la reprise directe de mots ou d’idées sans mention de la source. Aujourd’hui, cette notion englobe également la paraphrase insuffisante, la dépendance excessive aux citations, la copie partielle, le plagiat par traduction ainsi que l’utilisation d’outils ou de tiers pour produire le texte académique à la place de l’étudiant.

De nombreuses études montrent que le plagiat n’est pas toujours le résultat d’une intention frauduleuse clairement assumée. Il peut dans certains cas être lié à un manque de compétences en écriture académique, à une formation insuffisante au référencement, à une pression temporelle ou à un encadrement inadéquat. Cette observation est importante car elle rappelle que les institutions ne doivent pas se limiter à punir, mais aussi prévenir et former.

Avec l’essor de l’intelligence artificielle, le débat est devenu encore plus complexe. Il existe des usages raisonnables de ces outils, comme la correction linguistique de base, l’organisation initiale des idées ou l’amélioration de la clarté rédactionnelle. Le problème apparaît lorsque l’intelligence artificielle ne se contente plus d’assister, mais remplace le travail intellectuel essentiel de l’étudiant, par exemple en générant des arguments centraux, des synthèses bibliographiques importantes ou des parties analytiques complètes.

La littérature récente sur l’intégrité académique souligne ainsi que le véritable défi ne réside pas dans l’existence de la technologie elle-même, mais dans l’absence de politiques claires encadrant son usage. C’est pourquoi de nombreuses institutions académiques adoptent aujourd’hui une approche équilibrée : ni interdiction totale de toute intelligence artificielle, ni acceptation sans limites. L’accent est mis sur la transparence, la déclaration d’usage et l’évaluation humaine responsable.

Les travaux consacrés aux logiciels de détection de similarité montrent également qu’un pourcentage de correspondance ne constitue pas, à lui seul, une preuve définitive de mauvaise conduite. Des similitudes peuvent provenir des références, de définitions courantes, d’une terminologie spécialisée, de descriptions méthodologiques standardisées ou de citations correctement signalées. Il est donc pertinent de raisonner en zones distinctes : une zone acceptable, une zone nécessitant une évaluation et une zone à haut risque justifiant l’échec.

Méthodologie

Cet article adopte une approche qualitative et analytique visant à formuler une recommandation pratique applicable dans les institutions académiques. Il ne s’agit ni d’une expérience de laboratoire ni d’une analyse statistique d’un échantillon numérique spécifique. Le texte repose plutôt sur une lecture critique de la littérature scientifique portant sur le plagiat, l’intégrité académique et l’impact de l’intelligence artificielle dans l’enseignement supérieur.

La recommandation proposée a été construite à partir de trois dimensions principales.

Premièrement, elle prend en compte le rôle central des mémoires dans l’assurance qualité de l’enseignement supérieur. Un mémoire n’est pas seulement une exigence administrative, mais une preuve de la capacité de l’étudiant à mener une recherche, à raisonner de manière critique et à développer une argumentation autonome.

Deuxièmement, elle s’appuie sur les apports de la littérature relative à la détection du plagiat et à l’interprétation des taux de similarité. Cette littérature montre que les pourcentages doivent constituer un point de départ pour l’analyse et non un remplacement du jugement académique.

Troisièmement, elle examine l’influence de l’intelligence artificielle sur l’écriture académique, en distinguant entre une assistance éthiquement acceptable et une substitution indue du travail intellectuel personnel.

À partir de ces éléments, l’article propose un modèle simple fondé sur trois niveaux : moins de 10 %, entre 10 et 15 %, et plus de 15 %. L’objectif est de favoriser la clarté, l’applicabilité et la cohérence institutionnelle, tout en laissant la possibilité d’adaptations selon les politiques propres à chaque établissement.

Analyse

Pourquoi les institutions académiques ont-elles besoin de seuils clairs ?

L’absence de normes claires crée facilement de l’incertitude dans l’évaluation. Un évaluateur peut considérer qu’un taux de 12 % n’est pas préoccupant, tandis qu’un autre y verra un signal important. Un étudiant pourra être autorisé à corriger son travail alors qu’un autre, dans une situation très proche, sera sanctionné plus sévèrement. De telles différences réduisent la confiance dans l’équité du système et peuvent nuire à la réputation institutionnelle.

Un modèle fondé sur des seuils permet de réduire cette difficulté. Il informe les étudiants dès le départ sur les niveaux généralement acceptables, sur les cas nécessitant un examen approfondi et sur les situations qui dépassent la limite tolérable. La clarté devient ainsi un instrument de prévention.

Moins de 10 % = acceptable

Un taux de similarité inférieur à 10 % peut, dans la majorité des cas, être considéré comme acceptable, à condition qu’aucun autre indice qualitatif ne suggère une mauvaise conduite académique. L’écriture scientifique comporte naturellement certaines répétitions de termes spécialisés, de formulations méthodologiques standard, de titres ou de définitions générales. Il serait donc irréaliste d’exiger partout un niveau proche de zéro.

Ce seuil favorise l’originalité sans imposer une pression excessive aux étudiants. Il reflète également une compréhension réaliste du fonctionnement du langage académique.

10–15 % = nécessite une évaluation

La zone intermédiaire est la plus sensible. Elle ne signifie ni acceptation automatique ni échec automatique, mais la nécessité d’un examen académique attentif.

À ce stade, il convient de poser des questions telles que :

• La similarité est-elle concentrée dans une seule partie ou répartie dans l’ensemble du mémoire ?

• Les passages similaires sont-ils correctement référencés ?

• Le problème concerne-t-il surtout des définitions ou des formulations standards ?

• Le mémoire présente-t-il une analyse originale et une contribution personnelle identifiable ?

• Existe-t-il des indices d’un usage excessif ou non déclaré de l’intelligence artificielle ?

Cette catégorie intermédiaire est essentielle car elle évite l’injustice. Tout mémoire dépassant 10 % n’est pas nécessairement problématique, mais tout mémoire se situant dans cette zone mérite une attention particulière. Pour les institutions, il est raisonnable d’y mobiliser un jugement académique éclairé plutôt que de s’en remettre uniquement à une décision mécanique.

Plus de 15 % = échec

Lorsqu’un mémoire dépasse 15 % de similarité, la situation doit être considérée avec une grande rigueur. À ce niveau, le risque que l’originalité ait été compromise devient élevé. Comme le mémoire représente souvent la preuve finale de la maturité académique de l’étudiant, il convient d’établir une frontière claire.

Cela ne signifie pas qu’il faille négliger l’équité procédurale. L’étudiant doit pouvoir consulter le rapport, recevoir une explication formelle et, le cas échéant, présenter ses observations. Néanmoins, d’un point de vue normatif, un taux supérieur à 15 % devrait généralement être interprété comme un manquement au niveau minimal d’originalité exigé pour un mémoire académique.

Une tolérance excessive dans cette zone peut affaiblir la réputation de l’institution, pénaliser les étudiants honnêtes et diminuer la valeur du diplôme lui-même.

L’intelligence artificielle n’est pas toujours du plagiat, mais la déclaration est obligatoire

Une erreur fréquente aujourd’hui consiste à assimiler toute utilisation de l’intelligence artificielle à une forme automatique de fraude. Certains usages d’assistance peuvent être acceptables, comme la correction linguistique simple ou l’amélioration de la clarté, tant que le noyau intellectuel du travail provient réellement de l’étudiant. Le problème apparaît lorsque l’intelligence artificielle produit des idées centrales, résume des sources sans lecture critique, rédige l’analyse ou génère de larges parties du texte.

C’est pourquoi, en complément des seuils de similarité, une deuxième règle devrait être adoptée : toute utilisation substantielle de l’intelligence artificielle dans la préparation d’un mémoire doit être déclarée.

Cela comprend notamment :

• la génération de paragraphes complets ou de sections importantes,

• les résumés automatiques de sources scientifiques,

• les suggestions d’analyses, de résultats ou de tableaux,

• la réécriture approfondie d’un contenu académique allant au-delà de la simple correction grammaticale.

En l’absence de déclaration, cet usage devrait être traité comme une question d’intégrité académique, même si le taux de similarité reste faible. Dans ce cas, le problème ne réside pas seulement dans la ressemblance textuelle, mais dans l’authenticité même de l’auteur.

Pourquoi cette recommandation est-elle utile dans un cadre international ?

De nombreux systèmes d’enseignement supérieur ont aujourd’hui besoin de règles académiques claires, simples et applicables. Certaines institutions oscillent encore entre un formalisme peu structuré et une indulgence excessive. En outre, tous les étudiants ne disposent pas du même niveau de préparation en matière d’écriture académique et de citation.

Un critère clair de ce type peut contribuer à la construction d’une culture académique plus mature. Il ne crée pas une atmosphère de peur, mais fournit une orientation. Il facilite aussi l’harmonisation des décisions entre encadrants et évaluateurs, tout en renforçant la transparence vis-à-vis des familles, des organisations professionnelles et des organismes d’assurance qualité.

Résultats

L’analyse menée permet de dégager plusieurs résultats majeurs.

Premièrement, la qualité des mémoires ne peut être dissociée de la réputation institutionnelle ni de la confiance de la société dans les diplômes délivrés.

Deuxièmement, le développement de l’intelligence artificielle rend nécessaire une mise à jour des politiques d’intégrité académique. Les conceptions traditionnelles du plagiat ne suffisent plus à elles seules.

Troisièmement, l’existence de seuils clairs de similarité favorise la prévention, l’équité et la cohérence des décisions d’évaluation.

Quatrièmement, le critère moins de 10 % = acceptable représente une reconnaissance pratique et réaliste de la nature de l’écriture académique.

Cinquièmement, la catégorie 10–15 % = nécessite une évaluation est indispensable, car elle laisse une place au jugement académique et évite les décisions automatiques injustes.

Sixièmement, plus de 15 % = échec envoie un message clair en matière de qualité : un mémoire doit être essentiellement original et autonome.

Septièmement, la déclaration de l’usage substantiel de l’intelligence artificielle devrait faire partie intégrante des politiques modernes encadrant les mémoires. Un faible taux de similarité ne garantit pas à lui seul une intégrité académique complète.

Huitièmement, cette recommandation peut constituer une base pertinente pour les membres du Conseil européen des grandes écoles de management et pour d’autres institutions soucieuses de qualité, afin d’harmoniser ou de développer leurs standards.

Conclusion

La protection de l’intégrité académique n’est plus aujourd’hui une simple question administrative secondaire. Elle fait désormais partie du cœur même de la qualité de l’enseignement supérieur et de la valeur future des diplômes. À l’ère de l’intelligence artificielle, il ne suffit pas de s’appuyer uniquement sur les logiciels de détection de similarité. Il ne suffit pas non plus de laisser toutes les décisions au jugement individuel sans cadre structuré. Il faut un équilibre entre soutien technologique et évaluation académique responsable.

Cet article recommande donc un cadre clair et direct pour l’évaluation des mémoires académiques :

Moins de 10 % = acceptable

10–15 % = nécessite une évaluation

Plus de 15 % = échec

Il recommande également de rendre obligatoire la déclaration de tout usage substantiel de l’intelligence artificielle. Une institution forte n’est pas celle qui rejette toute technologie, mais celle qui sait en réguler l’usage de manière éthique et académiquement responsable. Et un bon étudiant n’est pas celui qui évite totalement les outils modernes, mais celui qui les utilise avec honnêteté, conscience et dans des limites claires.

Pour les membres du Conseil européen des grandes écoles de management, cette recommandation peut représenter une étape importante vers l’harmonisation des critères, le renforcement de la confiance dans les travaux académiques et la promotion d’un modèle équilibré associant modernité et discipline académique. L’avenir de l’enseignement supérieur a besoin de clarté, d’équité et de responsabilité, et ces trois principes commencent par la manière dont le mémoire est traité comme une véritable expression de l’apprentissage et de la qualité de la recherche.

Hashtags

#PlagiatAcadémique #IntégritéAcadémique #IntelligenceArtificielleDansLÉducation #QualitéDesMémoires #AssuranceQualitéDeLEnseignement

References

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

• Carroll, J. A Handbook for Deterring Plagiarism in Higher Education. Oxford Centre for Staff and Learning Development.

• Eaton, S. E. Plagiarism in Higher Education: Tackling Tough Topics in Academic Integrity. Libraries Unlimited.

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

• 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.

• Sutherland-Smith, W. Plagiarism, the Internet, and Student Learning: Improving Academic Integrity. Routledge.

• Williamson, B., Eynon, R., and Potter, J. “Pandora’s Box of Artificial Intelligence in Education.” Learning, Media and Technology.

• Zhai, X., Chu, X., Chai, C. S., et al. “A Review of Artificial Intelligence in Education.” Computers and Education: Artificial Intelligence.

Hashtags

#LatviaEducation #AcademicIntegrity #ThesisQuality #ResponsibleAI #ECLBS