Défense de mémoire de Gil Degrove

Classifying AI-Generated and Human-Written Texts: Authorship Verfication Techniques in Educational Settings

 

Le domaine de l'intelligence artificielle générative a gagné une attention significative et une utilisation répandue ces dernières années, grâce à sa capacité à effectuer une large gamme de tâches. Cependant, distinguer entre le contenu écrit par des humains et celui généré par une IA pose un défi considérable. Cette thèse explore l'application des techniques d'attribution d'auteur pour classifier le contenu produit par des grands modèles de langage (LLM). L'étude commence par une revue complète des recherches existantes sur l'IA générative et les méthodes d'attribution d'auteur. En utilisant ces connaissances, un système est développé pour détecter si un texte a été écrit par un humain ou généré par un modèle d'IA. La méthodologie inclut la création d'un ensemble de données de textes écrits par des humains et générés par des IA, l'extraction de caractéristiques stylométriques et l'entraînement de modèles d'apprentissage automatique pour différencier les deux. Les résultats démontrent l'efficacité de ces modèles à identifier avec précision le contenu généré par IA, fournissant un outil précieux pour les éducateurs et les chercheurs afin de maintenir l'intégrité des travaux écrits.

Mots-clés: Grands Modèles de Langage, Attribution d'Auteur, Intelligence Articielle

 

Contact : Benjamine Lurquin - benjamine.lurquin@unamur.be
Télecharger : vCal