Contexte et politique

Au printemps 2026, le cours CS 240 – Programming in C – a publié dans son syllabus une interdiction explicite d’utiliser des modèles de langage (ChatGPT ou tout autre LLM) pour générer du code. La règle était rappelée dans au moins cinq séances de cours, notamment les leçons du 12 janvier, du 14 janvier, du 21 janvier et du 4 février. Le texte du syllabus précise que toute utilisation d’IA constitue une fraude académique passible d’un F. Le corps professoral pouvait choisir d’avertir immédiatement les étudiants ou d’accumuler les preuves pour des sanctions ultérieures.

Fonctionnement d’Argus

Le dispositif nommé Argus, développé par l’équipe pédagogique, n’est pas un LLM mais un analyseur statique. Il scrute le code source à la recherche d’indicateurs que les auteurs jugent « hautement improbables » d’apparaître sans assistance automatisée. Les indicateurs, identifiés dans un article soumis à SIGCSE 2027, n’étaient pratiquement inexistants avant 2024 et ont connu une hausse rapide dès 2025. Argus calcule un « H‑score » qui mesure la probabilité d’une aide IA. Chaque alerte est d’abord examinée par un intervenant humain avant toute décision. Le processus s’appuie également sur MOSS, l’outil de détection de similarité de code utilisé depuis plusieurs années.

Analyse des résultats

Sur les 584 étudiants surveillés, Argus a signalé 267 cas, soit un taux de 45,7 %. Cette proportion reflète l’efficacité du filtre : la plupart des alertes correspondaient à des soumissions présentant des fragments de code très similaires ou des structures typiques d’une génération automatisée. Le rapport indique que les indicateurs détectés sont « virtuellement inexistants » avant 2024, ce qui suggère une corrélation temporelle avec la diffusion massive des LLM. Le taux de faux positifs a été limité grâce à la validation humaine et à la politique de ne poursuivre que les cas où aucune explication raisonnable ne pouvait être fournie.

Limites et perspectives

Argus ne publie pas la liste exhaustive de ses indicateurs, afin de préserver son utilité. Cette opacité empêche une évaluation indépendante de la précision du H‑score et rend difficile la reproduction des résultats. De plus, la dépendance à une analyse statique ne capture pas les cas où l’étudiant utilise l’IA pour comprendre le problème sans copier le code généré. Le processus de signalement repose sur une équipe « AI Academic Integrity » (AIAI) créée le 23 mars 2026, qui a introduit un formulaire d’auto‑déclaration le 13 avril 2026. Cette approche vise à réduire le nombre de dossiers à examiner, mais son impact sur le découragement de l’usage d’IA reste à mesurer. Enfin, l’absence de sélection de l’article à SIGCSE 2027 limite la visibilité académique du dispositif, même si les revues par les pairs sont accessibles.