Principe du jeu

Le service Slop Sense propose un défi de 60 secondes où l’utilisateur doit classer chaque image comme photo réelle ou générée par IA. Le chronomètre démarre dès le chargement de la première image et ne s’arrête jamais, imposant un délai maximal de 10 secondes par visuel.

Mécanique et scoring

Chaque réponse correcte rapporte +100 points tandis qu’une erreur entraîne ‑100 points. Des bonus s’ajoutent en fonction de la série de bonnes réponses : +150 points à partir de 3 réponses consécutives, +200 à 5 et +300 dès 10. Un mauvais choix ou un dépassement du temps réinitialise la série, et les expirations n’attribuent aucun point.

Le jeu accepte deux modes d’interaction : un clic sur les boutons « Real photo » / « AI‑generated » ou un glissement latéral (swipe) sur mobile, le glissement à gauche signifiant « photo réelle » et à droite « IA‑générée ». Un raccourci clavier (1 / 2) reproduit ces actions.

Architecture technique et contraintes

Le front‑end s’appuie sur une interface HTML/JavaScript hébergée sur le domaine slop-sense.labtoagi.com. Les images sont pré‑chargées avant le démarrage du compte à rebours (« Loading the first images before the clock starts »), ce qui minimise la latence perçue mais augmente la bande passante initiale. Les visuels proviennent d’un modèle nommé GPT Image 2.5, indiqué dans le pied de page (« images generated with GPT Image 2.5 »), et sont générés par le service Codex AI mentionné comme créateur du jeu.

Le système de suivi des scores et des séries repose probablement sur du stockage côté client (cookies ou localStorage), car aucune persistance serveur n’est décrite. Le texte « Privacy & analytics choices » suggère la présence d’un module d’analyse, mais aucune donnée chiffrée n’est fournie, ce qui limite l’évaluation de l’impact sur la vie privée.

Limites et perspectives

Le jeu ne révèle pas la méthode de génération d’image ni les critères de sélection, ce qui empêche une analyse de la difficulté réelle du test. L’absence de métriques de performance (temps de chargement moyen, taux de réussite) rend difficile l’évaluation de l’efficacité pédagogique. Enfin, la dépendance à un modèle propriétaire (GPT Image 2.5) implique que la qualité des images et la capacité de distinction évoluent avec les mises à jour du modèle, sans que le jeu ne prévoie de mise à jour dynamique du contenu.