Humaniser le texte

Cette compétence vous aide à écrire un texte meilleur et plus lisible. Pour cela, identifiez et supprimez les signes de texte généré par l'IA afin que votre écriture semble venir d'une personne. Ce guide provient de la page Wikipedia « Signs of AI writing », maintenue par WikiProject AI Cleanup.

Quand vous devez humaniser un texte ou que vous êtes sur le point d'écrire quelque chose : scannez les motifs ci-dessous, réécrivez les passages problématiques, préservez le sens, respectez le ton voulu, et ajoutez un peu de vrai caractère.

La voix compte

Éviter les motifs de l'IA n'est que la moitié du travail. Un texte stérile et sans personnalité est tout aussi visible que n'importe quel contenu bâclé. Un bon texte a une personne derrière lui.

Signes d'une écriture sans âme (même techniquement « propre ») : chaque phrase a la même longueur et structure, aucun avis nulle part, aucun reconnaître l'incertitude ou les sentiments mitigés, aucune perspective à la première personne quand elle serait appropriée, aucune humour ni d'arête, lit comme un article Wikipedia ou un communiqué de presse.

Comment ajouter de la voix :

Ayez des opinions. Ne faites pas que rapporter les faits, réagissez-y. « Je ne sais pas comment me sentir à ce sujet » est plus humain que de lister neutralement les avantages et inconvénients.

Variez votre rythme. Des phrases courtes et percutantes. Puis des plus longues qui prennent leur temps pour arriver où elles vont. Mélangez tout.

Reconnaître la complexité. Les vrais humains ont des sentiments mitigés. « C'est impressionnant mais aussi un peu troublant » surpasse « C'est impressionnant. »

Utilisez « je » quand c'est approprié. La première personne n'est pas non professionnelle, c'est honnête. « Je reviens toujours à... » ou « Voici ce qui me frappe... » signale une vraie personne qui réfléchit.

Laissez un peu de désordre. Une structure parfaite semble algorithmique. Les tangentes, les parenthèses et les pensées à moitié formées sont humaines.

Soyez spécifique sur les sentiments. Pas « c'est préoccupant » mais « il y a quelque chose de troublant chez les agents qui travaillent à 3 h du matin alors que personne ne regarde. »

Avant (propre mais sans âme) :

L'expérience a produit des résultats intéressants. Les agents ont généré 3 millions de lignes de code. Certains développeurs ont été impressionnés tandis que d'autres ont été sceptiques. Les implications restent floues.

Après (a un pouls) :

Je ne sais vraiment pas comment me sentir à ce sujet. 3 millions de lignes de code, générées alors que les humains dormaient probablement. La moitié de la communauté dev perd la tête, l'autre moitié explique pourquoi ça ne compte pas. La vérité est probablement quelque part dans un milieu ennuyeux - mais je n'arrête pas de penser à ces agents qui travaillent toute la nuit.

Motifs de contenu

Importance et héritage gonflés. Des mots comme « se distingue/sert de », « est un témoignage », « moment charnière », « souligne son importance », « reflète une tendance plus large », « préparant le terrain pour », « paysage évolutif », « marque indélébile ». Les LLM gonflent l'importance en affirmant que des aspects arbitraires représentent des tendances plus larges.

Avant : « L'Institut statistique de Catalogne a été officiellement établi en 1989, marquant un moment charnière dans l'évolution des statistiques régionales en Espagne. Cette initiative faisait partie d'un mouvement plus large en Espagne pour décentraliser les fonctions administratives et améliorer la gouvernance régionale. »

Après : « L'Institut statistique de Catalogne a été établi en 1989 pour collecter et publier les statistiques régionales indépendamment de l'office national des statistiques d'Espagne. »

Accent excessif sur la notabilité. Des mots comme « couverture indépendante », « grands médias nationaux », « présence active sur les réseaux sociaux ». Les LLM frappent le lecteur avec des affirmations de notabilité.

Avant : « Ses points de vue ont été cités dans le New York Times, la BBC, le Financial Times et The Hindu. Elle maintient une présence active sur les réseaux sociaux avec plus de 500 000 abonnés. »

Après : « Dans une interview du New York Times en 2024, elle a soutenu que la régulation de l'IA devrait se concentrer sur les résultats plutôt que les méthodes. »

Analyses en -ing superficielles. Des phrases comme « mettant en évidence », « garantissant », « reflétant », « symbolisant », « contribuant à », « mettant en avant ». L'IA ajoute des participes présents aux phrases pour ajouter une profondeur factice.

Avant : « La palette de couleurs du temple bleu, vert et or résonne avec la beauté naturelle de la région, symbolisant les bluebonnets du Texas, le golfe du Mexique et les paysages texans diversifiés, reflétant le lien profond de la communauté avec la terre. »

Après : « Le temple utilise des couleurs bleu, vert et or. L'architecte a dit qu'elles ont été choisies pour faire référence aux bluebonnets locaux et à la côte du golfe. »

Langage promotionnel. Des mots comme « se vante de », « vibrant », « riche », « profond », « mettant en avant », « exemplifie », « engagement envers », « niché », « au cœur de », « révolutionnaire », « renommé », « époustouflant », « stupéfiant ». Les LLM ont du mal à garder un ton neutre.

Avant : « Niché dans la région époustouflante de Gonder en Éthiopie, Alamata Raya Kobo se distingue comme une ville vibrante avec un riche patrimoine culturel et une beauté naturelle stupéfiante. »

Après : « Alamata Raya Kobo est une ville de la région de Gonder en Éthiopie, connue pour son marché hebdomadaire et son église du XVIIIe siècle. »

Attributions vagues. Des phrases comme « Selon les rapports du secteur », « Les experts soutiennent », « Certains critiques soutiennent », « plusieurs sources ». L'IA attribue des opinions à des autorités vagues sans sources spécifiques.

Avant : « En raison de ses caractéristiques uniques, la rivière Haolai intéresse les chercheurs et les conservateurs. Les experts croient qu'elle joue un rôle crucial dans l'écosystème régional. »

Après : « La rivière Haolai abrite plusieurs espèces de poissons endémiques, selon un relevé de 2019 de l'Académie chinoise des sciences. »

Sections défis formulaires. Des phrases comme « Malgré son..., fait face à plusieurs défis », « Malgré ces défis », « Perspectives d'avenir ». Les articles LLM incluent ces sections formulaires constamment.

Avant : « Malgré sa prospérité industrielle, Korattur fait face à des défis typiques des zones urbaines, notamment la congestion du trafic et la rareté de l'eau. Malgré ces défis, avec sa localisation stratégique et ses initiatives en cours, Korattur continue de prospérer comme partie intégrante de la croissance de Chennai. »

Après : « La congestion du trafic a augmenté après 2015 lorsque trois nouveaux parcs informatiques ont ouvert. La corporation municipale a commencé un projet de drainage des eaux pluviales en 2022 pour remédier aux inondations récurrentes. »

Motifs linguistiques

Mots de vocabulaire IA. Ils apparaissent beaucoup plus fréquemment dans le texte post-2023 : de plus, s'aligner avec, crucial, approfondir, en mettant l'accent sur, durable, améliorer, favoriser, obtenir, mettre en évidence (verbe), interplay, complexe/complexités, clé (adjectif), paysage (abstrait), charnière, mettre en avant, tapisserie (abstrait), témoignage, souligner (verbe), précieux, vibrant. Ils apparaissent souvent ensemble.

Avant : « De plus, une caractéristique distinctive de la cuisine somalienne est l'incorporation de viande de chameau. Un témoignage durable de l'influence coloniale italienne est l'adoption généralisée des pâtes dans le paysage culinaire local, mettant en avant la façon dont ces plats se sont intégrés au régime alimentaire traditionnel. »

Après : « La cuisine somalienne inclut aussi la viande de chameau, considérée comme une délicatesse. Les pâtes, introduites lors de la colonisation italienne, restent courantes, particulièrement au sud. »

Évitation de copule. Des phrases comme « sert de », « se dresse comme », « marque », « représente », « se vante de », « dispose de », « offre » au lieu de simplement « est » ou « a ».

Avant : « Gallery 825 sert d'espace d'exposition pour l'art contemporain de LAAA. La galerie dispose de quatre espaces distincts et se vante de plus de 3 000 pieds carrés. »

Après : « Gallery 825 est l'espace d'exposition d'art contemporain de LAAA. La galerie a quatre salles totalisant 3 000 pieds carrés. »

Parallélismes négatifs. Les constructions comme « Non seulement...mais aussi... » ou « Ce n'est pas seulement..., c'est... » sont surutilisées.

Avant : « Ce n'est pas seulement le beat qui roule sous les voix ; c'est part de l'agressivité et de l'atmosphère. Ce n'est pas seulement une chanson, c'est une déclaration. »

Après : « Le beat lourd ajoute au ton agressif. »

Règle de trois. Les LLM forcent les idées dans des groupes de trois pour paraître complets.

Avant : « L'événement propose des sessions de conférences, des discussions de panel et des opportunités de réseautage. Les participants peuvent s'attendre à l'innovation, l'inspiration et les insights du secteur. »

Après : « L'événement inclut des présentations et des panels. Il y a aussi du temps pour le réseautage informel entre les sessions. »

Cycles de synonymes. L'IA a un code de pénalité de répétition causant une substitution excessive de synonymes.

Avant : « Le protagoniste fait face à de nombreux défis. Le personnage principal doit surmonter des obstacles. La figure centrale finit par triompher. Le héros rentre à la maison. »

Après : « Le protagoniste fait face à de nombreux défis mais finit par triompher et rentrer à la maison. »

Fausses plages. Les LLM utilisent des constructions « de X à Y » où X et Y ne sont pas sur une échelle significative.

Avant : « Notre voyage à travers l'univers nous a menés de la singularité du Big Bang au grand réseau cosmique, de la naissance et de la mort des étoiles à la danse énigmatique de la matière sombre. »

Après : « Le livre couvre le Big Bang, la formation des étoiles et les théories actuelles sur la matière sombre. »

Motifs de style

Suruse du tiret cadratin. Les LLM utilisent les tirets cadratins (—) plus que les humains, imitant la rédaction de vente « percutante ».

Avant : « Le terme est principalement promu par les institutions néerlandaises—non par les gens eux-mêmes. Vous ne dites pas « Pays-Bas, Europe » comme une adresse—mais cet étiquetage erroné persiste—même dans les documents officiels. »

Après : « Le terme est principalement promu par les institutions néerlandaises, non par les gens eux-mêmes. Vous ne dites pas « Pays-Bas, Europe » comme une adresse, mais cet étiquetage erroné persiste dans les documents officiels. »

Suruse du gras. L'IA met en gras les phrases mécaniquement.

Avant : « Il mélange les OKR (Objectives and Key Results), les KPI (Key Performance Indicators), et les outils de stratégie visuelle tels que le Business Model Canvas (BMC) et le Balanced Scorecard (BSC). »

Après : « Il mélange les OKR, les KPI, et les outils de stratégie visuelle comme le Business Model Canvas et le Balanced Scorecard. »

Listes en en-tête inline. L'IA produit des listes où les éléments commencent par des en-têtes en gras suivi de deux-points.

Avant :

• Expérience utilisateur : L'expérience utilisateur a été considérablement améliorée avec une nouvelle interface.
• Performance : La performance a été améliorée par des algorithmes optimisés.

Après : « La mise à jour améliore l'interface et accélère les temps de chargement grâce aux algorithmes optimisés. »

Casse titre dans les en-têtes. L'IA capitalise tous les mots principaux. Utilisez plutôt la casse de phrase.

Avant : « Négociations Stratégiques Et Partenariats Mondiaux » Après : « Négociations stratégiques et partenariats mondiaux »

Emojis dans le contenu professionnel. L'IA décore les en-têtes ou les listes avec des emojis. Supprimez-les.

Guillemets courbes. ChatGPT utilise des guillemets courbes (« ... ») au lieu de guillemets droits ("..."). Utilisez des guillemets droits.

Artefacts de communication

Correspondance de chatbot. Des phrases comme « J'espère que cela vous aide », « Bien sûr ! », « Certainement ! », « Vous avez tout à fait raison ! », « Aimeriez-vous... », « faites-moi savoir », « voici un... » Ce sont des artefacts de conversation qui ne devraient pas se retrouver dans le contenu final.

Avant : « Voici un aperçu de la Révolution française. J'espère que cela vous aide ! Faites-moi savoir si vous aimeriez que je développe une section. »

Après : « La Révolution française a commencé en 1789 quand une crise financière et des pénuries alimentaires ont conduit à une agitation généralisée. »

Avertissements de limite de connaissance. Des phrases comme « en date du [date] », « Jusqu'à ma dernière mise à jour d'entraînement », « Bien que les détails spécifiques soient limités... » Ce sont des avertissements IA qui restent dans le texte.

Avant : « Bien que les détails spécifiques sur la fondation de l'entreprise ne soient pas largement documentés dans les sources facilement disponibles, il semble qu'elle ait été établie à un moment dans les années 1990. »

Après : « L'entreprise a été fondée en 1994, selon ses documents d'enregistrement. »

Ton obséquieux. Langage excessivement positif et plaisant aux gens.

Avant : « Excellente question ! Vous avez absolument raison que c'est un sujet complexe. C'est un excellent point sur les facteurs économiques. »

Après : « Les facteurs économiques que vous avez mentionnés sont pertinents ici. »

Remplissage et modération

Phrases de remplissage courantes à couper :

• « Afin d'atteindre cet objectif » → « Pour atteindre cet objectif »
• « Du fait qu'il pleuvait » → « Parce qu'il pleuvait »
• « À ce moment dans le temps » → « Maintenant »
• « Dans l'éventualité où vous auriez besoin d'aide » → « Si vous avez besoin d'aide »
• « Le système a la capacité de traiter » → « Le système peut traiter »
• « Il est important de noter que les données montrent » → « Les données montrent »

Modération excessive à simplifier :

Avant : « On pourrait potentiellement possiblement soutenir que la politique pourrait avoir un certain effet sur les résultats. »

Après : « La politique peut affecter les résultats. »

Conclusions positives génériques à rendre spécifiques :

Avant : « L'avenir semble radieux pour l'entreprise. Des temps passionnants l'attendent alors qu'elle poursuit son voyage vers l'excellence. Cela représente une étape majeure dans la bonne direction. »

Après : « L'entreprise prévoit d'ouvrir deux autres emplacements l'année prochaine. »

Exemple complet

Avant (sonnerait comme l'IA) :

La nouvelle mise à jour logicielle sert de témoignage à l'engagement de l'entreprise envers l'innovation. De plus, elle offre une expérience utilisateur fluide, intuitive et puissante—garantissant que les utilisateurs peuvent accomplir leurs objectifs efficacement. Ce n'est pas juste une mise à jour, c'est une révolution dans la façon dont nous pensons la productivité. Les experts du secteur croient que cela aura un impact durable sur l'ensemble du secteur, mettant en évidence le rôle charnière de l'entreprise dans le paysage technologique en évolution.

Après (humanisé) :

La mise à jour logicielle ajoute le traitement par lots, les raccourcis clavier et le mode hors ligne. Les premiers retours des bêta-testeurs sont positifs, la plupart signalant une accomplissement plus rapide des tâches.

Ce qui a changé : supprimé « sert de témoignage » (symbolisme gonflé), « de plus » (vocabulaire IA), « fluide, intuitive et puissante » (règle de trois + promotionnel), le tiret et la phrase « -garantissant » (analyse superficielle), « Ce n'est pas juste... c'est... » (parallélisme négatif), « Les experts du secteur croient » (attribution vague), « rôle charnière » et « paysage technologique en évolution » (vocabulaire IA). Ajout de fonctionnalités spécifiques et de retours concrets à la place.

Référence

Cette compétence est basée sur la page Wikipedia « Signs of AI writing » (https://en.wikipedia.org/wiki/Wikipedia:Signs_of_AI_writing), maintenue par WikiProject AI Cleanup. Les motifs proviennent d'observations de milliers d'instances de texte généré par l'IA sur Wikipedia.

L'insight clé : les LLM utilisent des algorithmes statistiques pour deviner ce qui devrait venir ensuite. Le résultat tend vers le résultat le plus probable statistiquement qui s'applique à la plus large variété de cas.