Cet article souligne l'importance de construire un système fiable de détection de texte généré par l'IA, compte tenu des inquiétudes croissantes concernant l'utilisation abusive potentielle des modèles linguistiques à grande échelle. Nous soulignons les limites des méthodes existantes, qui négligent la modélisation du style et s'appuient sur des seuils statiques, limitant considérablement les performances de détection. Nous proposons le cadre « Mixture of Stylistic Experts » (MoSEs), qui permet l'estimation conditionnelle des seuils pour quantifier l'incertitude liée au style. MoSEs se compose de trois composants principaux : un référentiel de référence de style (SRR), un routeur sensible au style (SAR) et un estimateur de seuil conditionnel (CTE). Pour le texte d'entrée, le SRR active les données de référence appropriées et les fournit au CTE, qui détermine ensuite dynamiquement le seuil optimal en modélisant conjointement les caractéristiques linguistiques, statistiques et sémantiques. MoSEs génère des étiquettes prédites avec des scores discriminants et les niveaux de confiance correspondants, ce qui permet une amélioration moyenne de 11,34 % des performances de détection par rapport aux méthodes existantes, et de 39,15 % dans les environnements à faibles ressources. Le code source est disponible sur GitHub.
