Cet article présente une nouvelle technique de détection qui surmonte les limites des méthodologies de détection existantes afin de relever le défi croissant des vidéos générées par l'IA. Nous établissons un cadre théorique basé sur l'analyse dynamique du second ordre sous l'angle de la mécanique newtonienne et étendons la fonction de différence centrale du second ordre à la détection d'artefacts temporels. Cette approche révèle des différences fondamentales dans la distribution des caractéristiques du second ordre entre les vidéos réelles et celles générées par l'IA, et nous proposons une nouvelle méthode de détection, la Détection par Différence de Différences (D3), qui ne nécessite aucun apprentissage. Nous validons la supériorité de D3 sur quatre jeux de données open source (Gen-Video, VideoPhy, EvalCrafter et VidProM), démontrant une amélioration de 10,39 % de la précision moyenne par rapport à la méthode existante la plus performante. De plus, nous démontrons expérimentalement son efficacité de calcul et sa robustesse.
