Humaniser un résumé IA : un vrai avant/après, vérifié ligne à ligne

Peut-on humaniser un résumé rédigé par IA sans le casser ? En grande partie, à condition de vérifier chaque résultat ensuite. Nous avons pris un résumé de santé publique rédigé par IA, l'avons soumis à Humanizer v2, et avons conservé l'intégralité du dossier : les votes des détecteurs, les verdicts phrase par phrase et le résultat exact. Sur le brouillon, les cinq modèles de détection ont voté IA. Sur le résultat, quatre sur cinq ont voté humain, et le verdict du rapport est passé de AI-generated à Human-written.

Voilà pour le titre. La partie la plus utile, c'est ce qu'un auteur attentif doit encore corriger avant de soumettre, car la réécriture a conservé tous les chiffres mais modifié le sens d'un résultat et cassé la grammaire d'un autre.

Le brouillon : sept phrases, sept signalements

Le résumé suit le gabarit que produisent la plupart des outils d'IA sur demande : un constat de menace, l'objectif, les données, le résultat principal, un résultat secondaire, une implication et une phrase sur la contribution. Il se lit facilement. Il s'appuie aussi sur des formules toutes faites comme « pose a significant and growing threat », « underscore the critical importance » et « contributes valuable insights to the growing body of literature ».

Les détecteurs étaient d'accord. Chacune des sept phrases a été signalée comme IA, et les cinq modèles ont voté IA sur le texte complet. Le verdict du rapport était AI-generated.

• Résumé rédigé par IA5 sur 5
• Résultat de Humanizer v21 sur 5

Source : passage en production dans Humanizer v2. Cinq modèles de détection indépendants, chacun émettant un vote sur l'ensemble du texte.

Ce qu'a fait le pipeline

Humanizer v2 ne réécrit que les phrases signalées par les détecteurs. Ici, cela concernait toutes les phrases : ce passage a donc été en pratique une réécriture complète. Il a pris environ 13 secondes.

1. Recherche des signaux d'IALes sept phrases ont été signalées, et les cinq modèles ont voté IA.
2. Réécriture des phrases signaléesSept phrases sur sept ont été réécrites, aucune n'étant lue comme humaine.
3. Nouvelle vérification par les détecteurs d'IASix phrases se lisent désormais comme humaines, une reste indécise, et quatre modèles sur cinq votent humain.
4. Enregistrement du résultat1 344 caractères à 500 caractères par crédit, arrondi au supérieur : 3 crédits.

Sur la mesure principale du rapport, la part des phrases lues comme humaines est passée de 0 sur 7 à 6 sur 7, soit environ 86 %. La septième phrase n'est pas signalée, mais elle n'est pas validée non plus. Nous y revenons plus bas.

Les chiffres ont-ils survécu ?

Oui. C'est la première chose à vérifier dans tout résumé humanisé ; nous avons donc comparé chaque fait au brouillon :

• 214 secteurs de recensement (census tracts) : toujours là.
• 38 % : toujours là, et compare toujours le quartile le plus bas et le plus haut d'espaces verts.
• 2015 à 2022 : conservé, désormais écrit « 2015–2022 ».
• Trois villes moyennes et les trois variables d'ajustement (revenu, structure par âge, état de santé initial) sont intactes.

Les chiffres sont la partie facile. Le risque d'une réécriture se loge dans les mots qui les entourent : qui a fait quoi, à qui, et avec quelle force.

Là où le sens a bougé

Deux phrases demandent une vraie attention. La première est le résultat principal. La seconde est le résultat secondaire, et c'est le problème le plus sérieux.

Avant

Our findings reveal that tracts in the lowest quartile of green space coverage experienced 38% more heat-related emergency visits than those in the highest quartile, even after adjusting for income, age structure, and baseline health status. Furthermore, the protective association of green space was most pronounced during multi-day heat waves, suggesting a cumulative cooling effect.

Après

We found that tracts in the bottom quartile of green space were visited by 38% more times due to heat stress than the top quartile even after controlling for income, age structure and baseline health status. Moreover, the positive associations between green space use and heat exposure were greatest in the context of prolonged heatwaves.

Dans le résultat principal, le chiffre est juste mais la phrase est cassée. « Were visited by 38% more times » n'est pas grammatical, et « heat-related emergency visits » (passages aux urgences liés à la chaleur) est devenu « due to heat stress », ce qui fait disparaître la variable que l'étude mesurait réellement.

Le résultat secondaire a changé de sens de trois façons à la fois :

• « Protective » est devenu « positive ». Une association protectrice signifie plus d'espaces verts, moins de passages aux urgences. Une « positive association » avec l'exposition à la chaleur se lit plutôt comme l'inverse.
• Les variables ont changé. L'étude reliait la couverture en espaces verts aux passages aux urgences. La réécriture parle de « green space use and heat exposure », alors que l'étude n'a jamais mesuré l'usage.
• L'interprétation a disparu. « Suggesting a cumulative cooling effect » (suggérant un effet de rafraîchissement cumulatif) n'y est plus. Cela peut se défendre si vous jugiez l'affirmation trop forte, mais ce doit être votre décision, pas un effet secondaire.

Des glissements plus discrets méritent aussi un examen. « Relationship » est devenu « correlation », plus étroit qu'une comparaison ajustée entre quartiles. « Green infrastructure » est devenu « green spaces », ce qui exclut les arbres d'alignement et les toitures végétalisées. « Hospital administrative records » est devenu « hospital-level administrative information », ce qui laisse entendre des données agrégées par hôpital. Et la phrase de conclusion offre désormais aux « policy makers a source of action » là où le brouillon parlait d'« actionable evidence ».

La phrase qui reste indécise

Voici comment la nouvelle vérification a lu le résultat, phrase par phrase.

Urban heat islands are an increasing public health challenge, especially to the elderly and patients with chronic diseases. In this study, we investigate the correlation between green space coverage at the neighborhood level and heat-related emergency department visits in three mid-sized cities during the years 2015–2022. We obtained a comprehensive dataset containing 214 census tracts by integrating land surface temperature derived from satellite images with municipal data on tree canopies and hospital-level administrative information. We found that tracts in the bottom quartile of green space were visited by 38% more times due to heat stress than the top quartile even after controlling for income, age structure and baseline health status. Moreover, the positive associations between green space use and heat exposure were greatest in the context of prolonged heatwaves. This study emphasizes the need for incorporating green spaces in urban planning and climate change adaptation strategies. Overall, our research provides valuable information to the expanding literature on environmental determinants of health, offering policy makers a source of action to mitigate the health impacts of increasing temperatures.

Résultat réel de notre test. En vert : lu comme humain. En ambre : indécis, le vote au niveau de la phrase penchant encore vers l'IA.

La phrase sur les données est celle qui résiste. Elle contient encore « comprehensive dataset », une expression omniprésente dans les résumés écrits par des machines, et elle entasse trois sources de données dans une seule longue proposition. Un modèle sur cinq a aussi encore voté IA sur l'ensemble du résultat.

Le rapport le montre au lieu de le cacher, et vous pouvez soumettre à nouveau un passage. Ici, toutefois, une rapide retouche manuelle réglerait à la fois le problème de détection et celui de « hospital-level ». Une option, rédigée par nous à titre d'illustration : « We linked satellite land surface temperature data, municipal tree canopy inventories and hospital administrative records for 214 census tracts. » Toute phrase retouchée à la main doit être revérifiée avant de s'y fier.

Ce que l'auteur doit vérifier avant d'utiliser ce résumé

1. Rétablir « protective » et les bonnes variables (green space coverage, heat-related emergency department visits) dans le résultat secondaire. Décider délibérément si « cumulative cooling effect » reste.
2. Réécrire la phrase du résultat principal pour qu'elle soit grammaticale et mentionne de nouveau les passages aux urgences. Garder exactement 38 %.
3. Choisir entre « relationship » et « correlation » selon l'analyse réellement menée.
4. Rétablir « green infrastructure » si c'est le terme employé dans votre article.
5. Corriger la phrase sur les données à la main ou la soumettre à nouveau, puis revérifier.
6. Lire la dernière phrase à voix haute. « Valuable information » et « a source of action » sont le genre de formulations vagues que remarquent les évaluateurs.
7. Vérifier la politique d'IA de la revue visée, y compris l'obligation éventuelle de déclarer l'aide de l'IA.

Rien de tout cela n'est inhabituel. Un résumé condense tout un article en quelques phrases ; chaque verbe y pèse donc lourd, et un outil de réécriture ne sait pas quels verbes vos évaluateurs vont scruter. Pour une checklist plus large, consultez préserver le sens et les citations lors de l'humanisation ; pour le fonctionnement des verdicts par phrase, voir la détection d'IA phrase par phrase. Pour les autres sections d'un article, voir notre guide section par section sur les articles de recherche et la détection IA.

Ce que ce passage nous apprend sur l'humanisation d'un résumé

Le résultat côté détecteurs était solide : de cinq votes IA à un seul, et d'aucune phrase lue comme humaine à six sur sept. Le résultat côté sens était mitigé : tous les chiffres ont tenu, la plupart des phrases ont gardé leur sens, et un résultat a été suffisamment déformé pour qu'un évaluateur le repère. Ces deux constats ont leur place dans toute description honnête de ce que fait un humanizer.

C'est pourquoi Academic Humanizer associe chaque phrase signalée à sa réécriture dans le rapport de détection d'IA. L'outil traite les formulations auxquelles réagissent les détecteurs, et vous consacrez votre temps de relecture à la poignée de phrases qui ont changé. Si vous avez un résumé rédigé avec l'aide de l'IA, soumettez-le, puis lisez les paires avec le soin que vous accorderiez aux modifications d'un co-auteur.