Thèse Stylométrie Interprétable pour la Vérification d'Auteur et la Détection de Transformations Textuelles par Intelligence Artificielle H/F - Doctorat.Gouv.Fr

Établissement : Université Grenoble Alpes École doctorale : MSTII - Mathématiques, Sciences et technologies de l'information, Informatique Laboratoire de recherche : Laboratoire d'Informatique de Grenoble Direction de la thèse : Didier SCHWAB ORCID 0000000224628148 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-08-24T23:59:59 Ce projet de thèse vise à développer des méthodes de stylométrie interprétable pour analyser l'authenticité des écrits dans un contexte d'intégrité académique. Il s'agit notamment de vérifier si un texte est compatible avec l'empreinte stylistique habituelle d'un auteur, de détecter les textes générés, reformulés ou « polis » par une intelligence artificielle, et d'identifier les changements de style au sein d'un même document pouvant révéler plusieurs auteurs ou un plagiat intrinsèque.Les travaux combineront des caractéristiques stylométriques classiques - n-grammes, mots-outils, ponctuation, structures syntaxiques - avec des représentations neuronales et des modèles préentraînés. Une attention particulière sera accordée à la distinction entre le style et le sujet traité, à la robustesse face aux paraphrases et aux transformations produites par les IA, ainsi qu'au multilinguisme.L'objectif n'est pas de fournir une simple décision binaire, mais des résultats calibrés, explicables et compréhensibles, avec la possibilité de s'abstenir lorsque les preuves sont insuffisantes. Les méthodes proposées devront également limiter fortement les faux positifs, respecter les contraintes du RGPD et rester compatibles avec un déploiement industriel sobre en ressources. La stylométrie vise à caractériser le style d'écriture à partir de traits linguistiques et statistiques afin d'identifier une empreinte propre à un auteur.Elle est utilisée pour l'attribution et la vérification d'auteur, la détection de plagiat intrinsèque, l'analyse de textes multi-auteurs et, plus récemment, la détection de contenus générés par IA.L'essor des grands modèles de langue complexifie toutefois la tâche, car les textes peuvent être entièrement générés, mais aussi corrigés, reformulés ou partiellement transformés.Les approches actuelles restent limitées par la confusion entre style et sujet, leur sensibilité aux paraphrases, leur manque d'interprétabilité et leurs performances variables selon les langues.La thèse vise donc à développer des méthodes de stylométrie interprétables, robustes et multilingues, capables de produire des décisions calibrées et de s'abstenir lorsque les preuves sont insuffisantes.

Le ou la candidate devra être titulaire d'un master en informatique, traitement automatique des langues, intelligence artificielle ou science des données, avec de solides compétences en apprentissage automatique, apprentissage profond et programmation Python. Une bonne maîtrise du traitement de textes, des modèles de langue préentraînés, des méthodes d'évaluation et de l'analyse statistique est attendue.