Imitation avant Détection est une technique innovante de détection de texte visant à améliorer la capacité de détection des textes modifiés par des machines. Cette technique, en imitant les préférences stylistiques des grands modèles de langage (LLM), permet d'identifier plus précisément les textes modifiés par une machine. Son principal avantage réside dans sa capacité à distinguer efficacement les nuances entre la génération automatique et l'écriture humaine, ce qui lui confère une importance considérable dans le domaine de la détection de texte. Les informations contextuelles montrent qu'elle améliore significativement la précision de la détection, avec une augmentation de l'AUC de 13 % pour les textes modifiés par des LLM open-source, de 5 % pour les textes modifiés par GPT-3.5 et de 19 % pour GPT-4. Elle se positionne comme un outil de détection de texte efficace pour les chercheurs et les développeurs.