Faites passer d'anciens textes canoniques écrits par des humains dans des détecteurs d'IA et ils peuvent toujours ressortir comme générés par IA. Cela vous apprend quelque chose que les pages marketing des éditeurs taisent : l'outil ne mesure pas ce que son nom prétend mesurer.
Cet écart est tout le sujet. Un détecteur de texte IA ne détecte pas la paternité d'une IA. Il détecte un type d'écriture, un texte dont l'empreinte statistique ressemble aux sorties d'IA sur lesquelles le détecteur a été entraîné. Quand l'écriture humaine partage par hasard cette empreinte, le détecteur la signale, et il ne peut pas faire la différence. Les personnes qui perdent des bourses, des contrats et leur statut universitaire à cause d'un score en pourcentage sont du mauvais côté de cette confusion.
Voici ce que représente le score, pourquoi les erreurs sont structurelles plutôt qu'un bug que la prochaine version corrigera, sur qui elles retombent, et ce qu'une institution sérieuse peut utiliser à la place. Voilà pourquoi les détecteurs d'IA se trompent dans le seul contexte où la question compte vraiment : les décisions à fort enjeu concernant de vraies personnes.
La version courte
- Les détecteurs d'IA mesurent une ressemblance statistique, pas la paternité. Un score « IA » élevé signifie que le texte ressemble à l'écriture que le détecteur a été entraîné à associer à l'IA. Cela n'établit pas qu'une machine l'a produit, et ne le peut pas.
- Le taux de faux positifs est un plancher mathématique, pas un bug d'ingénierie. Un cadrage mathématique de 2026 soutient que tout détecteur utile fondé sur le seul texte, en une passe, subit des accusations à tort à un taux fixé par le degré de chevauchement entre l'écriture humaine et l'écriture IA. De meilleurs modèles ne l'éliminent pas.
- Les erreurs frappent le plus durement les rédacteurs rigoureux. Les personnes dont l'anglais n'est pas la langue maternelle et les rédacteurs aux styles rigoureux et contraints, y compris les rédacteurs scientifiques, juridiques et techniques, sont signalés plus souvent, parce qu'une prose propre et prévisible partage le profil statistique que les détecteurs lisent comme « IA ».
- La provenance est l'approche qui remplace la détection statistique. Le filigranage (SynthID) et les justificatifs de contenu signés (C2PA) enregistrent l'origine au moment de la génération au lieu de la deviner après coup. C'est vérifiable, mais seulement pour le contenu touché par les outils conformes.
Ce que cet article n'aborde pas
- Ce n'est pas un classement du détecteur le « meilleur ». L'argument ici est que la question du classement est la mauvaise.
- Ce n'est pas un guide pour échapper à la détection. Il en existe beaucoup ailleurs ; il s'agit ici de ce que la mesure signifie.
- Ce n'est pas un conseil juridique pour une accusation précise. Si vous en contestez une, parlez-en à quelqu'un qui traite ce genre de cas.
- Ce n'est pas un tutoriel. Il n'y a aucun outil à installer et aucune configuration à copier.
Que mesurent réellement les détecteurs d'IA ?
Un détecteur de texte IA mesure à quel point un écrit ressemble à du texte généré par IA, à l'aide de trois signaux : la perplexité, la burstiness et des classifieurs entraînés. Il rapporte une probabilité que le texte soit rédigé par une machine. Ce qu'il ne fait pas, et ne peut structurellement pas faire, c'est vérifier qui ou quoi a produit le texte. Il inspecte les mots et infère, jamais le processus qui les a créés.
Perplexité correspond au degré de « surprise » d'un modèle de langage face au mot suivant dans une séquence. Le texte IA tend à choisir à chaque étape le token suivant le plus probable statistiquement, ce qui se lit comme une faible perplexité. L'écriture humaine prend des tournants plus étranges et obtient un score plus élevé. Burstiness mesure la variation dans la longueur et la structure des phrases. Les humains mêlent phrases courtes et longues ; l'IA tend vers l'uniformité. Un détecteur combine les deux en un score composite. L'approche par classifieur entraîné écarte les signaux choisis à la main et apprend plutôt des motifs latents à partir de vastes jeux de données de textes humains et IA étiquetés.
Chaque signal a le même défaut, sous des habits différents. La burstiness ne peut pas séparer le « rédacteur humain rigoureux » de l'« IA » ; un mémoire juridique et un chatbot produisent tous deux une faible variance. Les classifieurs entraînés sur les sorties d'un modèle ne se transfèrent pas au suivant. Le benchmark RAID, l'une des plus vastes évaluations publiées de détecteurs de texte IA, a testé plus de 6 millions de générations sur 11 modèles, 8 domaines, 11 attaques adverses et 4 stratégies de décodage. Sa conclusion centrale est que les détecteurs sont facilement affaiblis par les attaques adverses, les changements d'échantillonnage, les pénalités de répétition et les générateurs inconnus. Et la perplexité a un problème de précision qu'il vaut la peine d'énoncer clairement.
Le problème du modèle proxy. Pour mesurer précisément la perplexité d'un texte, il faut la distribution complète de probabilités (les logits) du modèle exact qui l'a écrit. Les détecteurs ne l'ont presque jamais ; ils estiment plutôt la perplexité avec un modèle proxy. Quand le modèle qui écrit et le modèle qui mesure diffèrent, ce qui est le cas normal, le chiffre de perplexité porte une erreur systématique intégrée dès le départ. La méthode statistique la plus sophistiquée à ce jour, Binoculars, réduit ce bruit en comparant la perplexité de deux modèles apparentés, et elle mesure toujours les statistiques du texte, pas son origine.
Cette dernière proposition est tout l'enjeu de la section. Chaque méthode ici, d'un seuil de perplexité grossier à Binoculars, lit les propriétés des mots. Aucune n'observe l'acte d'écrire. Elles mesurent la ressemblance à une distribution d'entraînement.
La ressemblance n'est pas la paternité, voilà tout le problème, en cinq mots.
Pourquoi les détecteurs d'IA produisent-ils autant de faux positifs ?
Les détecteurs signalent l'écriture humaine comme IA parce qu'ils signalent tout écrit dont les propriétés statistiques ressemblent aux sorties d'IA. Un cadrage mathématique de 2026 traite cela comme plus qu'une erreur de réglage : quand l'évaluateur ne connaît pas la distribution d'écriture propre à chaque personne, les accusations à tort sont inévitables, à un taux fixé par le degré de chevauchement entre l'écriture humaine et l'écriture IA. Le plancher est réel, et il ne bouge pas.
L'article est celui de Garland, 2026, « AI Detectors Fail Diverse Student Populations: A Mathematical Framing of Structural Detection Limits ». La théorie classique de la détection traite la tâche comme un test entre deux distributions connues : voici à quoi ressemble l'écriture humaine, voici à quoi ressemble l'écriture IA, décidez laquelle a produit le texte. L'argument de Garland est que le côté humain n'est pas une seule distribution. Le style naturel de chaque personne est sa propre distribution, et le style de certaines personnes chevauche fortement les sorties d'IA. En termes statistiques, l'hypothèse nulle est composite (un ensemble de nombreuses distributions plutôt qu'une seule), et un détecteur fondé sur le seul texte, en une passe, opérant contre une hypothèse nulle composite n'a aucun moyen d'éviter les accusations à tort.
« Tout détecteur fondé sur le seul texte, en une passe, doté d'une puissance utile doit produire des accusations à tort à un taux régi par le chevauchement distributionnel entre l'écriture des étudiants et les sorties d'IA. » Garland, 2026 (arXiv:2603.20254)
La conséquence mérite d'être précisée, car c'est elle qui distingue ceci du cadrage habituel « les détecteurs ne sont pas encore parfaits ». La borne vient de la diversité des populations, pas de la qualité du modèle. Un meilleur détecteur, un jeu d'entraînement plus grand, un classifieur plus intelligent : aucun ne l'affecte, parce que le chevauchement dont elle dépend est une propriété de la façon dont les gens écrivent, pas de la qualité d'ingénierie de l'outil. La ligne politique de Garland lui-même en découle directement : « les scores de détection ne devraient pas servir de preuve unique dans les procédures pour faute ».
Le dossier empirique concorde avec les mathématiques. OpenAI a construit un classifieur pour les sorties de ses propres modèles, l'a vu identifier du texte IA seulement 26 % du temps tout en signalant à tort des humains 9 % du temps, et l'a fermé en juillet 2023, invoquant sa faible fiabilité « étant donné que les enseignants pourraient porter des jugements sur des étudiants avec des conséquences potentiellement durables ». Une étude de 2026 évaluée par les pairs dans l' International Journal of Educational Integrity a placé Turnitin à 61 % et Originality.ai à 69 % de précision en conditions réelles sur un jeu de données mixte, loin des 99 % des pages marketing. Un benchmark hCaptcha a conclu qu'aucun détecteur public testé ne faisait mieux que le hasard. Curtin University a plus tard désactivé la fonction de détection d'écriture IA de Turnitin à compter du 1er janvier 2026, invoquant le besoin de confiance, de clarté, d'équité et d'une évaluation prête pour l'avenir.
Puis multipliez par l'échelle. Vanderbilt a désactivé le détecteur de Turnitin après avoir fait le calcul sur son propre volume : à un taux de faux positifs affiché de 1 % sur 75 000 soumissions annuelles, environ 750 étudiants par an seraient signalés à tort. C'est l'estimation basse, tirée du chiffre optimiste de l'éditeur lui-même.
Le taux de faux positifs est un plancher fixé par le degré de différence entre les écritures des gens, pas un plafond que la prochaine version abaisse.
Qui est faussement signalé le plus souvent ?
Oui, les détecteurs sont biaisés, et systématiquement. Les personnes dont l'anglais n'est pas la langue maternelle et les rédacteurs aux styles rigoureux et contraints (juridique, scientifique, technique) sont signalés plus souvent parce que leur écriture peut porter le profil de faible perplexité et faible burstiness que les détecteurs lisent comme « IA ». Le biais ne porte pas sur qui ils sont ; c'est qu'une prose soignée, simple et prévisible peut ressembler statistiquement à une sortie de machine.
La preuve fondatrice est l'étude de Liang et al. de 2023 dans Patterns. Sept détecteurs largement utilisés ont été testés contre 91 dissertations TOEFL de personnes dont l'anglais n'est pas la langue maternelle et 88 dissertations d'élèves américains de huitième année rédigées par des locuteurs natifs. Les détecteurs ont mal classé plus de la moitié des dissertations non natives (un taux moyen de faux positifs de 61.3 %) tout en obtenant un score quasi parfait sur l'ensemble des locuteurs natifs. Les sept détecteurs ont unanimement signalé 19.8 % des dissertations TOEFL rédigées par des humains comme rédigées par IA.
L'expérience qui clôt le dossier est l'intervention. Quand les chercheurs ont utilisé ChatGPT pour enrichir le vocabulaire des mêmes dissertations non natives afin qu'elles sonnent plus natives, le taux de faux positifs est tombé de 61.3 % à 11.6 %. Rendre le texte plus « touché par l'IA » a fait que les détecteurs le signalaient moins, parce que ce à quoi ils réagissaient depuis le début était la prévisibilité du vocabulaire, pas la paternité. Le signal qui pilotait l'accusation était la perplexité, et la perplexité n'a jamais été une mesure de qui a écrit les mots.
Le schéma ne s'arrête pas à la maîtrise de la langue. BAID, le premier benchmark systématique de biais, a évalué les détecteurs sur sept axes sociolinguistiques (démographie, âge, niveau scolaire, dialecte, formalité, orientation politique et sujet) sur plus de 200 000 échantillons, et a trouvé des disparités constantes sur les sept. Rashidi et al. ont constaté qu'un détecteur de texte IA a mal identifié jusqu'à 8 % de résumés scientifiques connus comme rédigés par des humains en tant que générés par IA, en utilisant des résumés publiés entre 1980 et 2023, parce que l'écriture médicale et scientifique repose sur un vocabulaire contraint, une formulation prudente et une structure standardisée. L'écriture juridique est formulaïque par nature. The Authors Guild a exprimé clairement la version « rédacteur professionnel » de ceci : plus le style d'un rédacteur est raffiné et maîtrisé, plus il ressemble aux sorties que ces outils ont été conçus pour signaler.
Les rédacteurs les plus susceptibles d'être faussement accusés sont ceux qui écrivent de la manière la plus rigoureuse et la plus contrainte, l'exact opposé de ce que la « triche » laisserait prévoir.
Si les détecteurs fonctionnent, pourquoi n'importe qui peut-il les contourner ?
Contourner un détecteur est banal, pas malin. Les détecteurs affichent déjà de faibles scores, et la manipulation adverse les fait encore baisser ; la paraphrase adverse réduit les taux de vrais positifs des détecteurs de 88 % en moyenne. La course aux armements est asymétrique par construction : un détecteur doit défendre toutes les voies d'évasion à la fois, tandis qu'un outil de contournement n'a qu'à battre le seul motif que le détecteur mesure actuellement.
Les chiffres viennent directement de la recherche. Perkins et al. (2024) ont mesuré la précision des détecteurs à 39.5 % sur du texte généré par machine, chutant à 17.4 % une fois les techniques d'évasion appliquées. Cheng et al. (2025) ont constaté que la paraphrase adverse réduisait les taux moyens de vrais positifs de 87.88 % selon les types de détecteurs, et faisait chuter Fast-DetectGPT de 98.96 %. Sadasivan et al. (2023) ont montré que la paraphrase récursive peut réduire fortement la performance des détecteurs, y compris pour les détecteurs fondés sur le filigranage, tout en gardant le texte lisible. Autour de ces résultats existe toute une contre-industrie d'outils « humaniseurs » dont le rôle est de réécrire le texte IA jusqu'à ce qu'il obtienne un score humain, et l'existence de cette industrie est en soi une preuve de ce que mesurent les détecteurs. On ne peut pas construire un outil fiable pour vaincre une mesure de la paternité. On peut en construire un pour vaincre une mesure des statistiques du texte, et les gens l'ont fait.
L'asymétrie est structurelle, et elle se voit dans le rythme des sorties. Quand Turnitin a livré une fonction de détection de contournement d'IA en août 2025, une tentative de repérer le texte passé par des humaniseurs, les éditeurs d'humaniseurs ont vite commencé à faire la publicité de leurs propres promesses de contournement. Chaque mise à jour de détecteur définit une nouvelle cible ; chaque cible est atteinte.
Il y a une inférence que le lecteur peut tirer de tout cela, et elle vaut la peine d'être marquée comme une inférence plutôt qu'un fait. Vu ainsi, les détecteurs attrapent surtout les gens qui soumettent des sorties d'IA brutes et non retouchées : les utilisateurs les moins motivés et les moins soigneux. Ceux qu'une politique veut le plus attraper sont ceux qu'on manque le plus facilement.
La course aux armements n'est pas un écart temporaire que les éditeurs combleront. Elle est asymétrique par conception.
Que font les institutions aujourd'hui ?
Une liste croissante d'universités (Vanderbilt, Yale, Curtin, le University of Waterloo, et d'autres) ont désactivé ou restreint le détecteur d'IA de Turnitin, invoquant le volume de faux positifs, le biais contre les personnes dont l'anglais n'est pas la langue maternelle, des scores instables et un manque de transparence. D'autres l'ont conservé uniquement comme signal indicatif, jamais comme seul fondement d'une accusation. Le verdict institutionnel arrive indépendamment des articles universitaires, et il concorde avec eux.
Le raisonnement est documenté et précis. Vanderbilt a invoqué quatre motifs en désactivant la fonction en août 2023 : le calcul des 750 accusations à tort par an, le biais contre les personnes dont l'anglais n'est pas la langue maternelle, l'absence de toute explication sur la manière dont Turnitin rend son verdict, et des préoccupations de confidentialité liées à la soumission de données à un tiers. Curtin University a annoncé qu'à compter du 1er janvier 2026, la fonction de détection d'écriture IA de Turnitin serait désactivée sur tous les campus et périodes d'études, tandis que les vérifications classiques de correspondance de texte resteraient actives. The University of Waterloo a supprimé la fonctionnalité de détection d'IA de Turnitin à compter de septembre 2025 après consultation universitaire interne. The University of Texas at Austin n'approuve pas les logiciels de détection d'IA, n'a aucun contrat central ni bon de commande avec des fonctions de détection d'IA actives, et classe ce logiciel comme à haut risque pour les achats. Les conseils du corps enseignant d'institutions dont MIT et Stanford aboutissent à la même leçon pratique : les détecteurs d'IA ont des taux d'erreur élevés, des faux positifs et des risques de biais, donc ils ne devraient pas être traités comme une preuve décisive.
Sous le langage des politiques, il y a des personnes. Marley Stevens, étudiante à la University of North Georgia, a été signalée par Turnitin sur un travail qu'elle avait rédigé elle-même, mise en probation académique, et a perdu sa HOPE Scholarship ; elle affirme n'avoir fait que passer le texte dans Grammarly. À UC Davis, un étudiant accusé d'avoir utilisé l'IA a été plus tard innocenté après avoir montré l'historique des modifications de Google Docs, et un test distinct mené par des étudiants a rapporté que GPTZero a faussement signalé 40 % de 247 documents non-IA. Ce ne sont pas les cas marginaux que le taux d'erreur arrondit. Aux volumes auxquels ces outils fonctionnent, ils sont le taux d'erreur rendu visible.
Qu'est-ce qui remplace la détection statistique ?
La réponse émergente est la provenance : au lieu d'inspecter le texte fini et de deviner son origine, enregistrer un signal vérifiable d'origine au moment de la génération. Deux approches convergent, le filigranage SynthID de Google DeepMind et la norme C2PA Content Credentials, associées à des preuves plus anciennes comme l'historique de brouillons et le travail en classe. La provenance ne devine pas mieux. Elle change la question en une qui peut recevoir une réponse.
SynthID fonctionne en ajustant les probabilités des tokens pendant qu'un modèle génère du texte, laissant un motif statistique qu'un vérificateur peut vérifier plus tard. Google a déployé SynthID sur les images, textes, audios et vidéos générés ; son implémentation pour les images et les trames vidéo a servi à filigraner plus de 10 milliards d'images et de trames vidéo, et Google fournit désormais un portail SynthID Detector pour les médias pris en charge. Ses limites sont documentées : il fonctionne mieux sur des sorties plus longues et variées, se comporte mal sur des réponses courtes ou purement factuelles (il n'y a qu'une seule bonne manière d'écrire la capitale de la France, donc il n'y a rien à moduler), et sa confiance se dégrade sous une réécriture ou une traduction importante. Il ne peut pas non plus voir le texte d'un modèle qui ne l'implémente pas.
C2PA Content Credentials adoptent l'approche complémentaire : des métadonnées signées cryptographiquement, attachées au moment de la création, enregistrant quel outil a fabriqué le contenu et quand. OpenAI a rejoint le comité de pilotage de C2PA en mai 2024. En mai 2026, l'entreprise a étendu sa pile de provenance pour les sorties d'images prises en charge en associant les C2PA Content Credentials au filigranage SynthID de Google DeepMind et en présentant en avant-première des outils de vérification. Les deux couches se soutiennent mutuellement. Les métadonnées signées sont riches mais peuvent être retirées lors d'un ré-envoi, tandis qu'un filigrane SynthID survit aux captures d'écran et aux changements de format mais porte moins d'information. Le piège est le même que celui qui limite tout schéma de provenance : il vérifie le contenu des outils qui participent, et ne dit rien du contenu des outils qui ne le font pas. La couverture est volontaire, et elle ne croît qu'à mesure que l'adoption croît.
C'est pourquoi le domaine ne s'arrête pas aux filigranes. Les alternatives sur lesquelles les conseils universitaires et le consensus communautaire aboutissent sans cesse sont procédurales : exiger l'historique de brouillons et les commits de version, intégrer de courtes composantes en classe ou orales, et concevoir des évaluations difficiles à falsifier sans engagement réel. Et quand un signal apparaît, le traiter comme l'ouverture d'une conversation, pas la clôture d'un dossier.
Voilà le point à retenir concret qu'un évaluateur peut porter aux parties prenantes. La détection statistique demande « ce texte ressemble-t-il à de l'IA ? », une question qui, selon Garland, n'a aucune réponse fiable. La provenance demande « un outil conforme a-t-il signé ceci ? », une question qui en a une, vérifiable, pour le sous-ensemble de contenu que ces outils ont touché. L'échange, c'est une couverture plus étroite contre une affirmation que l'on peut réellement défendre, ce qui est la meilleure position à occuper quand le statut d'une personne est en jeu.
Précision annoncée en marketing vs. résultats indépendants
Les affirmations de précision des éditeurs et les mesures indépendantes ne sont pas proches. Le tableau ci-dessous oppose le chiffre annoncé de chaque outil à ce que les tests indépendants ont trouvé. Ce n'est pas un guide d'achat ; il n'y a pas de colonne « recommandé », parce que l'argument de cet article est que le cadrage derrière une telle colonne est cassé. C'est un relevé de l'écart.
| Outil | Précision / TFP annoncée par l'éditeur | Résultat indépendant |
|---|---|---|
| GPTZero | 99 % de précision, 1 % de taux de faux positifs | 16 % de taux de faux positifs sur des dissertations rédigées par des humains dans une étude sur 78 dissertations |
| Turnitin | < 1 % de taux de faux positifs | 61 % de précision globale dans une étude de 2026 de l'International Journal for Educational Integrity |
| ZeroGPT | 98.5 % de précision de détection | 83 % de faux positifs sur des résumés médicaux rédigés par des humains dans une étude en chirurgie du pied et de la cheville |
| Originality.ai | 99 %+ de précision / affirmations de faible taux de faux positifs, selon le modèle | 76 % de précision globale dans la revue de Scribbr de 2024 ; 69 % de précision globale dans une étude en contexte académique de 2026 |
| Copyleaks | Plus de 99 % de précision | La précision est tombée à 71 % sur du texte généré par DeepSeek et humanisé dans une étude de détecteurs de 2025 |
| Classifieur d'OpenAI | S.O. | 26 % de taux de vrais positifs, 9 % de taux de faux positifs ; abandonné le 20 juillet 2023 en raison d'une faible précision |
Ces chiffres ne sont pas directement comparables en tant que scores de benchmark, car chaque test a utilisé des jeux de données, des seuils et des conditions d'écriture différents. Ce qui compte, c'est l'écart récurrent entre les affirmations contrôlées des éditeurs et les évaluations réelles ou indépendantes, plus désordonnées.
Foire aux questions
Que détecte réellement un détecteur de texte IA : l'IA, ou un type d'écriture ?
Il détecte un type d'écriture. Un détecteur mesure si un texte ressemble statistiquement à une sortie d'IA : faible perplexité et faible burstiness, ou une correspondance aux motifs appris d'un classifieur entraîné. Il ne peut pas vérifier la paternité. Un score élevé signifie que l'écriture ressemble au texte IA sur lequel l'outil a été entraîné, pas qu'une machine l'a produit.
Pourquoi ma dissertation écrite par un humain a-t-elle été signalée comme générée par IA ?
Parce que votre écriture partage le profil statistique de faible perplexité que les détecteurs lisent comme de l'IA, un profil fréquent dans une écriture soignée, technique, ou d'une personne dont l'anglais n'est pas la langue maternelle. Le détecteur réagit à un vocabulaire prévisible et à une structure de phrase uniforme, pas à la paternité. Un signalement est une affirmation sur les statistiques de votre texte, pas une preuve que vous avez utilisé l'IA.
Les détecteurs d'IA sont-ils biaisés contre les personnes dont l'anglais n'est pas la langue maternelle ?
Oui, de façon mesurable. Liang et al. (2023) ont trouvé un taux moyen de faux positifs de 61.3 % sur des dissertations TOEFL de rédacteurs non natifs, contre près de zéro sur des dissertations de locuteurs natifs. Le benchmark BAID a plus tard trouvé des disparités similaires sur sept axes, dont le dialecte, la formalité et le sujet. La cause est statistique : un vocabulaire contraint se lit comme une faible perplexité, que les détecteurs interprètent à tort comme de l'IA.
Pourquoi le même texte obtient-il des scores de détection d'IA différents lors de scans répétés ?
Parce que les scores des détecteurs sont des estimations fondées sur des modèles, pas des observations directes de la paternité. Les seuils, le comportement du classifieur, le prétraitement et les mises à jour de l'outil peuvent tous affecter le pourcentage final, donc un score devrait être traité comme un signal faible plutôt que comme une mesure stable.
Que devraient utiliser les organisations à la place des détecteurs de texte IA ?
Des outils de provenance (le filigranage SynthID et les C2PA Content Credentials) pour le contenu provenant de générateurs conformes, associés à des preuves de processus comme l'historique de brouillons, les commits de version et le travail en classe, plus des évaluations reconçues pour exiger un engagement réel. Toute sortie de détecteur devrait ouvrir une conversation, jamais servir de preuve unique dans une décision qui affecte le statut de quelqu'un.
