by Majorant
1er cours offertFirst lesson free
Lire, c’est bien. Être corrigé, c’est mieux.Reading is good. Being corrected is better.
1 h en visio ou à domicile, sans engagement ni carte bancaire — une par famille.1 h online or at home, no commitment, no card — one per family.
L’article du jour · lis-le d’abordToday’s article · read it first
The Conversation — Mohamed Akrout, University of Tennessee
Le décryptage ci-dessous suffit pour ta colle. Envie du texte intégral ?The breakdown below is enough for your oral. Want the full text?
Le décryptageThe breakdown
L'IA détecte de mieux en mieux le cancer de la peau — mais seulement sur les peaux clairesAI is getting better at spotting skin cancer — but only on light skin
Un ingénieur montre que les applications de dépistage se trompent dès qu'on assombrit la peau autour du grain de beauté. Un cas concret de biais algorithmique, avec des vies en jeu — et un sujet que scientifiques comme littéraires peuvent tenir.An engineer shows that screening apps get it wrong as soon as the skin around a mole is darkened. A concrete case of algorithmic bias, with lives at stake — a topic both scientists and humanities students can hold.
Le texte — passages clésThe article — key passages
Voici les phrases-clés de l’article, citées dans le texte, chacune éclairée en une ligne.Here are the article’s key sentences, quoted from the piece, each unpacked in a line.
“But at the moment, these tools have a crucial shortcoming that researchers will have to resolve: They are increasingly accurate for people with light skin – but they have a massive blind spot when it comes to analyzing darker skin.”
↳ Le problème en une phrase : l'outil progresse pour les uns et reste aveugle pour les autres.The problem in one sentence: the tool improves for some and stays blind to others.
“The central myth of AI is that it functions objectively. In reality, an AI model is simply a pattern-matching engine.”
↳ La phrase à retenir mot pour mot : elle démonte le mythe de la neutralité de la machine.The sentence to learn word for word: it dismantles the myth of machine neutrality.
“In other words, the AI model doesn't learn to look at the lesion itself. Instead, it picks up on the color of the surrounding skin as a clue.”
↳ Le mécanisme précis du biais : la machine triche, elle regarde à côté de la lésion.The exact mechanism of the bias: the machine cheats — it looks beside the lesion.
“If an AI model is never taught what melanoma looks like on dark skin, it simply won't know how to find it.”
↳ La cause première : ce n'est pas l'algorithme qui est raciste, ce sont les archives médicales qui sont incomplètes.The root cause: the algorithm is not racist — the medical archives are incomplete.
“Ultimately, eliminating color-based bias in AI isn't just about fairness, but rather the absolute baseline required to ensure these tools actually work for the people who need them most.”
↳ La chute, parfaite pour conclure : l'équité n'est pas un supplément d'âme, c'est la condition du bon fonctionnement.The closing line, perfect for a conclusion: fairness is not a nice extra, it is the condition of the thing working at all.
Ce qu’il faut retenirKey takeaways
- 1La thèse. Un modèle d'IA n'est pas un œil objectif, c'est une pattern-matching engine : faute d'avoir appris à quoi ressemble un mélanome sur peau foncée, il se rabat sur la couleur de la peau environnante comme indice. Il devine au lieu de diagnostiquer.The thesis. An AI model is not an objective eye, it is a pattern-matching engine: never having learned what melanoma looks like on dark skin, it falls back on the surrounding skin colour as a clue. It guesses instead of diagnosing.
- 2L'expérience à citer. En 2024, l'équipe montre à GPT-4 un grain de beauté parfaitement bénin, puis assombrit numériquement la peau autour — le grain de beauté, lui, ne change pas. Le modèle bascule et le classe en malignant melanoma. La preuve que la couleur de fond pilote le diagnostic.The experiment to cite. In 2024, the team showed GPT-4 a perfectly benign mole, then digitally darkened the skin around it — the mole itself unchanged. The model flipped and classified it as malignant melanoma. Proof that the background colour drives the diagnosis.
- 3L'enjeu de fond. Le biais ne naît pas dans le code mais dans les archives : manuels et bases d'images ont été bâtis autour de patients blancs. Or les patients à peau foncée sont déjà diagnostiqués plus tard, donc avec une survie moindre — l'outil censé démocratiser le dépistage widens the gap qu'il prétendait combler.The real stake. The bias is not born in the code but in the archives: textbooks and image databases were built around white patients. Yet patients with darker skin are already diagnosed later, and so survive less — the tool meant to democratise screening widens the gap it claimed to close.
Key vocabularyKey vocabulary
une lacune, une faiblesse
A fault or failure to meet a certain standard.
“These tools have a crucial shortcoming researchers must resolve.”
un biais, un parti pris
A systematic tendency that makes results unfair or inaccurate.
“Eliminating colour-based bias is the absolute baseline.”
bénin, sans gravité
Not harmful; not cancerous.
“Is it a benign mole, or is it melanoma?”
malin, cancéreux
Cancerous and likely to spread.
“GPT-4 classified the spot as malignant melanoma.”
dépister
To test people for a disease before symptoms appear.
“AI could screen for cancer where dermatologists are scarce.”
les données d'entraînement
The examples an AI model learns from.
“The bias lies in the training data, not the code.”
les données synthétiques
Artificially generated examples used in place of real ones.
“Synthetic images may not map onto what patients really experience.”
sous-doté, aux moyens insuffisants
Lacking the money, staff or equipment needed.
“It could bring screening to underresourced communities.”
Idioms & collocationsIdioms & collocations
Background · civilisationBackground · civilisation
Le melanoma est la forme la plus meurtrière du cancer de la peau, et le dépistage précoce y change tout : repéré tôt, il se guérit presque toujours. D'où l'espoir placé dans ces applications, dans les régions où l'on compte un dermatologue pour des milliers d'habitants. Mais la médecine occidentale a longtemps décrit les maladies sur des corps blancs : la dermatite atopique apparaît rose sur peau claire, grise ou violacée sur peau foncée — et les manuels n'ont retenu que la première description.
Le débat dépasse la dermatologie. Depuis une dizaine d'années, les chercheurs documentent le même schéma partout où l'IA décide : reconnaissance faciale moins fiable sur les visages noirs, algorithmes de recrutement qui reproduisent les embauches passées, scores de récidive judiciaire contestés aux États-Unis. Le mot-clé à connaître est algorithmic bias : une machine entraînée sur un passé inégal reconduit cette inégalité, avec en prime l'autorité que confère le chiffre. La solution proposée ici — fabriquer des images synthétiques — a elle-même sa limite : une base de données peut paraître parfaitement diverse sur le tableur et rester aveugle aux vrais patients.
Melanoma is the deadliest form of skin cancer, and early detection changes everything: caught early, it is almost always curable. Hence the hope invested in these apps, in regions with one dermatologist for thousands of people. But Western medicine long described disease on white bodies: atopic dermatitis looks pink on light skin, grey or purple on darker skin — and the textbooks kept only the first description.
The debate goes beyond dermatology. For a decade researchers have documented the same pattern wherever AI decides: facial recognition less reliable on Black faces, hiring algorithms reproducing past recruitment, contested reoffending scores in the United States. The key phrase is algorithmic bias: a machine trained on an unequal past carries that inequality forward, with the added authority of a number. The fix proposed here — generating synthetic images — has its own limit: a database can look perfectly diverse on a spreadsheet and stay blind to real patients.
Réutilise-le · phrases prêtesReuse it · ready-made lines
- »What looks like a technical flaw is in fact a social one: the data simply reflects who was photographed.
- »The danger is not that the machine is wrong, but that it is wrong with the authority of a number.
- »A tool designed to widen access can end up deepening the very inequality it was meant to correct.
- »This is a reminder that objectivity is a claim, not a property.
Pour ta colleFor your oral
"Today I'd like to present an article published in The Conversation on September 3rd, 2026, by Mohamed Akrout, a computer engineer at the University of Tennessee, on the limits of AI skin cancer detection."
Le sujet (les applications d'IA qui dépistent le cancer de la peau) → le constat (elles sont précises sur peau claire et aveugles sur peau foncée) → la cause (elles s'appuient sur la couleur de la peau environnante, faute d'avoir été entraînées sur des images variées).The topic (AI apps that screen for skin cancer) → the finding (accurate on light skin, blind on dark skin) → the cause (they rely on the surrounding skin colour, having never been trained on varied images).
"This raises the question: can a technology ever be neutral, when it learns from a past that was not?"
Pour l'outil : it could bring expert screening to areas with almost no dermatologists ; early detection saves lives. Contre : it performs worst for the patients already diagnosed latest ; and an app used at home has no clinician to catch its mistake.For the tool: it could bring expert screening to areas with almost no dermatologists; early detection saves lives. Against: it performs worst for the patients already diagnosed latest; and an app used at home has no clinician to catch its mistake.
"In my view, the fix is not more code but better archives. Until the images represent everyone, the tool should not be sold to everyone."
Passer de la lecture à l’oralFrom reading to speaking
Cette trame, tu la tiendras mieux après l’avoir dite à voix haute.You’ll hold this outline far better once you’ve said it out loud.
Un professeur t’écoute, te reprend, et te fait recommencer jusqu’à ce que ce soit net. Le premier cours est offert : 1 h en visio ou à domicile, sans engagement ni carte bancaire — une par famille.A teacher listens, corrects you, and has you start again until it lands. Your first lesson is free: 1 h online or at home, no commitment, one per family.
Je réserve mon cours offertBook my free lesson →Aussi : Also: cours particuliers d’anglaisprivate English lessons · oraux blancsmock orals
Stages intensifs vacances de la Toussaint
Reprendre les premiers chapitres et installer une méthode de travail avant la suite du trimestre.
Quiz — les infos à retenirQuiz — facts worth keeping
1. Why do these tools fail on darker skin?
Le mécanisme du biais — le cœur de toute colle sur l'IAThe mechanism of the bias — the heart of any oral on AI
2. In the 2024 test, what happened when researchers digitally darkened the skin around a benign mole?
L'expérience à citer : elle vaut mille argumentsThe experiment to cite: worth a thousand arguments
3. Why are medical image databases dominated by lighter skin tones?
La cause historique, réutilisable dans tout essai sur les inégalitésThe historical cause, reusable in any essay on inequality
Talking pointTalking point
“Would you trust an app to tell you whether a mole is dangerous? And should such an app be allowed on the market before it works equally well for everyone?”
Majorant
Progressez en prépa avec un tuteur d'élite
Stages intensifs, cours particuliers et méthode Majorant : nos tuteurs de Polytechnique, CentraleSupélec et Mines Paris vous aident à prendre l'avance sur votre classe.
Découvrir nos stages intensifs →Cours particuliers ciblés : Cours particuliers prépa scientifique
Reçois The Daily Brief chaque soirGet The Daily Brief every evening
Un article de presse anglophone, décrypté et prêt pour ta colle. Gratuit, chaque soir de la semaine, dans ta boîte mail.One anglophone press article, decoded and ready for your oral. Free, every weekday evening, in your inbox.
Gratuit · désabonnement en un clic · aucune pubFree · one-click unsubscribe · no ads
Majorant
Un oral d’anglais se prépare avec quelqu’un en faceAn English oral is prepared with someone in front of you
Professeurs de prépa et de lycée, en visio ou à domicile. Le premier cours est offert : 1 h en visio ou à domicile, sans engagement ni carte bancaire — une par famille.Teachers from prépa and lycée, online or at home. First lesson free: 1 h, no commitment, one per family.
Réserver mon cours offertBook my free lesson →Une question ? A question? 01 89 72 47 79 · stages intensifsintensive courses
Source : Mohamed Akrout, University of Tennessee, The Conversation, 3 septembre 2026. Les passages en anglais sont des extraits cités au titre du droit de citation ; l’analyse, la traduction, le vocabulaire et la trame de colle sont un traitement original Majorant.
Source: Mohamed Akrout, University of Tennessee, The Conversation, 3 septembre 2026. English passages are short excerpts quoted under fair-quotation rights; the analysis, translation, vocabulary and oral outline are an original Majorant treatment.
→ Lire l’article originalRead the original articleÉditions précédentesPast editions
Chaque édition reste lisible : le vocabulaire et les trames de colle se relisent avant un oral.Every issue stays available: the vocabulary and oral outlines are worth rereading before a test.
Aux États-Unis, la surveillance des plaques unit gauche et droite contre les camérasIn the US, licence-plate surveillance is bringing left and right together
Les caméras de lecture automatique des plaques se multiplient aux États-Unis. Mais leur capacité à suivre les déplacements — et les abus documentés — font émerger une coalition politique rare autour d'une question simple : qui doit pouvoir nous regarder ?Automated licence-plate readers are spreading across the United States. Yet their ability to track movement — and documented abuses — is producing a rare political coalition around a simple question: who should be allowed to watch us?
Lire l’éditionRead the issueVingt-cinq ans après le 11-Septembre : ce que les catastrophes révèlent de notre capacité à nous relier25 years after 9/11: what disasters reveal about our ability to reconnect
Le jour du vingt-cinquième anniversaire, une chercheuse en travail social oppose deux visages des catastrophes : la « communauté corrosive » qui se délite, et la solidarité qui surgit. Avec des données — dont une baisse durable des divorces à New York après 2001.On the twenty-fifth anniversary itself, a social work researcher sets out two faces of disaster: the “corrosive community” that unravels, and the solidarity that surges. With data — including a lasting fall in divorces in New York after 2001.
Lire l’éditionRead the issueTapisserie de Bayeux : Mathilde de Flandre, la femme sans qui la conquête n'aurait pas eu lieuThe Bayeux tapestry: Matilda of Flanders, the woman without whom the conquest would not have happened
Trois femmes seulement figurent sur la tapisserie — et pas celle qui a offert à Guillaume le navire de son invasion. Une historienne relit 1066 par ce qui manque à l'image. Civilisation britannique, histoire des femmes, lecture d'une source : tout y est.Only three women appear on the tapestry — and not the one who gave William the ship of his invasion. A historian rereads 1066 through what the image leaves out. British civilisation, women's history, reading a source: it is all there.
Lire l’éditionRead the issueComment les algorithmes rendent nos décors fadesHow algorithms are making our environments bland
La couleur Pantone de l'année 2026 est un blanc. Une juriste y voit le symptôme d'un monde où la recommandation automatique uniformise tout, de nos playlists à nos quartiers. Un sujet de culture générale taillé pour les littéraires — et pour tous.The Pantone colour of the year 2026 is a white. A legal scholar reads it as the symptom of a world where automated recommendation flattens everything, from our playlists to our neighbourhoods. A general-culture topic made for humanities students — and for everyone.
Lire l’éditionRead the issueL'avion est extraordinairement sûr — alors pourquoi n'en avons-nous pas le sentiment ?Flying is extraordinarily safe — so why doesn't it feel that way?
Un mathématicien et un spécialiste des facteurs humains chiffrent l'écart : 626 fois plus de risque en voiture qu'en avion, à distance égale. Et montrent qu'après le 11-Septembre, la peur de voler a tué sur la route. Statistiques, biais cognitifs, éthique de l'information : un sujet en or.A mathematician and a human-factors specialist put numbers on the gap: 626 times more risk in a car than on a plane, for the same distance. And they show that after 9/11, fear of flying killed on the roads. Statistics, cognitive bias, media ethics: a gift of a topic.
Lire l’éditionRead the issuePourquoi la dette publique affole le marché obligataireWhy the rise in government debt is freaking out the bond market
Un économiste explique en termes simples pourquoi les taux longs grimpent partout, et pourquoi aucune banque centrale ne peut y grand-chose. Le mécanisme offre-demande sur les obligations : un incontournable pour l'ECG, et un sujet d'actualité pour tous.An economist explains in plain terms why long-term rates are climbing everywhere, and why no central bank can do much about it. Supply and demand on bonds: essential for business-school students, and current affairs for everyone.
Lire l’éditionRead the issueDes armes qui choisissent seules leur cible : deux chercheuses réclament des règles contraignantesWeapons that pick their own targets: two researchers call for binding rules
Un drone russe a choisi seul son point d'impact en Ukraine. À Genève, les États négocient. Une question morale limpide — peut-on déléguer à une machine la décision de tuer ? — et un vocabulaire du droit international à recaser partout.A Russian drone picked its own point of impact in Ukraine. In Geneva, states are negotiating. A clean moral question — can the decision to kill be delegated to a machine? — and a vocabulary of international law you can reuse anywhere.
Lire l’éditionRead the issueL'Australie veut juger nos données à l'aune du « juste et raisonnable »Australia wants to judge our data by what is “fair and reasonable”
Canberra propose un test inédit au monde : même si vous avez coché la case, la collecte de vos données doit rester « juste et raisonnable ». Une façon de renverser la charge de la vie privée — et un sujet de colle qui parle à toutes les filières.Canberra is proposing a world-first test: even if you ticked the box, collecting your data must still be “fair and reasonable”. A way of shifting the burden of privacy — and an oral topic that works for every filière.
Lire l’éditionRead the issueLa semaine de 4 jours : lubie ou avenir du travail ?The four-day week: a fad, or the future of work?
81 % des salariés la réclament, les patrons résistent, et l'IA rebat les cartes. Ce que la recherche montre vraiment en 2026 — un débat société-économie idéal pour une colle.81% of workers want it, bosses resist, and AI is reshuffling the deck. What the research actually shows in 2026 — a perfect society-and-economy oral.
Lire l’éditionRead the issueCanicule : pourquoi la chaleur éteint les centrales… mais dope le solaireHeatwaves: why extreme heat shuts power plants down — and lifts solar up
Été 2026 : la canicule a forcé l'arrêt de réacteurs nucléaires en France et fait flamber les prix de l'électricité. Un cas d'école sur l'adaptation au changement climatique.Summer 2026: the heatwave forced French nuclear reactors offline and sent power prices soaring. A textbook case on adapting to climate change.
Lire l’éditionRead the issueL'intelligence artificielle sauvera-t-elle l'école ? Une historienne répond : non.Will AI save the school? A historian says no.
Dans TIME, l'historienne de l'éducation Sonia Murrow démonte l'idée que l'IA puisse, à elle seule, réparer l'école américaine. Un débat de civilisation parfait pour une colle.In TIME, education historian Sonia Murrow dismantles the idea that AI, on its own, can fix America's schools. A civilisation debate tailor-made for an oral.
Lire l’éditionRead the issue