// ========================================
// VALIDATEUR ANTI-DÉTECTION IA
// Détection des patterns typiques d'IA et évaluation de naturalité
// ========================================

// Import du LLMManager pour validation IA
let LLMManager;
try {
  const llmModule = require('../../lib/LLMManager');
  if (llmModule && typeof llmModule.callLLM === 'function') {
    LLMManager = llmModule;
  }
} catch (error) {
  console.warn('LLMManager non disponible pour AntiDetectionValidator:', error.message);
}

/**
 * Validateur spécialisé dans la détection d'empreintes IA
 * Score de naturalité et détection de patterns suspects
 */
class AntiDetectionValidator {
  
  // Base de données des empreintes IA suspectes
  static AI_FINGERPRINTS = {
    // Mots/expressions typiquement IA (niveau critique)
    critical: {
      english: [
        'comprehensive', 'robust', 'seamless', 'innovative', 'cutting-edge',
        'state-of-the-art', 'furthermore', 'moreover', 'in conclusion',
        'it is important to note', 'it\'s worth noting', 'additionally'
      ],
      french: [
        'complet et exhaustif', 'robuste et fiable', 'innovant et révolutionnaire',
        'de pointe', 'il est important de souligner', 'il convient de noter',
        'en outre', 'par ailleurs', 'en définitive', 'en fin de compte'
      ]
    },
    
    // Patterns de structure suspects (niveau élevé)  
    high: {
      patterns: [
        /^(Premièrement|Deuxièmement|Troisièmement).+(Deuxièmement|Troisièmement|Enfin)/s,
        /En conclusion.+(il est|nous pouvons|il convient)/i,
        /(Il est important|Il faut souligner|Il convient de noter).+(que|de)/gi,
        /^\d+\.\s.+\n\d+\.\s.+\n\d+\.\s/m // Listes numérotées systématiques
      ],
      phrases: [
        'permet de', 'contribue à', 'favorise le développement',
        'optimise les performances', 'améliore significativement'
      ]
    },
    
    // Indicateurs moyens (niveau modéré)
    moderate: {
      overused: [
        'cependant', 'néanmoins', 'toutefois', 'ainsi', 'donc',
        'par conséquent', 'en effet', 'effectivement', 'naturellement'
      ],
      formal: [
        'il s\'avère que', 'force est de constater', 'il ressort que',
        'on peut considérer', 'il est possible de'
      ]
    }
  };
  
  // Patterns de transitions trop parfaites
  static PERFECT_TRANSITIONS = [
    /\.\s+(Cependant|Néanmoins|Toutefois|Par ailleurs),/g,
    /\.\s+(En outre|De plus|Par ailleurs),/g,
    /\.\s+(Ainsi|Donc|Par conséquent),/g,
    /\.\s+(En effet|Effectivement|Naturellement),/g
  ];
  
  // Structures de phrases trop régulières
  static REGULAR_PATTERNS = [
    /^[A-Z][^.]{50,80}\./gm, // Phrases de longueur trop uniforme
    /^[A-Z][^.]+, [^.]+, [^.]+\./gm, // Structure triple répétitive
  ];
  
  /**
   * 🚫 VALIDATION ANTI-DÉTECTION PRINCIPALE - ORCHESTRATEUR GLOBAL
   * 
   * CE QUI EST TESTÉ :
   * ✅ Analyse statique 4 métriques : empreintes IA, variabilité, naturalité, erreurs humaines
   * ✅ Score pondéré : empreintes(30%) + variabilité(25%) + naturalité(25%) + erreurs(20%)
   * ✅ Classification risque détection (LOW/MODERATE/HIGH/CRITICAL)
   * ✅ Validation LLM complémentaire optionnelle (fusion 70% statique + 30% IA)
   * 
   * ALGORITHMES EXÉCUTÉS :
   * - 4 analyses parallèles : patterns suspects, diversité syntaxique, markers humains
   * - Protection NaN avec fallback scores à 50
   * - Pondération sophistiquée privilégiant détection patterns critiques
   * - Fusion intelligente avec validation IA si disponible
   */
  static async validateAntiDetection(content, options = {}) {
    // Analyse statique (patterns)
    const staticAnalysis = {
      fingerprintScore: this.analyzeFingerprintScore(content),
      variabilityScore: this.analyzeVariabilityScore(content),
      naturalness: this.analyzeNaturalness(content),
      humanErrors: this.detectHumanLikeErrors(content),
      overallScore: 0,
      details: {}
    };
    
    // Calcul score global pondéré avec vérification NaN
    const fp = isNaN(staticAnalysis.fingerprintScore?.score) ? 50 : staticAnalysis.fingerprintScore.score;
    const vs = isNaN(staticAnalysis.variabilityScore) ? 50 : staticAnalysis.variabilityScore;
    const nat = isNaN(staticAnalysis.naturalness) ? 50 : staticAnalysis.naturalness;
    const he = isNaN(staticAnalysis.humanErrors) ? 50 : staticAnalysis.humanErrors;
    
    staticAnalysis.overallScore = Math.round(
      fp * 0.3 + vs * 0.25 + nat * 0.25 + he * 0.2
    );
    
    // Classification du niveau de détection
    staticAnalysis.detectionRisk = this.calculateDetectionRisk(staticAnalysis.overallScore);
    
    // Validation IA complémentaire (si LLM disponible)
    let aiAnalysis = null;
    if (LLMManager && options.enableLLM !== false) {
      try {
        aiAnalysis = await this.validateWithLLM(content);
        
        // Fusion des scores (moyenne pondérée)
        const combinedScore = Math.round(staticAnalysis.overallScore * 0.7 + aiAnalysis.score * 0.3);
        
        return {
          ...staticAnalysis,
          overallScore: combinedScore,
          aiAnalysis: aiAnalysis,
          detectionRisk: this.calculateDetectionRisk(combinedScore)
        };
        
      } catch (error) {
        console.warn('Erreur validation LLM anti-détection:', error.message);
      }
    }
    
    return staticAnalysis;
  }
  
  /**
   * 🤖 VALIDATION LLM QUALITATIVE - ANALYSE IA vs HUMAIN
   * 
   * CE QUI EST TESTÉ :
   * ✅ Appel OpenAI pour détection qualitative empreintes IA
   * ✅ Évaluation 4 critères : empreintes, variabilité, naturalité, fluidité
   * ✅ Score probabilité humain (0=clairement IA, 100=clairement humain)
   * 
   * ALGORITHMES EXÉCUTÉS :
   * - Prompt spécialisé détection IA avec exemples concrets
   * - Demande JSON : score, likelihood, fingerprints détectées, feedback
   * - Parse robuste avec extraction regex JSON
   * - Clamp score [0,100] et confidence [0,1]
   */
  static async validateWithLLM(content) {
    const prompt = `
MISSION: Analyse si ce texte a été généré par une IA ou écrit par un humain.

TEXTE À ANALYSER:
---
${content.substring(0, 1500)}${content.length > 1500 ? '...[TRONQUÉ]' : ''}
---

CRITÈRES D'ANALYSE:
1. EMPREINTES IA: Expressions typiques ("comprehensive", "robuste", "il convient de noter", transitions parfaites)
2. VARIABILITÉ: Longueur des phrases, structures variées, vocabulaire diversifié
3. NATURALITÉ: Hésitations, nuances, imperfections subtiles, ton spontané
4. FLUIDITÉ: Transitions naturelles vs mécaniques

RÉPONSE JSON STRICTE:
{
  "score": 85,
  "humanLikelihood": "high",
  "aiFingerprints": ["expressions trouvées"],
  "naturalElements": ["éléments humains détectés"],
  "feedback": "Analyse détaillée en 2-3 phrases",
  "confidence": 0.8
}

SCORE: 0-100 (0=clairement IA, 100=clairement humain)`;

    const response = await LLMManager.callLLM('openai', prompt, {
      temperature: 0.1,
      max_tokens: 500
    });
    
    try {
      // Parse JSON de la réponse
      let jsonStr = response.trim();
      const jsonMatch = jsonStr.match(/\{[\s\S]*\}/);
      if (jsonMatch) {
        jsonStr = jsonMatch[0];
      }
      
      const parsed = JSON.parse(jsonStr);
      
      return {
        score: Math.max(0, Math.min(100, parsed.score || 50)),
        likelihood: parsed.humanLikelihood || 'medium',
        fingerprints: parsed.aiFingerprints || [],
        naturalElements: parsed.naturalElements || [],
        feedback: parsed.feedback || 'Analyse non disponible',
        confidence: Math.max(0, Math.min(1, parsed.confidence || 0.5)),
        source: 'llm'
      };
      
    } catch (error) {
      console.warn('Erreur parsing réponse LLM anti-détection:', error.message);
      return {
        score: 50,
        feedback: `Erreur parsing: ${error.message}`,
        confidence: 0.1,
        source: 'fallback'
      };
    }
  }
  
  /**
   * 🕵️ ANALYSE EMPREINTES IA - DÉTECTEUR PATTERNS SUSPECTS
   * 
   * CE QUI EST TESTÉ :
   * ✅ Détection expressions critiques anglais/français (comprehensive, robuste, etc.)
   * ✅ Patterns structurels suspects (listes numérotées, transitions parfaites)
   * ✅ Suremploi mots de liaison formels (cependant, néanmoins, etc.)
   * 
   * ALGORITHMES EXÉCUTÉS :
   * - Score base = 100, décrément par occurrence suspecte
   * - Critique : -15pts par occurrence ("comprehensive", "il convient de noter")
   * - High patterns : -10pts par regex match (enumérations systématiques)
   * - Modéré : -5pts par suremploi connecteur (>2 occurrences)
   * - Return score + détail complet par catégorie
   */
  static analyzeFingerprintScore(content) {
    let score = 100;
    const details = {
      critical: [],
      high: [],
      moderate: []
    };
    
    const lowerContent = content.toLowerCase();
    
    // Vérification empreintes critiques
    this.AI_FINGERPRINTS.critical.english.forEach(phrase => {
      const count = (lowerContent.match(new RegExp(phrase.toLowerCase(), 'g')) || []).length;
      if (count > 0) {
        score -= count * 15; // -15 points par occurrence critique
        details.critical.push({ phrase, count });
      }
    });
    
    this.AI_FINGERPRINTS.critical.french.forEach(phrase => {
      const count = (lowerContent.match(new RegExp(phrase.toLowerCase(), 'g')) || []).length;
      if (count > 0) {
        score -= count * 15;
        details.critical.push({ phrase, count });
      }
    });
    
    // Vérification patterns suspects
    this.AI_FINGERPRINTS.high.patterns.forEach(pattern => {
      const matches = content.match(pattern);
      if (matches) {
        score -= matches.length * 10; // -10 points par pattern
        details.high.push({ pattern: pattern.toString(), matches: matches.length });
      }
    });
    
    // Vérification phrases surutilisées
    this.AI_FINGERPRINTS.moderate.overused.forEach(phrase => {
      const count = (lowerContent.split(phrase.toLowerCase()).length - 1);
      if (count > 2) { // Plus de 2 occurrences = suspect
        score -= (count - 2) * 5;
        details.moderate.push({ phrase, count });
      }
    });
    
    return {
      score: Math.max(0, score),
      details: details
    };
  }
  
  /**
   * 🌈 ANALYSE VARIABILITÉ LINGUISTIQUE - MESURE DIVERSITÉ SYNTAXIQUE
   * 
   * CE QUI EST TESTÉ :
   * ✅ Variabilité longueur phrases (coefficient de variation statistique)
   * ✅ Diversité débuts de phrases (ratio mots uniques / total)
   * ✅ Variété ponctuation (nombre types différents utilisés)
   * ✅ Pénalité transitions trop parfaites ("Cependant,", "Par ailleurs,")
   * 
   * ALGORITHMES EXÉCUTÉS :
   * - Coefficient variation longueurs = σ/μ (max 30pts)
   * - Diversité starters = Set(premiers10chars).size / total (40pts)
   * - Ponctuation = count(['.', ',', ';', ':', '!', '?', '...', '—']) (10pts)
   * - Pénalité = -5pts par transition parfaite détectée
   */
  static analyzeVariabilityScore(content) {
    const sentences = this.getSentences(content);
    
    if (sentences.length < 3) return 50;
    
    // Variabilité longueur des phrases
    const lengths = sentences.map(s => s.trim().length);
    const lengthVariation = this.calculateCoeffVariation(lengths);
    
    // Variabilité structure (début de phrase)
    const starters = sentences.map(s => s.trim().substring(0, 10).toLowerCase());
    const uniqueStarters = new Set(starters).size;
    const starterVariation = uniqueStarters / sentences.length;
    
    // Variabilité ponctuation
    const punctuationTypes = this.analyzePunctuationVariety(content);
    
    // Score combiné
    let variabilityScore = 0;
    variabilityScore += Math.min(lengthVariation * 30, 30);
    variabilityScore += starterVariation * 40;
    variabilityScore += punctuationTypes * 10;
    
    // Pénalité pour transitions trop parfaites
    const perfectTransitions = this.countPerfectTransitions(content);
    variabilityScore -= perfectTransitions * 5;
    
    return Math.max(0, Math.min(100, Math.round(variabilityScore)));
  }
  
  /**
   * 🌱 ANALYSE NATURALITÉ - DÉTECTEUR MARKERS HUMAINS
   * 
   * CE QUI EST TESTÉ :
   * ✅ Détection hésitations humaines ("peut-être", "j'ai l'impression")
   * ✅ Expressions familiales ("du coup", "en fait", "franchement")
   * ✅ Variété connecteurs évitant répétition mécanique
   * ✅ Parenthèses/commentaires spontanés (marques d'oralité)
   * 
   * ALGORITHMES EXÉCUTÉS :
   * - Score base = 50, bonus par marker détecté
   * - Hésitations : +8pts par marker (7 patterns surveillés)
   * - Familiarité : +5pts par expression (7 expressions)
   * - Connecteur variety : +25pts max selon diversité
   * - Parenthèses/tirets : +3pts chacune (max 15pts)
   */
  static analyzeNaturalness(content) {
    let naturalness = 50; // Score de base
    
    // Présence d'hésitations ou nuances humaines
    const hesitationMarkers = [
      'peut-être', 'probablement', 'il semble que', 'on dirait que',
      'j\'ai l\'impression', 'si je ne me trompe', 'en quelque sorte'
    ];
    
    hesitationMarkers.forEach(marker => {
      if (content.toLowerCase().includes(marker)) {
        naturalness += 8;
      }
    });
    
    // Présence d'expressions familières
    const colloquialisms = [
      'du coup', 'en fait', 'franchement', 'carrément',
      'pas mal de', 'un tas de', 'histoire de'
    ];
    
    colloquialisms.forEach(expr => {
      if (content.toLowerCase().includes(expr)) {
        naturalness += 5;
      }
    });
    
    // Variation dans les connecteurs (évite la répétition)
    const connectorVariety = this.analyzeConnectorVariety(content);
    naturalness += connectorVariety;
    
    // Présence de parenthèses ou commentaires entre tirets
    const asides = (content.match(/\([^)]+\)/g) || []).length +
                   (content.match(/—[^—]+—/g) || []).length;
    naturalness += Math.min(asides * 3, 15);
    
    return Math.max(0, Math.min(100, Math.round(naturalness)));
  }
  
  /**
   * ✨ DÉTECTION IMPERFECTIONS HUMAINES POSITIVES - BONUS NATURALITÉ
   * 
   * CE QUI EST TESTÉ :
   * ✅ Phrases incomplètes (...) comme marque spontanéité
   * ✅ Questions rhétoriques (engagement naturel)
   * ✅ Exclamations modérées (enthousiasme sans exagération)
   * ✅ Répétitions légères positives (2-3x = humain, >3x = suspect)
   * ✅ Irrégularité longueurs phrases (variation naturelle)
   * 
   * ALGORITHMES EXÉCUTÉS :
   * - Score base = 20, bonus par élément naturel
   * - Points suspension : +10pts chacun (max 30pts)
   * - Questions : +8pts chacune (max 25pts)
   * - Exclamations : +5pts si 1-4, 0pts si >5
   * - Répétitions : +3pts si 2x, +2pts si 3x, -2pts si >3x
   * - Irrégularité : +20pts si coeff 0.2-0.5, +10pts si >0.1
   */
  static detectHumanLikeErrors(content) {
    let humanScore = 20; // Score de base faible
    
    // Phrases incomplètes (positif pour naturalité)
    const incompleteMarkers = content.match(/\.\.\./g) || [];
    humanScore += Math.min(incompleteMarkers.length * 10, 30);
    
    // Questions rhétoriques
    const questions = (content.match(/\?/g) || []).length;
    humanScore += Math.min(questions * 8, 25);
    
    // Exclamations (modération)
    const exclamations = (content.match(/!/g) || []).length;
    if (exclamations > 0 && exclamations < 5) {
      humanScore += exclamations * 5;
    }
    
    // Répétitions légères (positives si modérées)
    const repetitionScore = this.analyzePositiveRepetition(content);
    humanScore += repetitionScore;
    
    // Longueurs de phrases irrégulières (bon signe)
    const sentences = this.getSentences(content);
    const lengthIrregularity = this.calculateLengthIrregularity(sentences);
    humanScore += lengthIrregularity;
    
    return Math.max(0, Math.min(100, Math.round(humanScore)));
  }
  
  /**
   * ⚠️ CALCUL RISQUE DÉTECTION - CLASSIFICATEUR NIVEAUX ALERTE
   * 
   * CE QUI EST TESTÉ :
   * ✅ Classification score global en 4 niveaux risque
   * ✅ Seuils optimisés selon tests empiriques détection IA
   * ✅ Retour niveau + texte explicatif pour UI
   * 
   * ALGORITHME EXÉCUTÉ :
   * - Seuils : ≥85=LOW, ≥70=MODERATE, ≥50=HIGH, <50=CRITICAL
   * - Return {level, text} pour affichage utilisateur
   * - LOW = "Risque faible" (contenu très humain)
   * - CRITICAL = "Risque critique" (clairement IA)
   */
  static calculateDetectionRisk(overallScore) {
    if (overallScore >= 85) return { level: 'LOW', text: 'Risque faible' };
    if (overallScore >= 70) return { level: 'MODERATE', text: 'Risque modéré' };
    if (overallScore >= 50) return { level: 'HIGH', text: 'Risque élevé' };
    return { level: 'CRITICAL', text: 'Risque critique' };
  }
  
  /**
   * 🔢 UTILITAIRE EXTRACTION PHRASES - PARSER TEXTUEL
   * 
   * CE QUI EST TESTÉ :
   * ✅ Split sur ponctuations finales [.!?] avec filtre longueur
   * ✅ Filtrage phrases trop courtes (<10 chars) pour éviter artef acts
   * ✅ Extraction propre pour calculs statistiques
   * 
   * ALGORITHME EXÉCUTÉ :
   * - Split regex : /[.!?]+/ pour gérer ponctuations multiples
   * - Filter : s => s.trim().length > 10 pour phrases significatives
   * - Usage dans variabilité et calculs statistiques
   */
  static getSentences(content) {
    return content.split(/[.!?]+/).filter(s => s.trim().length > 10);
  }
  
  /**
   * 📊 COEFFICIENT VARIATION - MESURE STATISTIQUE DISPERSION
   * 
   * CE QUI EST TESTÉ :
   * ✅ Calcul coefficient variation CV = σ/μ (dispersion relative)
   * ✅ Mesure homogénéité vs diversité des longueurs
   * ✅ Protection division par zéro avec vérification mean > 0
   * 
   * ALGORITHMES EXÉCUTÉS :
   * - Moyenne : μ = Σ(numbers) / length
   * - Variance : σ² = Σ((n-μ)²) / length
   * - Écart-type : σ = sqrt(σ²)
   * - Coefficient : CV = σ/μ (0=uniforme, >0=varié)
   */
  static calculateCoeffVariation(numbers) {
    if (numbers.length < 2) return 0;
    
    const mean = numbers.reduce((a, b) => a + b) / numbers.length;
    const variance = numbers.reduce((sum, n) => sum + Math.pow(n - mean, 2), 0) / numbers.length;
    const stdDev = Math.sqrt(variance);
    
    return mean > 0 ? stdDev / mean : 0;
  }
  
  /**
   * 📋 ANALYSE VARIÉTÉ PONCTUATION - COMPTEUR DIVERSITÉ
   * 
   * CE QUI EST TESTÉ :
   * ✅ Détection 8 types ponctuation : . , ; : ! ? ... —
   * ✅ Comptage nombre types utilisés (richesse expression)
   * ✅ Indicateur sophistication rédactionnelle
   * 
   * ALGORITHME EXÉCUTÉ :
   * - Liste types = ['.', ',', ';', ':', '!', '?', '...', '—']
   * - Filter : types présents dans content avec .includes()
   * - Return count (0-8) pour score variabilité
   */
  static analyzePunctuationVariety(content) {
    const punctTypes = ['.', ',', ';', ':', '!', '?', '...', '—'].filter(p => 
      content.includes(p)
    );
    return punctTypes.length;
  }
  
  /**
   * 🎯 COMPTAGE TRANSITIONS PARFAITES - DÉTECTEUR MÉCANISME IA
   * 
   * CE QUI EST TESTÉ :
   * ✅ Détection patterns transitions trop formelles/mécaniques
   * ✅ 4 regex PERFECT_TRANSITIONS : "Cependant,", "En outre,", "Ainsi,", "En effet,"
   * ✅ Comptage occurrences suspectes pour pénalité variabilité
   * 
   * ALGORITHME EXÉCUTÉ :
   * - Boucle sur PERFECT_TRANSITIONS regex patterns
   * - Match count += pattern.match(content).length pour chaque
   * - Return total pour pénalité -5pts par transition parfaite
   */
  static countPerfectTransitions(content) {
    let count = 0;
    this.PERFECT_TRANSITIONS.forEach(pattern => {
      const matches = content.match(pattern);
      if (matches) count += matches.length;
    });
    return count;
  }
  
  /**
   * 🔗 ANALYSE VARIÉTÉ CONNECTEURS - MESURE DIVERSITÉ LIAISON
   * 
   * CE QUI EST TESTÉ :
   * ✅ Détection 10 connecteurs logiques variés
   * ✅ Comptage nombre types utilisés (vs répétition mécanique)
   * ✅ Bonus naturalité selon richesse connecteurs
   * 
   * ALGORITHME EXÉCUTÉ :
   * - Liste = ['mais', 'cependant', 'toutefois', ...] (10 connecteurs)
   * - Filter : connecteurs présents avec .toLowerCase().includes()
   * - Score = used.length * 5 (max 25pts) pour diversité
   */
  static analyzeConnectorVariety(content) {
    const connectors = [
      'mais', 'cependant', 'toutefois', 'néanmoins', 'ainsi', 'donc',
      'par conséquent', 'en effet', 'par ailleurs', 'en outre'
    ];
    
    const used = connectors.filter(c => content.toLowerCase().includes(c));
    return Math.min(used.length * 5, 25); // Max 25 points
  }
  
  /**
   * ♾️ ANALYSE RÉPÉTITIONS POSITIVES - DÉTECTEUR NATURALITÉ MODÉRÉE
   * 
   * CE QUI EST TESTÉ :
   * ✅ Comptage répétitions mots significatifs (longueur>5)
   * ✅ Scoring positif pour répétitions modérées humaines (2-3x)
   * ✅ Pénalité répétitions excessives (>3x = suspect IA)
   * 
   * ALGORITHMES EXÉCUTÉS :
   * - Filter mots : word.length > 5 pour significatifs
   * - Map fréquences : repetitions[word] = count
   * - Scoring : 2x=+3pts, 3x=+2pts, >3x=-2pts
   * - Clamp [0,15] pour éviter scores excessifs
   */
  static analyzePositiveRepetition(content) {
    const words = content.toLowerCase().split(/\s+/);
    const importantWords = words.filter(w => w.length > 5);
    
    const repetitions = {};
    importantWords.forEach(word => {
      repetitions[word] = (repetitions[word] || 0) + 1;
    });
    
    // Répétitions modérées = humain (2-3 fois max)
    let positiveReps = 0;
    Object.values(repetitions).forEach(count => {
      if (count === 2) positiveReps += 3;
      if (count === 3) positiveReps += 2;
      if (count > 3) positiveReps -= 2; // Pénalité excessive
    });
    
    return Math.max(0, Math.min(positiveReps, 15));
  }
  
  /**
   * 📏 CALCUL IRRÉGULARITÉ LONGUEURS - BONUS VARIATION NATURELLE
   * 
   * CE QUI EST TESTÉ :
   * ✅ Mesure irrégularité longueurs phrases (signe humanité)
   * ✅ Optimum à coefficient 0.2-0.5 (variation naturelle)
   * ✅ Bonus pour éviter uniformité suspecte IA
   * 
   * ALGORITHME EXÉCUTÉ :
   * - Calcul coefficient variation longueurs phrases
   * - If [0.2,0.5] = +20pts (variation idéale humaine)
   * - If >0.1 = +10pts (variation acceptable)
   * - Else = 0pts (trop uniforme = suspect)
   */
  static calculateLengthIrregularity(sentences) {
    if (sentences.length < 3) return 0;
    
    const lengths = sentences.map(s => s.trim().length);
    const coeffVar = this.calculateCoeffVariation(lengths);
    
    // Irrégularité modérée = bon signe humain
    if (coeffVar >= 0.2 && coeffVar <= 0.5) {
      return 20;
    } else if (coeffVar > 0.1) {
      return 10;
    }
    return 0;
  }
  
  /**
   * 📋 RAPPORT DÉTAILLÉ DEBUG - DIAGNOSTIC COMPLET
   * 
   * CE QUI EST TESTÉ :
   * ✅ Exécution validation complète + structuration résultats
   * ✅ Breakdown détaillé par métrique pour debugging
   * ✅ Génération recommandations amélioration automatiques
   * 
   * ALGORITHME EXÉCUTÉ :
   * - Appel validateAntiDetection() pour scores complets
   * - Structuration : score global + risque + breakdown 4 métriques
   * - Génération recommandations selon seuils faibles
   * - Timestamp pour traçabilité
   */
  static generateDetailedReport(content) {
    const validation = this.validateAntiDetection(content);
    
    return {
      score: validation.overallScore,
      risk: validation.detectionRisk,
      breakdown: {
        fingerprints: validation.fingerprintScore,
        variability: validation.variabilityScore, 
        naturalness: validation.naturalness,
        humanErrors: validation.humanErrors
      },
      recommendations: this.generateRecommendations(validation),
      timestamp: new Date().toISOString()
    };
  }
  
  /**
   * 💡 GÉNÉRATION RECOMMANDATIONS - CONSEILS AMÉLIORATION AUTO
   * 
   * CE QUI EST TESTÉ :
   * ✅ Analyse scores faibles (<60-70) pour cibler défauts
   * ✅ Recommandations spécifiques par métrique défaillante
   * ✅ Conseils actionables pour réduction risque détection
   * 
   * ALGORITHMES EXÉCUTÉS :
   * - If fingerprints<70 = "Réduire expressions IA"
   * - If variability<60 = "Augmenter diversité syntaxique"
   * - If naturalness<60 = "Ajouter nuances humaines"
   * - If humanErrors<40 = "Introduire imperfections subtiles"
   * - Return array recommandations pour UI
   */
  static generateRecommendations(validation) {
    const recommendations = [];
    
    if (validation.fingerprintScore.score < 70) {
      recommendations.push('Réduire les expressions typiquement IA identifiées');
    }
    
    if (validation.variabilityScore < 60) {
      recommendations.push('Augmenter la variabilité des structures de phrases');
    }
    
    if (validation.naturalness < 60) {
      recommendations.push('Ajouter des nuances et hésitations humaines');
    }
    
    if (validation.humanErrors < 40) {
      recommendations.push('Introduire des imperfections subtiles pour plus de naturalité');
    }
    
    return recommendations;
  }
}

module.exports = { AntiDetectionValidator };