ווי טאָן פּלאַגיאַט טשעקקערס דעטעקט פּאַראַפראַסינג?

פּלאַגיאַט ינוואַלווז נעמען קרעדיט פֿאַר עמעצער אַנדערש ס געדאנקען, ווערטער אָדער בילדער, אַ פיר באַטראַכט אַנעטיקאַל אין אַקאַדעמיק און פאַכמאַן ינווייראַנמאַנץ. עס קען גיין אַננאָוטיסט דורך סטודענטן וואָס קען אַקסאַדענאַלי ריפראַסע עמעצער אַנדערש ס ווערטער אָן געהעריק אַטריביושאַן. זינט ציטאַט מאַרקס זענען נישט געניצט ווען עפּעס איז פּאַראַפראַסעד, עס קענען לייכט אַנטלויפן די אָנכאַפּן פון אַ קאָרעקטאָר און גיין אויף אין די לעצט פּלאַן. אָבער, עס איז נישט לעגאַמרע אַנכייוואַבאַל, ספּעציעל זינט פּלאַגיאַט טשעקקערס דעטעקט פּאַראַפראַסינג מער יפישאַנטלי נאַואַדייז.

דיטעקטינג פּאַראַפראַסינג קענען זיין אַ טשאַלאַנדזשינג אַרבעט, ווייַל עס ינוואַלווז ידענטיפיצירן סימאַלעראַטיז און דיפעראַנסיז צווישן טעקסטן. אין די סאַבסאַקוואַנט סעקשאַנז, מיר וועלן דעלוו אין אַ פולשטענדיק דיסקוסיע וועגן פּראָסט מעטהאָדס און טעקניקס געניצט צו דערקענען ינסטאַנסיז פון פּאַראַפראַסינג.

ווי טאָן פּלאַגיאַט טשעקקערס דעטעקט פּאַראַפראַסינג: פּאַסיק מעטהאָדס יקספּלאָרד

אין הייַנט ס בילדונגקרייז לאַנדשאַפט, פּלאַגיאַט טשעקקערס האָבן ווערן ינקריסינגלי אַוואַנסירטע, און גיין ווייַטער פון בלויז פלאַגינג קאַפּיד טעקסט צו אויך דיטעקטינג פּאַראַפראַסעד אינהאַלט. דער אַרטיקל יקספּלאָרז די מעטהאָדס וואָס לאָזן די מכשירים צו יפעקטיוולי ידענטיפיצירן פּאַראַפראַסינג.

1. שטריקל וואָס ריכטן

דעם אופֿן ינוואַלווז קאַמפּערינג טעקסץ אויף די כאַראַקטער אָדער וואָרט מדרגה צו פּונקט פּינטלעך שוועבעלעך. א הויך גראַד פון ענלעכקייט אין כאַראַקטער סיקוואַנסיז אָדער וואָרט ברירות צווישן צוויי טעקסטן קען סיגנאַל פּאַראַפראַסינג. די מכשירים נוצן קאָמפּלעקס אַלגערידאַמז וואָס קענען אפילו באַטראַכטן די קאָנטעקסטואַל טייַטש פון ווערטער, וואָס מאכט עס ינקריסינגלי שווער פֿאַר פּלאַגיאַרייזד, פּאַראַפראַסעד מאַטעריאַל צו זיין אַנדיטעקטיד.

2. קאָסינע ענלעכקייט

קאָסינע ענלעכקייט איז איינער פון די מעטהאָדס דורך וואָס פּלאַגיאַט טשעקקערס דעטעקט פּאַראַפראַסינג. עס מעסטן די ענלעכקייט צווישן צוויי טעקסטן באזירט אויף די ווינקל צווישן זייער וועקטאָר רעפּראַזאַנטיישאַנז אין אַ הויך-דימענשאַנאַל פּלאַץ. דורך רעפּריזענטינג טעקסץ ווי וועקטאָרס פון וואָרט פריקוואַנסיז אָדער עמבעדינגז, די מכשירים קענען רעכענען די קאָסינע ענלעכקייט כעזשבן צו ווייַטער ראַפינירן זייער פיייקייט צו דעטעקט פּאַראַפראַסעד אינהאַלט.

3. וואָרט אַליינמאַנט מאָדעלס

די מאָדעלס ייַנרייען ווערטער אָדער פראַסעס צווישן צוויי טעקסטן צו ידענטיפיצירן זייער קאָרעספּאָנדענץ. דורך קאַמפּערינג די אַליינד סעגמאַנץ, איר קענען דעטעקט פּאַראַפראַסינג באזירט אויף סימאַלעראַטיז און דיפעראַנסיז אין די מאַטשט סיקוואַנסיז.

4. סעמאַנטיק אַנאַליסיס

דעם צוגאַנג ינוואַלווז אַנאַלייזינג די טייַטש און קאָנטעקסט פון ווערטער און פראַסעס אין טעקסץ. טעקניקס ווי לייטאַנט סעמאַנטיק אַנאַליסיס (LSA), וואָרט עמבעדינגז (אַזאַ ווי Word2Vec אָדער GloVe), אָדער טיף לערנען מאָדעלס ווי BERT קענען כאַפּן סעמאַנטיק באַציונגען צווישן ווערטער און ידענטיפיצירן פּאַראַפראַסינג באזירט אויף די ענלעכקייט פון זייער סעמאַנטיק רעפּראַזאַנטיישאַנז.

5. מאַשין לערנען

סופּערווייזד מאַשין לערנען אַלגערידאַמז קענען זיין טריינד אויף לייבאַלד דאַטאַסעץ פון פּאַראַפראַסעד און ניט-פּעראַפראַסעד פּערז פון טעקסטן. די מאָדעלס קענען לערנען פּאַטערנז און פֿעיִקייטן וואָס ויסטיילן פּאַראַפראַסעס און קענען ווערן גענוצט צו קלאַסיפיצירן נייַע ינסטאַנסיז פון טעקסט ווי פּאַראַפראַסעד אָדער נישט.

6. ען-גראַם אַנאַליסיס

N-גראַם זענען גרופּעס פון ווערטער וואָס זענען רעכט לעבן יעדער אנדערער. ווען איר קאָנטראָלירן ווי אָפט די גרופּעס דערשייַנען אין פאַרשידענע טעקסטן און פאַרגלייַכן זיי, איר קענען געפֿינען ענלעך פראַסעס אָדער סיקוואַנסיז. אויב עס זענען פילע ענלעך פּאַטערנז, עס קען מיינען אַז דער טעקסט קען זיין פּאַראַפראַסעד.

7. לעבן דופּליקאַט דיטעקשאַן

די לעצטע וועג אַז פּלאַגיאַט טשעקקערס דעטעקט פּאַראַפראַסינג יפעקטיוולי.

כּמעט דופּליקאַט דיטעקשאַן אַלגערידאַמז זענען אָפט געניצט אין פּאַראַפראַסינג דיטעקשאַן צו פּונקט טעקסט סעגמאַנץ וואָס ווייַזן אַ הויך גראַד פון ענלעכקייט אָדער זענען כּמעט יידעניקאַל. די אַלגערידאַמז זענען ספּאַסיפיקלי קראַפטעד צו דערקענען פּאַראַפראַסעד אינהאַלט דורך די פאַרגלייַך פון טעקסט ענלעכקייט אויף אַ דיטיילד מדרגה.

וואָס אופֿן איז יוזשאַוואַלי געניצט דורך פּלאַגיאַט פאַרהיטונג ווייכווארג?

טעקנאַלאַדזשיקאַל סאַלושאַנז יוטאַלייזד דורך פאַכמאַן פּלאַגיאַט פאַרהיטונג באַדינונגס פאַרלאָזנ זיך טיפּיקלי אויף n-גראַם אַנאַליסיס. דורך לעווערידזשינג n-גראַם-באזירט טעכנאָלאָגיע, די סערוויסעס דערגרייכן אַ רימאַרקאַבלי הויך פּינטלעכקייַט קורס. דאָס איז איינער פון די בעסטער וועגן וואָס פּלאַגיאַט טשעקקערס דעטעקט פּאַראַפראַסינג, וואָס אַלאַוז די לעגיטימאַציע און כיילייטינג פּינטלעך ווערטער וואָס זענען ריריטאַן.

מאַקאַניקס פון ווי פּלאַגיאַט טשעקקערס דעטעקט פּאַראַפראַסינג

פּלאַגיאַט פאַרהיטונג באַדינונגס אָפט נוצן די פינגערפּרינטינג טעכניק צו פאַרגלייַכן דאָקומענטן. דאָס ינוואַלווז עקסטראַקט די נויטיק n-גראַם פון די דאָקומענטן צו זיין וועראַפייד און פאַרגלייַכן זיי מיט די n-גראַם פון אַלע דאָקומענטן אין זייער דאַטאַבייסיז.

בייַשפּיל

לאמיר זאגן אז עס איז דא א זאץ: « Le mont Olympe est la plus haute montagne de grèce. »

די n-גראַם (למשל 3 גראַמז) פון דעם זאַץ וועט זיין:

• די מאָנט אָלימפּע
• mont Olympe est
• Olympe est la
• איז די מערסט
• la plus haute
• פּלוס הוט מאָנטאַגנע
• Haute Montagne דע
• Montagne de Grece

פאַל 1. פאַרבייַט

אויב די וואָרט איז ריפּלייסט דורך די אנדערע וואָרט, נאָך עטלעכע פון ​​די n-גראַם גלייַכן און עס איז מעגלעך צו דעטעקט די וואָרט פאַרבייַט דורך ווייַטער אַנאַליסיס.

געענדערט זאַץ:  "דער בערג Olympe est la plus haute montagne de Péloponnèse. "

אָריגינעל 3-גראַם	3-גראַם פון געביטן טעקסט
די מאָנט אָלימפּע mont Olympe est Olympe est la איז די מערסט la plus haute פּלוס הוט מאָנטאַגנע Haute Montagne דע Montagne de Grece	Le בערג אָלימפּוס בערג Olympe est Olympe est la איז די מערסט la plus haute פּלוס הוט מאָנטאַגנע Haute Montagne דע Montagne de Péloponnèse

פאַל 2. טשיינדזשד די סדר פון ווערטער (אָדער זאצן, פּאַראַגראַפס)

ווען דער סדר פון דעם זאַץ איז פארענדערט, נאָך עטלעכע 3 גראַמז גלייַכן אַזוי עס איז מעגלעך צו דעטעקט די ענדערונג.

געענדערט זאַץ: « La plus haute montagne de grèce est le mont Olympe. »

אָריגינעל 3-גראַם	3-גראַם פון געביטן טעקסט
די מאָנט אָלימפּע mont Olympe est Olympe est la איז די מערסט la plus haute פּלוס הוט מאָנטאַגנע Haute Montagne דע Montagne de Grece	La plus haute פּלוס הוט מאָנטאַגנע Haute Montagne דע Montagne de Grece de Grèce est Grèce est Le est Le mont די מאָנט אָלימפּע

פאַל 3. צוגעגעבן נייַע ווערטער

ווען די נייַע ווערטער זענען צוגעגעבן, עס זענען נאָך עטלעכע 3 גראַמז וואָס גלייַכן אַזוי עס איז מעגלעך צו דעטעקט די ענדערונג.

געענדערט זאַץ: « Le mont Olympe est פֿון דער װײַטן la plus haute montagne de grece. »

אָריגינעל 3-גראַם	3-גראַם פון געביטן טעקסט
די מאָנט אָלימפּע mont Olympe est Olympe est la איז די מערסט la plus haute פּלוס הוט מאָנטאַגנע Haute Montagne דע Montagne de Grece	די מאָנט אָלימפּע mont Olympe est Olympe est de est de loin ווייט אוועק לוין לאַ פּלוס la plus haute פּלוס הוט מאָנטאַגנע Haute Montagne דע Montagne de Grece

פאַל 4. אויסגעמעקט עטלעכע ווערטער

ווען די וואָרט איז אַוועקגענומען, עס זענען נאָך עטלעכע 3-גראַם וואָס גלייַכן אַזוי עס איז מעגלעך צו דעטעקט די ענדערונג.

געענדערט זאַץ: « L'Olympe est la plus haute montagne de grèce. »

אָריגינעל 3-גראַם	3-גראַם פון געביטן טעקסט
די מאָנט אָלימפּע mont Olympe est Olympe est la איז די מערסט la plus haute פּלוס הוט מאָנטאַגנע Haute Montagne דע Montagne de Grece	L'Olympe est la איז די מערסט la plus haute פּלוס הוט מאָנטאַגנע Haute Montagne דע Montagne de Grece

פאַקטיש-וועלט בייַשפּיל

נאָך קאַמפּלישאַן פון וועראַפאַקיישאַן אין אַ פאַקטיש דאָקומענט, פּאַראַפראַסעד סעקשאַנז זענען אָפט יידענאַפייד דורך ינטעראַפּטיד מאַרקינגז. די ינטעראַפּשאַנז, דינאַטינג טשיינדזשד ווערטער, זענען כיילייטיד צו פאַרבעסערן וויזאַביליטי און דיסטינגקשאַן.

ונטער איר וועט געפֿינען אַ בייַשפּיל פון אַ פאַקטיש דאָקומענט.

• דער ערשטער עקסערפּט קומט פון אַ טעקע וואָס איז וועראַפייד מיט די OXSICO פּלאַגיאַט פאַרהיטונג דינסט:

• די צווייטע אויסצוג איז פון דער אָריגינעל מקור דאָקומענט:

נאָך אַ דיפּער אַנאַליסיס, עס איז קענטיק אַז די אויסגעקליבן טייל פון דעם דאָקומענט איז פּאַראַפראַסעד דורך מאכן די פאלגענדע ענדערונגען:

אָריגינעל טעקסט	פּאַראַפראַסעד טעקסט	ענדערונגען
שטיצט כידעש איז אויך קעראַקטערייזד	באַקס אַרויף כידעש איז חוץ דיפיינד	פאַרבייַט
עקאָנאָמיש און געזעלשאַפטלעך וויסן, עפעקטיוו סיסטעמען	שפּאָרעוודיק און געזעלשאַפטלעך וויסיקייַט, עפעקטיוו אָרגאַניזאַציע	פאַרבייַט
פֿאָרשלאָגן (אידעעס)	רעקאָממענדאַטיאָן	פאַרבייַט, דילישאַן
אַטאַטודז	postures	פאַרבייַט
דערפאָלג	געווינער	פאַרבייַט
פּראָצעס (Perenc, Holub-Ivan	קאַגניטיוו פּראָצעס (Perenc, Holub - Ivan	דערצו
פּראָ-כידעש	גינציק	פאַרבייַט
שאפן א קלימאט	: שאפן א צושטאנד	פאַרבייַט
גינציק	בליענדיק	פאַרבייַט
דעוועלאָפּינג וויסן	אַנטוויקלונג וויסיקייַט	פאַרבייַט

סאָף

פּלאַגיאַט, אָפט אַנדיטעקטאַד אין קאַסעס פון פּאַראַפראַסינג, בלייבט אַ באַטייטיק דייַגע אין אַקאַדעמיע. טעקנאַלאַדזשיקאַל אַדוואַנסיז האָבן יקוויפּט פּלאַגיאַט טשעקקערס מיט די פיייקייט צו יפעקטיוולי ידענטיפיצירן פּאַראַפראַסעד אינהאַלט. ספּאַסיפיקלי, פּלאַגיאַט טשעקקערס דעטעקט פּאַראַפראַסינג דורך פאַרשידן מעטהאָדס ווי שטריקל ריכטן, קאָסינע ענלעכקייט און n-גראַם אַנאַליסיס. נאָוטאַבלי, n-גראַם אַנאַליסיס שטייט אויס פֿאַר זייַן הויך פּינטלעכקייַט קורס. די אַדוואַנטידזשיז באטייטיק רעדוצירן די ליקעליהאָאָד פון פּלאַגיאַרייזד און פּאַראַפראַסעד מאַטעריאַל וואָס וועט זיין אַנדיטעקטאַד, און דערמיט פֿאַרבעסערן די אַקאַדעמיק אָרנטלעכקייַט.