中共中央宣传部委托新华通讯社主办

半月谈

首 页 >> 时政 >> 科技 >> 技术博弈:查重系统vs过关“妙招 >> 阅读

技术博弈:查重系统vs过关“妙招”

2018-04-04 09:28 作者:翟冬冬 来源:科技日报 编辑:常磊
分享到:

又是一年毕业季,“论文月”也随之到来。经过开题、中期检查之后,为了遏制论文造假,不少高校会借助文献检测系统来判断论文是否涉嫌抄袭。

为了帮助毕业生顺利“过关”,一些声称可降低重复率的“锦囊妙计”也在网上流传。日前,微信公众号“毕业有道”推出《了解知网查重原理,论文重复率3%以下也很容易》一文,其中介绍了变化措辞、翻译替代、图片变换等“降重”方法。

那么,这些“偏方”真的管用吗?

“偏方”会被系统迭代掉

随着计算机技术与互联网技术的发展,越来越多的文献信息被数字化。这些电子资料为工作、学习带来巨大便利的同时,也为抄袭、剽窃等行为提供了“方便”。

当前,论文相似性检测系统是反剽窃最有效的技术手段之一。国内的论文检测系统众多,其中中国知网(以下简称“知网”)的学术不端文献检测系统、北京万方数据股份有限公司(以下简称“万方”)的论文相似性检测系统和重庆维普资讯有限公司(以下简称“维普”)的论文检测系统是市场占有率较高的三大检测系统。

谈及这些系统的检测原理,中国科学技术信息研究所副研究员张英杰告诉科技日报记者,虽然各家的检测系统在细节设计上有所不同,但均基于相同的技术原理。它们都是将论文进行分解,而后对比资源库,并利用相关算法进行匹配度检测。

“匹配度检测也可称为文本片段比对,简单来说就是检测论文内容是不是与资源库中的内容重复。”武汉大学信息管理学院副教授胡吉明说,论文上传系统后,系统一般会根据文章目录把文章“切”成几大段,之后再将大段“切”成小段,将其与资源库中的文本内容进行比对。如果这一小段内容和数据库中的某个文本重复,那这部分内容就会被判定为涉嫌抄袭。

维普相关工作人员告诉科技日报记者,各家检测系统在设计上都尽可能仿照人的阅读方式,实现以机器代替人工,以求提升检测的精准度。

针对网上流传的“偏方”,多名业内人士向科技日报记者表示,系统设计的初衷是贴近人的阅读方式,以这个目标为设计出发点,随着系统升级,“偏方”自然会被迭代掉。据维普相关工作人员介绍,在算法上他们采用了多重防护机制,从而杜绝用“偏方”蒙混过关的情况出现;同时他们提供了“格式分析报告”,详细列出了送检文档中“图片”“空格”的数量,可供指导教师进行人工审查。

算法差异致反馈结果不同

当前,针对不同学历阶段,高校对毕业生论文的重复率要求也不同。本科生毕业论文的重复率一般要求在30%或20%以下,硕士毕业论文则提至15%,博士研究生则规定要在10%甚至5%以下才算合格。现阶段论文检测一般由学校或学院组织,专业机构提供论文检测服务,相关检测数据或结果将会在系统前端呈现给学校。目前知网尚未开通个人检测服务,而万方、维普已开设个人检测窗口。

在送审前,不少应届生都会进行“自检”,依照学校对重复率的要求做进一步修改。在“自检”时不少学生会困惑,为何在两家机构检测出来的相似度一个是15%,一个是20%?

维普相关工作人员向科技日报记者介绍,由于各家运用了不同的算法模型、基于不同的开发平台,因而造成相似度数值的差异。

各家的差别有多大呢?他打了个比方,如同苹果iOS系统和安卓系统一样,它们是按照不同思路设计出来的,各家的算法没法做同类对比。目前这方面没有相应的国家标准,各家根据自身的产品设计思路和原理模型提出了检测方法,于是就有了一定的差异。

目前,市场上存在多种检测技术,如基于字符串比较的方法和基于词频统计的方法等。“各家公司在技术上差距不大。”万方相关人员向科技日报记者介绍,不同算法可理解为不同的重复率判断方式。比如说,一篇文章中的某段话算不算抄袭,可能A算法认为80%的一致率是抄袭,B算法则规定70%的一致率是抄袭。“当然每种算法都有很复杂的计算模型,并没有例子中说的这么简单。”万方相关工作人员说。

“资源库也很重要。”张英杰表示,作为一个论文相似性检测系统,其资源库收录资源类型是否齐全、学科是否齐全、年限是否足够长、资源数量是否足够大等因素,都会对检测结果产生影响。从学科上来看,三家检测机构都已做到全学科收录;从收录文章的种类和数量来看,知网更具优势,万方在一些学科如医学领域有独家收录的文章,维普则在中文期刊数据库建设方面起步较早。

抄袭判定标准有待更新

对于抄袭的定义,随着检测技术的发展也在改变。

南京大学信息管理学院教授苏新宁介绍,现在的抄袭可分为两种,一种是文字的抄袭,另一种是内容的抄袭。在论文检测技术发展的早期,一些作者会通过变换他人文章中词语的方式躲避检测,“这在早期的软件中不容易被查出来。”苏新宁说,但随着内容检测技术的发展,这种做法已经不灵了。

现在的内容检测并不是对文章进行逐字逐句的检测,而是用文章中出现的关键词和资源库中文章的词语作对比。如果这个词和资源库某篇文章的词大量相同,虽然顺序不同,但在检测系统中还是会被认定为相似。苏新宁举例说,如“我评价了这个问题”和“我对这个问题进行了评价”这两句话,如果后面的内容也都是这样颠倒语句,同样会被认定为是相似。也就是说,现在的检测系统除了对文章语法层面的词汇、句法结构进行分析,也会在一定程度上进行语义层面的检测。

说到相似和抄袭的不同,苏新宁坦言,现在的检测系统确实还存在一些局限。比如,对于一些公理性质的文字,系统也会判定为重复。如“一带一路”这类词如果在文章中多次出现,是否该被判定为抄袭,这值得商榷。

谈及对外文文献的比对检测,多位专家认为,我国目前在外文检测技术方面还比较薄弱。苏新宁介绍,一方面是因为外文文献数量大、种类多,相关资源库的建设工作尚处起步阶段。另一方面,中文和外文在语法和语义方面都存在较大差异,如何判定为抄袭也是个问题。但现在多数的期刊评审专家,一般都阅读过大量自己领域内的外文文献,对于送审论文是否抄袭了外文文献,会有自己的判断。(实习记者 翟冬冬)
 



版权声明:凡本网注明"来源:半月谈网"的所有作品,均为半月谈网合法拥有版权或有权使用的作品,任何报刊、网站等媒体或个人未经本网书面授权不得转载、 链接、转帖或以其他方式复制发布。违者本网将依法追究法律责任。如需授权,点击 获取授权