A First Step Towards Content Protecting Plagiarism Detection
剽窃检测系统是维护学术和教育诚信的重要工具。然而，当今的系统需要公开输入文档的全部内容以及输入文档与之进行比较的文档集合。此外，这些系统是集中式的，由个别的、通常是商业供应商控制。这种情况引起了关于敏感数据保密性的程序和法律问题，这可能会限制或禁止使用剽窃检测服务。为了消除当前系统的这些弱点，我们寻求设计一种剽窃检测方法，该方法不需要集中式提供商，也不需要将任何内容暴露为明文。本文介绍了我们的研究的初步结果。具体来说，我们采用私有集交叉设计一个内容保护的变种，在我们的剽窃检测系统HyPlag中实现的基于引用的相似性度量书目耦合。我们的评估表明，内容保护方法达到了相同的检测效果，而原来的方法，使常见的攻击，以揭示受保护的内容实际上是不可行的。我们未来的工作将通过设计剽窃检测方法来扩展这种成功的概念验证，这种方法可以分析文档的整个内容，而不会将其作为明文披露。
2020-05-23 cs.CR cs.DL cs.IR
Testing of Support Tools for Plagiarism Detection
针对人们对抄袭检测软件的效果预期，测试15款网页端文本匹配系统，经多语言多场景测试发现其存在漏检和误检问题。
2020-02-11 cs.DL cs.IR
Plagiarism Detection in arXiv
我们描述了一个大规模的应用程序的方法，发现剽窃的研究文件集。这些方法被应用于arXiv.org在14年内收集的284，834份文件，涵盖了几个不同的研究学科。该方法有效地检测出各种有问题的作者行为，并开发了自动识别以减少误报的数量。这些方法也足够有效，可以实现为一个大很多倍的集合的实时提交屏幕。
2007-02-01 cs.DB cs.DL cs.IR
Shape-Based Plagiarism Detection for Flowchart Figures in Texts
Universiti Teknologi Malaysia（马来西亚理工大学）
剽窃检测是学术界众所周知的现象。诽谤他人被认为是需要加以制止的严重罪行。有许多剽窃检测系统，如已开发的turn-it-in，以提供这种检查。大多数人，如果不是全部，在检查剽窃之前放弃了数字和图表。丢弃图表会导致人们可以利用的外观漏洞。这意味着人们可以很容易地剽窃数字和图表而不被当前的剽窃系统检测到。很少有论文讨论流程图剽窃检测。因此，有必要开发一个系统，将检测剽窃的数字和图表。提出了一种基于形状图像处理和多媒体检索的流程图抄袭检测方法。该方法能够根据不同的匹配集检索相似度排序的流程图。
2014-03-12 cs.CV cs.IR
Plagiarism: Taxonomy, Tools and Detection Techniques
要检测任何形式的剽窃，必须广泛了解其可能的形式和类别，以及各种检测工具和系统的存在。基于影响或损害的严重程度，剽窃可能以多种方式发生在一篇文章或任何作品中。本调查对各种剽窃形式进行了分类，并对每种形式进行了讨论。多年来，许多工具和技术已经被引入来检测剽窃。本文重点介绍了几种基于机器学习技术的剽窃检测方法。我们分析了这些方法的利弊，最后我们强调了这个不断发展的研究问题相关的问题和研究挑战的列表。
2018-01-19 cs.IR
The Struggle with Academic Plagiarism: Approaches based on Semantic Similarity
学术剽窃是当今一个严重的问题。由于存在取之不尽用之不竭的数字信息来源，今天比以往任何时候都更容易抄袭。好的一面是，剽窃检测技术已经得到了改进，并且足够强大，可以检测出教育领域的剽窃企图。我们现在正在见证高效的剽窃检测软件，如Turnitin，iThenticate或SafeAssign。在引言中，我们探讨了在克罗地亚学术界用于大学和/或科学期刊中剽窃检测的软件。问题是：这是否足够？目前的软件已经被证明是成功的，但是识别释义或混淆剽窃的问题仍然没有解决。在本文中，我们提出了一份报告，如何语义相似性的措施，可以用于剽窃检测任务。
2021-06-02 cs.IR cs.LG
A New High-Performance Approach to Approximate Pattern-Matching for Plagiarism Detection in Blockchain-Based Non-Fungible Tokens (NFTs)
我们提出了一种快速和创新的方法来执行近似模式匹配的剽窃检测，使用基于NDFA的方法，显着提高性能相比，其他现有的相似性措施。我们概述了我们的方法在基于区块链的不可替代代币（NFT）的背景下的优势。我们提出，形式化，讨论和测试我们提出的方法在几个现实世界的情况下，并与常用的剽窃检测不同的相似性措施，并观察显着的吞吐量增强在整个测试范围内，几乎没有妥协的准确性检测过程的整体。我们的结论是，我们的方法是合适的，足以进行近似模式匹配的剽窃检测，并概述了未来的改进研究方向。
2022-05-28 cs.CR cs.IR
BERT-Enhanced Retrieval Tool for Homework Plagiarism Detection System
South China Normal University（华南师范大学）
针对高级抄袭检测数据集缺乏的问题，提出基于GPT-3.5生成数据的方法及基于Faiss与BERT的抄袭识别方法，实验表明该模型在多项指标上表现优异，并提供了直观的演示平台。
2024-07-28 cs.AI cs.CL cs.IR
Methods for Detecting Paraphrase Plagiarism
University of Sunderland（桑德兰大学）
意译剽窃是剽窃检测系统面临的一个难题。当文本在词汇或句法上发生变化，看起来不同，但保留其原始含义时，就会发生释义。大多数剽窃检测系统（其中许多是基于商业的）被设计为检测单词共现和轻微修改，但无法检测严重的语义和结构变化，如在许多学术文件中看到的。因此，许多改述剽窃案件未被发现。在本文中，我们探讨的问题，释义剽窃提出的方法来检测最常见的技术（现象）在释义文本（即：词汇替换，插入/删除和单词和短语的重新排序），并结合到一个释义检测模型的方法。我们评估了我们提出的方法和模型的集合包含释义文本。实验结果表明，显着改善性能的方法相结合时（建议的模型），而不是单独运行它们。结果还表明，所提出的释义检测模型优于标准基线（基于贪婪字符串tilling）和以前的研究。
2017-12-29 cs.CL cs.IR
Taxonomy of Mathematical Plagiarism
本文针对数学科学中的思想抄袭问题，通过标注122对文献构建了数学内容复用分类体系，并评估现有检测方法，发现其在七种数学相似性类型上表现不佳。
2024-05-31 cs.IR
Hamtajoo: A Persian Plagiarism Checker for Academic Manuscripts
ICT Research Institute（信息与通信技术研究院）
近年来，由于网络上电子文献的大量存在，剽窃问题日益突出，尤其是在学者中。已经开发了各种剽窃检测系统来防止文本重复使用并对抗剽窃。虽然在学术论文中发现重复文本几乎是很容易的，但发现语义发生变化的文本重用模式是非常重要的。另一个重要的问题是处理资源较少的语言，这些语言用于训练目的的文本量很低，并且NLP应用程序的工具性能也很低。在本文中，我们介绍了Hamtajoo，一个波斯的学术手稿剽窃检测系统。此外，我们描述了系统的整体结构以及在每个阶段中使用的算法。为了评估该系统的性能，我们使用了符合PAN标准的剽窃检测语料库。
2021-12-27 cs.CL cs.IR cs.LG
Overview of the Plagiarism Detection Task at PAN 2025
National Institute of Informatics（日本信息机构国家研究所）；University of Kassel（卡塞尔大学）
本文概述了PAN 2025生成式抄袭检测任务，构建了基于三种大语言模型的数据集，发现嵌入相似性方法表现良好但泛化性不足。
2025-10-08 cs.CL cs.IR
Plagiarism Detection on Electronic Text based Assignments using Vector Space Model (ICIAfS14)
Post Graduate Institute of Science（科学研究生院）；University of Peradeniya（佩拉德尼亚大学）
剽窃是指在任何领域，如艺术、诗歌、文学、电影、研究和其他创造性的学习形式中，非法使用他人的部分作品或整个作品作为自己的作品。剽窃是学术研究领域的一个重要问题，也是学术系统中备受关注的问题。随着网络上大量资源的可用性，情况甚至更糟。本文通过比较向量空间模型中的一元、二元、三元模型与余弦相似性度量，提出了一种有效的抄袭检测工具，用于文本作业的语料库内抄袭检测。使用一元、二元和三元向量对手动评估的标记数据集进行测试。尽管trigram向量消耗相对更多的时间，但它对标记数据显示出更好的结果。此外，还将所选择的基于余弦相似性测度的三元向量空间模型与基于Jaccard测度的三元序列匹配技术进行了比较。在结果中，余弦相似性得分显示出比另一个略高的值。因为，它侧重于为数据集中不经常存在的术语赋予更多的权重，并且使用三元组技术的余弦相似性度量比其他方法更可取。因此，我们提出了我们的新工具，它可以作为一个有效的工具来评估基于文本的电子作业，并尽量减少学生之间的抄袭。
2014-12-25 cs.CL cs.IR
A Simple and Effective Method of Cross-Lingual Plagiarism Detection
Institute for System Programming of the Russian Academy of Sciences（俄罗斯科学院系统编程研究所）；Russian-Armenian University（俄罗斯-亚美尼亚大学）；ISP RAS Research Center for Trusted Artificial Intelligence（俄罗斯科学院系统编程研究所可信人工智能研究中心）
提出一种不依赖机器翻译和词义消歧的跨语言抄袭检测方法，利用多语言同义词词典和预训练BERT模型，在多语言基准上达到最先进水平。
2023-04-05 cs.CL cs.IR
Dynamic Thresholding Mechanisms for IR-Based Filtering in Efficient Source Code Plagiarism Detection
为了解决时间效率低的问题，在基于串匹配的源代码剽窃检测中仅比较潜在对;其中，通过快速但顺序不敏感的相似性度量（改编自信息检索）来定义潜在性，并且仅选择相似度高于或等于特定阈值的对。定义这样的阈值不是一个微不足道的任务，考虑到阈值应该导致高效率的提高和低效率的降低（如果它是不可避免的）。本文提出了两种阈值机制-即范围为基础的和对计数为基础的机制-动态调整阈值的基础上产生的相似度的分布。根据我们的评估，这两种机制是更实际的使用比手动阈值分配，因为他们更成比例的效率提高和有效性降低。
2018-10-28 cs.IR cs.SE
Full-privacy secured search engine empowered by efficient genome-mapping algorithms
自90年代以来，基于关键字的搜索引擎一直在帮助人们通过简单的查询来定位相关的网络内容，因此最近基于全文的搜索引擎主要用于文章上传后的剽窃检测。然而，这些“免费”或付费服务通过存储用户的搜索查询和偏好来进行个人分析和有针对性的广告投放，而用户上传的文章可以作为服务提供商不断扩大的数据库的一部分进一步获利。简而言之，在过去的几十年里，搜索引擎隐私并不是网络探索的一个选择。在这里，我们证明了一个数据库或互联网搜索，提供了整个文章作为一个查询，可以正确地进行，而不会泄露用户的敏感查询的不可逆的编码方案和一个高效的FM索引搜索例程，通常用于基因组的NGS。在我们的解决方案中，Sapiens Aperio Veritas Engine（S.A.V.E.），查询中的每个单词都被编码成12种“氨基酸”（a.a.）包括用户本地机器上的伪生物序列（PBS）。PBS介导的剽窃检测是通过用户通过我们的云服务提交本地编码的PBS来完成的，以在收集的网页内容中定位以与查询相同的方式编码的相同副本。发现长度大于12 a.a.，可以返回正确的结果，假阳性率<0.8%。S.A.V. E运行速度与Bowtie相似，比BLAST快4个数量级。S.A.V.E.，在常规和私密搜索模式下运行，为在压缩的搜索空间中进行有效的互联网搜索和剽窃检测提供了新的选择，而没有机会存储和泄露用户的机密内容。我们期望未来的隐私感知搜索引擎可…
2022-04-25 cs.CR cs.IR
Mining Images in Biomedical Publications: Detection and Analysis of Gel Diagrams
生物医学出版物的作者使用凝胶图像报告实验结果，例如蛋白质-蛋白质相互作用或不同条件下的蛋白质表达。凝胶图像提供了一种简洁的方式来传达这些发现，而不是所有这些都需要在文章中明确讨论。这一事实加上大量的凝胶图像及其共享的共同模式，使它们成为自动图像挖掘和解析的主要候选者。我们介绍了一种检测凝胶图像的方法，并提出了一个工作流程来分析它们。我们能够以高精度检测凝胶片段和面板，并在这些图像中识别基因名称的初步结果。虽然我们不能提供一个完整的解决方案，在这一点上，我们提出的证据表明，这种图像挖掘是可行的。
2014-02-10 cs.IR
Patent-publication pairs for the detection of knowledge transfer from research to industry: reducing ambiguities with word embeddings and references
本研究通过姓名匹配结合文本相似性（基于MeSH词嵌入）和共同参考文献过滤减少歧义，识别出版物-专利对以衡量研究经济影响，还开发医学有效专利类别统计程序并开放完整数据处理流程。
2024-12-01 cs.IR
Improving Community Detection in Academic Networks by Handling Publication Bias
本文提出结合 BERTopic 与微调 SciBERT 的主题型学术网络，并用论文聚类克隆节点来缓解发表不平衡，从而提升跨学科社区检测与合作者推荐效果。
2025-07-28 cs.IR cs.SI
Towards Automated Survey Variable Search and Summarization in Social Science Publications
如今，许多科学学科越来越倾向于通过链接出版物和基础数据集来提供增强的信息访问，以支持研究人员，从而通过基础设施来支持研究，以提高研究成果的可重复性和可重用性。在本研究报告中，我们介绍了一个正在进行的研究项目，名为VADIS（可变检测，互联和总结），旨在开发技术和基础设施，通过搜索和总结出版物的基础上，自动识别和索引文本中的调查变量，以增强社会科学的信息访问。我们概述了我们项目的总体愿景，其主要组成部分和相关挑战，以及如何解决当前社会科学出版物信息访问系统的局限性的深入讨论。我们展示了如何在最终用户系统中具体实现这一目标，提出了一个搜索原型，这是基于从实证社会科学研究人员的定性访谈中收集的用户需求。
2022-09-14 cs.DL cs.IR
Graph-Based Discovery of Mathematical Software Communities and Publication-to-Community Prediction
FIZ Karlsruhe（FIZ 卡尔斯鲁厄）
该研究提出基于图的框架，利用swMATH数据集构建软件共同使用网络以发现数学软件社区，将出版物到社区映射作为多标签分类任务，发现结构化MSC元数据在预测中表现更优，凸显其对研究软件相关工作的价值。
2026-08-18 cs.IR
Rapid detection of fast innovation under the pressure of COVID-19
新型冠状病毒迅速重新定义了学术界和从业者的技术研发议程。如果说医学科学出版系统对这种新情况做出了迅速的反应，那么其他领域，特别是新技术领域，则很难在其背景下描绘出正在发生的事情。这一流行病产生了迅速发现技术趋同现象的必要性，但同时也表明，根据传统的专利和出版物指标，这一任务是不可能完成的。本文提出了一种新的方法来快速检测在新冠肺炎大流行的压力下发生的快速技术融合现象。由于使用了一个新的来源：在线博客平台Medium，已经进行了快速检测。我们证明，这种社会新闻平台的混合结构允许快速检测的创新现象，不同于其他传统的来源。技术融合现象通过基于网络的方法进行建模，分析了两个时间段（COVID-19之前和之后）计算的网络差异。研究结果使我们讨论了有关“远程控制”、“远程工作”、“健康”和“远程学习”的技术的再利用。
2021-01-30 cs.IR econ.GN q-fin.EC
