学术论文复制检测的研究进展及新方法-图书情报工作.PDF

＞＞ 第 卷 第 期　２００９年３月　　 ﹨ ? 学术论文复制检测的研究进展及新方法 王秀红 江苏大学科技信息研究所　镇江２１２０１３ 〔摘要〕综述国内外学术论文复制检测的研究现状，针对存在的问题提出以后研究的新思路：构建某一学科领域 学术论文语料库；以信息论为工具，针对某学科领域建立基于学术论文语料库的统计语言模型；结合学术论文抄 袭剽窃的特点，通过赋予描述资源对象语义信息的不同元数据项以不同的权函数，设计相似度算法；使用Ｌｅｍｕｒ 工具箱，在标准的ＴＲＥＣ文档集上对模型和算法进行检验；与Ｔｕｒｎｉｔｉｎ侦探剽窃系统进行实验对比，评价该模型和 算法的有效率和效果。 〔关键词〕学术论文　复制检测　抄袭剽窃检测　统计语言模型　文本相似度算法 〔分类号〕ＴＰ３９１．１ ＲｅｖｉｅｗａｎｄＮｅｗＩｄｅａｓｏｎＤｕｐｌｉｃａｔｉｏｎＤｅｔｅｃｔｉｏｎｏｆＡｒｔｉｃｌｅｓ ＷａｎｇＸｉｕｈｏｎｇ ＩｎｓｔｉｔｕｔｅｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＩｎｆｏｒｍａｔｉｏｎ，ＪｉａｎｇｓｕＵｎｉｖｅｒｓｉｔｙ，Ｚｈｅｎｊｉａｎｇ２１２０１３ 〔Ａｂｓｔｒａｃｔ〕Ａｆｔｅｒｒｅｖｉｅｗｉｎｇａｎｄａｎａｌｙｚｉｎｇｔｈｅｐｒｏｂｌｅｍｓｏｆｒｅｔｒｉｅｖａｌｍｏｄｅｌｓａｎｄｔｅｘｔｓｉｍｉｌａｒｉｔｙａｌｇｏｒｉｔｈｍｓｏｆｄｕｐｌｉｃａｔｉｏｎｄｅｔｅｃｔｉｏｎ，ｔｈｅ ａｎｔｈｏｒｐｒｏｐｏｓｅｓｓｏｍｅｎｅｗｉｄｅａｓｏｎｐｌａｇｉａｒｉｓｍｄｅｔｅｃｔｉｏｎｏｆａｒｔｉｃｌｅｓｔｏｉｍｐｒｏｖｅｔｈｅｒｅｃａｌｌａｎｄｐｒｅｃｉｓｉｏｎ．Ｔｈｅｉｄｅａｓｉｎｃｌｕｄｅｔｈｅｆｏｌｌｏｗｉｎｇｓ： ｂｕｉｌｄｉｎｇａｒｔｉｃｌｅｔｒａｉｎｉｎｇｃｏｒｐｕｓｉｎｏｎｅｓｐｅｃｉａｌｔｙ；ｂａｓｅｄｏｎｉｎｆｏｒｍａｔｉｏｎｔｈｅｏｒｙ，ｂｕｉｌｄｉｎｇｓｔａｔｉｓｔｉｃａｌｌａｎｇｕａｇｅｍｏｄｅｌ；ｃｏｍｐｕｔｉｎｇａｒｔｉｃｌｅｓ ｓｉｍｉｌａｒｉｔｙｂｙｄｉｆｆｅｒｅｎｔｍｅｔａｄａｔａｗｉｔｈｄｉｆｆｅｒｅｎｔａｕｔｈｏｒｉｚｅｄｆｕｎｃｔｉｏｎｓ；ｕｓｉｎｇＬｅｍｕｒｔｏｏｌｂｏｘｔｏｔｅｓｔｒｅｃａｌｌａｎｄｐｒｅｃｉｓｉｏｎｏｆｔｈｅｍｏｄｅｌａｎｄｓｉｍ ｉｌａｒｉｔｙａｌｇｏｒｉｔｈｍ；ｃｏｍｐａｒｉｎｇｗｉｔｈＴｕｒｎｉｔｉｎｐｌａｇｉａｒｉｓｍｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍｔｏｅｖａｌｕａｔｅｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓａｎｄｅｆｆｉｃｉｅｎｃｙｏｆｔｈｅｄｅｔｅｃｔｉｏｎｃｏｍｐｕ ｔａｔｉｏｎ． 〔Ｋｅｙｗｏｒｄｓ〕ａｒｔｉｃｌｅｓ　ｄｕｐｌｉｃａｔｉｏｎｄｅｔｅｃｔｉｏｎ　ｐｌａｇｉａｒｉｓｍｄｅｔｅｃｔｉｏｎ　ｓｔａｔｉｓｔｉｃａｌｌａｎｇｕａｇｅｍｏｄｅｌ　ｔｅｘｔｓｉｍｉｌａｒｉｔｙａｌｇｏｒｉｔｈｍ 　　自从方舟子的“新语丝”使原本长期存在于学术 论文复制检测判断的准确率，针对学术论文的文档相 界的学术不端暴露出来之后，学术论文抄袭剽窃引起 似度算法的改进和创新研究变得尤为重要。 社会的广泛关注。抄袭剽窃的表现形式多种多样：有 些只是在语言文字的表达形式上做手脚，换成同义词 １　国内外研究现状及存在的问题 或颠倒语句的表达顺序，在文章框架、主要观点和主要 论据上却没有大的变化；有些直接大段地“引用”别人 １．１　国外研究现状 的内容；有些综合运用多种手段，将多篇别人的文章拼 　　国外具有代表性的文档相似度算法主要有以下几 种： Ｍａｎｂｅｒ提出一个ｓｉｆ工具，其“近似指纹”是用基于 凑而成自己的；有些“学术高手”直接拿国外的论文翻 ① ［１］ 译成中文发表，等等。抄袭和剽窃“手段”的越来越