Citation-based Plagiarism Detection: Detecting Disguised and Cross-language Plagiarism using Citation Pattern Analysis

سرقت ادبی یک مشکل با پیامدهای گسترده برای علوم است. با این حال، حتی بهترین سیستم‌های مبتنی بر نرم‌افزار امروزی نیز فقط می‌توانند سرقت ادبی کپی و چسباندن را به طور قابل اعتماد شناسایی کنند. اشکال سرقت ادبی پنهان، از جمله متن بازنویسی شده، سرقت ادبی بین زبانی، و همچنین سرقت ادبی ساختاری و ایده اغلب کشف نشده باقی می‌مانند. این ضعف سیستم های فعلی باعث می شود که درصد زیادی از سرقت علمی کشف نشود. Bela Gipp یک نمای کلی از آخرین هنر در تشخیص سرقت ادبی و تجزیه و تحلیلی از این که چرا این رویکردها در تشخیص اشکال سرقت ادبی پنهان ناکام هستند، ارائه می دهد. نویسنده برای رفع این نقص، تشخیص سرقت ادبی مبتنی بر استناد را پیشنهاد می‌کند. برخلاف رویکردهای مبتنی بر کاراکتر، این رویکرد تنها بر مقایسه متن متکی نیست، بلکه الگوهای استناد را در اسناد تجزیه و تحلیل می‌کند تا یک \"اثر انگشت معنایی\" مستقل از زبان برای ارزیابی شباهت تشکیل دهد. عملی بودن تشخیص سرقت ادبی مبتنی بر استناد با توانایی آن در شناسایی سرقت ادبی غیر ماشینی تا کنون در نشریات علمی ثابت شده است.

Plagiarism is a problem with far-reaching consequences for the sciences. However, even today’s best software-based systems can only reliably identify copy & paste plagiarism. Disguised plagiarism forms, including paraphrased text, cross-language plagiarism, as well as structural and idea plagiarism often remain undetected. This weakness of current systems results in a large percentage of scientific plagiarism going undetected. Bela Gipp provides an overview of the state-of-the art in plagiarism detection and an analysis of why these approaches fail to detect disguised plagiarism forms. The author proposes Citation-based Plagiarism Detection to address this shortcoming. Unlike character-based approaches, this approach does not rely on text comparisons alone, but analyzes citation patterns within documents to form a language-independent "semantic fingerprint" for similarity assessment. The practicability of Citation-based Plagiarism Detection was proven by its capability to identify so-far non-machine detectable plagiarism in scientific publications.