The Effect of Text Reuse Length and Fragmentation on Similarity Detection: A Controlled Evaluation of WordBinary
यह अध्ययन प्रदर्शित करता है कि जबकि WordBinary का टेक्स्ट समानता पहचान प्रदर्शन पुन: उपयोग की गई सामग्री को छोटे अंशों में विभाजित करने पर व्यवस्थित रूप से घटता है, फिर भी सिस्टम सुदृढ़ और प्रभावी बना रहता है, जो कई छोटे अंशों में बिखरे हुए जानबूझकर पुन: उपयोग किए गए शब्दों में से 90% से अधिक को सफलतापूर्वक पुनः प्राप्त कर लेता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
लेखन की दुनिया में, किसी विचार को उधार लेने और शब्दों को चुराने के बीच की रेखा अक्सर सॉफ्टवेयर द्वारा खींची जाती है। ये प्रोग्राम, जिन्हें समानता डिटेक्टर (similarity detectors) के रूप में जाना जाता है, एक दस्तावेज़ को स्कैन करते हैं ताकि उन शब्दों को खोजा जा सके जो अन्य स्रोतों से मेल खाते हों। वे मन की बात पढ़ने वाले नहीं हैं; वे यह नहीं जान सकते कि एक लेखक का इरादा साहित्यिक चोरी करने का था या वे केवल स्रोत का उल्लेख करना भूल गए थे। उनका काम सख्ती से मेल खाने वाले शब्दों को खोजना है। लेकिन एक मौलिक प्रश्न बना रहता है: क्या सॉफ्टवेयर इस बात की परवाह करता है कि उन शब्दों को कैसे व्यवस्थित किया गया है? यदि कोई लेखक किसी पुस्तक से एक लंबा पैराग्राफ कॉपी करता है, तो सॉफ्टवेयर मेल खाने वाले शब्दों के एक बड़े ब्लॉक को देखता है। यदि वही लेखक उन्हीं शब्दों को लेकर अपने निबंध में छोटे, अलग-अलग टुकड़ों के रूप में बिखेर देता है, तो क्या सॉफ्टवेयर फिर भी उस चोरी को देख पाता है? यह वह मुख्य पहेली है जिसे शोधकर्ताओं ने हल करने का प्रयास किया। वे जानना चाहते थे कि क्या कॉपी किए गए टेक्स्ट का भौतिक आकार—चाहे वह एक ठोस ब्लॉक हो या एक बिखरा हुआ मोज़ेक—डिटेक्टर की उसे खोजने की क्षमता को बदल देता है।
इसका उत्तर देने के लिए, कियाह क्यूरन (Kiah Curan) नामक एक शोधकर्ता ने 'वर्डबाइनरी' (WordBinary) नामक एक विशिष्ट उपकरण का उपयोग करके एक नियंत्रित प्रयोग डिजाइन किया। इसका लक्ष्य सिस्टम का परीक्षण उन स्थितियों में करना था जो इस तरह की नकल करते हैं जैसे कोई लेखक कॉपी की गई सामग्री को छिपाने की कोशिश करता है। शोधकर्ता ने पचास मूल दस्तावेज़ों से शुरुआत की। प्रत्येक दस्तावेज़ के लिए, उन्होंने सात अलग-अलग संस्करण बनाए। प्रत्येक संस्करण में, उन्होंने एक ज्ञात स्रोत से लिए गए ठीक 300 शब्द डाले। एकमात्र चीज़ जो बदलती थी, वह थी उन 300 शब्दों का वितरण। पहले संस्करण में, सभी 300 शब्द एक लंबे, अटूट गद्यांश के रूप में दिखाई दिए। अगले में, उन्हें 100 शब्दों के तीन हिस्सों में विभाजित किया गया। शोधकर्ता ने इस प्रक्रिया को जारी रखा, टेक्स्ट को छोटे और छोटे टुकड़ों में तोड़ते गए: 50 शब्दों के छह हिस्से, 30 शब्दों के दस हिस्से, 20 शब्दों के पंद्रह हिस्से, 15 शब्दों के बीस हिस्से, और अंत में, केवल 10 शब्दों के तीस छोटे टुकड़े। इसने कुल 350 परीक्षण दस्तावेज़ बनाए, जिनमें 1,05,000 शब्दों का जानबूझकर कॉपी किया गया टेक्स्ट और 4,250 अलग-अलग अंश शामिल थे।
परिणामों ने दिखाया कि कॉपी किए गए टेक्स्ट का आकार मायने रखता है, लेकिन इस तरह से नहीं कि सिस्टम पूरी तरह से विफल हो जाए। जब 300 शब्द एक निरंतर ब्लॉक के रूप में दिखाई दिए, तो सॉफ्टवेयर ने उनमें से 97.3% को खोज लिया। जैसे-जैसे टेक्स्ट को छोटे टुकड़ों में तोड़ा गया, डिटेक्शन दर धीरे-धीरे कम होती गई। जब शब्दों को 10-शब्दों के तीस छोटे टुकड़ों में विभाजित किया गया, तो सॉफ्टवेयर ने 80.3% उन्हें खोज निकाला। इसका अर्थ है कि टेक्स्ट को तोड़ने से उसे खोजना कठिन हो जाता है, लेकिन सिस्टम अभी भी हर पांच में से चार से अधिक शब्दों को सफलतापूर्वक खोज लेता है, यहाँ तक कि सबसे कठिन परिदृश्य में भी। अध्ययन ने यह भी देखा कि क्या सॉफ्टवेयर व्यक्तिगत टुकड़ों को पहचान सकता है। इसने प्रत्येक लंबे गद्यांश और प्रत्येक 100-शब्द के हिस्से को सफलतापूर्वक खोज लिया। यहाँ तक कि जब टेक्स्ट को 10-शब्दों के छोटे अंशों में तोड़ा गया, तब भी सॉफ्टवेयर ने उन व्यक्तिगत अंशों में से 78.5% को सफलतापूर्वक पहचाना।
प्रयोग का एक महत्वपूर्ण हिस्सा यह सुनिश्चित करना था कि सॉफ्टवेयर दस्तावेज़ के बाकी हिस्सों से भ्रमित न हो। शोधकर्ताओं ने "बैकग्राउंड" टेक्स्ट की जाँच की—वे हिस्से जो कॉपी नहीं किए गए थे—यह देखने के लिए कि क्या विखंडन (fragmentation) के कारण सिस्टम वहां भी मिलान देखने लगा जहाँ कोई मिलान मौजूद नहीं था। सभी परीक्षणों में बैकग्राउंड समानता लगभग 2.2% से 2.4% पर स्थिर रही, जिससे यह सिद्ध हुआ कि डिटेक्शन में गिरावट छोटे अंशों को खोजने की कठिनाई के कारण थी, न कि इसलिए कि सिस्टम खराब हो रहा था या अनियंत्रित हो रहा था। अध्ययन ने यह भी नोट किया कि सिस्टम 30 शब्दों या उससे अधिक लंबे अंशों पर असाधारण रूप से अच्छा प्रदर्शन करता है, उन गद्यांशों में से 96.9% को खोज लेता है। यह सुझाव देता है कि सॉफ्टवेयर अपना काम करने के लिए विशाल टेक्स्ट ब्लॉक्स खोजने पर निर्भर नहीं है; यह तब भी प्रभावी रहता है जब कॉपी की गई सामग्री बिखरी हुई होती है, बशर्ते कि टुकड़े बहुत छोटे न हों।
निष्कर्ष स्पष्ट करते हैं कि हालांकि विखंडन कॉपी किए गए टेक्स्ट का पता लगाने की क्षमता को कम करता है, लेकिन यह सॉफ्टवेयर को बेकार नहीं बनाता है। प्रदर्शन में गिरावट अचानक होने के बजाय क्रमिक थी। ऐसा कोई विशिष्ट बिंदु नहीं था जहाँ सिस्टम ने काम करना बंद कर दिया; इसके बजाय, टुकड़े छोटे होने पर यह थोड़ा कम कुशल हो गया। यह महत्वपूर्ण है क्योंकि यह दर्शाता है कि टेक्स्ट को छोटे टुकड़ों में तोड़कर साहित्यिक चोरी को छिपाने की कोशिश करना एक अचूक रणनीति नहीं है। सिस्टम पुन: उपयोग की गई सामग्री के विशाल बहुमत को खोज लेता है, भले ही वह दस्तावेज़ में बिखरी हुई हो। अध्ययन यह निष्कर्ष निकालता है कि हालांकि टेक्स्ट का भौतिक विन्यास डिटेक्शन को प्रभावित करता है, सॉफ्टवेयर उच्च स्तर की मजबूती बनाए रखता है, और चाहे वे एक ही पैराग्राफ में हों या दर्जनों छोटे अंशों में, पुन: उपयोग किए गए अधिकांश शब्दों की सफलतापूर्वक पहचान करता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।