A Multi-Layered Plagiarism and AI-Generated Content Detection Framework Integrating BERT-BiLSTM-Attention Encoding with Stylometric Analysis
本文提出了一种综合性的多层框架，该框架整合了 BERT-BiLSTM-Attention 编码、语义嵌入、n-gram 指纹识别以及文体学分析，旨在稳健地检测精确匹配、改写剽窃、碎片化抄袭和 AI 生成内容，同时识别文档内的作者身份不一致问题。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在学术界的寂静角落，一种基本的信任正面临着考验。几个世纪以来，学术的完整性一直依赖于一个简单的前提：作者的文字即是其本人，这是作者与读者之间的一种契约。但这种契约正同时受到两个方向的压力。一方面，是那种古老的、不注明出处便借用他人想法的诱惑，有时是逐字抄袭，有时则是通过重组句子和更换同义词来掩盖窃取行为。另一方面，一种新的力量已经出现：人工智能。这些强大的计算机程序现在可以写出看起来和听起来都极其像人类的段落，使得人们很难分辨一个人的思想在哪里结束，而机器的思想又从哪里开始。对于教育工作者和编辑来说，挑战不再仅仅是寻找复制的文本，而是要区分一名正在努力写作的学生、一名正在进行违规行为的学生，以及一名仅仅是在使用辅助写作工具的学生。
为了应对这一挑战，来自喀拉拉邦奇图尔政府学院的研究员 Vineesh V 开发了一种新型的数字监察员。这个系统并不依赖单一的技巧来发现不诚实行为。相反，它像是一个多层筛子，旨在同时捕捉不同类型的写作问题。这个新工具的核心是一种能够理解意义而非仅仅理解拼写的复杂文本阅读方式。它使用了一种深度学习架构，结合了三种强大的技术：一个理解每个单词语境的系统，一个追踪句子间流动关系的记忆网络，以及一个学习句子中哪些部分最重要的注意力机制。通过融合这些方法，该系统为它阅读的每一个句子都创建了一个独特的数字指纹，捕捉的是写作的深层结构而非其表面外观。
该系统承担着四项不同的任务以保护学术诚信。首先，它寻找精确的副本，匹配与已知来源完全相同或几乎相同的句子。其次，它搜寻改写（paraphrasing），即保留原意但改变措辞的行为。为此，它会比较句子的“语义”含义——本质上是在询问，即使使用了不同的词汇，两个句子是否表达了相同的意思。第三，它检测拼贴式剽窃（mosaic plagiarism），这是一种复杂的写作形式，作者将来自不同来源的小短句缝合在一起，从而创造出一种借鉴想法的“补丁”。最后，或许是最紧迫的任务，它会标记出那些看起来是由人工智能生成的文本。不同于那些每当出现新 AI 模型就需要重新训练的旧工具，该系统利用十二个统计学线索来识别机器写作。它观察诸如句子长度的变化程度、作者使用“然而”（however）或“此外”（moreover）等过渡词的频率，以及词汇的多样性等模式。它已经习得，人类的写作往往更加不可预测且多变，而机器的写作通常遵循一种更平滑、更统一的节奏。
为了确保这一框架确实有效，研究人员不仅仅依赖理论。他们利用合成文档构建了一个严谨的测试场，这些文档是带有已知“秘密”的计算机生成文本。他们创建了纯原创的故事、完全复制的故事、被改写的文章，以及明显由 AI 编写的文章。他们甚至制作了混合了所有这些类型的文档，以观察系统是否能理清其中的混乱。结果非常明确。系统成功识别了精确的副本，抓住了改写的章节，并发现了拼贴式写作。在面对 AI 生成的文本时，它根据其所训练识别的统计模式，正确地将其标记为疑似机器编写。至关重要的是，该系统还证明了它能够处理现实世界文档中的复杂情况。它处理了短文本、长文本，甚至是充满了奇怪符号或数字的文本，而没有崩溃。它展示了自己可以运行两次相同的测试并得到完全相同的结果，这对于任何用于严肃学术调查的工具来说都是至关重要的品质。
该框架最有趣的特性之一是它能够察觉到单篇文档是否似乎是由多个人编写的。通过分析每个句子的写作风格，系统可以将它们进行聚类。如果一篇文档以人类风格开始，转向机器风格，然后又转回人类风格，系统就会标记这些转变。这使得教师不仅能看到某篇论文存在可疑之处，还能准确看到不一致之处发生在哪里。测试表明，该系统可以识别这些风格的变化，提供一份详细的分解报告，说明文档的哪些部分是原创的，哪些是复制的，以及哪些可能是由计算机生成的。
研究得出结论，这种多层次的方法提供了一条稳健的前行之路。通过将深层的语义理解与写作风格的统计分析相结合，该系统建立了一个能够捕捉多种不同形式不诚实行为的安全网。它并不声称是完美的；研究人员指出，测试是在合成数据上进行的，且该工具目前仅适用于英文文本。然而，结果表明，这一框架是迈向未来的一大步，在写作工具变得越来越强大的背景下，学术诚信仍能得以维持。它提供了一种方法，去审视一段文字并理解其真实的起源，将人类的声音与机器的声音、诚实的努力与借鉴的行为区分开来。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。