您的位置:seek68首页 > 科研经验 > Crosscheck查重原理及算法
科研经验

Crosscheck查重原理及算法

作者:SEEK68数字图书馆 来源:未知 日期:2020/6/27 21:57:41 人气: 标签:
导读:crosscheck(CrossCheckiThenticate)这个查重软件,各大杂志社都在使用,很多情况下编辑会根据软件的查重结果对论文进行判断。一般来说,论文的总体相似率超过3…
crosscheck(CrossCheck iThenticate)这个查重软件,各大杂志社都在使用,很多情况下编辑会根据软件的查重结果对论文进行判断。一般来说,论文的总体相似率超过30%,编辑就会要求修改或者可能直接拒稿。后果还是很严重的。那crosscheck到底是如何进行判定的呢?
网上很多关于这些规则的说法,大部分是说连续六个单词即判定重复,或者根据语言风格相似即判定重复。这些说法不够准确,也没有依据。
一篇被crosscheck处理的文章,这个软件第一步应该做的是进行文本的格式化。说来也很合理。因为一篇文章中,除了单词以外,还有大量的符号(标点符号,数学符号及特殊符号等)。这些并不是crosscheck查重的对象,所以会把他们处理掉。这些符号会通通被替换为空格。
其实,crosscheck查重的基本规则只有一条:不连续的六个单词中间连续不重复的单词小于四个(不包括四个)即判定这六个单词重复(注意:这里的规则是软件系统默认的规则,大部分期刊使用默认规则)。

所有的查重结果都是基于这条进行的。这句话比较绕口。具体怎么理解,我们来看下具体的实例。

先分析最极端也是最直白的重复。不连续的六个单词中间不重复的单词为0个,即六个连续重复的单词。显然这个肯定是会被判定重复了。下面我用1表示重复的单词,0表示不重复的单词。那么这种情况就是:111111。

再分析中间有不重复单词的情况。这点大家很多情况摸不着头脑,有时候几个单词距离的很远,也被判定重复了,很是苦恼。

1)中间只有一个不重复的。例如:1011111;1101111;1111011等。
实例:Computer science has been widely considered as ...(斜体表示和已有文献重复)
这里面单纯插入一个widely单词,是不足以骗过系统的。

2)中间有两个重复的。例如:1100110011;110010011001;1100110011等。
实例1:Computer science has been widely percieved asan...
这里替换两个不重复单词widely percieved,但是Computer, science, has, been, as, an已经是六个不连续的重复了。
实例2:Computer science and technology has been widely percieved as an...
在Computer science后面加上两个不重复的单词and technology是不是就可以了呢?答案是否定的,Computer, science, has, been, as, an这六个词中间只有两个是不重复的,不能判定为整句不重复。

3)中间有三个不重复的。这个一眼乍看不觉得重复,但其实是重复了。例如:100010001111;100010001000100010001等。
100010001000100010001这种情况是不是很刺激。对!按照规则,这个也算重复。因为六个不连续重复的单词直接是三个重复的。
实例1:Computer science, resulting from America, has been widely percieved as an...
这种形式是11000110011模式,依旧是重复的。
实例2:Computer science, resulting from America, has been widely percieved as one of most promising....
好,我们把改成one of most。虽然这三个没有重复,但紧接着后面的promising和已有文献重复了,很不幸,整个句子还是重复了。重复形式为11000110010001。

上面分析的是单纯的单词,不涉及符号和数字。大家的论文很多情况包含各种单位符合和数学符号的,系统该如何处理他们?
1)单纯的数字。比如123,25,1998等这些整数,他们都是连续的,中间没有空格和特殊符号,系统不会进行处理,还会保持原来形式。算一个单词。
实例1:Computer science, developed from 1930, has been widely percieved as an..
这句话是11000110011的重复,这里的1930算一个单词。
对于小数要特别注意,因为小数点系统处理后会被空格代替,所以小数是会被看作两个单词的。如1.23,在系统里面会看作1和23两个单词。
实例2:Computer science, developed from 1,930, has been widely percieved as an.. 还是这句话,这里的1,930多加个了分隔符,就变成两个单词。所以句子中间就有四个连续不重复的单词,整个句子就是不重复的(即developed, from, 1和930四个)。

2)连接符。不少单词或者专业词汇会用连接符号连起来,系统会自动把连接符号替换成空格。所以被看作两个单词。如:ever-increasing算作ever和increasing;CD-ROM算作CD和ROM。

3)科学单位。文章中难免会有g cm-3这个的有上标或者下标的单位。软件系统其实不会识别上下标。直接按照正常大小处理,再替换特殊符号为空格,所以g cm-3算三个单词。

4)包括符号的专有名词缩写。比如化学中Ag包覆Au再包覆一层C。作者可能会缩写成Ag@Au/C。这个经过系统处理后,其实是三个单词的Ag,Au和C。所以有时候会发现系统把这类词分开匹配查重。
实例:The synthesized Ag@Au/Cnanoparticles exhibited good activities.
可能会遇到这种重复,这里Ag@Au/C 算作三个单词,所以是101011101重复类型。

5)跨段落重复。有时候系统的重复可能不在于特定的一段,还会跨段落,因为在软件眼里,整个文章就是一连串单词被空格分割,不存在段落之分。
实例:
4. Experimental and methods
4.1. Synthesis of ...
这个是典型的文章中方法部分。这里猜猜系统判定重复的元素是几个?嗯,8个。去掉点号,就是4, Experimental, and, methods, 4, 1, Synthesis, of 这8个单词。

6)总结起来,系统处理的特殊符号包括:标点符号;数学符号;特殊符号等一切非数字的符号。
以上就是crosscheck查重的基本规则。基本囊括了大家遇到的情况。了解了这些规则,修改起来就方便了。再举几个例子。

Computer science, resulting from America, has been widely percieved as one of most promising....
这句话是11000110010001重复,最简单的修改就是把不重复的单词提高到4个不连续。比如修改成110000110010001就不会被系统判断重复了。
修改为:Computer science, which results from America, has been widely percieved as one of most promising....
这种是没有问题的。
单复数改变。从系统原理可知,单复数是不同的单词,故可以达到避免重复的目的。
The Au nanoparticleexhibited good catalytical activities and ...
这里是10110111重复,刚好六个,那我们把nanoparticle变为复数nanoparticles变成五个了,不算重复。不过要注意的是修改之后,自己再想想会不会还和别人有重合,毕竟crosscheck系统的对比样本实在是太丰富了。
同义词替换。这一招依旧是非常有效的方法。但是不能单纯的使用,一定要结合整个句子来。
句子单词颠倒。不错的办法。还是那句话,注意句子的整体结构。
本文网址: