Redigerer Plagiat (avsnitt)

== Oppdagelse av plagiat ==
Oppdagelse av plagiat kan utføres på ulike måter. Menneskelig oppdagelse av plagiat er den mest tradisjonelle metoden for å identifisere plagiat i skriftlige arbeider. Dette kan være en langvarig og arbeidskrevende oppgave for leseren og kan føre til uenigheter i organisasjonen om oppdagelse av plagiat. Programvare for tekstsammenligning (TMS), ofte kalt "plagiatdeteksjonsprogramvare" eller "antiplagiat"-programvare, har blitt allment tilgjengelig både som kommersielle produkter og som programvare med åpen kildekode. TMS oppdager ikke plagiat i seg selv, men finner spesifikke tekstpassasjer i ett dokument som samsvarer med tekst i et annet dokument.

Strengsammenligning er en vanlig tilnærming brukt i informatikk.<ref>{{Kilde www|tittel=Plagiarism Detection by using Karp-Rabin and String Matching Algorithm Together|url=https://research.ijcaonline.org/volume115/number23/pxc3902734.pdf|besøksdato=2024-10-22|utgiver=research.ijcaonline.org}}</ref><ref>{{Kilde www|tittel=Anti-Plagiarism Checker vs Rogeting - How do they work?|url=https://www.ryadel.com/en/anti-plagiarism-checker-software-rogeting-tools-info/|besøksdato=2024-10-22|utgiver=www.ryadel.com}}</ref> Når det gjelder problemet med plagiatdeteksjon, blir dokumenter sammenlignet for ordrette tekstsamsvar. Det er foreslått mange metoder for å løse denne oppgaven, hvorav noen har blitt tilpasset for deteksjon av eksternt plagiat. Å sjekke et mistenkelig dokument i denne modusen krever beregning og lagring av effektivt sammenlignbare representasjoner for alle dokumenter i referansesamlingen for parvise sammenligninger.<ref>{{Kilde www|tittel=Text mining applied to plagiarism detection: The use of words for detecting deviations in the writing style|url=https://www.dii.uchile.cl/wp-content/uploads/2014/06/Text-mining-applied-to-plagiarism-detection.pdf|besøksdato=2024-10-22|utgiver=www.dii.uchile.cl}}</ref>

Senere tilnærminger til å vurdere innholdslikhet ved bruk av nevrale nettverk har gjort det mulig å oppnå betydelig høyere nøyaktighet, men medfører store beregningskostnader.<ref>{{Kilde www|tittel=Plagiarism-sniffing Turnitin tries to find AI writing by students – with mixed grades|url=https://www.theregister.com/2023/04/05/turntin_plagiarism_ai/|besøksdato=2024-10-22|utgiver=www.theregister.com}}</ref><ref>{{Kilde www|tittel=How does anti plagiarism work?|url=https://copyfind.ai/blog/how-does-anti-plagiarism-work/|besøksdato=2024-10-22|utgiver=copyfind.ai}}</ref> Tradisjonelle metoder med nevrale nettverk legger begge innholdselementene inn i semantiske vektorinnlegg for å beregne deres likhet, ofte basert på deres kosinulikhet. Mer avanserte metoder utfører ende-til-ende prognosering av likhet eller klassifikasjoner ved bruk av transformerarkitektur.<ref>{{Kilde www|tittel=Transformers For Text Classification|url=https://blog.paperspace.com/transformers-text-classification/|besøksdato=2024-10-22|utgiver=blog.paperspace.com}}</ref><ref>{{Kilde www|tittel=Plagiarism Detection Using Transformers|url=https://freedium.cfd/b9e7ed5c2a1f|besøksdato=2024-10-22|utgiver=freedium.cfd}}</ref> Oppdagelse av omskrivning er spesielt gunstig for høyparametriserte forhåndstrente modeller.