با ظهور کامپیوتر و گسترش روز افزون اینترنت، دسترسی به ایده‌ها، مقالات، مستندات و دست‌نوشته‌های دیگران آسان‌تر گردیده است. این امر موجب تبادل سریع اطلاعات و در مقابل، سبب آسان‌تر شدن سرقت ادبی یا Plagiarism شده است. از آنجا که در دانشگاه‌ها و سایر مراکز آموزشی، منابع علمی با سهولت بیشتری در دسترس کاربران قرار می‌گیرند، موضوع سرقت ادبی در این مراکز پررنگ‌تر و بالطبع از حساسیت بیشتری نیز برخوردار است. با توجه به این موضوع و نیز اهمیت رعایت حقوق افراد، از جمله نویسندگان و محققان، در سال‌های اخیر، پژوهشگران تحقیقاتی را جهت ارائه‌ی روش‌هایی برای کشف سرقت ادبی یا Plagiarism Detection، در متونی مانند پایان‌نامه‌ها، مقالات و سایر گزارشات علمی، آغاز و در ادامه تلاش خود را به سمت افزایش دقت روش‌ها معطوف داشته‌اند.دو مسئله در مراحل کشف سرقت ادبی مهم و مورد بحث است. اولین مسئله تعداد متونی است که مورد مقایسه‌ قرار می‌گیرند. این متون گاهی بسیار زیاد و به چند هزار می‌رسد. بنابراین اولین گام، یافتن متون اصلی‌ایی است که احتمال تقلبِ متن مشکوک از آن‌ها بیشتر است. یکی از راه‌کارهای مطرح در کاهش تعداد مقایسه‌ها، طبقه‌بندی متون است. زیرا به طور طبیعی افراد از متون هم موضوع با کار خود استفاده می‌نمایند. مسئله‌ی دوم در کشف سرقت ادبی، مکان‌یابی دقیق عبارت‌های سرقت شده می‌باشد. در همین راستا در این پایان‌نامه، یک روش دو فازی، که هر کدام شامل چند مرحله می‌باشد، جهت تشخیص سرقت ادبی پیشنهاد گردیده است. در فاز اول، یک طبقه‌بند شبکه‌ی عصبی برای طبقه‌بندی متون تک برچسبه ارائه شده است. این طبقه‌بند از قاعده‌ی رقابتی و تصحیح خطا و یک دنباله‌ی هندسی برای تصحیح اوزان بین کلمات و موضوعات استفاده می‌کند. با این طبقه‌بند، از آنجا که هر متن مشکوک تنها با متون هم طبقه خود مقایسه می‌شود، تعداد مقایسه‌های متن مشکوک و متون اصلی کاهش می‌یابد. در فاز دوم، پس از پیش‌پردازش متون، در ابتدا به دلیل زیاد بودن احتمالی متون اصلی مربوط به طبقه‌ی متن مشکوک، تعدادی ازآن‌‌ها، که به متن مشکوک شبیه‌تر هستند، یافت می‌شود. در مرحله‌ی دوم، با استفاده از جملات و کلمات کلیدی مشابه در هر جفت جمله‌ی مربوط به متن مشکوک و اصلی، فرمولی برای یافتن درصد شباهت دو جمله، ارائه می‌شود. در مرحله‌ی سوم، با استفاده از یک حد آستانه و توالی جملات مشابه، مکان عبارات تقلب شده در دو متن، یافت می‌شود. در مرحله‌ی آخر، به دلیل وجود برخی از خطاهای احتمالی و هچنین گسسته یافت شدن برخی از عبارات، یک الگوریتم پس‌پردازش سه مرحله‌ای بر روی عبارات کشف شده، اعمال می‌شود.روش پیشنهادی در این پایان‌نامه، برای کشف تقلب، در متونی که نوع تقلب آن‌ها کلمه به کلمه و یا با ابهام کم می‌باشد، ارائه شده است. مقایسه‌ی این روش با کارهای انجام شده نیز در دو فاز انجام شده است. طبقه‌بند ارائه شده، نسبت به روش نزدیکترین همسایه، دقت بسیار بهتری دارد. این طبقه‌بند، در زمانی که تعداد موضوعات زیاد است، نتایج بهتری را نسبت به روش بیز ساده نشان می‌دهد، اما نسبت به ماشین بردار پشتیبان ضعیف عمل می‌کند. مقایسه‌ی فاز دوم، با چهار نفر برتر مسابقه‌ی کشف سرقت ادبی PAN10، نشان می‌دهد که این الگوریتم در مورد تشخیص تقلب‌های کلمه به کلمه خوب عمل می‌کند و بعد از نفر اول نسبت به دیگران نتیجه بهتری دارد. در تقلب با ابهام کم، درصد فراخوانی این الگوریتم، نسبت به هر چهار نفر بهتر بوده، اما نیاز به کار بیشتر برای شناسایی یکسره‌ی عبارات و بهبود دقت دارد.
کد نوشتار : 296936