文章相似度檢測、內容相似度檢測（content similarity detection）或抄袭检测（plagiarism detection）是在一份文件中找到抄袭或侵權詞句所在位置的方法。隨著電腦的普遍使用，網際網路的發明，抄袭其他作品的難度越來越低。
抄袭检测可以用許多方式來進行。人工檢測是傳統檢測是否有抄袭的方法，相當的耗時間。目前已有許多文字匹配軟體（text-matching software、TMS），也稱為反剽竊軟體（anti-plagiarism software）或剽竊檢測軟體（plagiarism detection software），這些軟體可能是商業軟體，也可能是開源軟體。文字比對軟體不會一句一句的檢查是否有抄袭，不過軟體會從一份文件中找到和其他文件相符的特定片段，若相符的特定片段越多，抄袭的可能性也就越高。
軟體輔助的文件抄袭检测
電腦輔助的抄袭检测（computer-assisted plagiarism detection、簡稱CaPD）是由特製的信息檢索系統所進行的信息檢索工作，此系統稱為抄袭检测系統（plagiarism detection system、PDS）或文件相似度檢測系統。2019年的一篇系統綜述 簡單說明了目前正在使用的抄袭检测系統。
文件相似度檢測系統有兩種通用的檢測方式，一種是外在的，一種則和文件的固有特性有關。
程式碼抄袭常常出現在程式相關的作業上。大部份的作業都會給學生很明確的需求，要學生寫出符合該需求的程式。不一定可以在網路上找到已有，符合該需求的程式。網路上可找到的程式可能只能符合部份需求，若要滿足作業需求，還需要改寫程式或整合程式，這多半會比學生自己學程式作業要難。大部份的學生若要抄袭程式碼作業，多半會抄袭同學寫的作業。
根據Roy和Cordy的研究，程式碼抄袭检测演算法可以分為以下幾種
- 字串：找文本中完全相同的文字片段，例如連續五個字相同。此演算法速度很快，但若修改變數名稱，即無法識別。
- 符記（Tokens）：也和字串演算法相同，但是由詞法分析將程式先轉換為符記（Token），忽略空白、註解、識別符名稱，因此若只是單純修改變數名稱，此方式仍可以法識別。大部份學術的程式碼抄袭系統會使用此演算法，用不同的演算法來評估二個符記序列的相似度。
- 分析树（Parse Trees）：先建立分析树然後再比較，這可以偵測更高層次的類似性。例如，分析树比較可以正規化條件敘述，再偵測兩者是否有類似的等效結構。
- 程式相依圖（PDG）：程式相依圖可以表示程式中各函式之間彼此呼叫的關係，可以找到更高層次的相似，不過複雜度及運算時間都多很多。
- 軟體度量：會依照一些準則（例如迴圈及條件判斷的個數，或是變數使用的數量）去算程式碼的分數。軟體度量很容易計算，也很容易比較，不過偽陽性的比例很高。二段不同的程式可能剛好有相同的軟體度量值。
- 混合法：例如分析树加上后缀树，可以結合分析树的能力以及后缀树（一種用於字串比對的資料結構）的計算效率。
上述的分類一開始是為了代码重构所開發的，不是為了程式碼抄袭。代码重构的一個重要目的是避免程式中重複的程式碼，在文獻中稱為代码重复。上述的作法可以偵測到不同層次的相似性：低層次的相似性是指完全相同的文字，高層次的相似性可能是因為類似的規格所產生。在學術的使用上，因為學生是依相同的規格寫程式作業，其作業的程式在機能上等效（即高層次的相似性）是合理的，因此若用在在程式作業的抄袭檢測上，一般只會考慮低層次的相似性。
相關條目
*
*
- 最邻近搜索
*
- 柯氏复杂性：用來評估多個系統中，符記序列（token sequences）的類似程度
參考資料
文獻
- Carroll, J. (2002). A handbook for deterring plagiarism in higher education. Oxford: The Oxford Centre for Staff and Learning Development, Oxford Brookes University. (96 p.),
- Zeidman, B. (2011). The Software IP Detective’s Handbook. Prentice Hall. (480 p.),
评论 (0)