نمره خوب Turnitin چیست؟
Turnitin هیچ درصد همانندی قابل قبولی منتشر نمیکند و مؤسسات خودشان راهنماییهایشان را تعیین میکنند. این نوشته توضیح میدهد چه چیزهایی واقعاً نمره را بالا یا پایین میبرند، چرا مواد نقلقولشده و فهرست منابع آن را بدون وجود هیچ اشکالی افزایش میدهند، و چگونه بهجای خود عدد، بخشبندی تطابقها را پشت آن بخوانیم.
یک دانشجو از سوی یک استاد راهنما مطلع میشود که هر چیزی زیر پانزده درصد خوب است. دانشجوی دیگری، که او هم در همان دانشکده است، میبیند مقالهاش در راهرو با دوازده درصد علامتگذاری میشود، زیرا سه درصد از آن درون یک بندِ پیوسته و بدون هیچ علامت نقلقولی در نزدیکی آن قرار دارد. هر دو امتیاز شباهت Turnitin را درست میخوانند. این ابزار از ابتدا برای دادن یک عددِ واحدِ قبولی یا رد طراحی نشده بود.
پس یک امتیاز خوب Turnitin چیست؟ چنین عددی وجود ندارد. Turnitin درصد قابلقبولی منتشر نمیکند، یک ارسال را نمرهدهی نمیکند، و صریحاً میگوید این رقم بهتنهایی معیاری برای سرقت ادبی نیست. هر مؤسسه راهنمای خود را تعیین میکند، و اغلب هر استاد راهنما درون آن نیز همین کار را میکند، و به همین دلیل است که یک گزارش واحد میتواند در یک دفتر عادی و در دفتر بعدی نگرانکننده به نظر برسد. عددی که ارزش یادگیری دارد این است که چگونه آنچه را پشت آن قرار دارد بخوانیم.
یک امتیاز خوب Turnitin چیست؟
Turnitin هرگز عددی را که خوب، ایمن یا قابلقبول محسوب شود منتشر نکرده است، و این کار را به دلیل مشخصی انجام نداده است: امتیاز شباهت میزان متنی را در یک ارسال میسنجد که با متنی از پیش در پایگاههای داده Turnitin مطابقت دارد، نه این که آیا آن همپوشانی بهطور نادرست استفاده شده است یا نه. یک امتیاز بالا میتواند کاملاً از موادی ناشی شود که بهدرستی نقلقول و ارجاع شدهاند. یک امتیاز پایین میتواند بالاتر از مقالهای باشد که یک منبع را آنقدر نزدیک بازنویسی کرده که برای یک ممتحن مسئلهساز شود، بیآنکه اصلاً موتور تطبیق را فعال کند. خواندن این عدد بهمثابه نمره، کارکرد ابزار را وارونه میکند.
رقمی مانند ده تا بیست درصد بهطور گسترده بهعنوان یک قاعده سرانگشتی غیررسمی رواج دارد، و در انجمنها و راهنماهای مطالعه آنقدر تکرار میشود تا رسمی به نظر برسد. این رقم رسمی نیست. Turnitin چنین رقمی تعیین نمیکند، و قاعده سرانگشتیای که طول سند، تراکم ارجاعدهی و عرف رشته را نادیده بگیرد، به محض برخورد با یک مقاله واقعی فرو میریزد. یک مرور ادبیات که از سی منبع بهدرستی نقلقولشده ساخته شده باشد، ممکن است صرفاً بهسبب نقلقولها از بیست درصد عبور کند. یک بندِ واحد که با بازنویسی بسیار نزدیک از یک منبع و بدون علامت نقلقول نوشته شده باشد، میتواند زیر پنج درصد بماند و با این حال مسئله جدیتری باشد.
امتیاز شباهت در عمل دقیقاً چه چیزی را میسنجد
Turnitin ابزار خود را تقریباً با همین واژهها توصیف میکند. راهنمای Boise State University، با تکیه بر زبان خود Turnitin، توضیح میدهد که نمره شباهت، درصدی از محتوای یک مقاله است که با مطالبی که از پیش در پایگاههای داده Turnitin وجود دارد مطابقت دارد، و این درصد به خودی خود ارزیابی این نیست که آیا مقاله حاوی مطالب سرقتادبیشده است یا نه. این تمایز واقعاً کارکرد دارد: تطابق امری مکانیکی است، رشتهای از واژهها که با رشتهای از واژهها در جایی دیگر همردیف میشوند، و داوری درباره این که آیا آن همپوشانی بهدرستی ارجاع داده شده است یا نه، به انسان نیاز دارد، نه به یک الگوریتم.
پایگاههای داده پشت این تطابق عمداً گستردهاند: ارسالهای دانشجویی جاری و بایگانیشده، وب آزاد، و مجموعه بزرگی از انتشارات دانشگاهی. هیچیک از این محتواها از نظر معنا خوانده نمیشود. سامانه رشتههای همپوشان واژهها را پیدا میکند و گزارش میدهد که چه مقدار از یک ارسال را پوشش میدهند، و به همین دلیل یک جمله نقلقولشده و همان جمله که بیصدا کپی شده است میتوانند تطابقی یکسان ایجاد کنند. فقط نمای جزئیات گزارش نشان میدهد کدامیک کدام است.
چرا یک نمره بالا میتواند کاملاً موجه باشد
دو ویژگی معمولیِ نگارش دانشگاهی بیشترِ این وضعیت را توضیح میدهند. بخشهای نقلقولشده از روی قصد تطابق دارند، زیرا واژهها عمداً کپی شدهاند و در صفحه بهعنوان واژههای شخص دیگری مشخص شدهاند. فهرستهای منابع نیز به همان اندازه قابلاعتماد تطابق دارند، زیرا نام نویسندگان، عنوانهای مجلات و قالبهای استناد در هزاران مقاله دیگر که به همان منابع ارجاع میدهند تکرار میشوند. هر دو همان چیزی هستند که نگارش دانشگاهیِ درست باید شبیه آن باشد.
اگر یک نمره متورم و یک مشکل واقعی را کنار هم بگذاریم، در نگاه اول متفاوت به نظر میرسند.
| چه چیزی مطابقت داشت | چرا این اتفاق افتاد | آیا ارزش بررسی دقیقتر دارد؟ |
|---|---|---|
| یک بخش نقلقولشده با علامتهای نقلقول و یک ارجاع | واژهها عمداً کپی شده بودند و در صفحه به آنها ارجاع داده شده بود | خیر، این همان شکل درست نقلقول است |
| فهرست منابع یا کتابنامه | نام نویسندگان، عنوان مجلات و قالبهای ارجاع در بسیاری از مقالههای دیگر تکرار میشوند | خیر، مگر اینکه تنظیم حذف اعمال نشده باشد |
| روشهای استاندارد یا عبارتبندی رویهای | واژگان مشترک یک حوزه، همان فرایند را در مقالههای مختلف به یک شکل توصیف میکند | بهندرت، مگر اینکه کل بخش بهجای نگارش تازه، عیناً برداشته شده باشد |
| یک بند بلند و پیوسته بدون علامتهای نقلقول، که با یک منبع واحد مطابقت دارد | صورتبندی واژگان آنقدر به جمله یک نویسنده دیگر نزدیک است که موتور تطبیق آن را تشخیص میدهد | بله، این همان الگویی است که ارزش دارد منبع آن باز شود و بررسی شود |
مقاله خود را انسانیسازی کنید
متنِ کمکگرفته از AI خود را دگرگون کنید و کاری کنید طبیعی به نظر برسد، بدون دست زدن به واژههای مهم یا ارجاعها.
چرا یک امتیاز پایین هنوز میتواند یک مشکل را پنهان کند
یک عدد پایین به پرسشی محدودتر از آنچه به نظر میرسد پاسخ میدهد, اینکه آیا بخش کمی از متن، واژه به واژه با پایگاههای داده Turnitin همخوانی دارد یا نه، و چیزی بیش از این نیست. یک بازنویسی که واژگان را به اندازه کافی تغییر میدهد اما ساختار و استدلال نویسنده دیگری را دستنخورده نگه میدارد، میتواند امتیازی نزدیک به صفر بگیرد و با این حال همچنان یک مشکل جدی در یکپارچگی علمی باشد، زیرا موتور بر اساس رشتههای واژه کار میکند، نه بر اساس ایدههای وامگرفتهشده. محتوای ترجمهشده، یا مطالبی از بیرون پایگاههای داده نمایهشده Turnitin، به همان شکل رفتار میکنند, چیزی برای تطبیق وجود ندارد، و چیزی هم علامتگذاری نمیشود.
منابع ساختگی از جهتی دیگر همین نقطه کور را ایجاد میکنند. ارجاعی که وجود ندارد نمیتواند با چیزی مطابقت داشته باشد، زیرا در هیچجا چیزی برای تطبیق با آن وجود ندارد، و یک امتیاز شباهت هیچ راهی برای علامتگذاری ارجاعی که از همان ابتدا واقعی نبوده است ندارد. بررسیکننده رایگان ارجاع AI در TextPulse دقیقاً برای همین شکاف وجود دارد, هر مدخل را در یک فهرست منابع با ثبتهای واقعیای که آن منابع باید در آنها ظاهر شوند تطبیق میدهد، پیش از آنکه خواننده مجبور شود این شکاف را به روش دشوار پیدا کند.
پیش از آنکه کاملاً از عدد عبور کنیم، یک تمایز دیگر نیز شایسته طرح است. یک ارسال با نمره شباهت پایین همچنان میتواند نشانگر جداگانه نگارش هوش مصنوعی Turnitin را داشته باشد، معیاری متفاوت که برای شناسایی نوع دیگری از مسئله ساخته شده است، و در راهنمای این سایت درباره اینکه آیا Turnitin واقعاً میتواند ChatGPT را شناسایی کند پوشش داده شده است. این دو درصد به یک شیوه محاسبه نمیشوند، و این بخش فقط درباره نمره شباهت است.
چگونه گزارش را به جای عدد بخوانیم
پیش از آنکه به تفکیک تطابقها نگاه کنید، به کل عدد واکنش نشان ندهید. Turnitin منابع انسانی را که یک نمره را تشکیل میدهند، بر حسب میزان سهمشان در آن رتبهبندی میکند. یک مجموع 22 درصدی که از 11 منبع با سهم 2 درصدی هر کدام ساخته شده است، مانند مجموعی که از یک منبع ساخته شده باشد خوانده نمیشود. الگوی نخست معمولاً بازتاب همپوشانی در میان عبارتهای رایج بسیار است. الگوی دوم ارزش آن را دارد که مستقیماً بررسی شود آن منبع واقعاً چه میگوید.
Turnitin همان درصد را در یک نوار رنگی نیز دستهبندی میکند، همانگونه که در راهنمای خود Loughborough College برای دانشجویان بازتاب یافته است: آبی برای متن بدون تطابق، سبز از یک واژه تا 24 درصد، زرد از 25 تا 49، نارنجی از 50 تا 74، قرمز از 75 و بالاتر. راهنمای خود college درباره اینکه این رنگها چه چیزی نیستند صریح است: بررسی شباهت به این معنا نیست که یک ارسال شامل مواد سرقت ادبی است. رنگ، گزارش را برای جلب توجه دستهبندی میکند، نه برای صدور حکم.
اینکه تنظیمات خود یک مؤسسه، نقلقولها و کتابنامه را از شمارش مستثنا میکند یا نه، نیز ارزش بررسی دارد، زیرا همان ارسال میتواند بسته به اینکه آن کلید چگونه تنظیم شده باشد، دو عدد متفاوت تولید کند. هیچیک از اینها وقتی قابل مشاهده باشد پیچیده نیست. فقط زمانی نامرئی است که هیچکس گزارش را فراتر از صفحه نخست آن باز نکند.
اگر نمره شما شما را غافلگیر کرد، چه باید کرد
هر منبع علامتگذاریشده را بهصورت جداگانه دوباره باز کنید، نه اینکه به مجموعِ ترکیبی واکنش نشان دهید. بررسی کنید که آیا نسخهای که در حال نمرهدهی است، نقلقولها و کتابنامه را مستثنا کرده است یا نه، زیرا عددی که دانشجو هنگام پیشنویس میبیند همیشه به همان شکلی که عددی که مدرس هنگام ارسال میبیند پیکربندی نشده است. هرجا یک تطابقِ واقعیِ بدون انتساب پیدا شد، استناد را مستقیماً اصلاح کنید، نه اینکه جملهها را بازنویسی کنید تا از موتور تطبیق عبور کنند، زیرا آن فقط نشانه را درمان میکند و مسئله را بهجا میگذارد.
اگر عدد هنوز با آنچه یک ناظر انتظار دارد همخوان نیست، مستقیم بپرسید که قاعدهٔ خودِ آن بخش چیست. بخشهای بالا از پیش نشان میدهند که هیچ خطِ واحدی برای رسیدن وجود ندارد، بنابراین پاسخ نزد کسی است که اختیار محلی بر تکلیف دارد، نه نزد هر درصدی که میشد از پیش جستوجو کرد. مجموعهٔ ابزارهای رایگان TextPulse بررسیهای استناد و پیشنویس را پوشش میدهد که ارزش دارد پیش از آنکه گزارشی به صندوق ورودی شخص دیگری برسد، اجرا شوند.
امتیازهای ابزارهای مختلف قابلجایگزینی با یکدیگر نیستند، و نحوهٔ کار GPTZero در صفحهٔ جداگانهٔ خود توضیح داده شده است، همراه با آمارهٔ perplexity که زیر هر دو قرار دارد.
این امتیاز به این دلیل چنین رفتاری دارد که تطبیقِ زیرِ آن چگونه اجرا میشود، و عدد جدیدتری که اکنون در همان گزارش کنار آن قرار گرفته است بر پایهٔ سازوکار دیگری کار میکند، همان سازوکاری که راهنمای این سایت دربارهٔ اینکه آشکارسازهای AI در عمل چگونه کار میکنند بهطور کامل شرح میدهد. خواندن هر یک از این دو عدد بهعنوان حکم، تنها بخشی از گزارش را که ارزش خواندن دارد نادیده میگیرد.
سؤالات متداول
نمره خوب Turnitin چیست؟ چنین عددی وجود ندارد. Turnitin درصد قابل قبولی منتشر نمیکند و نمره همانندی میزان تطابق متن با پایگاههای داده آن را میسنجد، نه میزان سرقت ادبی را. یک مرور ادبیات که بهدرستی ارجاع داده شده باشد میتواند فقط از نقلقولها بیش از 20 درصد بگیرد، در حالی که یک بازنویسی بدون انتساب میتواند زیر 5 بماند. به منابع تطبیقدادهشده نگاه کنید، نه به رقم اصلی.
PhD in natural language processing, with years spent building NLP applications end to end. Moe works on text analysis: lexical and syntactic structure, and what separates machine-generated prose from human prose statistically. He has been experimenting with computational linguistics since the early days of NLTK, spaCy and WordNet, and still writes most of his tooling in Python.
