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 یک نمره بالا یا پایین را تعیین میکند، چرا مواد نقلقولشده و فهرست منابع آن را بدون آنکه مشکلی وجود داشته باشد بالا میبرند، و چگونه به جای خودِ عدد، بخشبندی همانندی پشت آن را بخوانیم.
یک دانشجو از سوی استاد راهنما مطلع میشود که هر چیزی زیر پانزده درصد خوب است. دانشجوی دیگری، که او هم در همان دانشکده است، مقالهاش در راهرو با دوازده درصد علامتگذاری میشود، زیرا سه واحد از آن امتیازها در یک بندِ پیوسته و بدون هیچ علامت نقلقولی در نزدیکی آن قرار میگیرند. هر دو نمره شباهت Turnitin را درست میخوانند. این ابزار از همان ابتدا برای دادن یک عددِ واحدِ قبولی یا مردودی ساخته نشده بود.
پس یک نمره خوب Turnitin چیست؟ چنین عددی وجود ندارد. Turnitin درصد قابلقبولی منتشر نمیکند، یک submission را نمرهدهی نمیکند، و صریحاً میگوید که 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، 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 پشت آن قرار دارد را بخوانید.
یک نمره خوب Turnitin چیست؟
Turnitin هرگز عددی را که خوب، ایمن یا قابلقبول محسوب شود منتشر نکرده است، و این به دلیل مشخصی است: نمره شباهت میزان متنی را میسنجد که در یک submission با متنِ از پیش موجود در پایگاههای داده Turnitin تطابق دارد، نه اینکه آیا آن همپوشانی بهطور نادرست استفاده شده است یا نه. یک نمره بالا میتواند کاملاً از موادی تشکیل شده باشد که بهدرستی نقلقول و استناد شدهاند. یک نمره پایین میتواند بالاتر از مقالهای قرار گیرد که یک منبع را آنقدر نزدیک بازنویسی کرده که برای ارزیاب مسئلهساز شود، بیآنکه موتور تطبیق را اصلاً فعال کند. خواندن این عدد بهعنوان نمره، کارکرد ابزار را وارونه میکند.
عددی مانند 10 تا 20 درصد بهطور گسترده بهعنوان یک قاعده سرانگشتی غیررسمی دستبهدست میشود، در انجمنها و راهنماهای مطالعه تکرار میشود تا جایی که کمکم رسمی به نظر میرسد. اما رسمی نیست. Turnitin چنین عددی را تعیین نکرده است، 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 30 منبع بهدرستی نقلقولشده ساخته شده باشد، فقط بهسبب نقلقولها میتواند به 20 درصد برسد. یک بند که بهصورت نزدیکبهاصل بازنویسی شده و هیچ علامت نقلقولی ندارد، ممکن است زیر 5 درصد بماند و با این حال مسئله جدیتر باشد.
نمره شباهت در واقع چه چیزی را میسنجد
Turnitin ابزار خود را تقریباً با همین واژهها توصیف میکند. راهنمایی 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 خودِ این درصد ارزیابیای درباره این نیست که آیا مقاله شامل مطالب سرقت ادبی است یا نه. این تمایز کار واقعی انجام میدهد: تطابق، امری مکانیکی است، رشتهای از واژهها که با رشتهای از واژهها در جایی دیگر همردیف میشود، و داوری درباره اینکه 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 دانشجوییِ جاری و بایگانیشده، وبِ 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 یک جمله که بیصدا کپی شده است میتوانند تطابقی یکسان ایجاد کنند. فقط نمای جزئیاتِ گزارش نشان میدهد کدامیک کدام است.
چرا یک نمره بالا میتواند کاملاً موجه باشد
دو ویژگی معمولِ نگارش دانشگاهی بیشترِ آن را توضیح میدهد. 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، عنوان مجلات و قالبهای استناد در هزاران مقاله دیگر که همان منابع را ارجاع میدهند تکرار میشوند. هر دو همان چیزی هستند که نگارش دانشگاهیِ درست باید شبیه آن باشد.
در کنار هم گذاشته شوند، یک امتیاز بالا رفته و یک مشکل واقعی در نگاه نخست متفاوت به نظر میرسند.
| چه چیزی تطبیق داده شد | چرا رخ داد | 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 چیزی است که نقلقول درست به نظر میرسد |
| یک فهرست منابع یا کتابنامه | نام نویسندگان، عنوان مجلات و قالبهای ارجاع در بسیاری از مقالههای دیگر تکرار میشوند | خیر، مگر اینکه تنظیم استثنا اعمال نشده باشد |
| روشهای استاندارد یا عبارتبندی رویهای | واژگان مشترک یک حوزه، همان فرایند را در مقالههای مختلف به همان شیوه توصیف میکند | بهندرت، مگر اینکه کل بخش بهجای نگارش تازه، عیناً برداشته شده باشد |
| یک بند بلند و پیوسته بدون علامت نقلقول، که با یک منبع واحد مطابقت دارد | صورتبندی 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, فقط اینکه آیا بخش اندکی از متن، واژه به واژه با پایگاههای داده Turnitin همخوانی دارد یا نه، و هیچ چیز بیشتر. یک بازنویسی که واژهبندی 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 رشتههای واژهها کار میکند، نه بر ایدههای وامگرفتهشده. محتوای ترجمهشده، یا مطالبی از بیرون پایگاههای داده نمایهشده Turnitin، به همان شیوه رفتار میکند, چیزی برای تطبیق وجود ندارد، چیزی علامتگذاری نمیشود.
منابع ساختگی همان نقطه کور را از جهتی دیگر ایجاد میکنند. مرجعی که وجود ندارد نمیتواند با چیزی تطابق داشته باشد، زیرا در هیچ جا چیزی برای تطابق دادن با آن وجود ندارد، و یک امتیاز شباهت هیچ راهی برای علامتگذاری استنادی که از همان ابتدا هرگز واقعی نبوده است ندارد. بررسیکننده رایگان استناد AI در TextPulse دقیقاً برای همین شکاف وجود دارد: هر مدخل در فهرست منابع را با ثبتهای واقعیای که آن منابع باید در آنها ظاهر شوند تطبیق میدهد، پیش از آنکه خواننده ناچار شود این شکاف را به دشواری پیدا کند.
پیش از آنکه کاملاً از عدد عبور کنیم، یک تمایز دیگر نیز شایسته بیان است. یک ارسال با امتیاز شباهت پایین همچنان میتواند نشانگر جداگانه نگارش AI در 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 متن فقط درباره امتیاز شباهت است.
چگونه گزارش را به جای عدد بخوانیم
پیش از باز کردن تفکیک تطابق، به کل عدد واکنش نشان ندهید. Turnitin منابع انسانی را که یک امتیاز را تشکیل میدهند، بر حسب میزان سهمشان در آن رتبهبندی میکند. یک مجموع 22 درصدی که از 11 منبع تشکیل شده و هر کدام 2 درصد سهم دارند، مانند مجموعی که از یک منبع تشکیل شده باشد خوانده نمیشود. الگوی نخست معمولاً بازتاب همپوشانی در میان بسیاری از عبارتهای رایج است. الگوی دوم ارزش آن را دارد که مستقیماً بررسی شود که 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، و قرمز از 75 به بالا. راهنمای خود college درباره اینکه این رنگها چه چیزی نیستند صریح است: بررسیهای شباهت به این معنا نیستند که یک ارسال شامل مواد سرقت ادبی است. رنگ فقط یک گزارش را برای جلب توجه دستهبندی میکند، نه برای صدور حکم.
اینکه آیا تنظیمات خودِ یک مؤسسه نقلقولها و کتابنامه را از شمارش حذف میکند یا نه، ارزش بررسی دارد، زیرا یک ارسال واحد میتواند بسته به این که آن کلید چگونه تنظیم شده است، دو عدد متفاوت تولید کند. هیچیک از اینها وقتی قابل مشاهده باشد پیچیده نیست. فقط وقتی نامرئی است که هیچکس گزارش را فراتر از صفحه اول آن باز نکند.
اگر امتیاز شما شما را شگفتزده کرد چه باید کرد
هر منبع علامتگذاریشده را بهصورت جداگانه دوباره باز کنید، نه این که به مجموع ترکیبی واکنش نشان دهید. تأیید 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. هر جا یک تطابق واقعیِ بدون انتساب پیدا شد، استناد را مستقیماً اصلاح کنید، نه این که جملهها را بازنویسی کنید تا از موتور تطبیق عبور کنند، زیرا آن فقط نشانه را درمان میکند و مشکل را به همان حال باقی میگذارد.
اگر عدد همچنان با آنچه یک ناظر انتظار دارد همخوان نباشد، مستقیم بپرسید که عرف خودِ آن بخش چیست. بخشهای بالا از پیش نشان میدهند که هیچ خط 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. مجموعه ابزارهای رایگان TextPulse بررسیهای استناد و پیشنویس را پوشش میدهد که ارزش انجام دادن پیش از آن دارد که یک گزارش به صندوق ورودی شخص دیگری برسد.
امتیازهای ابزارهای مختلف قابل جایگزینی با یکدیگر نیستند، و نحوه کار GPTZero در صفحهای جداگانه توضیح داده شده است، همراه با آماره perplexity که زیر هر دو قرار دارد.
این امتیاز به همان شکلی رفتار میکند که میکند، چون به دلیل نحوه اجرای تطبیق در زیرِ آن است، و عدد جدیدتری که اکنون کنار آن در همان گزارش قرار دارد بر سازوکاری متفاوت عمل میکند، همان چیزی که راهنمای این سایت درباره این که آشکارسازهای AI واقعاً چگونه کار میکنند آن را بهطور کامل توضیح 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 تنها از نقلقولها بیش از بیست درصد را تشکیل دهد، در حالی که یک بازنویسی بدون انتساب میتواند زیر پنج بماند. به منابع تطبیقیافته 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.
