Turnitin स्कोर अच्छा क्या है?
Turnitin कोई स्वीकार्य समानता प्रतिशत प्रकाशित नहीं करता, और संस्थान इसके बजाय अपना मार्गदर्शन स्वयं तय करते हैं। यह पोस्ट बताती है कि वास्तव में कौन-सी बातें उच्च या निम्न स्कोर को प्रभावित करती हैं, उद्धृत सामग्री और संदर्भ सूची इसे बिना किसी त्रुटि के क्यों बढ़ा देती हैं, और संख्या के बजाय संख्या के पीछे के मिलान विभाजन को कैसे पढ़ा जाए।
एक छात्र को एक पर्यवेक्षक द्वारा बताया जाता है कि पंद्रह प्रतिशत से कम कुछ भी ठीक है। उसी विभाग में एक अन्य छात्र का पेपर बारह प्रतिशत पर गलियारे में चिन्हित कर दिया जाता है, क्योंकि उन अंकों में से तीन एक ही अविच्छिन्न अनुच्छेद के भीतर आते हैं, और उसके पास कोई उद्धरण चिह्न नहीं हैं। दोनों Turnitin के समानता स्कोर को सही ढंग से पढ़ते हैं। यह उपकरण शुरू से ही एकल उत्तीर्ण या अनुत्तीर्ण संख्या देने के लिए बनाया ही नहीं गया था।
तो एक अच्छा Turnitin स्कोर क्या है? ऐसी कोई संख्या नहीं है। Turnitin कोई स्वीकार्य प्रतिशत प्रकाशित नहीं करता, किसी प्रस्तुति को अंक नहीं देता, और स्पष्ट रूप से कहता है कि यह आंकड़ा अपने आप में साहित्यिक चोरी का माप नहीं है। प्रत्येक संस्थान अपनी स्वयं की मार्गदर्शिका तय करता है, और अक्सर उसके भीतर प्रत्येक पर्यवेक्षक भी, इसलिए वही रिपोर्ट एक कार्यालय में साधारण और अगले में चिंताजनक दिख सकती है। सीखने योग्य संख्या यह है कि उसके पीछे जो है, उसे कैसे पढ़ा जाए।
एक अच्छा Turnitin स्कोर क्या है?
Turnitin ने कभी कोई ऐसी संख्या प्रकाशित नहीं की है जो अच्छी, सुरक्षित या स्वीकार्य मानी जाए, और इसका एक विशिष्ट कारण है: समानता स्कोर यह मापता है कि किसी प्रस्तुति का कितना पाठ Turnitin के डेटाबेस में पहले से मौजूद पाठ से मेल खाता है, न कि यह कि उस ओवरलैप का उपयोग अनुचित रूप से किया गया था या नहीं। उच्च स्कोर पूरी तरह उस सामग्री से आ सकता है जिसे सही ढंग से उद्धृत और संदर्भित किया गया हो। निम्न स्कोर उस पेपर से ऊपर हो सकता है जो एक स्रोत का इतनी निकटता से पुनर्परिभाषण करता है कि वह परीक्षक के लिए समस्या बन जाए, जबकि मिलान इंजन को बिल्कुल भी सक्रिय न करे। संख्या को अंक की तरह पढ़ना उपकरण को उल्टा समझना है।
दस से बीस प्रतिशत जैसी एक संख्या अनौपचारिक नियम के रूप में व्यापक रूप से प्रचलित है, जिसे मंचों और अध्ययन मार्गदर्शिकाओं में बार-बार दोहराया जाता है, जब तक कि वह आधिकारिक लगने न लगे। यह आधिकारिक नहीं है। Turnitin ऐसी कोई संख्या निर्धारित नहीं करता, और ऐसा नियम जो दस्तावेज़ की लंबाई, उद्धरण घनत्व और क्षेत्रीय परंपरा को अनदेखा करता है, वास्तविक पेपर से टकराते ही विफल हो जाता है। तीस सही ढंग से उद्धृत स्रोतों से बनी एक साहित्य समीक्षा केवल उद्धरणों के आधार पर बीस प्रतिशत से ऊपर जा सकती है। बिना उद्धरण चिह्न के एकल, निकटता से पुनर्परिभाषित अनुच्छेद पाँच प्रतिशत से नीचे रह सकता है और फिर भी अधिक गंभीर समस्या हो सकता है।
समानता स्कोर वास्तव में क्या मापता है
Turnitin अपने उपकरण का वर्णन लगभग इन्हीं शब्दों में करता है। Boise State University से प्राप्त मार्गदर्शन, जो Turnitin की अपनी भाषा पर आधारित है, यह स्पष्ट करता है कि समानता स्कोर किसी शोधपत्र की सामग्री का वह प्रतिशत है जो Turnitin के डेटाबेस में पहले से मौजूद सामग्री से मेल खाता है, और यह प्रतिशत स्वयं इस बात का आकलन नहीं है कि शोधपत्र में साहित्यिक चोरी की गई सामग्री है या नहीं। यह भेद वास्तव में महत्वपूर्ण है, मेल खाना एक यांत्रिक प्रक्रिया है, शब्दों की एक शृंखला का कहीं और शब्दों की एक शृंखला से पंक्तिबद्ध हो जाना, और यह तय करना कि वह ओवरलैप उचित रूप से श्रेयित था या नहीं, किसी व्यक्ति का काम है, किसी एल्गोरिदम का नहीं।
मेल के पीछे के डेटाबेस जानबूझकर व्यापक हैं, वर्तमान और संग्रहीत छात्र प्रस्तुतियाँ, खुला वेब, और शैक्षणिक प्रकाशनों का एक बड़ा संग्रह। इनमें से किसी भी सामग्री को अर्थ के लिए नहीं पढ़ा जाता। प्रणाली शब्दों की ओवरलैप करने वाली शृंखलाएँ खोजती है और बताती है कि वे किसी प्रस्तुति के कितने भाग को कवर करती हैं, इसी कारण उद्धृत वाक्य और चुपचाप कॉपी किया गया वाक्य एक समान मेल उत्पन्न कर सकते हैं। केवल रिपोर्ट का विस्तृत दृश्य ही दिखाता है कि कौन-सा कौन है।
उच्च स्कोर पूरी तरह वैध क्यों हो सकता है
शैक्षणिक लेखन की दो सामान्य विशेषताएँ इसका अधिकांश भाग समझाती हैं। उद्धृत अंश जानबूझकर मेल खाते हैं, क्योंकि शब्द उद्देश्यपूर्वक कॉपी किए जाते हैं और पृष्ठ पर किसी और के रूप में चिह्नित होते हैं। संदर्भ सूचियाँ भी उतनी ही विश्वसनीय रूप से मेल खाती हैं, क्योंकि लेखक के नाम, पत्रिका शीर्षक और उद्धरण प्रारूप उन्हीं स्रोतों का हवाला देने वाले हजारों अन्य शोधपत्रों में दोहराए जाते हैं। दोनों वही हैं जैसा सही शैक्षणिक लेखन को दिखना चाहिए।
एक साथ रखकर देखें, तो एक बढ़ा-चढ़ाकर दिखाया गया स्कोर और एक वास्तविक समस्या, पहली नज़र में अलग दिखते हैं।
| क्या मेल खाया | ऐसा क्यों हुआ | क्या इसे और ध्यान से देखना चाहिए? |
|---|---|---|
| उद्धरण चिह्नों और एक संदर्भ के साथ एक उद्धृत अंश | शब्द जानबूझकर कॉपी किए गए थे और पृष्ठ पर उनका श्रेय दिया गया था | नहीं, सही उद्धरण ऐसा ही दिखता है |
| संदर्भ सूची या ग्रंथसूची | लेखक के नाम, जर्नल शीर्षक और उद्धरण प्रारूप कई अन्य शोधपत्रों में दोहराए जाते हैं | नहीं, जब तक कि बहिष्करण सेटिंग लागू नहीं की गई थी |
| मानक विधियाँ या प्रक्रियात्मक वाक्यांश | किसी क्षेत्र की साझा शब्दावली कई शोधपत्रों में एक ही प्रक्रिया का वर्णन एक ही तरह से करती है | दुर्लभ रूप से, जब तक कि पूरा खंड नए सिरे से लिखने के बजाय उठा न लिया गया हो |
| एक लंबा, बिना टूटे अनुच्छेद, जिसमें कोई उद्धरण चिह्न नहीं हैं, जो एक ही स्रोत से मेल खाता है | शब्दावली किसी अन्य लेखक के वाक्य का इतनी निकटता से अनुसरण करती है कि मिलान इंजन उसे पकड़ लेता है | हाँ, यही वह पैटर्न है जिसके लिए स्रोत खोलकर जाँच करनी चाहिए |
अपने पेपर को मानवीय बनाइए
अपने AI-सहायता प्राप्त पाठ को रूपांतरित करें और उसे मानवीय ध्वनि दें, महत्वपूर्ण शब्दों या उद्धरणों को छेड़े बिना।
कम स्कोर फिर भी समस्या को क्यों छिपा सकता है
कम संख्या एक उससे अधिक संकीर्ण प्रश्न का उत्तर देती है जितना वह प्रतीत होती है, यह कि क्या थोड़ा-सा पाठ Turnitin के डेटाबेस से शब्द दर शब्द मेल खाता है, इससे अधिक कुछ नहीं। एक ऐसा पुनर्प्रस्तुतीकरण जो पर्याप्त शब्दावली बदल देता है, जबकि किसी अन्य लेखक की संरचना और तर्क को जस का तस रखता है, शून्य के करीब स्कोर कर सकता है और फिर भी गंभीर अखंडता समस्या हो सकता है, क्योंकि इंजन शब्दों की शृंखलाओं पर काम करता है, उधार लिए गए विचारों पर नहीं। अनूदित सामग्री, या Turnitin के अनुक्रमित डेटाबेस के बाहर की सामग्री, उसी तरह व्यवहार करती है, मिलाने के लिए कुछ नहीं, चिह्नित करने के लिए कुछ नहीं।
गढ़े गए स्रोत एक अलग दिशा से वही अंधा स्थान पैदा करते हैं। जो संदर्भ अस्तित्व में ही नहीं है, वह किसी चीज़ से मेल नहीं खा सकता, क्योंकि उसके विरुद्ध मेल खाने के लिए कहीं कुछ है ही नहीं, और समानता स्कोर के पास ऐसे उद्धरण को चिह्नित करने का कोई तरीका नहीं है जो पहले स्थान पर कभी वास्तविक था ही नहीं। TextPulse का free AI citation checker ठीक इसी अंतर के लिए मौजूद है, यह संदर्भ सूची की प्रत्येक प्रविष्टि को उन वास्तविक रजिस्ट्रियों से मिलाता है जिनमें उन स्रोतों का होना चाहिए, इससे पहले कि पाठक को उस अंतर को कठिन तरीके से खोजना पड़े।
संख्या को पूरी तरह छोड़ने से पहले एक और भेद करना उचित है। कम similarity score वाली एक submission में फिर भी Turnitin का अलग AI writing indicator हो सकता है, जो एक भिन्न माप है और एक भिन्न प्रकार की समस्या को पकड़ने के लिए बनाया गया है, जैसा कि इस साइट की guide to whether Turnitin can actually detect ChatGPT में बताया गया है। दोनों प्रतिशत एक ही तरीके से नहीं निकाले जाते, और यह लेख केवल similarity score पर केंद्रित है।
रिपोर्ट को संख्या के बजाय कैसे पढ़ें
match breakdown खोलने से पहले कुल परिणाम पर प्रतिक्रिया न दें। Turnitin person sources को, जो एक score बनाते हैं, उसमें उनके योगदान के क्रम में रैंक करेगा। ग्यारह sources से बना 22 प्रतिशत का कुल, जिनमें से प्रत्येक 2 प्रतिशत का योगदान देता है, एक ही source से बने कुल की तरह नहीं पढ़ा जाता। पहला पैटर्न आम तौर पर अनेक सामान्य वाक्यांशों के साथ overlap को दर्शाता है। दूसरा इस बात पर सीधे ध्यान देने योग्य है कि वह source वास्तव में क्या कहता है।
Turnitin उसी percentage को एक color band में भी वर्गीकृत करता है, जैसा कि Loughborough College के छात्रों के लिए अपने स्वयं के मार्गदर्शन में दिया गया है: blue, no matching text के लिए, green, one word से 24 प्रतिशत तक, yellow, 25 से 49 तक, orange, 50 से 74 तक, red, 75 और उससे ऊपर। college का अपना मार्गदर्शन इस बारे में स्पष्ट है कि colors क्या नहीं हैं: similarity checks का अर्थ यह नहीं है कि किसी submission में plagiarized material है। color एक report को ध्यान के लिए व्यवस्थित करता है, निर्णय के लिए नहीं।
यह भी जाँचना उचित है कि किसी institution की अपनी settings quotations और bibliography को count से बाहर करती हैं या नहीं, क्योंकि वही submission इस बात पर निर्भर करते हुए दो अलग numbers दे सकती है कि वह toggle कैसे set है। यह सब visible होने पर जटिल नहीं है। यह केवल तब invisible रहता है जब कोई report को उसके पहले page से आगे नहीं खोलता।
यदि आपका score आपको चौंकाए, तो क्या करें
हर चिह्नित स्रोत को संयुक्त कुल पर प्रतिक्रिया देने के बजाय अलग-अलग फिर से खोलें। पुष्टि करें कि जिस संस्करण का मूल्यांकन किया जा रहा है, उसमें उद्धरण और ग्रंथसूची को बाहर रखा गया है या नहीं, क्योंकि मसौदा तैयार करते समय छात्र को जो संख्या दिखाई देती है, वह हमेशा उसी तरह विन्यस्त नहीं होती जैसी संख्या प्रशिक्षक को प्रस्तुति के समय दिखाई देती है। जहाँ कोई वास्तविक, बिना श्रेय का मेल मिलता है, वहाँ वाक्यों को इस तरह फिर से लिखने के बजाय कि मिलान इंजन को चकमा दिया जा सके, उद्धरण को सीधे ठीक करें, क्योंकि ऐसा करने से केवल लक्षण का उपचार होता है और समस्या बनी रहती है।
यदि संख्या अभी भी उस अपेक्षा से मेल नहीं खाती जो किसी पर्यवेक्षक को होनी चाहिए, तो सीधे पूछें कि उस विभाग की अपनी परंपरा क्या है। ऊपर के खंड पहले ही दिखा चुके हैं कि पहुँचने के लिए कोई एकमात्र सीमा नहीं है, इसलिए उत्तर उस व्यक्ति के पास है जिसके पास असाइनमेंट पर स्थानीय अधिकार है, न कि किसी ऐसे प्रतिशत के पास जिसे पहले से कोई भी देख सकता था। TextPulse का मुफ़्त उपकरण संग्रह उन उद्धरण और मसौदा जाँचों को कवर करता है जिन्हें रिपोर्ट किसी और के इनबॉक्स तक पहुँचने से पहले चलाना उचित है।
विभिन्न उपकरणों के अंक परस्पर विनिमेय नहीं होते, और GPTZero कैसे काम करता है अपने अलग पृष्ठ पर समझाया गया है, साथ ही वह perplexity सांख्यिकी जो दोनों के नीचे स्थित है भी।
अंक जिस तरह व्यवहार करता है, वह उसके नीचे चलने वाले मिलान के तरीके के कारण है, और उसी रिपोर्ट पर उसके बगल में अब दिखाई देने वाला नया अंक एक अलग तंत्र पर काम करता है, वही जिसे इस साइट की AI detectors वास्तव में कैसे काम करते हैं, इस पर मार्गदर्शिका पूरी तरह से स्पष्ट करती है। किसी भी अंक को निर्णय के रूप में पढ़ना रिपोर्ट के उस एकमात्र हिस्से को छोड़ देना है जिसे पढ़ना वास्तव में सार्थक है।
अक्सर पूछे जाने वाले प्रश्न
Turnitin स्कोर अच्छा क्या है? ऐसी कोई संख्या नहीं है। Turnitin कोई स्वीकार्य प्रतिशत प्रकाशित नहीं करता, और समानता स्कोर यह मापता है कि उसका डेटाबेस के साथ कितना पाठ मेल खाता है, यह नहीं कि कितना साहित्यिक चोरी किया गया था। ठीक से उद्धृत साहित्य समीक्षा केवल उद्धरणों के कारण बीस प्रतिशत से अधिक हो सकती है, जबकि एक अकेला बिना श्रेय दिया गया पुनर्प्रस्तुतीकरण पांच प्रतिशत से कम रह सकता है। शीर्षक आंकड़े के बजाय मिलान किए गए स्रोतों को पढ़ें।
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.
