Що таке хороший бал Turnitin?
Turnitin не публікує прийнятного відсотка подібності, натомість заклади встановлюють власні настанови. Цей допис пояснює, що саме зумовлює високий або низький бал, чому цитований матеріал і списки літератури завищують його без будь-якої помилки, і як читати розподіл збігів за числом, а не саме число.
Одному студенту керівник каже, що все, що нижче п'ятнадцяти відсотків, є прийнятним. Іншому студенту, також у тому самому факультеті, роботу позначають у коридорі на рівні дванадцяти відсотків, оскільки три з цих пунктів припадають на один суцільний абзац без лапок поруч. Обидва правильно читають показник подібності Turnitin. Цей інструмент від самого початку не був створений для того, щоб видавати одне число, яке означає складено або не складено.
Тож що таке добрий показник Turnitin? Такого числа не існує. Turnitin не публікує прийнятний відсоток, не оцінює подання і прямо зазначає, що сама по собі ця цифра не є показником плагіату. Кожна установа встановлює власні рекомендації, і часто це робить також кожен керівник усередині неї, саме тому один і той самий звіт може виглядати непоказним в одному кабінеті й тривожним у наступному. Число, яке варто навчитися читати, це те, що стоїть за ним.
Що таке добрий показник Turnitin?
Turnitin ніколи не публікував число, яке можна було б вважати добрим, безпечним або прийнятним, і на це є конкретна причина: показник подібності вимірює, яка частина тексту в поданні збігається з текстом, уже наявним у базах даних Turnitin, а не те, чи було це збігання використано неналежним чином. Високий показник може повністю складатися з матеріалу, який процитовано і належно оформлено. Низький показник може бути вищим за показник роботи, яка дослівно переказує одне джерело настільки близько, що це викличе занепокоєння в екзаменатора, і при цьому зовсім не спрацює механізм виявлення збігів. Читати це число як оцінку означає неправильно розуміти сам інструмент.
Показник на кшталт десяти до двадцяти percent широко поширюється як неформальне правило, яке повторюють на форумах і в навчальних посібниках, аж поки воно не починає звучати офіційно. Воно не є офіційним. Turnitin не встановлює такого показника, а правило, яке ігнорує довжину документа, щільність цитування та конвенції галузі, руйнується в момент, коли стикається з реальною роботою. Огляд літератури, побудований на тридцяти належно процитованих джерелах, може перевищити twenty percent лише за рахунок цитат. Один щільно перефразований абзац без лапок може мати менше five percent і все одно бути серйознішою проблемою.
Що насправді вимірює показник подібності
Turnitin описує свій інструмент майже саме в таких термінах. Рекомендації Boise State University, що спираються на власну мову Turnitin, пояснюють, що показник подібності є відсотком змісту роботи, який збігається з матеріалом, уже наявним у базах даних Turnitin, і що сам відсоток не є оцінкою того, чи містить робота плагіатний матеріал. Це розрізнення має реальне значення: збіг є механічним, це рядок слів, який вирівнюється з іншим рядком слів десь іще, а визначення того, чи було цей збіг належно атрибутовано, потребує людини, а не алгоритму.
Бази даних, на яких ґрунтується збіг, навмисно є широкими: поточні та архівні студентські подання, відкритий веб і великий корпус академічних публікацій. Жоден із цих матеріалів не читається на рівні змісту. Система знаходить перекривні послідовності слів і повідомляє, яку частину подання вони охоплюють, саме тому процитоване речення і мовчки скопійоване речення можуть дати ідентичний збіг. Лише детальний перегляд звіту показує, що є чим.
Чому високий показник може бути цілком правомірним
За більшість таких випадків відповідають дві звичайні особливості академічного письма. Цитовані фрагменти збігаються за задумом, оскільки слова навмисно відтворюються і позначаються на сторінці як чужі. Списки літератури збігаються не менш надійно, тому що імена авторів, назви журналів і формати цитування повторюються в тисячах інших робіт, які посилаються на ті самі джерела. Обидва ці елементи саме так і мають виглядати в коректному академічному письмі.
Поруч, завищений показник і реальна проблема на перший погляд виглядають по-різному.
| Що збіглося | Чому це сталося | Чи варто придивитися уважніше? |
|---|---|---|
| Цитований уривок із лапками та посиланням | Слова були навмисно відтворені та належно зазначені на сторінці | Ні, саме так і виглядає коректне цитування |
| Список літератури або бібліографія | Імена авторів, назви журналів і формати цитування повторюються в багатьох інших працях | Ні, якщо тільки не було застосовано налаштування виключення |
| Стандартні методи або процедурні формулювання | Спільна лексика галузі описує той самий процес однаково в різних працях | Рідко, якщо тільки весь розділ не був запозичений, а не написаний заново |
| Один довгий, суцільний абзац без лапок, що збігається з одним джерелом | Формулювання досить близько повторює речення іншого автора, щоб механізм зіставлення його виявив | Так, це той шаблон, для якого варто відкрити джерело і перевірити |
Гуманізуйте свою власну статтю
Перетворіть текст, створений за допомогою AI, і зробіть його природним, не змінюючи важливих слів або цитат.
Чому низький показник усе ще може приховувати проблему
Низьке число відповідає на вужче запитання, ніж здається, а саме, чи збігається невеликий обсяг тексту слово в слово з базами даних Turnitin, і не більше. Парафраз, який достатньо змінює формулювання, але зберігає структуру та аргументацію іншого автора, може отримати показник, близький до нуля, і все одно становити серйозну проблему академічної доброчесності, оскільки механізм працює з послідовностями слів, а не з запозиченими ідеями. Перекладений контент або матеріал із баз даних, не індексованих Turnitin, поводиться так само, нічого зіставити, нічого не позначається.
Сфабриковані джерела створюють ту саму сліпу зону, але з іншого боку. Посилання, якого не існує, не може збігатися ні з чим, тому що ніде немає нічого, з чим воно могло б збігтися, а показник схожості не має способу позначити цитату, яка від самого початку ніколи не була реальною. Безкоштовний AI citation checker від TextPulse існує саме для цієї прогалини: він звіряє кожен запис у списку джерел із фактичними реєстрами, в яких ці джерела мають бути, ще до того, як читачеві доведеться виявляти цю прогалину складним шляхом.
Ще одне розрізнення варто зробити, перш ніж повністю перейти від числа. Подання з низьким показником схожості все одно може містити окремий індикатор AI writing від Turnitin, інше вимірювання, створене для виявлення іншого типу проблеми, про яке йдеться в цьому посібнику сайту про те, чи може Turnitin насправді виявляти ChatGPT. Ці два відсотки обчислюються не однаково, і цей текст стосується лише показника схожості.
Як читати звіт, а не число
Не реагуйте на загальний показник, перш ніж відкрити розбивку збігів. Turnitin ранжує джерела, які формують показник, у порядку їхнього внеску в нього. Загальний показник у двадцять два відсотки, складений з одинадцяти джерел, що дають по два відсотки кожне, читається не так, як загальний показник, складений з одного джерела. Перший варіант зазвичай відображає перекриття багатьох поширених фраз. Другий варто безпосередньо перевірити на те, що саме це джерело фактично говорить.
Turnitin також розподіляє той самий відсоток за кольоровими категоріями, які відтворено у власних рекомендаціях Loughborough College для студентів: синій для тексту без збігів, зелений від одного слова до двадцяти чотирьох відсотків, жовтий від двадцяти п'яти до сорока дев'яти, помаранчевий від п'ятдесяти до сімдесяти чотирьох, червоний від сімдесяти п'яти і вище. Власні рекомендації коледжу прямо кажуть про те, чим ці кольори не є: перевірки схожості не означають, що подання містить плагіатний матеріал. Колір лише впорядковує звіт для уваги, а не для винесення вердикту.
Чи виключають власні налаштування установи цитати та бібліографію з підрахунку, також варто перевірити, оскільки одна й та сама подача може дати два різні числа залежно від того, як саме встановлено цей перемикач. Усе це не є складним, коли це видно. Це є невидимим лише тоді, коли ніхто не відкриває звіт далі його першої сторінки.
Що робити, якщо ваш бал вас здивував
Відкрийте кожне позначене джерело окремо, а не реагуйте на сукупний підсумок. Підтвердьте, чи у версії, що оцінюється, цитати та бібліографію виключено з підрахунку, оскільки число, яке студент бачить під час підготовки, не завжди налаштоване так само, як число, яке бачить викладач під час подання. Якщо виявляється справжня невказана відповідність, виправте цитування безпосередньо, а не перефразовуйте речення, щоб прослизнути повз механізм зіставлення, який усуває симптом і залишає проблему на місці.
Якщо число все ще здається таким, що не відповідає тому, чого очікує керівник, прямо запитайте, якою є власна конвенція цього підрозділу. Наведені вище розділи вже показують, що немає єдиної межі, до якої треба дійти, тож відповідь знає той, хто має місцеві повноваження щодо завдання, а не якийсь відсоток, який можна було б заздалегідь знайти. Колекція безплатних інструментів TextPulse охоплює перевірки цитування та підготовки тексту, які варто виконати, перш ніж звіт потрапить до чужої поштової скриньки.
Бали з різних інструментів не є взаємозамінними, а як працює GPTZero викладено на окремій сторінці, разом із статистикою perplexity, що лежить в основі обох.
Бал поводиться так, як він поводиться, через те, як працює зіставлення під ним, а новіше число, що тепер стоїть поруч із ним у тому самому звіті, працює на іншому механізмі, тому, який повністю викладено в посібнику цього сайту про те, як насправді працюють AI detectors. Читати будь-яке з цих чисел як вердикт означає пропустити єдину частину звіту, яку варто читати.
Часті запитання
Що таке хороший бал Turnitin? Такого числа не існує. Turnitin не публікує прийнятного відсотка, а бал подібності вимірює, скільки тексту збігається з його базами даних, а не скільки було запозичено без посилання. Належно процитований огляд літератури може набрати понад двадцять відсотків лише через цитати, тоді як один непозначений перефразований фрагмент може мати менше п'яти. Читайте джерела збігів, а не заголовне число.
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.
