什么是合格的 Turnitin 分数？

一名学生被导师告知，低于十五 percent 都可以。另一名学生，也在同一个系里，论文在走廊里被标记为十二 percent，因为其中三个百分点落在一个连续的段落中，附近没有引号。两人都正确理解了 Turnitin 的相似度分数。这个工具从来就不是为了先给出一个通过或不通过的单一数字而设计的。

那么，什么才是一个好的 Turnitin 分数？并不存在这样的数字。Turnitin 不会公布一个可接受的百分比，也不会给提交内容打分，并且明确表示，这个数值本身并不能衡量抄袭。每所机构都会制定自己的指导原则，往往其中的每位导师也会如此，因此同一份报告在一个办公室里看起来平平无奇，在隔壁办公室里却可能令人担忧。真正值得学习的，是如何解读其背后的内容。

什么是一个好的 Turnitin 分数？

Turnitin 从未公布过任何可被视为良好、安全或可接受的数字，原因很明确, 相似度分数衡量的是提交内容中有多少文本与 Turnitin 数据库中已有文本相匹配，而不是这些重合内容是否被不当使用。较高的分数完全可能来自被正确引用和标注的材料。较低的分数也可能高于一篇论文，这篇论文对某一来源进行了足够接近的改写，以至于会让评阅者感到担忧，而匹配引擎却完全没有触发。把这个数字当作成绩来读，等于把这个工具的用途理解反了。

十到二十 percent 这样的数值被广泛流传为一种非正式经验法则，在论坛和学习指南中反复出现，直到它听起来像是官方标准。它并不是官方标准。Turnitin 并未设定这样的数值，而一种忽视文档长度、引用密度和学科惯例的经验法则，一旦遇到真实论文就会失效。由三十个正确引用的来源构成的文献综述，仅因引文本身就可能超过二十 percent。一个没有引号的、被紧密改写的单独段落，可能低于五 percent，却仍然是更严重的问题。

相似度分数实际上衡量的是什么

Turnitin 对其自身工具的描述几乎正是这些措辞。Boise State University 的指导说明，借助 Turnitin 自身的表述，解释说，相似度分数是论文内容与 Turnitin 数据库中已有材料相匹配的百分比，而该百分比本身并不是对论文是否包含抄袭材料的评估。这一区分确实在发挥作用, 匹配是机械性的，是一串词语与别处的一串词语对齐，而判断这种重叠是否得到了恰当标注，则需要人，而不是算法。

匹配背后的数据库有意设置得很广, 包括当前和归档的学生提交内容、开放网络，以及大量学术出版物。这些内容都不会按意义来阅读。系统只会找出重叠的词串，并报告它们覆盖了提交内容的多少，因此，一句被引用的句子和一句悄悄复制的句子，可能产生完全相同的匹配。只有报告的详细视图会显示二者分别是哪一种。

为什么高分可能完全合理

学术写作中的两个常见特征解释了其中大部分情况。引文段落按设计就会匹配，因为这些词语是有意复制并在页面上标明为他人内容的。参考文献列表同样会稳定匹配，因为作者姓名、期刊标题和引文格式会在成千上万篇引用相同来源的其他论文中重复出现。这两者都正是规范学术写作应有的样子。

并列来看，虚高的分数和真实问题一眼就能看出不同。

匹配到的内容	发生原因	是否值得进一步查看？
带有引号和引文的引用段落	这些文字是有意复制的，并且在页面上注明了出处	否，这就是正确引用的样子
参考文献列表或书目	作者姓名、期刊标题和引文格式会在许多其他论文中重复出现	否，除非未应用排除设置
标准方法或程序性表述	某一学科的共享词汇会在论文中以相同方式描述同一过程	很少，除非整段内容是直接搬用而不是重新撰写
一段很长、连续不断且没有引号的段落，与单一来源相匹配	这些措辞与另一位作者的句子足够接近，因而被匹配引擎捕捉到	是，这种模式值得打开来源进行核查

为什么低分仍然可能掩盖问题

低分回答的是一个比表面看起来更狭窄的问题, 即是否有少量文本与 Turnitin 的数据库逐字对应，仅此而已。改写如果在保留另一位作者的结构和论证的同时，改变了足够多的措辞，就可能得到接近零的分数，但仍然是严重的学术诚信问题，因为该引擎处理的是词串，而不是被借用的思想。翻译内容，或来自 Turnitin 索引数据库之外的材料，也会以同样方式表现, 没有可匹配内容，就不会被标记。

伪造来源会从另一个方向造成同样的盲区。不存在的参考文献不可能匹配任何内容，因为根本没有任何东西可供它匹配，而相似度分数也无法标记一个从一开始就不真实的引文。TextPulse 的 免费 AI 引文检查器正是为填补这一缺口而存在, 它会在读者不得不费力发现问题之前，将参考文献列表中的每一条记录与这些来源本应出现的实际注册库逐一核对。

在完全不看数字之前，还有一个区别值得说明。相似度分数较低的提交，仍然可能带有 Turnitin 单独的 AI 写作指示器，这是另一种测量，用于发现另一类问题，相关内容见本网站的Turnitin 是否真的能检测 ChatGPT 的指南。这两个百分比的计算方式并不相同，而本文只讨论相似度分数本身。

如何阅读报告，而不是只看数字

在打开匹配明细之前，不要先对总分作出反应。Turnitin 会按来源对构成分数的个人来源进行排序，依据是它们对总分的贡献。一个总分为 22% 的结果，如果由 11 个来源各贡献 2% 组成，与由 1 个来源组成的结果，读起来并不相同。前一种模式通常反映的是许多常见短语之间的重叠。后一种则值得直接查看该来源实际说了什么。

Turnitin 还会把同一个百分比分到颜色区间中，Loughborough College 面向学生的官方说明也这样写道, 蓝色表示没有匹配文本，绿色表示 1% 到 24%，黄色表示 25% 到 49%，橙色表示 50% 到 74%，红色表示 75% 及以上。该学院的官方说明对这些颜色不代表什么说得很明确, 相似度检查并不意味着提交内容包含抄袭材料。颜色只是为了提示报告中的注意点，不是裁决。

还值得检查机构自身的设置是否会将引文和参考文献从计数中排除，因为同一份提交，取决于该开关如何设置，可能产生两个不同的数字。一旦这些内容可见，就并不复杂。只有在没有人打开报告并查看第一页之后的内容时，它们才是不可见的。

如果你的分数让你感到意外，该怎么做

逐一重新打开每个被标记的来源，而不是对合计总数作出反应。确认正在评分的版本是否已排除引文和参考文献，因为学生在起草时看到的数字，并不总是与教师在提交时看到的数字采用相同的设置。只要出现真正的无注明来源匹配，就直接修正引文，而不是改写句子以绕过匹配引擎，因为那样只是在处理症状，而问题仍然存在。

如果这个数字仍然与导师的预期不一致，就直接询问该部门自己的惯例是什么。上文已经表明，并不存在必须达到的单一标准，因此答案应当来自对作业具有本地权限的人，而不是任何人都可以事先查到的某个百分比。TextPulse 的 免费工具集合涵盖了在报告进入他人收件箱之前值得运行的引文和起草检查。

不同工具给出的分数不可互换，GPTZero 的工作原理在其独立页面中有说明，同时还有其下方所依据的 perplexity 统计量。

该分数之所以呈现这样的表现，是因为其下方的匹配运行方式，而如今同一报告中紧挨着它出现的较新数字则基于不同的机制，这一点在本网站的AI 检测器实际工作原理指南中有完整说明。把任一数字当作裁定，都跳过了这份报告中唯一值得阅读的部分。