مدقق تشابه النص

تقارن هذه الأداة بين نصين تقوم بلصقهما باستخدام خوارزميتين مستقلتين وحقيقيتين وموثقتين جيدًا — وليس معيارًا إرشاديًا مبهمًا "للتشابه الظاهري". الأولى هي تشابه Jaccard لتجزئة n-gram: يتم تجزئة كل نص إلى كلمات، ثم تقسيمه إلى سلاسل متداخلة من n من الكلمات المتتالية (n-gram؛ الافتراضي هو n=3، ثلاثي الكلمات، ويمكنك ضبطه من 1 إلى 5). معامل Jaccard لمجموعتي n-gram الناتجتين — حجم تقاطعهما مقسومًا على حجم اتحادهما — هو مقياس تشابه قياسي قائم على المجموعات يُستخدم في استرجاع المعلومات واكتشاف شبه التكرار. يلتقط n الأعلى عبارات مشتركة أطول ويكون أكثر صرامة بشأن الصياغة الدقيقة؛ أما n الأقل فهو أكثر تسامحًا ويلتقط تداخل الكلمات الفضفاض حتى بين الجمل مختلفة البنية.

الخوارزمية الثانية هي أطول تتابع مشترك (LCS) حقيقي على مستوى الكلمات، يُحسب بجدول برمجة ديناميكية حقيقي من الرتبة O(n·m) على متسلسلتي الكلمات — نفس الخوارزمية الأكاديمية التي تستخدمها أدوات المقارنة (diff)، وليس تقريبًا. على عكس نتيجة n-gram، لا يتطلب LCS أن تكون الكلمات المتطابقة متجاورة، لذا فهو يلتقط التداخل حتى عند إعادة ترتيب جملة أو تحرير طفيف بين العبارات المشتركة. تُشتق نسبة التداخل من طول LCS نسبةً إلى متوسط طول كلا النصين. ثم يتم تتبع جدول DP عكسيًا لتحديد الكلمات التي شاركت في ذلك التتابع المشترك الأطول في كل نص، وهذه هي الميزة البارزة: تُربط هذه الكلمات بنصك الأصلي — مع مسافاته الأصلية وفواصل الأسطر وعلامات الترقيم سليمة — وتُعرض كأجزاء مظللة جنبًا إلى جنب، لتتمكن من رؤية المقاطع المتداخلة بالضبط بدلاً من الاعتماد على رقم مجرد.

النطاق والأمانة مهمان هنا: هذه أداة مقارنة بين نصين، وليست كاشف انتحال. لا تملك اتصالاً بالإنترنت، ولا فهرس بحث، ولا قاعدة بيانات لمحتوى الآخرين للتحقق منها — يمكنها فقط إخبارك بمدى تشابه النصين اللذين تلصقهما ببعضهما البعض. هذا يجعلها مناسبة تمامًا لمقارنة مراجعات المسودات، أو التحقق من مقدار ما غيّره إعادة الصياغة أو إعادة الكتابة فعليًا، أو اكتشاف المحتوى شبه المكرر عبر صفحاتك الخاصة. مطابقة الكلمات غير حساسة لحالة الأحرف، وجدول LCS من الرتبة O(n·m) محدد سقفه بعدة ملايين من خلايا أزواج الكلمات — بالنسبة للنصوص الكبيرة جدًا (بضعة آلاف كلمة مجتمعة تقريبًا) يتم تخطي خطوة LCS الدقيقة والتمييز مع ملاحظة بلغة واضحة، بينما تُحسب نتيجة Jaccard لتجزئة n-gram، التي تتطلب فقط وقتًا خطيًا، دائمًا على النص الكامل. كل شيء يعمل محليًا في متصفحك؛ لا يغادر أي من النصين جهازك أبدًا.