Comprobador de similitud de texto

Esta herramienta compara dos textos que usted pega usando dos algoritmos independientes, reales y bien documentados — no una heurística vaga de «se parece». El primero es la similitud Jaccard de n-gramas: cada texto se tokeniza en palabras y luego se divide en secuencias solapantes de n palabras consecutivas (un n-grama; el valor predeterminado es n=3, un trigrama, y puede ajustarlo de 1 a 5). El índice Jaccard de los dos conjuntos de n-gramas resultantes — el tamaño de su intersección dividido por el tamaño de su unión — es una medida de similitud basada en conjuntos estándar usada en recuperación de información y detección de casi-duplicados. Una n más alta captura frases compartidas más largas y es más estricta con la redacción exacta; una n más baja es más permisiva y captura solapamiento de palabras sueltas incluso entre oraciones estructuradas de forma diferente.

El segundo algoritmo es una subsecuencia común más larga (LCS) genuina a nivel de palabra, calculada con una tabla de programación dinámica real de costo O(n·m) sobre las dos secuencias de palabras — el mismo algoritmo de libro de texto que usan las herramientas de diferencias, no una aproximación. A diferencia de la puntuación de n-gramas, la LCS no requiere que las palabras coincidentes sean contiguas, por lo que captura el solapamiento incluso cuando una oración ha sido reordenada o ligeramente editada entre frases compartidas. El porcentaje de solapamiento se deriva de la longitud de la LCS en relación con la longitud media de ambos textos. Luego se retrocede la tabla de PD para identificar precisamente qué palabras de cada texto participaron en esa subsecuencia común más larga, y esta es la característica destacada: esas palabras se mapean de vuelta a su texto original — con sus espacios, saltos de línea y puntuación originales intactos — y se muestran como fragmentos resaltados lado a lado, para que pueda ver exactamente qué pasajes se solapan en lugar de confiar en un número escueto.

El alcance y la honestidad importan aquí: esta es una herramienta de comparación de dos textos, no un detector de plagio. No tiene conexión a internet, ni índice de búsqueda, ni base de datos de contenido ajeno contra la cual verificar — solo puede indicarle cuán similares son entre sí los dos textos que usted pega. Esto la hace idónea para comparar revisiones de borradores, comprobar cuánto cambió realmente una paráfrasis o reescritura, o detectar contenido casi-duplicado en sus propias páginas. La coincidencia de palabras no distingue mayúsculas de minúsculas, y la tabla LCS de costo O(n·m) está limitada a unos pocos millones de celdas de pares de palabras — para textos muy largos (aproximadamente unos pocos miles de palabras combinadas) el paso exacto de LCS y resaltado se omite con una nota en lenguaje claro, mientras que la puntuación Jaccard de n-gramas, que solo cuesta tiempo lineal, se calcula siempre sobre el texto completo. Todo se ejecuta localmente en su navegador; ninguno de los textos sale nunca de su dispositivo.