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 "parece similar". La primera es la similitud de Jaccard de n-gramas: cada texto se convierte en palabras y luego se divide en series superpuestas de n palabras consecutivas (un n-grama; el valor predeterminado es n=3, un trigrama, y ​​puede ajustarlo de 1 a 5). El índice de 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 estándar basada en conjuntos que se utiliza en la recuperación de información y la detección casi duplicada. Una n más alta capta frases compartidas más largas y es más estricta con respecto a la redacción exacta; una n más baja es más indulgente y detecta la superposición de palabras sueltas incluso entre oraciones estructuradas de manera diferente.

El segundo algoritmo es una subsecuencia común más larga (LCS) genuina a nivel de palabra, calculada con una tabla de programación dinámica O(n·m) real sobre las dos secuencias de palabras: el mismo algoritmo de libro de texto utilizado por las herramientas de diferenciación, 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 la superposición incluso cuando una oración ha sido reordenada o ligeramente editada entre frases compartidas. El porcentaje de superposición se deriva de la longitud de LCS en relación con la longitud promedio de ambos textos. Luego se retrocede la tabla DP para identificar con precisión qué palabras de cada texto participaron en esa secuencia común más larga, y esta es la característica destacada: esas palabras se asignan nuevamente al texto original (con su espaciado, saltos de línea y puntuación originales intactos) y se representan como tramos resaltados uno al lado del otro, para que pueda ver exactamente qué pasajes se superponen en lugar de confiar en un número simple.

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 del contenido de otras personas para comparar; sólo puede decirle qué tan similares son entre sí los dos textos que pega. Eso lo hace muy adecuado para comparar revisiones de borradores, verificar cuánto cambió realmente una paráfrasis o reescritura o detectar contenido casi duplicado en sus propias páginas. La concordancia de palabras no distingue entre mayúsculas y minúsculas, y la tabla LCS O(n·m) tiene un límite de unos pocos millones de celdas de pares de palabras; para textos muy grandes (aproximadamente unos pocos miles de palabras combinadas), el LCS exacto y el paso de resaltado se omiten con una nota en lenguaje sencillo, mientras que la puntuación Jaccard de n-gramas, que solo cuesta tiempo lineal, siempre se calcula en el texto completo. Todo se ejecuta localmente en su navegador; Ninguno de los textos sale nunca de su dispositivo.