Verificador de Similaridade de Texto

Esta ferramenta compara dois textos que colar utilizando dois algoritmos independentes, reais e bem documentados — e não uma heurística vaga de “parece semelhante”. O primeiro é a similaridade de Jaccard para n-gramas: cada texto é segmentado em palavras e depois dividido em sequências sobrepostas de n palavras consecutivas (um n-grama; o valor padrão é n=3, um trigrama, ajustável de 1 a 5). O índice de Jaccard dos dois conjuntos de n-gramas resultantes — o tamanho da interseção dividido pelo tamanho da união — é uma medida padrão de similaridade baseada em conjuntos, utilizada em recuperação de informação e deteção de quase duplicados. Um n mais alto capta frases partilhadas mais longas e é mais rigoroso quanto às palavras exatas; um n mais baixo é mais brando e deteta sobreposições genéricas de palavras, mesmo entre frases estruturadas de forma diferente.

O segundo algoritmo é uma verdadeira Subsequência Comum Mais Longa (LCS) ao nível das palavras, calculada com uma tabela de programação dinâmica O(n·m) sobre as duas sequências de palavras — o mesmo algoritmo clássico usado por ferramentas de diff, e não uma aproximação. Ao contrário da pontuação de n-gramas, a LCS não exige que as palavras coincidentes sejam contíguas, captando assim a sobreposição mesmo quando uma frase foi reordenada ou ligeiramente editada entre frases partilhadas. A percentagem de sobreposição é derivada do comprimento da LCS em relação ao comprimento médio de ambos os textos. A tabela de PD é depois percorrida em retrocesso para identificar exatamente que palavras de cada texto fizeram parte dessa sequência comum mais longa, e esta é a funcionalidade distintiva: essas palavras são mapeadas de volta para o seu texto original — com o espaçamento, quebras de linha e pontuação originais intactos — e renderizadas como trechos realçados lado a lado, para que possa ver exatamente que passagens se sobrepõem, em vez de confiar apenas num número.

Âmbito e honestidade são importantes aqui: esta é uma ferramenta de comparação de dois textos, não um detetor de plágio. Não tem ligação à Internet, índice de pesquisa ou base de dados de conteúdo de terceiros para verificar — apenas lhe pode dizer quão semelhantes são os dois textos que colar. Isto torna-a adequada para comparar rascunhos de revisões, verificar quanto uma paráfrase ou reescrita realmente mudou ou detetar conteúdo quase duplicado nas suas próprias páginas. A correspondência de palavras não distingue maiúsculas de minúsculas, e a tabela de LCS O(n·m) é limitada a alguns milhões de pares de palavras — para textos muito extensos (aproximadamente alguns milhares de palavras combinadas), o passo exato da LCS e o realce são omitidos com uma nota em linguagem clara, enquanto a pontuação de Jaccard de n-gramas, que tem apenas custo linear, é sempre calculada sobre o texto completo. Tudo funciona localmente no seu navegador; nenhum texto sai do seu dispositivo.