کشف سرقت علمی در متون فارسی بااستفاده از ویژگی های ساختاری-معنایی

افزایش شبکه های ارتباطی دسترسی به آثار علمی- پژوهشی محققان را آسان ساخته است. در این میان افراد سودجو برای رسیدن به مقاصد خود درکوتاه ترین زمان و بدون تلاش، اقدام به کپی برداری از آثار و ایده های دیگران می نمایند. در دهه های اخیر این مشکل با نام سرقت علمی دامن گیر جوامع علمی مختلف از جمله جامعه علمی ایران شده است. در این مقاله، سرقت متون به صورت مساله دسته بندی مورد بررسی قرار گرفته است. روش پیشنهادی به کشف تقلب در سطح جمله پرداخته و شامل سه مرحله پیشپردازش، بازیابی اسناد کاندیدا، استخراج ویژگی و همترازی متن است. گام بازیابی اسناد کاندیدا، مبتنی بر کلمات کلیدی مستخرج از اسناد می باشد بطوریکه برای حفظ ارتباط معنایی بین کلمات، کلمات کلیدی بااستفاده از زنجیره مارکوف استخراج می شوند. در گام استخراج ویژگی و همترازی متن، ویژگی های ساختاری و معنایی جملات استخراج شده و بااستفاده از الگوریتم های دسته بندی، جملات کپی برداری شده کشف می شوند. روش پیشنهادی با تحلیل ساختاری- معنایی جملات قادر به کشف تقلبهای دقیق و دستکاری شده، است. آزمایشات بر روی پیکره ی تهیه شده در مسابقه هوش مصنوعی امیرکبیر و پیکره ی تهیه شده در مسابقه PAN2015 انجام شده است. میانگین صحت و فراخوانی بدست آمده برای پیکره ی اول 0.864 و 0.863 و برای پیکره ی دوم به ترتیب 0.829 و 0.764 می باشد.

کلیدواژه ها:

زنجیره مارکوف ، سرقت علمی ، ماشین بردار پشتیبان ، ویژگی های ساختاری-معنایی