Før noen plagiatanalyse kan begynne, må programvaren trekke ut ren, søkbar tekst fra det innsendte dokumentet. Dette er et mer komplekst problem enn det ser ut til, fordi dokumenter ankommer i et bredt utvalg av formater — DOC, DOCX, PDF, RTF, PPT, PPTX, TXT, ODT og HTML, blant andre — hvert med sin egen interne struktur av formatering, metadata, innebygde objekter og koding. En pålitelig tekstuttrekkspipeline må håndtere alle disse formatene konsekvent og produsere normalisert ren tekst egnet for sammenligning.
Plagiatdetektoren bruker en 5-lags tekstuttrekksarkitektur for å maksimere påliteligheten. For DOCX-filer parserer det første laget den native DocX XML-strukturen direkte. Hvis det mislykkes (på grunn av korrupsjon eller ikke-standard formatering), faller systemet tilbake til Microsofts iFilter-grensesnitt, deretter til rå OpenXML-parsing, og til slutt til Apache Tika som en siste utvei universell uttrekker. Denne kaskadende tilnærmingen betyr at selv skadede eller ikke-standardiserte dokumenter gir brukbar tekst. Det samme flerlags-prinsippet gjelder på tvers av alle 12+ støttede formater, og sikrer at ingen dokumenter blir liggende ubehandlet.
Uttrekksprosessen håndterer også kodingsnormalisering — konvertering av tekst fra ulike tegnkodinger (UTF-8, UTF-16, Windows-1252, ISO-8859-varianter) til en enhetlig intern representasjon. Dette er kritisk fordi kodingsmisforhold kan få identisk tekst til å fremstå som forskjellig på bytenivå, noe som fører til tapte plagiattreff. Korrekt uttrekk legger grunnlaget for alle påfølgende deteksjonsstadier.
Når ren tekst er trukket ut, bryter deteksjonsenheten den ned i analyserbare enheter gjennom en prosess kalt tekst-fingeravtrykk. Dokumentet segmenteres i overlappende sekvenser av ord (n-gram), og hver sekvens konverteres til en kompakt numerisk hash — et fingeravtrykk. Disse fingeravtrykkene fungerer som effektive identifikatorer som raskt kan sammenlignes mot fingeravtrykk fra andre kilder uten å utføre kostbare fulltekstsammenligninger hver gang.
Fingeravtrykkalgoritmen må balansere sensitivitet mot effektivitet. Korte n-gram (3–4 ord) avdekker flere treff, men produserer overdrevne falske positiver fra vanlige fraser. Lengre n-gram (8–10 ord) er mer spesifikke, men kan gå glipp av plagiat der noen få ord er endret. Avanserte systemer bruker fingeravtrykk med variabel lengde kombinert med winnowing-algoritmer som velger et representativt utvalg av fingeravtrykk, og opprettholder deteksjonsnøyaktighet mens sammenligningsrommet holdes håndterbart for dokumenter av enhver størrelse.
Med dokumentet fingeravtrykket, må deteksjonsenheten sammenligne disse fingeravtrykkene mot eksisterende innhold på Internett. Plagiatdetektoren tar en distinkt tilnærming: i stedet for å basere seg på en enkelt proprietær database, spørrer den fire store søkemotorer samtidig — Google, Bing, Yahoo og DuckDuckGo — og får tilgang til deres kombinerte indeks på over 4 milliarder nettsider. Denne strategien med flere motorer øker kildedekningen dramatisk, fordi hver søkemotor indekserer ulike deler av nettet og rangerer resultater forskjellig.
Søkeprosessen bruker intelligent rotasjon og utvalg av tekstfragmenter til å sende som søkespørringer. Ikke hvert fingeravtrykk spørres — motoren velger de mest særegne avsnittene fra dokumentet, de som er mest sannsynlige til å returnere meningsfulle treff snarere enn generiske fraser. Spørringsplanlegging håndterer hastighetsbegrensninger og fordeler forespørsler på tvers av motorer for å opprettholde gjennomstrømning. Resultatet er en omfattende gjennomgang av offentlig tilgjengelig Internett-innhold som ingen enkelt-motor-tilnærming kan kopiere, og dekker akademiske arkiver, nyhetsarkiver, innholdsfabrikker, oppgavemøller og generelle nettsider.
Når søkemotorspørringer returnerer potensielt matchende URLer, går deteksjonsenheten inn i kildeinnhentings- og sammenligningsfasen. Hver kandidatkildes nettside hentes, innholdet trekkes ut og normaliseres (HTML-tagger, navigasjonselementer, overskrifter og bunntekster fjernes for å isolere den faktiske artikkelteksten), og deretter justeres mot det innsendte dokumentet. Denne justeringen bruker sekvenssammenlignende algoritmer som identifiserer de lengste felles delsekvensene mellom de to tekstene, og tar hensyn til mindre variasjoner i tegnsetting, mellomrom og formatering.
Sammenligningen er ikke begrenset til eksakte treff. Motoren utfører uklar matching for å identifisere avsnitt der individuelle ord er erstattet med synonymer, setningsrekkefølgen er omorganisert, eller forbindingsfraser er lagt til eller fjernet. Dette avdekker den vanligste unngåelsesteknikken: overfladisk omformulering som bevarer den opprinnelige meningen og strukturen. Hvert matchet segment registreres med kilde-URL, overlappingsprosentandelen og de spesifikke tekstfragmentene som korresponderer, og bygger rådata for originalitetsrapporten.
Etter at alle kilder er hentet og sammenlignet, beregner motoren en likhetsskår — en prosentandel som representerer hvor mye av det innsendte dokumentet som matcher eksterne kilder. Denne beregningen er mer nyansert enn et enkelt forhold. Motoren skiller mellom ulike typer treff: eksakte kopier, nær-treff (omformulerte avsnitt), korrekt sitert og referert materiale, og vanlige fraser eller standardtekst som ikke indikerer plagiat.
Plagiatdetektor-systemet for referansedeteksjon identifiserer automatisk siteringer, sitater og bibliografiske referanser i dokumentet og behandler dem annerledes enn ikke-attribuerte treff. En tekstblokk satt i anførselstegn og etterfulgt av en sitering markeres som en legitim referanse, ikke som plagiat. Dette forhindrer oppblåste likhetsskårer som ellers ville straffe velundersøkte oppgaver for korrekt bruk av kilder. Den endelige skåren gjenspeiler genuine originalitetsproblemer og gir den som vurderer et meningsfullt og handlingsorientert mål.
Ettersom KI-generert tekst blir mer utbredt, må plagiatdeteksjon adressere innhold som ikke er kopiert fra noen eksisterende kilde, men som likevel ikke er originalt menneskelig arbeid. Plagiatdetektoren inkluderer en integrert KI-innholdsdeteksjonsmodul med 0,98 sensitivitet, i stand til å identifisere tekst produsert av store språkmodeller inkludert ChatGPT, Gemini og HuggingChat. Deteksjonen fungerer ved å analysere statistiske egenskaper ved teksten — ordfrekvensfordelinger, setningsnivåperpleksitet, sprudlenhetsmønstre og tokensannsynlighetssekvenser — som skiller menneske- og maskinskriving systematisk.
Menneskelig skriving tenderer til å vise større variasjon i setningslengde, mer uforutsigbare ordvalg og uregelmessige mønstre av kompleksitet. KI-generert tekst trekker derimot mot statistisk sannsynlige ordsekvenser med mer ensartet setningsstruktur og en karakteristisk «glatthet» i sannsynlighetsfordelingen. Deteksjonsmodellen er trent på store korpora av både menneskelig og KI-tekst, og den opererer på avsnittsnivå for å gi detaljerte resultater. Denne analysen kjøres parallelt med tradisjonell plagiatdeteksjon i en enkelt gjennomgang, slik at vurderere mottar en samlet rapport som dekker både kopiert innhold og KI-genererte avsnitt uten å trenge separate verktøy eller arbeidsflyter.
Sofistikerte brukere forsøker å beseire plagiatdeteksjon gjennom ulike tekniske triks. Den vanligste unngåelsesteknikken er Unicode-tegnsubstitusjon — å erstatte latinske tegn med visuelt identiske tegn fra andre Unicode-skriftsystemer. For eksempel ser den kyrilliske bokstaven «a» (U+0430) identisk ut som den latinske bokstaven «a» (U+0061) på skjermen, men de er ulike tegn på kodenivå. En naiv tekstsammenligning vil behandle «academic» stavet med et kyrillisk «a» som et helt annet ord, og dermed unngår det plagierede avsnittet deteksjon fullstendig.
Plagiatdetektoren adresserer dette med sin Unicode Anti-Cheating Engine (UACE). Før sammenligning normaliserer UACE all tekst ved å kartlegge visuelt ekvivalente tegn på tvers av Unicode-blokker — kyrillisk, gresk, armensk og andre skriftsystemer som inneholder tegnpar som ser like ut — tilbake til latinske ekvivalenter. Motoren opprettholder en omfattende substitusjonstabell som dekker hundrevis av tegnpar. Denne normaliseringen skjer transparent under tekstuttrekksfasen, slik at alle etterfølgende deteksjonsstadier opererer på ren, kanonisk tekst uavhengig av hvilke tegn-triks som ble anvendt på kildedokumentet.
Utover tegnsubstitusjon oppdager UACE også andre unngåelsesmetoder, inkludert innsetting av usynlige Unicode-tegn (null-bredde mellomrom, null-bredde bindere, myke bindestrek) mellom ord eller bokstaver, hvit-på-hvit tekst skjult i dokumenter, og mikrofont-tekst satt inn for å bryte opp gjenkjennelige fraser. Disse teknikkene markeres i originalitetsrapporten som bevisste manipulasjonsforsøk, og varsler vurdereren om at forfatteren aktivt forsøkte å omgå deteksjon — noe som i seg selv er sterkt bevis for hensikt om å plagiare.
Last ned en gratis demo eller kjøp en lisens for å begynne å sjekke for plagiat og KI-generert innhold.
Kulminasjonen av deteksjonsprosessen er Originalitetsrapporten — et detaljert dokument som presenterer alle funn i et organisert, gjennomgåelig format. Rapporten fremhever matchede avsnitt i den innsendte teksten, fargekoded etter kilde, med hvert treff knyttet til tilsvarende URL eller databaseoppføring. En sammendragsseksjon viser den samlede likhetsskåren, antall matchede kilder, prosentandelen av oppdaget KI-generert innhold og en fordeling av trefftyper (eksakt, omformulert, sitert).
For institusjoner kan Originalitetsrapporter merkes med organisasjonens logo, og gir et profesjonelt, standardisert format for registre om akademisk integritet. Rapportene er utformet for å ha bevisverdi — egnet til bruk i formelle gjennomgangsprosedyrer, høringer om akademisk integritet eller juridiske sammenhenger. Hvert funn i rapporten er uavhengig verifiserbart: vurderere kan klikke seg frem til den opprinnelige kilden for å bekrefte treffet med egne øyne. Denne gjennomsiktigheten sikrer at plagiatfunn er forsvarlige og rettferdige, og beskytter både integriteten i gjennomgangsprosessen og rettighetene til den personen hvis arbeid evalueres.
Et grunnleggende arkitekturvalg innen plagiatdeteksjon er om dokumenter behandles lokalt på brukerens maskin eller lastes opp til en ekstern skyserver. Skybaserte plagiatkontrollverktøy krever at brukere laster opp dokumentene sine til leverandørens servere, der teksten trekkes ut, analyseres og ofte lagres i en database. Dette reiser betydelige personvern- og konfidensialitetshensyn — særlig for sensitiv akademisk forskning, upubliserte manuskripter, juridiske dokumenter og bedriftsmaterialer. Dokumenter lastet opp til skytjenester kan beholdes, indekseres eller brukes til å trene KI-modeller, og databrudd kan eksponere konfidensielt innhold.
Plagiatdetektoren opererer utelukkende på skrivebordet. Dokumenter åpnes, parseres og analyseres lokalt — den fulle teksten overføres aldri til noen ekstern server. Bare utvalgte tekstfragmenter (søkespørringer) sendes til søkemotorer for sammenligning, på samme måte som en person manuelt ville søkt etter en frase i en nettleser. Denne arkitekturen gir en grunnleggende personverngaranti: det komplette dokumentet forlater aldri brukerens maskin. For institusjoner som håndterer sensitiv materiale — advokatfirmaer som sjekker innlegg, medisinske forskere som gjennomgår artikler, myndighetsorgan som reviderer rapporter — er denne skrivebordsbaserte tilnærmingen ikke bare en preferanse, men et samsvarskrav. Kombinert med en engangskjøpsmodell (ingen løpende abonnement) gir det både personvern og forutsigbare kostnader.
Stå med Ukraina!