Confronto della somiglianza tra testi con shingle

Lei sceglie quante parole inserire in ogni shingle e riceve un indice di Jaccard deterministico con i conteggi utilizzati. La normalizzazione elimina differenze di maiuscole e punteggiatura, preservando identità e ordine delle parole. Il risultato aiuta autori, studenti e redattori a individuare formulazioni riutilizzate, confrontare revisioni o stabilire le priorità di lettura. È una stima della somiglianza testuale, non una prova di plagio, paternità, intenzione o illecito.

Capire che cosa misura la percentuale

Uno shingle è una sequenza di parole adiacenti. Con dimensione tre, la frase viene esaminata dalle parole uno a tre, poi da due a quattro e così via fino alla fine. Il comparatore costruisce un insieme di shingle unici per ciascun testo. Conta quelli presenti in entrambi, divide questa intersezione per l’unione di tutti gli shingle unici e moltiplica per cento. Questo calcolo è la somiglianza di Jaccard. Cento indica insiemi normalizzati identici, mentre zero significa che non condividono elementi. Maiuscole e punteggiatura vengono ignorate perché raramente costituiscono una differenza testuale sostanziale, ma parole e ordine locale restano invariati. Ripetere la stessa frase conta una sola volta e non può gonfiare artificialmente il risultato. Consideri la percentuale una misura mirata del linguaggio corrispondente, non un giudizio completo sull’originalità. Due testi possono comunicare la stessa idea con parole diverse e ottenere un valore basso; citazioni legittime, avvisi standard, terminologia tecnica o istruzioni comuni possono invece creare sovrapposizione senza scorrettezza. Contesto e revisione umana rimangono indispensabili ogni volta che il risultato può incidere su una persona.

Scegliere una dimensione utile

La dimensione determina quanto precisa debba essere una corrispondenza. Gli shingle piccoli rilevano brevi frasi condivise e spesso producono maggiore sovrapposizione. Sono utili per bozze brevi o modifiche leggere, ma espressioni comuni possono coincidere per caso. Gli shingle grandi richiedono sequenze più lunghe nello stesso ordine. Sono più specifici e riducono le coincidenze accidentali, tuttavia una sola parola inserita o sostituita può interrompere diversi gruppi vicini e abbassare molto la percentuale. Da tre a cinque parole è spesso un intervallo esplorativo pratico per la prosa, ma nessuna impostazione universale dimostra una copia. Scelga in base al materiale, annoti il valore e lo mantenga costante per più coppie. Risultati ottenuti con dimensioni diverse non sono direttamente confrontabili. Ogni testo deve contenere almeno tante parole normalizzate quante ne richiede la dimensione. Se uno è più corto, la capacità restituisce un errore di input perché non può creare un insieme valido. Questo errore esplicito è più sicuro di uno zero, che potrebbe suggerire ingannevolmente che due passaggi insufficienti siano stati analizzati e trovati differenti.

Usare il risultato responsabilmente

Parta da una domanda a cui il valore possa davvero rispondere, ad esempio se una revisione conserva le formulazioni esatte di una bozza precedente oppure quali coppie meritino per prime un esame manuale. Invii i due testi, registri la dimensione e conservi i conteggi di intersezione e unione insieme alla percentuale quando serve riproducibilità. Se il risultato è alto, esamini il contesto prima di concludere. Definizioni, citazioni, riferimenti, modelli, formule legali e consegne obbligatorie possono ripetersi legittimamente. Se è basso, non presuma indipendenza: parafrasi, traduzioni, imitazioni strutturali e idee comuni potrebbero non mantenere abbastanza parole consecutive. Lo strumento non visita URL, non consulta banche dati nascoste, non trova la fonte originale, non stabilisce quale versione sia precedente e non valuta le regole di citazione. Non può neppure dedurre l’intenzione. In ambito scolastico, editoriale, lavorativo o di conformità, lo usi come segnale preliminare seguito da un giudizio umano documentato, mai come unica base per accuse o sanzioni. Nei flussi automatici, applichi preparazione e impostazioni coerenti e inoltri i casi insoliti o molto simili a chi possa valutare provenienza, permessi, citazioni e norme pertinenti.