Детекция плагиата в научных публикациях давно перестала быть простым поиском дословных совпадений. Современные системы объединяют несколько независимых механизмов, каждый из которых закрывает свой класс заимствований — от прямого копирования до тонкого смыслового парафраза. Именно комбинация методов, а не один универсальный алгоритм, обеспечивает надёжность на корпусе из 120+ миллионов публикаций, препринтов и диссертаций[1].

Первый механизм — n-граммный анализ: текст разбивается на перекрывающиеся последовательности из 5–7 слов, для которых строятся хеш-дайджесты (fingerprinting), что позволяет за миллисекунды сопоставлять документ с гигантской базой[1]. Второй — семантический анализ трансформерными моделями (SciBERT, SPECTER)[3]: текст переводится в векторные эмбеддинги, и близость по косинусной мере выявляет парафраз и смысловое заимствование даже при полной замене лексики[2]. Третий — стилометрия и структурный анализ: система оценивает авторский стиль, аномалии в ритме изложения и графы цитирований, отмечая фрагменты, выбивающиеся из общего профиля работы[5].

На практике эти сигналы объединяются в единый конвейер ранжирования. Кандидаты-совпадения сортируются по уверенности, отсекаются по порогам и передаются на финальную верификацию. Точность комбинированных систем достигает 92–96% при чувствительности к фрагментам от 40 символов, причём высокий precision важнее полноты: ложное обвинение обходится дороже пропуска[2]. Эмпирические оценки на узбекоязычном научном корпусе подтверждают этот баланс[4].

Главное ограничение сегодня — глубокое перефразирование, выполненное генеративными моделями: оно сохраняет смысл, но полностью меняет форму, обходя и n-граммы, и часть семантических детекторов[6]. Отдельные открытые задачи — распознавание сгенерированного ИИ текста и кросс-язычный плагиат, когда источник и заимствование написаны на разных языках. Это активное направление исследований с 2023 года, и точность здесь пока заметно ниже, чем для классических случаев[3].