Plagiatsprüfung für akademische Texte

In den meisten Fällen nein — wenn Ihre Zielzeitschrift iThenticate verlangt (Elsevier, Springer, Wiley, IEEE), läuft dort sowieso eine Prüfung beim Einreichen. Was Noplag ersetzt, ist die eigene Überprüfung über mehrere Entwürfe vorab. iThenticate kostet $125 je Dokument, also kritisch ab dem 4. Entwurf; Flatrate Pro nicht. Der volle iThenticate-Vergleich: noplag.com/vs-ithenticate.

Richtig — das ist ein echter Gap. ProQuests Dissertationsdatenbank ist proprietär, kostenpflichtig und nicht in OpenAlex/CORE. Wir decken die Open-Access-Basis (~700 Mio. Texte) ab, was nach 2018 breiter ist als ProQuest; für ältere, geschützte Dissertationen aber nicht. Wenn der Abgleich mit US-PhD-Dissertationen Ihr Hauptbedarf ist, ist iThenticate das passende Tool.

MLA, APA, Chicago / Turabian, Harvard, Vancouver und IEEE erkennt die Engine automatisch am Literaturverzeichnis. Bei weniger verbreiteten Stilen (ACS, AMA, ASA, Bluebook, Oxford) werden Intervalle über Anführungszeichen + parenthetische Quellen erkannt; Stilspezifische In-Text-Prüfung ist auf v1.2-Roadmap. Beim Self-Hosting kann man im Alignment-Modul ergänzen.

Niedriger, als Reviewer von nicht zitierten Abschnitten erwarten, weil richtig zitierte Stellen beim Score ausgeschlossen sind. Wir messen ~3,4 % Falsch-Positivrate auf dem PAN-PC-11-Ausschnitt (dort ist viel legitimes Zitieren enthalten). Andere Wettbewerber ohne Klassifikation liegen bei 12–18 %.

Im Pro-Tarif: Erstellen Sie eine Selbstzitat-Whitelist (ORCID, eigene DOIs, Repository-URL). Matches werden als SELF-CITE markiert und zählen nicht zum Score. Praktisch für Forscher, die eigene Arbeiten re-use-n; Zitieren eigener Forschung gilt nicht als Plagiat.

Die Erkennung ist zum Start für Englisch, Spanisch, Portugiesisch, Polnisch und Ukrainisch kalibriert. Weitere Sprachen folgen. Die Erkennungsqualität wird anhand von PAN-PC-11 gemessen; sprachspezifische Auswertungen sind geplant. Am stärksten ist die Engine bei europäischen Sprachen mit langer Validierungshistorie; neuere Sprachen werden nachgereicht, sobald ihre Kalibrierung abgeschlossen ist.

Ihre IT / Ihr DSB / Ihre Ethikkommission kann github.com/NoplagLabs/noplag-engine klonen, die Engine in einer Sandbox ausführen, den Datenfluss prüfen, die vollständige Umsetzung des Rechts auf Löschung testen und unsere veröffentlichten Benchmark-Ergebnisse mit einem eigenen Testkorpus nachvollziehen. Ohne Vertragsunterzeichnung, ohne NDA, ohne Vertrauen in unser Marketing. Für Institutionen mit entsprechendem Beschaffungsprozess ist das der entscheidende Schritt.

KI-Erkennung folgt in Kürze — auf der v1.2-Roadmap, nicht zum Start verfügbar. Die Methode ist Binoculars (Hans et al. 2024), modellunabhängig: kein Training pro LLM, sondern Vergleich der Perplexität eines kleinen Referenzmodells mit dem Testtext, was generalisiert. Genauigkeitswerte werden erst nach Abschluss der Evaluierung veröffentlicht, nicht vorab, auf gemischten LLM-Inhalten (zum Vergleich: ~70 % bei Claude-3 für GPT-basierte Detektoren). Die Methodik-Publikation dokumentiert die Fehlerquellen; wir verschweigen sie nicht.

Jeder Treffer enthält Quelle (DOI), Korpus-Zeitstempel, Engine-Commit und Klassifikationsgrund. Der Check ist mit exakt dieser Engine wiederholbar. Drucken Sie den Report aus, alle Pfade sind klickbar nachvollziehbar. Es gibt keinen „Score-Vertrauen“-Modus, wie ihn Blackbox-Checker bieten.

Apache 2.0 + Docker — läuft komplett im eigenen Netz. Kombinierbar mit PostgreSQL + Redis im eigenen Rechenzentrum; keine Daten verlässt die eigene VPC. Sinnvoll für klinische Texte, Falldokumentationen oder Forschung vor Veröffentlichung, die nicht in eine Cloud darf. Für Großkunden als indizierbares Korpus-Bundle verfügbar.