Antiplagio accademico con citazioni

Nella maggior parte dei casi no — se la rivista impone iThenticate (Elsevier, Springer, Wiley, IEEE), lo useranno comunque alla sottomissione. Noplag serve invece per i controlli iterativi sulle bozze prima della sottomissione. iThenticate a 125$/doc diventa proibitivo dopo la quarta revisione; Pro flat-rate no. Il confronto vs-iThenticate: noplag.com/vs-ithenticate.

Corretto — quel gap esiste. Il database tesi ProQuest è chiuso, a pagamento, non incluso in OpenAlex/CORE. Copriamo ~700M lavori open access, il che è più ampio di ProQuest per la ricerca post-Plan-S (riviste principali dal 2018); più stretto solo per vecchie tesi paywall. Se il controllo incrociato su dissertation PhD USA è requisito primario, iThenticate è la soluzione più adatta.

MLA, APA, Chicago / Turabian, Harvard, Vancouver, IEEE auto-rilevati dal formato bibliografia. Per stili meno comuni (ACS, AMA, ASA, Bluebook, Oxford), il motore classifica comunque in base a virgolettato / pattern parentetico vicino, ma la validazione specifica per stile è in roadmap v1.2. Su installazione locale si possono aggiungere plugin per altri stili.

Inferiore a quanto si aspetta chi valuta solo parafrasi non citate, perché il modello separa le citazioni dal punteggio principale. Valutiamo ~3,4% falso positivo sul sottoinsieme PAN-PC-11 (dove molte frasi sono citazioni legittime). I competitor chiusi che non classificano queste, segnalano 12–18% sullo stesso corpus.

Pro — aggiunga lista autocitazioni ammessa (il suo ORCID, i suoi DOI, URL archivio istituzionale). Coincidenze su questi documenti marcate come AUTOCITAZIONE e ignorate nel punteggio. Utile a chi ricicla proprie parti per progetti futuri; autocitazione con fonte è prevista, non plagio.

La rilevazione è calibrata per inglese, spagnolo, portoghese, polacco e ucraino al lancio; altre lingue saranno aggiunte progressivamente. La qualità della rilevazione è validata su PAN-PC-11; la valutazione per singola lingua è prevista in roadmap. Massima affidabilità sulle lingue europee con la validazione più estesa; le nuove lingue vengono rilasciate man mano che la calibrazione si consolida.

Il tuo IT / DPO / IRB può clonare github.com/NoplagLabs/noplag-engine, eseguire l’engine in sandbox, verificare i flussi dati, controllare che il diritto alla cancellazione sia rispettato end-to-end e riprodurre i nostri benchmark pubblicati sul proprio corpus di test. Senza firmare nulla, senza NDA, senza dover credere al marketing. Per le istituzioni che richiedono questa profondità di revisione nei processi di procurement, questa è la soluzione.

La rilevazione AI sarà disponibile prossimamente — è nella roadmap v1.2, non attiva al lancio. L’approccio è Binoculars (Hans et al. 2024), agnostico rispetto al modello: non addestra per ogni LLM, confronta la perplexity di un piccolo modello di riferimento con il testo da analizzare, il che consente generalizzazione. I dati di accuratezza saranno pubblicati solo dopo la valutazione della funzionalità, non prima, su contenuti generati da LLM misti (contro circa il 70% su Claude-3 per rilevatori addestrati su GPT). Il paper metodologico documenta i limiti; non vengono nascosti.

Ogni intervallo segnalato ha DOI fonte, data snapshot corpus, commit motore, motivo classificazione. Rilanciare il controllo su quello stesso commit dà lo stesso risultato. Si porta il rapporto in stampa alla riunione; i percorsi citazionali sono cliccabili. Nessuna “fiducia cieca nel punteggio” — quello lo fanno i checker opachi.

Apache 2.0 + Docker — gira interamente nella rete locale. Collabora con PostgreSQL + Redis su sua infrastruttura; nessun traffico fuori dal VPC. Utile per studi clinici, draft con dati pazienti, qualunque preprint che non può lasciare la struttura. Clienti enterprise ricevono corpus come bundle indicizzabile.