历史学论文的查重问题常集中在史料考证部分。我们在处理一批明清档案研究论文时发现,直接引用《明实录》原文的段落重复率高达45%。查重报告显示,重复源多来自学术数据库中的同类研究。要降低重复率,首先需理解查重机制:系统将文本切分为连续字符片段(如13字符),与库内文献比对。因此,改写时需改变句式结构和关键词顺序。
我们实验室在分析某大纲生成器时得出的体验是:单纯替换同义词效果有限,因为句法骨架仍被识别。更有效的方法是语态逆转——将主动句转为被动句,或调整主语与宾语位置。例如,原句“学者A考证了B事件”可改为“B事件被学者A所考证”。同时,词性替换也很关键:将名词“考证”改为动词“考辨”,或加入限定词“初步”“系统”等。
数学上,查重率可视为文本相似度函数 $S(T) = \frac{1}{N}\sum_{i=1}^{N} I(\text{chunk}_i \in \text{database})$,其中 $I$ 为指示函数。改写旨在降低 $S(T)$ 值,通过增加句法变异度实现。我们测试了420篇历史学论文样本,发现结合语态逆转与词性替换后,平均重复率从32%降至11%。