查重工具的工作方式是：把你的文本拆成相互重叠的小片段，把这些片段转换成可搜索的指纹，再与大量网页、出版物和以前提交过的论文进行比对。当足够多的连续词语与某个来源匹配时，工具就会标出这段文字，并链接到该来源。最终得到的是一份相似度报告，显示你的文本与现有资料重叠的地方，然后需要由人来解读。
关键词是"相似度"。查重工具找到的是匹配的文字，它并不判断这处匹配是否构成抄袭。这个判断取决于引号、引用和上下文。
第 1 步：准备文本
在任何比对开始之前，查重工具会先清理你的文档。
- 提取文本：从 Word 或 PDF 等格式中提取
- 规范化：去掉多余空格、统一标点，通常还会转成小写
- 可选过滤：根据设置，排除参考文献或引文等部分
规范化很重要，因为它让工具在细微格式不同时仍能匹配文本。
第 2 步：把文本拆成指纹
把整篇文档逐词与数十亿个页面比对，速度会慢得无法接受。所以查重工具会把文本拆成相互重叠的短序列，通常称为 n-gram 或 shingle。
例如，英文句子"the industrial revolution changed working life"可能被拆成相互重叠的五词片段：
- "the industrial revolution changed working"
- "industrial revolution changed working life"
每个片段会被转换成一个称为哈希值的紧凑编码。哈希值可以非常快速地存储和搜索。很多系统只按照固定规则从每篇文档中挑选一部分哈希值保存，这样既能控制索引规模，又能发现有意义的重叠。
第 3 步：搜索数据库
接下来，你的指纹会与查重工具资料库中文档的指纹进行比对。根据工具不同，这个资料库可能包括：
| 来源类型 | 示例 |
|---|---|
| 公开网络 | 网站、博客、在线百科、新闻文章 |
| 已出版内容 | 期刊、书籍、会议论文（通过授权协议） |
| 院校存档 | 以前提交到该学校或该服务的论文 |
| 私有资料库 | 机构选择建立索引的内部文档 |
这就是不同查重工具结果不同的原因。只搜索公开网络的工具，会漏掉与付费期刊文章或在其他大学提交过的论文之间的匹配。Turnitin 这类院校工具由学校购买授权，包含免费网络查重工具所没有的提交存档。
第 4 步：查找并对齐匹配
当指纹匹配时，查重工具会更仔细地查看周围的文字，找出完整的匹配段落。它会把你的句子和来源中的句子对齐，准确显示重叠之处。
更先进的工具还会尝试发现：
- 细微改动，比如调换了词语或改变了语序
- 同义词替换，即替换了其中几个词
- 碎片化抄袭，即把一个来源中的短片段分散在一个段落里
非常短的匹配，比如常见的三词短语，通常会被忽略或赋予很低的权重，因为它们随处可见。
ZeroTell 的查重工具只搜索公开网络，所以看不到付费期刊，也看不到存放在学校提交存档里的论文。
查重工具找出相似来源第 5 步：生成相似度报告
最终报告通常包括：
- 总体相似度百分比，即你的文本中与其他来源匹配的比例
- 文档中被标出的段落，通常按来源用不同颜色标示
- 来源列表，以及每个来源所占的百分比
- 过滤选项，用于排除引文、参考文献或小的匹配
总体百分比最受关注，但它却是信息量最少的部分。由正确引用的引文构成的 15% 没有问题；而来自一段未注明出处的复制段落的 6%，才是真正的问题。
查重工具做不到的事
了解它的局限，能让你既不过度反应，也不掉以轻心。
- 它看不出意图。 漏了一个引号和故意抄袭看起来一模一样。
- 它会漏掉不在数据库里的内容。 线下书籍、私人文档和新页面可能没有被收录。
- 它无法可靠地发现观点抄袭。 拿走别人的论证、完全用自己的话重写却不注明出处，可能不会匹配任何文字，但这仍然是抄袭。
- 它不是 AI 检测器。 AI 文本通常是新生成的，所以很少与现有来源匹配。检测它需要不同的方法，详见 AI 检测器的工作原理。
- 它无法判断常识。 "第二次世界大战于 1945 年结束"这样的短语可能与很多来源匹配，但不需要引用。
如何用查重工具检查自己的草稿
提交前用查重工具检查一下草稿是个好习惯，前提是目标在于解决真正的问题，而不是压低数字。
- 先看最大的匹配。 你是不是忘了加引号或引用？
- 找出过于贴近原文的转述。 如果一个句子保留了来源的结构和大部分词语，就根据你的理解重写，并注明出处。
- 确认每处引文都有引用。 引文出现匹配是正常的，缺少引用则不正常。
- 检查参考文献列表。 确保你用过的每个来源都以正确格式列在其中。
- 忽略无关紧要的匹配。 常用短语、专业术语和标题都很正常。
如果你想专门了解如何解读院校的查重报告，我们关于读懂 Turnitin 相似度报告的指南介绍了常见情况。
解读匹配的一个示例
假设你的历史论文里有这样一句话（示例保留英文原文）：
The factory system separated home from work for the first time, reshaping family routines across industrial towns.
（大意：工厂制度第一次把家庭和工作分开，重塑了各工业城镇的家庭日常。）
报告标出了这句话，并链接到一个措辞几乎相同的在线百科页面。你有三个诚实的选择：
- 引用它。 如果确切措辞很重要，就加上引号并注明来源。
- 正确地转述它。 合上来源，用你自己的结构解释这个观点，并且照样注明出处。例如："Once production moved into factories, the household stopped being the main workplace, and daily family life changed with it (Source, year)."（大意：生产转入工厂后，家庭不再是主要的工作场所，家庭日常生活也随之改变。）
- 删掉它。 如果这句话对你自己的论证没有任何帮助，就删掉。
你不应该做的，是把几个词换成同义词，然后不加引用。这样仍然是在不注明出处的情况下使用别人的观点，而且往往仍会被匹配出来。解决办法是注明出处并真正理解内容，而不是伪装。
为什么你自己的作品也会出现匹配
学生有时会惊讶地发现，报告中出现了与自己上学期写的论文，或者朋友提交给同伴互评的草稿之间的匹配。如果某个服务会保存提交的内容，你自己以前的作品就会成为数据库的一部分。根据很多学校的政策，未经允许重复使用它可能算作自我抄袭，所以在重复使用以前作业的内容之前，先问问老师。
自查工具与院校工具
免费工具和面向个人的查重工具，适合用来发现草稿中遗漏的引用和无意中过于贴近原文的转述。它们通常无法访问每所院校以往提交的论文存档，所以结果不会与学校的工具完全一致。这没关系。它们的作用是帮助你负责任地写作，而不是预测某个具体的数字。
要点总结
- 查重工具把文本拆成指纹，与已收录的来源进行比对。
- 结果在很大程度上取决于工具能搜索哪些数据库。
- 相似度百分比衡量的是重叠，而不是不当行为。
- 引文和参考文献会出现匹配，重要的是正确注明出处。
- 用查重工具发现并修正引用问题，并记住它们不是 AI 检测器。