Automatisk upptäckt av textplagiering

Transkript

1 Automatisk upptäckt av textplagiering Avhandling pro gradu Informationsbehandling Avdelning för informationsteknologi Tekniska Fakulteten Åbo Akademi Dan Holm 2008

2 Abstrakt Plagiering av text har ökat avsevärt inom i hela den akademiska världen i olika former och sammanhang, även i finländska högskolor. Orsakerna till detta kan vara många, men förmodligen är det Internet som möjliggör att andras skrivarbeten är lätt tillgängliga och kan därför plagieras. För att försäkra den vetenskapliga integriteten, universitetens rykte och de utexaminerade studenternas trovärdighet bör man vidta åtgärder emot plagiering. Ett enkelt och snabbt sätt är att ta i bruk ett kommersiellt datasystem som jämför ett givet dokument med andra publicerade verk och sålunda försöker garantera skrivarbetens äkthet. Det finns tecken på att lärare idag inte systematiskt kontrollerar om uppsatserna är plagierade. Således resulterar ibruktagande av programvara för ändamålet mera arbete för dem. Detta i sin tur ställer höga krav på plagiatupptäckningsverktygets användbarhet och trovärdighet. Om ett universitet inte har möjlighet att anlita ett professionellt, kommersiellt system, vilka alternativa metoder har universitetet och dess lärarkår för att motarbeta problemet med plagiering? I föreliggande arbete har algoritmer, programvaror och system kartlagts som används för att undersöka om en text är plagierad. Programvarorna och systemen testades empiriskt med verkliga plagierade texter. En stor tyngdpunkt lades på att undersöka om det går att manipulera texterna så att de inte upptäcks vara plagierade. En målsättning var att hitta den bästa lösningen på problemet för ett svenskspråkigt universitet. Det gjordes genom att utreda nio programvarors pålitlighet och användarvänlighet.

3 Abstract Textual plagiarism has become a common way to cheat at universities throughout the world, even in Finland. There are several reasons for this, the most important one being all the possibilities Internet provides for those who cheat. To ensure the academic integrity, the universities trustworthiness and the students credibility action should be taken against plagiarism. The easiest and fastest way for doing this is using a commercial system that tries to verify the essays originality. There are signs that some teachers do not systematically verify all the papers of the students to be genuine. Launching a computer system for this purpose will lead to more work for those teachers. The system must therefore be easy to use and reliable. Which other steps can a university take against plagiarism if they can not afford a commercial system? In this thesis a survey of a number of algorithms, computer programs and systems are presented that can be used to test whether a text is likely to be plagiarized. The programs and systems were tested empirically with real plagiarized texts. One of the most important questions was to establish whether it is possible to manipulate a plagiarized text so that detection will be avoided. One goal for this work was to develop the optimal solution for a Swedish-speaking university in Finland. This was done by investigating nine different software solutions with emphasis on their usability and reliability. The objective was to find a program that actually helps teachers in their work.

4 Ordlista, definitioner och förkortningar Blackbox test Test av datorprogram där man inte vet vad som händer med inmatade data. Fokusen är på data som matas in och resultat som kommer ut. CGI BIN CGI är en akronym till Common Gateway Interface och BIN står för binary, det vill säga binär på svenska. Förr kallade man alla exekverbara datorprogram till binärer. CGI BIN är ett område i en webbserver där kompilerade datorprogram kan exekveras. Output av programmet måste vara i ett format som en webbserver kan använda. Datorprogrammet bör naturligtvis vara kompilerat till det operativsystem som webbservern är installerad på. Clearbox test (Även Whitebox test förekommer) Test av datorprogram där man vet vad som händer med inmatade data eftersom man studerat källkoden. Output data är inte i fokus eftersom man kan följa med, och vid behov även påverka, hela händelseförloppet. Dokumentdatabas En stor samling av dokument som lagras i en databas. Förutom själva dokumenten kan också information om när och varifrån de har kommit dit lagras. Falskt negativ resultat Ett försök visar ett falskt negativt resultat när, i detta sammanhang en text, är plagierad men upptäcks inte av en programvara i ett test. Falskt positivt resultat Ett försök visar ett falskt positivt resultat när, i detta sammanhang en text, inte är plagierad men anges som plagierad av en programvara i ett test.

5 FTE FTE är förkortning av full tids ekvivalent. I vissa licensavtal på mjukvara används FTE i prissättningen. Resonemanget är att trots att mjukvaran är tillgänglig för alla inom organisationen används den inte av alla hela tiden och därför räknar man ett värde för utnyttjandegraden. Vid universiteten i Finland är antalet datorer i regel en tredjedel av antalet studerande; därmed kan man anta att en viss programvara inte används av alla på en gång. FTE värdet på studerandena vid ÅA för år 2008 är GUI GUI är förkortning av Graphical User Interface, på svenska heter det grafiskt användargränssnitt. GUI är motsatsen till textbaserat användargränssnitt. Operativsystem och programvaror har oftast ett grafiskt användargränssnitt i dagens läge. GPL licens GPL är kortning av General Public License. Att en programvara är bunden till GPL innebär att användare får tillgång till programvarans källkod och har tillåtelse att göra förändringar i den. JAR fil En Jar fil är ett komprimerat format (motsvarande som.zip filer) av Java klasser och används för att packa tillämpningar gjorda i Java till en enda fil. Tillämpningen eller programvaran kan exekveras med att öppna filen i en (Java)tolk. KTH Kungliga Tekniska Högskolan, Stockholm, Sverige. MIT Massachusetts Institute of Technology, Boston, Massachusetts, USA. UTSA The University of Texas at San Antonio i USA.

6 Paper mill (även Papermill förekommer) En Papermill är en webbplats med koppling till en stor databas som innehåller dokument, uppsatser och artiklar. I en papermill kan man söka inom olika ämneskategorier efter skrivarbeten enligt längd och svårighetsgrad. Arbeten kan laddas ner mot betalning; ju längre och mera akademiska de är desto dyrare är de. Pdf Pdf är förkortning av portable document format. Pdf är ett av de vanligaste filformaten för texter. Pdf är utvecklat av företaget Adobe. Peer to peer En teknik som möjliggör två parter att utbyta filer över Internet. Tekniken används ofta för olaglig distribution av upphovsrättsligt skyddat material. Referensdokument De dokument man jämför mot när man undersöker om ett dokument är plagierat. Textextrahering Med textextrahering menas att ta ut texten ur en fil. En textfil består vanligen av, utöver texten, mycket metadata som inte är intressanta när man analyserar texten. Metadata består i detta sammanhang av information om filens egenskaper och textens typsnitt. Threshold Med Threshold avses tröskel i betydelsen gräns. Exempel: ett system kan anse två meningar vara lika om de innehåller sex ord som är lika och systemets threshold värde är satt till sex. Shibboleth Shibboleth tekniken används för autentisering av användare mellan två olika organisationer. Den ena organisationens shibboleth server meddelar den andra organisationens shibboleth server att en användare är autentiserad, varvid användaren får tillgång till de tillgängliga tjänsterna hos den andra organisationen.

7 Single Sign On Med Singel Sign On avses att användare behöver logga in en enda gång för att få tillgång till flera olika system, ofta inom en organisation. Spökskribent En person kan fungera som en spökskribent och mot betalning skriva en studerandes uppsats eller tentamen utan att det anges i texten. ÅA ÅA står för Åbo Akademi.

8 INNEHÅLLSFÖRTECKNING 1. INLEDNING Varför behövs automatisk upptäckning av plagiat? IT, effektivitet och kvalitet Fusk genom plagiering vid universitet Plagiering vid universitet Definition av plagiering Gränsfall och gråa zoner av plagiering Har plagiering ökat? Varför plagierar studerande? Varför studerandena inte bör plagiera? Hur fuskar de studerande i skrivarbeten? Åtgärder mot plagiering som har gjorts vid finländska universitet Att upptäcka plagiering utan att använda specifik programvara ATT UPPTÄCKA PLAGIAT Teori Tridgells algoritm Sentence Based Natural Language Plagiarism Detection Winnowing: Local Algorithms for Document Fingerprinting Smith Waterman algoritm ANSKAFFNINGSALTERNATIV Programvaror och system för att upptäcka plagiat Förhållandet mellan dessa och algoritmteorin PROGRAMVARA Urkund Genuine Text WCopyfind EVE Moss Detect Sherlock SW PD...59

9 4.9 Turnitin TESTER, TESTDATA OCH METOD Clear box och Black box tester Testmaterialet Testerna Test Test Test Test Test Test TESTERNAS RESULTAT Tilläggstester SAMMANFATTNING Att ta i bruk ett IT system Om plagiering upptäcks Vidare forskning Vidare utredningar för optimerad användning av en hybridlösning Forskningsplan för utvecklandet av ett eget system TILLKÄNNAGIVANDEN KÄLLFÖRTECKNING BILAGOR...109

10 1. INLEDNING Plagiering ökar. Vid universitet runtom i världen har därför även arbetet mot textplagiering ökat. Det har gett upphov till en hel del artiklar om vad man kan göra för att förhindra textplagiering. Oftast handlar de om praktiska råd i undervisningen, men ibland nämns även en eller ett par programvaror som upptäcker plagiering. Det finns också ett antal undersökningar som jämför programvaror som undersöker om texter är plagierade. Typiskt behandlas endast ett par system; Umeå universitet, KTH och ÅA har jämfört de svenska programvarorna Genuine Text och Urkund. Hittills har ingen gjort en dokumenterad kartläggning och jämförelse av flera tillgängliga programvaror som upptäcker plagiering. En orsak till detta är förmodligen att det är svårt att hitta information om dessa programvaror. De kommersiella systemen har naturligtvis en aktiv marknadsföring, men att hitta de icke kommersiella kräver mera djupgående utredningar. Målsättningen med föreliggande arbete är att kartlägga programvara för att upptäcka plagiat, hur de fungerar, vilka scenarion de är avsedda att användas i, vilka algoritmer de baserar sig på och framför allt, hur tillförlitliga de är och till hur hög grad de underlättar lärarnas arbete. Att undersöka vilken av programvarorna som är mest tillförlitlig kan endast göras empiriskt. Det kan inte göras med att analysera deras källkod eller algoritmer eftersom de inte var tillgängliga för alla programvaror. I denna kartläggning ingår nio olika programvaror, av vilka fyra är kommersiella och fem är gratisvaror. Arbetet gjordes i följande fyra delar: 1. Kartläggning av vilka programvaror som upptäcker plagiat det finns, få tillgångar till dem, vid behov installera dem, i vissa fall att göra ändringar i källkoden för att få dem att fungera och slutligen lära sig hur man använder dem. Det totala antalet programvaror blev nio. 2. Att skapa data till testerna. För att få input till testerna måste man avgöra vad som avses med att plagiera och undersöka hur studeranden som plagierar gör. Det finns två huvudsakliga källor för plagierade arbeten, webbplatser (så kallade papermills) och studerande. För att täcka den första källan användes 20 1

11 plagierade texter, 7 svenska och 13 engelska, som laddades ner från olika papermills. Simulering av den andra källan gjordes genom att på olika sätt manipulera de 20 nerladdade texterna. Det totala antalet testfiler blev Att granska texterna med de olika programvarorna och analysera resultaten. I grunddelen av testningen utfördes 49 tester. Totalt 566 texter analyserades; alla texter analyserades inte med alla programvarorna, därför blev det totala antalet analyserade texter inte 9*74 = Resultaten från grunddelen av testerna ledde till två tilläggstester. Det ena testet undersöktes hur bra programvarorna klarar sig i det fall att texten är överdrivet mycket manipulerad. Texten i detta test var oläslig. I det andra testet mättes programvarornas prestanda; hur lång tid tog det för varje programvara att granska ett stort antal, 637 texter. Avgränsningar Vid plagiering av elektroniska verk bör man utgå från att de är representerade i filer som är läsbara för datorer. Verk kan representeras i filer om de består av bild, ljud, rörliga bilder med ljud, dokument eller kod i ett programmeringsspråk. Man kan dela in filer enligt deras innehåll i två klasser; diskreta data och kontinuerliga data. Med den första kan man representera text och programkod. Den senare används för att representera bild, ljud och video. Detta arbete fokuseras på diskreta data. I detta arbete behandlas inte plagiering av källkod. Att undersöka datorprogrammens äkthet med metoder som är lämpade för diskreta data fungerar endast genom att studera dess källkod. I dagens programmeringsspråk är det enkelt att mata in text, som kommentar i koden, som inte påverkar den kompilerade formen av själva källkoden. Det är därför fullt möjligt att plagiera en källkod och förändra den genom att tillägga ett flertal kommentarer i den utan att plagiering upptäcks av system eller algoritmer för ändamålet. Således borde datorprogram analyseras för plagiering genom att studera deras maskinspråk som kan ses som kontinuerliga data. Det kan dock konstateras att MOSS, en av de testade programvarorna, utesluter kommentarerna i källkoden vid analysering. 2

12 Kommersiella system för upptäckning av plagiering jämför en inskickad text mot två källor, Internet och en dokumentdatabas som består av tidigare inskickade arbeten. Denna uppsats behandlar inte olika sätt att söka dubbletter av text på Internet eftersom de kommersiella systemen troligen fungerar så att de på förhand laddar ner dokument från papermills på Internet som de sedan lagrar i sina databaser. Ifall man inte skulle göra på det sättet löper man risk att på grund av eventuella nätverksproblem inte hitta ursprunget till ett plagierat arbete. Vidare är det lätt för en lärare att kontrollera ett skrivarbete med sökmotorer på Internet, såsom Google. Det finns dock ett program, EVE2, som analyserar dokumentens äkthet endast mot Internet. EVE2 presenteras närmare i kapitel 4.4. Eftersom denna uppsats behandlar upptäckning av plagierad text är det underförstått att med orden plagiering samt plagiat avses textplagiering respektive textplagiat. 1.1 Varför behövs automatisk upptäckning av plagiat? I arbetet mot plagiering finns det många metoder tillhanda som inte berör IT. Man kan exempelvis använda kontrakt där studerandena lovar att inte plagiera och sådana används vid flera universitet i USA [ELC07]. Sökorden plagiarism honor code i sökprogrammet Google ger en lista på universitet som använder dessa kontrakt. Det som också kan fungera är att använda pedagogiska medel, som till exempel att förklara varför en hemuppgift är given. Följande exempel är påhittade, de har som avsikt att belysa noggrannare vad som menas med pedagogiska medel: Denna skrivläxa är viktig, eftersom den visar hur bra du kan förklara Finlands skattesystem istället för Skriv en uppsats på tusen ord om Finlands skattesystem. Denna räkneuppgift är viktig att förstå, eftersom den är en del av en större helhet som tas upp senare under kursens lopp. Denna programmeringsuppgift är viktig att klara av; den utvecklas under kursens lopp till en större helhet. 3

13 De pedagogiska metoderna att motarbeta plagiering är naturligtvis viktiga. I detta arbete är dock fokusen på vad IT kan erbjuda för verktyg mot plagiering. Ur universitetets synvinkel leder automatisk upptäckning av plagiat till högre kvalitetssäkring. Trots att avancerade sökmetoder med sökprogram på Internet i vissa fall kan leda till noggrannare resultat än vad en programvara ger, leder användning av programvara i det stora hela till högre kvalitet. Eftersom programvaran är lättare och snabbare att använda än uttömmande sökmetoder på Internet kan man räkna med att flera lärare tar sig an att kontrollera texters äkthet med hjälp av en programvara. Det finns universitet i Sverige, bland andra Växsjö universitet, där rektorn har beordrat användning av viss programvara för kontrollering av samtliga slutarbeten för plagiering. [Rossby08] Ur studerandenas synvinkel har användning av programvara som upptäcker plagiat en preventiv inverkan eftersom risken att plagiering upptäcks är uppenbar. En annan viktig aspekt är att det blir mera rättvist mellan studeranden när det inte går att fuska sig igenom hemarbeten. Ur lärarnas synvinkel finns det två motiveringar att ta i bruk programvara som upptäcker plagiat. Programvaran skall fungera som ett verktyg som försnabbar lärarens uppgift att kontrollera att en text inte är plagierad. Dessutom skall verktyget vara pålitligt så att lärare som använder programvaran skall inte behöva fundera om hon borde ha gjort mera för att försäkra sig om att en text inte är plagierad. I grund och botten är programvarans uppgift att underlätta en lärares arbete. Senare i detta arbete beskrivs ett fall där man med sökprogrammet Google inte hittar en plagierad text med fyra försök, men det femte gav resultat. Var går lärarnas gräns för att för hand kontrollera texter? Vissa lärare gör det inte alls, medan andra utför något slags kontroll efter att de fått en intuitiv känsla av att texten inte är äkta. I värsta fall ägnar lärare mycket arbetstid åt att kontrollera texter för ingående. 4

14 Om plagiat upptäcks kan det leda till allvarliga personliga konflikter mellan läraren och studeranden i fråga. Om läraren inte har använt programvara, utan efter en intuitiv känsla misstänkt fusk och sedan använt säg, Google, med uttömmande sökmetoder och upptäckt plagiat kan konflikten bli avsevärt värre. Om det däremot är en kutym att låta alla uppsatser analyseras av en programvara är lärarens andel i konflikten mindre. Det ovanstående ställer två krav på programvaran: Programvaran bör vara tillförlitlig. Programvaran skall vara lätt att använda. Den skall inte leda till mera arbete i de rutiner lärare har när de rättar uppsatser och i fall den upptäcker plagiat skall det också gå snabbt för läraren att fastslå om plagiering verkligen skett. Dessa krav bör väga stort när man väljer vilken programvara universitetet anskaffar IT, effektivitet och kvalitet Allting skall effektiveras och effektivitet räknas ofta som förhållandet mellan resultat och kostnader. Huruvida detta är långsiktigt hållbart inom undervisning och forskning vid universitet kan diskuteras, men en klar sak är att det har resulterat i två fakta: dels har lärare svårt att hinna med alla sina uppgifter och dels finns det en oro över undervisningens nivå och kvalitet. Åbo Akademi är Finlands mest effektiva universitet. Det framgår av en undersökning, där man har räknat antalet grundexamina, doktorsexamina och publicerade artiklar och jämfört dem mot universitetens grundfinansiering samt totala finansiering i vilken även extern finansiering ingår. Åbo Akademi var bäst i båda fallen med produktivitetsindexet 111 respektive 120. Utredningen baserar sig på uppgifter från år 2000 till [NNT04] År 2007 gjorde Åbo Akademi ett nytt rekord i produktionen av magisterexamen. [ÅA08] 5

15 Informationsteknik och de system som den möjliggör, som inlärningsplattformar och videokonferenssystem, spelar naturligtvis en märkbar roll i Åbo Akademis framgång och skall även i fortsättningen utnyttjas för högre produktion och effektivitet. Utöver det bör man också undersöka hur informationsteknik kan användas i arbetet med att höja undervisningens kvalitet. En viktig punkt i kvalitetssäkring är upptäckning av plagiat och hantering av plagiering. Det är således naturligt att målmedvetet söka efter IT baserade verktyg som höjer undervisningens och forskningens kvalitet. 1.2 Fusk genom plagiering vid universitet Plagiering är en kategori av fusk och är enligt tentamensinstruktion för Åbo Akademi förbjudet enligt 12 Fusk och störande av tentamen ( ). Med fusk avses att studeranden utnyttjar otillåtna metoder eller hjälpmedel för att avklara tentamen eller för att genomföra skriftliga prestationer som inte är tentamina. Om fusk avslöjas under eller efter tentamenstillfället eller i en inlämnad skriftlig prestation skall bedömaren underkänna tentamen. En studerande som i anslutning till tentamen eller vid genomförande av en skriftlig prestation som inte är tentamen har gjort sig skyldig till en förseelse kan av rektor tilldelas en varning eller av styrelsen avstängas från akademin för en viss tid. Innan ett disciplinärt ärende behandlas skall studeranden bevisligen underrättas om den förseelse anklagelsen gäller samt ges tillfälle att bli hörd i saken. Tentamensinstruktionen ger inte ett uttömmande svar på tillvägagångssätt och sanktion om plagiering sker. Om en hemtentamen eller ett examensarbete är plagierat är fallet klart, prestationen underkänns. Om det i en kurs ingår en räkneövning eller en mindre uppsats är följderna inte lika klara; skall kursen underkännas för studeranden ifråga om 6

16 en första hemuppgift är plagierad? I kapitel behandlas tillvägagångssätten om plagiering upptäcks noggrannare. 1.3 Plagiering vid universitet Definition av plagiering Plagiat, (från latin: plagium, människorov) oredovisad imitation eller kopiering av ett verk som framställs som egen skapelse; litterär, vetenskaplig eller konstnärlig stöld. ( I detta arbete är fokus begränsad till plagiering av vetenskapliga och litterära verk, som i universitetsvärlden oftast är skrivarbeten. Det finns många olika formuleringar av definitioner av plagiering, men det väsentliga i dem är att om man återger ett verk som är helt eller delvis kopierat och man inte anger dess källor är verket plagierat. Upphovsmannarätten är ett skydd som skaparen har till sitt verk. Ibland används ordet nyttjanderätt istället för upphovsmannarätt vilket beskriver bättre ordets mening. Upphovsmannarätt är i lag inte lika skyddad som patent men har en analogi med den; ingen får utan lov dra nytta av ens verk. Upphovsmannarätten tillåter dock att man får citera eller på annat sätt hänvisa till ett arbete om man anger källan. Upphovsmannarätten behöver inte heller registreras utan träder i kraft automatiskt så fort ett verk, i denna undersökning ett skrivarbete, en uppsats, ett slutarbete eller en artikel uppnår verkshöjd. Med verkshöjd avses en nivå för ett arbetes originalitet; om man har gjort ett enastående arbete som ingen annan har klarat av att göra kan man anse att ett verk uppnår verkshöjd. Hemuppgifter och räkneövningar kan inte räknas som verk. 7

17 Gränsfall och gråa zoner av plagiering Avgör längden? Den som tar från en text fuskar, men den som tar från två gör ett kompilat och den som tar från tre bedriver vetenskap Jenny Björkman i Forskning och Framsteg 8/05 sid 56. Ju längre textsnuttar man plagierar desto klarare fall av fusk är det. Omvänt är det svårare att avgöra om plagiering har skett om den kopierade texten är kort. Man kan fråga sig om kopiering av endast en mening (en uppsats kan bestå av över meningar) från en källa är plagiat? Och vad ifall följande mening är kopierad från en annan källa? Regeln för plagiering bör vara så strikt att kopiering av meningar inte tillåts. Det kan förstås av en slump hända att en mening är exakt samma i olika skrivarbeten av olika skribenter. En algoritm kan inte bedöma det semantiska innehållet i sammanhanget, men en människa, examinator eller handledare, bör kunna avgöra om en mening är plagiat eller inte. Till exempel meningen "Det gäller att snabbt få hjälp" hittas i två olika dokument med Google. Det är inte plagiat, trots att ett program som upptäcker plagiat skulle påstå det. För att studeranden skall vara på den säkra sidan är det bäst att citera om man hittar en mening man inte kan uttrycka bättre! Kan man plagiera av sig själv? Bland studeranden anser man att man kan återanvända texter man själv skrivit i olika studiearbeten. Om det är lagligt eller etiskt är svårt att fastslå. I ett fall, vid ämnet informationsbehandling vid Tammerfors universitet, har man på en kurssida på en webbplats direkt förbjudit det [uta06]. I ett annat fall, som ägde rum vid Mälardalens högskola år 2003, hade två studerande lämnat in en C uppsats till två olika institutioner [ekuriren08]. Studerandena hade lovligt skrivit uppsatsen tillsammans, men plagierat sig själva och lämnat in uppsatsen till en annan institution. Detta fall kommenterar Alf 8

18 Grafström, universitetsjurist vid Luleå tekniska universitet, i ett e brev. Han konstaterar att man inte kan plagiera sig själv, men att studerandena i fallet hade gjort sig skyldiga till fusk genom att försöka vilseleda när en studieprestation skulle bedömas. [Grafström08] Åsikter i lärarkåren om detta är delade, eftersom inom forskning kan en undersökning leda till flera artiklar [Björkman05] Har plagiering ökat? Det finns inga exakta kalkyler eller räknemetoder som skulle ge svar på om plagiering av texter ökar. Det finns ens inte pålitliga data för att kunna uppskatta omfattningen av problemet med textplagiering. Det enda man kan hänvisa till är att antalet fall av textplagiering som uppdagas ökar. I Finland är riksdagsledamoten Jari Viléns avhandling pro gradu det mest kända fallet av misstänkt plagiering. Efter en utredning beslöt man vid Uleåborgs universitet att inte underkänna avhandlingen som var godkänd tolv år tidigare, men avhandlingens handledare fick en anmärkning för att inte ha bett Vilén rätta arbetet innan han godkände det. Vidare beslöts att handledning av slutarbeten skall utvecklas vid universitetet. [Raudaskoski02] Ett gravare fall uppdagades på humanistiska fakulteten vid Helsingfors universitet våren 2007 där en avhandling pro gradu var helt och hållet plagierad genom nerladdning från en papermill. Enligt dekanerna vid fakulteterna vid Helsingfors universitet är allvarliga fall av plagiering sällsynta, däremot verkar gränsfall och mindre fusk blivit vanligare. Vid Helsingfors universitet har rektorn behandlat ett fall av en delvis plagierad doktorsavhandling och ett misstänkt fall av plagiering av en licentiatavhandling under de tio senaste åren. [Kervinen07] I Sverige hittade Börje Johansson, professor vid Uppsala universitet och KTH en artikel i Journal of Materials Science som han själv hade varit med om att skriva och publicera i Proceedings of the National Academy of the United States of America 9

19 några år tidigare. Författarna till artikeln i Journal of Materials Science var för honom okända. [Wadman07] Strax efter att Kimberly Lanegran, överassistent (Assistant Professor) vid University of Florida, hade disputerat för sin doktorsavhandling blev hon kontaktad av en forskarstuderande vid ett annat universitet som bad om mera material om hennes forskning. Hon skickade sin avhandling till forskaren. Tre år senare råkade Lanegran få tag på ifrågavarande forskarens doktorsavhandling och till sin förskräckelse märkte hon att det var en kopia av hennes egen avhandling. [webguru08] Marks Chabedi, som var skyldig till att ha plagierat Lanegrans avhandling blev av med både sin professorstjänst vid University of the Witwatersrand i Sydafrika och sin doktorsgrad. [Bookrags08] Varför plagierar studerande? Orsaker till att det finns studerande som fuskar genom plagiering är flera. I detta arbete är fokus på de två orsaker som berör IT. Den primära orsaken är Internet, dels för att det möjliggör att andras material är mera tillgängligt och dels för att i Internet finns webbplatser, så kallade papermills, som erbjuder uppsatser för plagiering. Eftersom även lärarna har tillgång till papermills är det större risk att bli upptäckt för fusk om man plagierar från Internet än om man plagierar en studiekamrats arbete, som inte finns på Internet. Den andra orsaken är brist på verktyg som upptäcker plagiering. Att ha i bruk ett system som upptäcker plagiering har främst en preventiv inverkan på plagiering, eftersom det innebär att risken för att bli fast för fusk är uppenbar. Det är dock viktigt att notera att man bör undvika att påstå att dagens studerande har lägre moral än de som studerade före Internet, det är snarare tillfället som gör tjuven. Andras material lättare tillgängligt Användning av Internet har ökat explosionsartat under de senaste tio åren och har medfört att studerandena har fått två nya metoder att fuska: dels är det lättare att nå andra personer som kan ge sina gamla uppsatser eller fungera som spökskribenter och 10

20 dels finns det stora mängder skrivarbeten på webben för att laddas ner och presenteras som egna verk. Papermills En karakteristisk rubrik på en uppsats i en papermill är ytterst allmän, speciellt om den går att ladda ner gratis. Rubrikerna The History of IT, The Internet, Linux and Microsoft är befintliga exempel från en papermill. En uppsats som har en mera specifik rubrik som Logical Vs. Physical Design of a Network hamnar man betala för, med kreditkort, på webbsidan termpapersmonthly.com. Download your workload är sloganen för en känd papermill, Schoolsucks, som erbjuder gratis uppsatser. Där finns över uppsatser indelade i olika kategorier och också en sökfunktion om man vill hitta ett arbete inom ett specifikt område. Man kan också bläddra bland rubrikerna. När man hittat en intressant uppsats klickar man på dess länk och får mera information om den, antal sidor och ord, kategori, datumet för när den är laddad upp, hur populär den är, hur många gånger den är läst och också några meningar ur själva texten; inte som ett abstrakt utan snarare som ett smakprov. Man måste registrera sig för att få tillgång till uppsatserna. Vid registreringen måste man ge information om sig själv, e postadress, namn, fullständig hemadress och födelsedatum. Eftersom moralen på verksamheten kan skarpt ifrågasättas är det oklokt att ge personlig information om sig åt dem, så jag valde att söka testfilerna till min undersökning från andra ställen. Visserligen kunde man ha registrerat en allmän e postadress, till exempel från hotmail, åt sig och mata in falska uppgifter om sig. Man måste också ladda upp en uppsats åt systemet innan man själv får tillgång till alla arbeten, en princip som är vanlig i peer to peer system för att ladda ner olagliga kopior av filmer och musik över Internet. Schoolsucks startade sin verksamhet i Miami i juli Personerna som grundade Schoolsucks har som målsättning att betjäna varje studerande i världen och de påstår att över besöker deras webbsidor dagligen. Antalet är enormt. För att få en uppfattning om det kan man utgå ifrån att Åbo Akademis webbserver, har mellan 6000 och 8000 besökare varje dag. Personerna bakom Schoolsucks anser inte att 11

21 de gör något fel; de tar inte betalt för arbeten och uppmanar inte studeranden att plagiera, eftersom lärare också har tillgång till dem. Resonemanget håller inte. Man kan ta en mening, It is possible because the days of secret drawers for documents and information are long gone. från smakprovet på uppsatsen Encryption: Who Holds The Keys?. Meningen hittade inga träffar med Google. Urkund klarade inte av att söka på endast en mening, den kräver att texten är minst 400 tecken lång, men vid en granskning på det hela tillgängliga smakprovet (136 ord, 713 tecken) angav urkund att den är till 100 % plagierad. Urkund angav att den ursprungliga uppsatsen hittas i webben på: Antalet tillgängliga papermills är ansenligt stort, lärare har inte tid att granska igenom dem alla och eftersom Google inte hittar plagiatet kan Schoolsucks räknas som en papermill vars syfte är att erbjuda plagierade arbeten. Uppsatserna som personerna bakom Schoolsucks erbjuder är enligt dem själva bara skräp, som är ett resultat av eller protest mot ett dåligt skolsystem Varför studerandena inte bör plagiera? Studeranden bör inte fuska genom plagiering eftersom det är till skada både för sig själv och för universitetet. Studeranden å ena sidan lär sig inte genom att fuska, men dessutom löper han risk att bli ökänd som en som fuskar i sitt arbete. Det svenskspråkiga kollegiet för varje akademisk bransch är väldigt litet i Finland. Risken för att tappa sitt professionella rykte är stor om man använder fusk för att uppnå sin examen. För universitetet är det skadligt om det börjar gå rykten om att man kan fuska sig till en examen. 12

22 1.3.6 Hur fuskar de studerande i skrivarbeten? Det finns många olika sätt att fuska i skrivarbeten, nedan listas de vanligaste sätten: Genom att man använder spökskribenter. Detta är i och för sig inte att plagiera och algoritmer kan inte upptäcka dessa texter, om inte spökskribenten har återanvänt sina texter. Glattsystemet, som förklaras närmare i kapitel 1.3.8, skulle eventuellt klara av att upptäcka att texten inte är skriven av den som lämnat in texten. Genom att man direkt översätter text, till exempel från engelska till svenska [Urkund08]. I dagens läge finns det inte programvara som klarar av att upptäcka plagiat genom översättning. Naturligtvis kan språket bli dåligt om man översätter texter mening för mening. Det finns också en risk att bli upptäckt om någon annan har översatt samma text tidigare. Om man är en fräck fuskare kan man tänkas plagiera ett arbete från början till slut [SIHIJMRV03]. Risken för att åka fast är stor med alla de tänkbara algoritmerna. En fuskare kan också minimera risken att bli upptäckt genom att använda en källa som plagieringsupptäckningssystemen eller handledaren har svårt att hitta, till exempel en papermill. Man gör små förändringar i texten. Ett rykte om Urkund, ett kommersiellt system som behandlas närmare i kapitel 4.1, påstår att om vart tionde ord ändras märker inte systemet plagiering, vilket är relativt enkelt med moderna texthanteringsprogram med inbyggda synonymregister [SIHIJMRV03], [DaHo05]. Plagiering genom att man använder parafraser. Man kopierar en text så att man omskriver den mening för mening, så att den ursprungliga textens innehåll eller budskap plagieras, trots att texterna är olika. [DaHo05] 13

23 1.3.7 Åtgärder mot plagiering som har gjorts vid finländska universitet. Om plagiering och förebyggande samt upptäckning av den vid universitet i Finland finns det rätt lite dokumenterat material om. Nedan listas upp universitet som har vidtagit åtgärder mot plagiering i en något större skala än endast en institution eller ett ämne: Åbo Akademi Svenska handelshögskolan i Helsingfors Tekniska högskolan Tammerfors tekniska universitet Endast vid Åbo Akademi har man utrett olika tillvägagångssätt för hela universitetet. Utredningar vid andra universitet har begränsat sig till mindre enheter och i vissa fall, som vid Joensuu universitet och vid Tammerfors universitet, verkar arbetet ha upphört. De personer som nämns i [SIHIJMRV03] som koordinatorer eller sakkunniga för projekten går inte att hitta från respektive universitets register. Case Åbo Akademi 2006 Vid Åbo Akademi har man från olika håll efterlyst bättre förfaranden och tekniska hjälpverktyg för hantering av plagiat i några år. Speciellt har det funnits en efterfrågan på system som kan upptäcka plagiat av skrivna arbeten. När Åbo Akademis IT strategi för åren utkom hade detta tagits i beaktande. På önskelistan över nya tillämpningar finns bland annat nämnt Plagiatdetektionsprogram. [ÅAIT] Som resultat av IT strategin framfördes tanken att undersöka vilka svenskspråkiga system och system som lämpar sig för svenska texter för detta ändamål som finns och vilka som är mest intresserade av dessa vid Åbo Akademi. Såväl biblioteket, Lärcentret som ekonomiutbildningen vid Ekonomisk statsvetenskapliga fakulteten. Det var 14

24 uppenbart att även Studentkåren skulle vara representerad i arbetet för vilket en inofficiell arbetsgrupp bildades. Målet med arbetet var att bereda tillvägagångssätt när plagiering misstänks och att testa de system som fungerar på svenska. Det följande steget var att ansöka om finansiering för projektet eftersom ingen enhet hade ekonomisk möjlighet att bli ägare för det. En ansökan till rektorn Mattinen skrevs på uppmaning av prorektor Wolf Knuts. Rektorn tillsatte arbetsgruppen officiellt, beviljade medel och satte en tidsgräns ( ) för arbetsgruppens slutsats. Urkund och Genuine Text är de enda system som både är svenska och har mycket svenskspråkiga referensdata. Valet mellan de två systemen skulle inte basera sig endast på träffsäkerheten och analystiden, utan också faktorer som användaradministration, layout och analyssidans läsbarhet skulle tas i beaktande. Främst ville man veta vad systemens huvudsakliga användare, lärarna, anser om programvarorna. För detta ändamål gjordes en webbaserad enkät. Enkätens viktigaste fråga var att välja det bättre av dessa två system. De mest kostnadseffektiva abonnemangen för att testa systemen är att ta dem i bruk vid en hel fakultet istället för endast några lärare. Eftersom ekonomiutbildningen vid Ekonomisk statsvetenskapliga fakulteten (ESF) visade mest intresse för arbetet i lärarkåren fick de fungera som testgrupp. Information åt lärare i ESF gavs i form av e post och det ordnades ett informationsmöte om arbetet. Lärarna hade även möjlighet att få hjälp av en teknisk stödperson. Trots det var det endast ett fåtal lärare, nio stycken, som prövade systemen under testperioden. Av 121 personer som hade tillgång till systemet var det endast tre, av vilka två var lärare, som svarade på enkäten. Eftersom Studentkåren var representerad i arbetsgruppen fick studerandena information om projektet. Det ordnades också ett informationsmöte speciellt avsett åt studerandena vid ESF. Studerandenas första reaktion på projektet var en rädsla för att ett system, inte 15

25 en människa, skall avgöra om de fuskar och att Åbo Akademi satsar stort på att fånga alla som fuskar. Efter att ha informerats om vad projektet handlar om var de studerandena positivt inställda på anskaffning av ett sådant system. Arbetet presenterades på ett möte som ordnades av SSI (Svenska Studerandes Intresseförening, som bland annat utger tidningen Studentbladet) så här: Dan Holm från Åbo Akademis datacentral, som har köpt ett system som fångar alla studerande som fuskar, skall nu berätta om deras projekt. I redogörelsen för projektet betonades fördelarna ur studerandes synvinkel: preventionseffekt, kvalitetssäkring och rättviseaspekter beskrivna i kapitel 1.1. En överraskning var att de studerande talade för ett plagieringskontrollsystem medan lärarna var passiva. Alla lärare som hade tillgång till systemet hade kanske inte undervisning eller undervisning där skriftliga inlämningsarbeten ingick under testperioden, men det förklarar inte det låga deltagarantalet. En möjlig orsak är att lärarna inte överhuvudtaget har gjort något för att kontrollera studerandes inlämningsarbetens äkthet. Då leder ett hjälpverktyg till mera arbete. Case Svenska Handelshögskolan i Helsingfors Vid Svenska Handelshögskolan i Helsingfors pågår under vårterminen 2008 ett arbete som jämför Urkund mot Genuine Text. Projektet utförs på motsvarande sätt som vid Case Åbo Akademi [SHH08] Tekniska högskolan Vid Tekniska högskolan har ett system Plaggie utvecklats för att analysera källkod i programmeringsspråket Java. Det som är enastående med Plaggie är att den tillhör licensering enligt GNU [AhSuRa06]. Vid en intervju med Tekniska högskolans chef för datacentralen framgick att de inte har programvara för granskning av texter. 16

26 Case Tammerfors tekniska universitet Arbetet vid Tammerfors tekniska universitet är tudelat: dels används Turnitin och dels ett eget system, Plakki, som analyserar programkod. Turnitin används sporadiskt endast vid enheten i Björneborg [Multisilta08]. Orsaken till att man inte tagit i bruk en programvara i större skala är brist på ekonomiska medel [Jaakkola08]. Efter att Plakki togs ibruk i Tammerfors minskade antalet plagierade programmeringsarbeten radikalt [Korteila05]. Användningen av programvaran Plakki gick inte att följa upp till denna kartläggning; personen som nämns i [SIHIJMRV03] som promotor för Plakki arbetar inte mera vid universitetet och sökfunktionen på universitetets webbplats känner inte till Plakki. Övriga Förutom vid de ovanstående universiteten har även Kuopion Yliopisto och Joensuun Yliopisto skriftliga anvisningar om hur plagiering skall hanteras. Således kan man dra följande slutsats: inget universitet i Finland har ännu programvara för upptäckning av plagiering av texter som används av hela universitetet Att upptäcka plagiering utan att använda specifik programvara I vissa fall behövs inte programvara för att upptäcka plagiering. Det finns dock karakteristiska egenskaper hos plagierade dokument och hos studeranden som fuskar. Misstankar väcks hos läraren speciellt om skrivarbetet i fråga är stort i sitt omfång, samt: Om språket är alltför bra jämfört med hur studenten brukar skriva. Det kan vara någon annan som skrivit uppsatsen. Om språket är alltför dåligt. Det kan handla om att uppsatsen är översatt, eller omskriven. Om man hittar ett skrivfel i en även annars dåligt skriven uppsats kan man söka det och ett par därpå följande ord med ett sökprogram på Internet. Ett ypperligt exempel på detta hittas i upplagan på testfiler i fil #9, 17

27 Dataminnen.doc där finns ordet nämnas felstavat namnas Med en sökning i Google med [ här kan namnas nämnas] hittas uppsatsen på webben som första träff. I sökargumentet anger citattecknen att orden skall följa varandra och nämnas anger att i sökningen skall ordet nämnas inte förekomma. Detta måste göras explicit eftersom Google tar i beaktande små skrivfel som att glömma bort ä:ets prickar. Om källorna i källförteckningen inte är lätta att få tag på kan de vara påhittade. Om studenten inte kan muntligt förklara svåra detaljer i uppsatsen. Dessa punkter kom fram vid diskussioner med lärare under möten som ordnades av Åbo Akademis arbetsgrupp för plagiathantering, som beskrivs i case Åbo Akademi 2006 i kapitel Glatt Glatt är en programvara som tar bort vart femte ord och ersätter det med blankt utrymme. Skribenten får sedan fylla i orden och med avseende på tiden och antal rätta svar bedömer systemet om skribenten verkligen har själv skrivit sin uppsats. Trots att Glatt är en programvara, platsar den ändå bättre i detta kapitel, eftersom den inte upptäcker plagiat genom att hitta textens ursprung. Glatt kan ses som en metod att förhöra studerande. Sökmotorer Google och andra sökmotorer på Internet är såtillvida bra redskap för lärare att de är bekanta och lätta att använda. Däremot kan de inte hitta material i papermills som man kommer åt med lösenord, vilket man får mot betalning. Det är ekonomiskt sett olönsamt för ett universitet att betala för lösenord åt alla lärare. Eventuellt kunde lösenorden koordineras och centraliseras så att ett universitet betalar endast för ett lösenord per papermill, men då kan det uppstå tillfällen där två lärare är inloggade med samma lösenord på en papermill. Praxis för sådant missbruk av användarkonton hos de flesta Internetbaserade serviceföretag är att man stänger kontot. Dessutom är det diskutabelt om universitet överhuvudtaget skall betala för tillgång till papermills. 18

28 En teknisk lösning kunde vara att universitet laddar ner alla, eller i alla fall tillräckligt många arbeten från ett antal papermills och lägger dem på en webbserver. Det finns cgi bin baserade program som fungerar på liknande sätt som de vanliga sökprogrammen på Internet. Således skulle lärare söka efter matchar både på Internet och på den interna webbservern. Det juridiska problemet med en egen server är upphovsrättsligt; att publicera dokumenten på en server som ett universitets lärarkollegium har tillgång till kan anses vara en utgåva eftersom kollegiet kan bestå av flera tusen personer. Detta kan kringgås genom att inte visa dokumenten på servern åt lärare utan endast låta mjukvaran läsa filerna. Ifall gratis sökmotorer är det enda verktyg lärare har till sitt förfogande bör man noggrant utarbeta sökmetoder för att granska texter. För att undersöka om ett skrivarbete är äkta räcker det inte med att ange en mening eller ett stycke från ett arbete som ett sökkriterium och konstatera att arbetet är äkta om ingen match hittades. Lärare kan inte heller förväntas söka med varje mening och varje sträng av några ord i en uppsats. Att använda sökmotorer för att kontrollera texter för plagiering förutsätter att lärare, examinatorer och handledare får utbildning och handledning i hur de bäst används för ändamålet. 19

29 2. ATT UPPTÄCKA PLAGIAT 2.1 Teori Man känner inte till någon algoritm som upptäcker plagiat så noggrant och uttömmande att en människas granskning av den misstänkta texten inte behövs. Samtliga författare till de artiklar som beskriver olika algoritmer hänvisar till detta. Algoritmernas uppgift är att hitta texter som liknar varandra och att underrätta användaren (läraren) om misstankar om plagiering utan att antalet falska positiva resultat, det vill säga misstänkta, men icke plagierade texter, blir för stort. Algoritmernas uppgift är alltså att ur en stor mängd texter sålla ut en eller några som liknar varandra. Ibland är fallet att man jämför en specifil text mot en mängd andra. Kravet på algoritmerna är dock samma: det räcker med att endast misstänka fall av plagiat. 2.2 Tridgells algoritm En metod för att avgöra om en text är plagierad av en annan är att räkna antalet ord de har gemensamma. En första version av programmet kunde tänkas jämföra två texter så att den första textens samtliga ord i tur och ordning skulle letas i den andra texten. Om ordet hittas ökar man värdet på en variabel. När man kommit till slutet av den första texten kan man på basis av variabelns värde försöka bedöma om den första texten var plagierad från den andra. För att få mera pondus kunde man presentera variabelns värde i förhållande till den första textens längd. Då skulle svaret anges i ett slags liknelsegrad. När programmet jämfört texten mot den andra, finns det inget som hindrar det att fortsätta jämföra mot en tredje text och därefter åter en följande text. Till slut har programmet gått igenom alla ord i alla givna texter. Texten som ger den högsta liknelsegraden är mest misstänkt och lämnas för användaren att avgöra om plagiering har skett. Denna enkla metod har Andrew Tridgell implementerat till ett program som heter Detect, som är gratis tillgängligt på Metoden har dock två svaga punkter. Vissa ord förekommer i många texter oberoende 20

30 av plagiering. Dessa ord kallas ofta vanliga (översatt från engelskans common words ), som är i regel korta och finns till för att bygga satser. Exempel på vanliga ord i svenska språket är alla prepositioner. Den andra svaga punkten är att spridningen på orden som är lika kan vara stor. Om den misstänkta texten endast omfattar ett par meningar kan det hända att alla dess ord finns i ett annat dokument trots att det inte handlar om plagiering, orden kan förekomma i andra sammanhang utspridda över hela det andra dokumentet. Eftersom de vanliga orden ställer till med problem, bör man förbise dem när man jämför texterna. Det finns tre sätt att handskas med vanliga ord. Det första är att man bygger en lista på ord som skall ignoreras. Listan bör kunna ändras av programmets användare. Det andra är att helt enkelt radera alla korta ord, till exempel de som är kortare än fem bokstäver, eftersom de vanliga orden ofta är korta. Det tredje sättet som Tridgell använde, är att ignorera de ord som förekommer i många texter. I Detect är antagandevärdet för vanliga ord 10, som användaren naturligtvis bör ändra på enligt sina egna behov. Tyvärr finns det inga kalkyler på vad värdet skall ändras till när antalet texter ändras. Tridgell har också en motsats till problemet med vanliga ord sällsynta ord. Om ett ord förekommer endast i två texter men inte i övriga, upp till hundratals texter, noteras det genom att höja extra mycket på värdet för variabeln som räknar matchande ord. Tridgells algoritm är inte publicerad i en artikel, utan här härledd från källkoden. 1. Skapa en lista på filer som skall analyseras. 2. Öppna följande fil i listan. 3. Tag varje ord i filen och spara det i alfabetisk ordning i en lista tillsammans med filnamnet. a. Varje tuppel av ord och filnamn lagras endast en gång. Om ett ord i en fil redan finns i listan räknas inte den andra förekomsten med. 4. När sista filen är öppnad och dess ord kopierade i listan radera de ord som förekommer i många filer. 5. Skapa en tabell M där M[i,j] är antalet ord som förekommer i både fil i och fil j. 6. Sortera tabellen med det högsta värdet först. Ge högre vikt för sällsynta ord. 21

31 7. Skriv ut filnamnen, slutsumman på M[i,j] och alla de ord som förekommer i de två filerna. Algoritmens komplexitet Att bygga listan med ord kan göras linjärt, likaså att skriva ut tabellen, för de delar är algoritmens komplexitet O(2*n), där n står för antalet ord. Att sortera orden i alfabetisk ordning görs enligt binärsökningsmetoden (så att man alltid halverar listan tills den rätta placeringen hittas). Den metodens komplexitet är log 2 n. Komplexiteten hos Tridgells algoritm är således O(n log 2 n). 2.3 Sentence Based Natural Language Plagiarism Detection Som rubriken antyder är texternas meningar nu i fokus, vilket gör att problemet med de utspridda orden som finns i Tridgells metod i Detect är borta. Algoritmen är ganska enkel och fungerar så att alla dokument jämförs mot varandra. 1. Skapa en lista av alla filer som granskas. 2. Omskriv varje mening i varje fil. a. Konvertera alla bokstäver som är i versaler till gemener. b. Ta bort alla vanliga ord (användaren anger vilka de är). c. Ta bort upprepade ord. 3. Öppna från listan den första filen 4. Jämför alla dess meningar mot varje mening i de andra dokumenten. 5. Om en mening överskrider gränsen A eller B (förklarade i exemplet nedan) spara meningarnas filnamn och värdet på B som anger hur lika de är. a. Om det finns från tidigare två filer och deras B redan lagrat, addera endast det nya värdet till B. 6. När listan av filer är tom lista upp de lagrade resultaten med högsta värdet först. Två meningar kan jämföras med varandra på två sätt som exemplet nedan visar: Mening 1: 22