Практический тест: как системы "Антиплагиат" и "Руконтекст" работают с реальными научными работами и ИИ-текстом
Экспериментальная проверка двух популярных систем антиплагиата на реальных научных статьях и тексте, сгенерированном ИИ, выявила существенные расхождения в их работе и ограничения в интерпретации результатов.
Автор проверил, как системы "Антиплагиат" и "Руконтекст" работают в реальных условиях. Эксперимент обошелся в 4300 рублей и максимально приближен к практике вузовского проверяющего.
Были взяты три свежие научные работы на русском, английском и узбекском языках. Их прогнали через обе системы, затем вручную проанализировали каждый отмеченный источник. Ключевой частью стала вставка текста от нейросети в реальную курсовую работу 2017 года. Это позволило оценить не только проценты оригинальности, но и то, как системы интерпретируют заимствования и возможный ИИ-контент.
Методология систем различается. Они по-разному обрабатывают тексты на разных языках. Например, проверка узбекского текста выявила особенности индексации источников. Системы формируют развернутые отчеты, где каждый потенциальный источник нужно проверять вручную. Именно этот трудоемкий процесс лег в основу выводов о практической применимости сервисов. Отдельно оценивалась реакция систем на искусственный фрагмент.
Результаты показывают: слепо доверять итоговому проценту оригинальности нельзя. Для разработчиков это сигнал к работе над прозрачностью алгоритмов и улучшению мультиязычных корпусов. Для EdTech-продуктов важно создавать решения, которые не только ищут заимствования, но и эффективно выявляют ИИ-сгенерированный текст. Преподавателям же исследование демонстрирует: проверка на плагиат остается экспертной задачей, где автоматический отчет - лишь инструмент, а не окончательный вердикт.
Эксперимент ведет к трем последствиям. Первое - проблема интерпретации: высокий процент не всегда означает самостоятельную работу, а низкий - прямое заимствование. Системы по-разному учитывают цитаты и шаблонные формулировки. Второе - детекция ИИ-контента становится критически важным фронтом работы, с которым классические системы справляются плохо. Это открывает пространство для новых сервисов. Третье - академическому сообществу нужны современные правила проверки, учитывающие новые цифровые реалии.
В эпоху повсеместного ИИ борьба за академическую честность смещается из области простого сравнения текстов в область анализа их происхождения и контекста. Здесь машины пока не заменят человека. Проверка требует времени и экспертного взгляда, а автоматизированный сервис лишь сортирует потенциальные проблемы для дальнейшего, уже человеческого, разбора.
