Détecter le plagiat dans les médias en ligne
|
|
Le besoin
Gare au plagiat : une double préoccupation dans les médias
Dans un monde d’information de masse, les contenus exclusifs constituent une valeur très convoitée et le plagiat une concurrence déloyale.
Afin de prévenir des contentieux en traitant les risques au plus tôt, je souhaite détecter des contenus reprenant sans consentement une de mes publications.
Inversement, je dois m'assurer que mes publications ne contiennent pas de contenus trop ressemblants avec la production de confrères.
Rechercher des similitudes suspectes dans des masses gigantesques d'information est un défi : des outils d'analyse avancés permettent-ils de le relever ?
La solution
Des outils linguistiques pour évaluer de possibles cas de plagiat
Pour alerter une rédaction sur de possibles cas de plagiat dans les flux de presse, la solution typique met en œuvre plusieurs fonctions principales :
- la collecte de contenus proches des miens,
- une comparaison poussée des contenus et un calcul de leur proximité sur des critères multiples de vocabulaire, de phraséologie, de structure des contenus, etc. et l'attribution d'un score de ressemblance,
- un dispositif d'une alerte aux utilisateurs de la solution, intégré aux processus de publication, dans le cas où la ressemblance franchit un seuil de suspicion,
- une aide à la lecture permettant de mettre en évidence les similitudes suspectes entre les deux contenus pour un lecteur expert.
Collecter les flux à examiner
Malgré la puissance des traitements automatiques du langage, il est impensable d'analyser la totalité des publications francophones au fil de l'eau sur Internet. Plusieurs types d' outils permettent de cibler le périmètre pertinent pour rechercher de possibles plagiats afin de n'avoir pas à analyser au fil de l'eau la totalité des publications francophones sur Internet :
- crawlers sur des URL connues et déclarées,
- requêtes lancées dans un moteur de recherche à partir de mes publications pour cerner des périmètres thématiques proches.
Evaluer la proximité entre des textes
La mesure de la proximité entre deux textes est multifactorielle.
La simple ressemblance lexicale ou thématique est insuffisante pour caractériser le plagiat, d'autant que les plagiaires auront tendance à déguiser superficiellement leurs agissement par un recours aux synonymes, à la périphrase.
De plus, quoi d'étonnant que toute la presse d'actualité présente des contenus proches par leur vocabulaire et leurs concepts à la même date ?
Les contenus doivent donc également présenter des similitudes formelles, structurelles, voire rhétoriques pour que la ressemblance devienne suspecte.
Le traitement du langage naturel permet de telles analyses en produisant beaucoup plus rapidement qu'un opérateur humain des constats chiffrés sur une multitude de points de comparaison entre deux textes. Les techniques de traitement automatique des langues peuvent non seulement aider à la détection de textes suspects de plagiat, mais encore apporter des mesures lexicométriques pour étayer un recours si besoin.
Alerter les utilisateurs et leur présenter les cas suspects
Lorsque des contenus sont identifiés comme possiblement plagiaires, l'utilisateur doit pouvoir évaluer lui-même jusqu'à quel point la suspicion est fondée.
Au-delà d'un certain score de proximité, la solution gagnera à prévoir une alerte à qui de droit et à présenter une restitution des facteurs de similitude identifiés, incluant une aide à la lecture parallèle et annotée des documents.
Points d'attention
Le calcul de distance entre deux contenus peut mêler :
- des calculs statistiques ou probabilistes déclarés initialement par le développement,
- un apprentissage par machine learning, initial puis dans le cadre d'une boucle d'amélioration de la qualité.
L'apprentissage suppose d'organiser le processus de feedback et de sensibiliser les utilisateurs à l'intérêt de fournir des retours.