ਜਦੋਂ ਇੱਕ ਪਲੇਜਰਿਜ਼ ਚੈਕਰ ਉਨ੍ਹਾਂ ਦੇ ਲੇਖ, ਰਿਪੋਰਟ ਜਾਂ ਥੀਸਿਸ ਦੇ ਕੁਝ ਹਿੱਸਿਆਂ ਨੂੰ ਹਾਈਲਾਈਟ ਕਰਦਾ ਹੈ, ਤਾਂ ਵਿਦਿਆਰਥੀ ਅਕਸਰ ਹੈਰਾਨ ਹੋ ਜਾਂਦੇ ਹਨ—ਭਾਵੇਂ ਉਨ੍ਹਾਂ ਨੇ ਕਿਸੇ ਹੋਰ ਸਰੋਤ ਤੋਂ ਜਾਣਬੁੱਝ ਕੇ ਕਾਪੀ ਨਹੀਂ ਕੀਤਾ ਹੁੰਦਾ। ਬਹੁਤ ਸਾਰੇ ਮਾਮਲਿਆਂ ਵਿੱਚ ਸਮੱਸਿਆ ਧੋਖਾਧੜੀ ਵਾਲੀ ਨਹੀਂ ਹੁੰਦੀ। ਇਹ ਆਮ ਤੌਰ ‘ਤੇ ਆਮ ਅਕਾਦਮਿਕ ਲਫ਼ਜ਼ਾਂ ਦੀ ਵਰਤੋਂ, ਕਮਜ਼ੋਰ ਪੈਰਾਫ੍ਰੇਜ਼ਿੰਗ, ਸਾਈਟੇਸ਼ਨ ਦੀਆਂ ਗਲਤੀਆਂ, ਟੈਂਪਲੇਟ ਭਾਸ਼ਾ, ਜਾਂ ਇਹ ਨਾ ਸਮਝਣਾ ਕਿ “similarity score” ਅਸਲ ਵਿੱਚ ਕੀ ਮਤਲਬ ਰੱਖਦਾ ਹੈ—ਇਨ੍ਹਾਂ ਦਾ ਮਿਲਾਪ ਹੁੰਦਾ ਹੈ।
ਛੋਟਾ ਜਵਾਬ ਸੌਖਾ ਹੈ: ਫਲੈਗ ਹੋਣਾ ਹਮੇਸ਼ਾ ਪਲੇਜਰਿਜ਼ ਕਰਕੇ ਦੋਸ਼ੀ ਹੋਣ ਦੇ ਬਰਾਬਰ ਨਹੀਂ ਹੁੰਦਾ। ਇੱਕ ਰਿਪੋਰਟ ਟੈਕਸਟ ਨੂੰ ਹਾਈਲਾਈਟ ਕਰ ਸਕਦੀ ਹੈ ਕਿਉਂਕਿ ਉਹ ਪਹਿਲਾਂ ਪ੍ਰਕਾਸ਼ਿਤ ਮੈਟਰੀਅਲ, ਆਮ ਫਾਰਮੂਲੇਸ਼ਨ, ਜਾਂ ਪਹਿਲਾਂ ਇੰਡੈਕਸ ਹੋਏ ਵਾਕਾਂ ਨਾਲ ਮਿਲਦਾ ਜੁਲਦਾ ਹੈ। ਇਸੇ ਲਈ ਫਲੈਗ ਹੋਏ ਡੌਕੂਮੈਂਟ ਨੂੰ ਹਮੇਸ਼ਾ ਧਿਆਨ ਨਾਲ ਰਿਵਿਊ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ—ਸਿਰਫ਼ ਪ੍ਰਤੀਸ਼ਤ ਦੇ ਆਧਾਰ ‘ਤੇ ਫੈਸਲਾ ਨਹੀਂ ਕਰਨਾ। ਜੇ ਤੁਸੀਂ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਹੋ ਕਿ AI ਨਾਲ ਜੁੜੀਆਂ ਲਿਖਤਾਂ ਵਾਲੀਆਂ ਚਿੰਤਾਵਾਂ originality checks ਨਾਲ ਕਿਵੇਂ ਓਵਰਲੈਪ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਤਾਂ ਤੁਸੀਂ ਪਾਠਕਾਂ ਨੂੰ Plag.ai AI services ਵੱਲ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਿਤ ਕਰ ਸਕਦੇ ਹੋ।
ਪਲੇਜਰਿਜ਼ ਫਲੈਗ ਹਮੇਸ਼ਾ ਪਲੇਜਰਿਜ਼ ਦਾ ਮਤਲਬ ਕਿਉਂ ਨਹੀਂ ਹੁੰਦਾ
ਪਲੇਜਰਿਜ਼ ਚੈਕਰ ਇਰਾਦਾ ਨਹੀਂ ਪੜ੍ਹਦਾ। ਇਹ ਟੈਕਸਟ ਪੈਟਰਨ, ਵਾਕਾਂ ਦੀ ਓਵਰਲੈਪ, ਸਰੋਤ ਦੀ ਸਮਾਨਤਾ, ਅਤੇ ਕਈ ਵਾਰ ਹੋਰ ਵੀ ਡੂੰਘੇ ਭਾਸ਼ਾਈ ਸੰਕੇਤਾਂ ਦੀ ਤੁਲਨਾ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਸਿਸਟਮ ਨੂੰ ਕੋਈ ਮੈਚ ਮਿਲਦਾ ਹੈ, ਉਹ ਉਸ ਹਿੱਸੇ ਨੂੰ ਰਿਵਿਊ ਲਈ ਮਾਰਕ ਕਰ ਦਿੰਦਾ ਹੈ। ਉਹ ਮੈਚ ਅਸਲ originality ਵਾਲੀ ਸਮੱਸਿਆ ਦਰਸਾ ਵੀ ਸਕਦਾ ਹੈ, ਪਰ ਇਹ ਆਮ ਅਕਾਦਮਿਕ ਵਾਕਾਂਸ਼, ਮੁੜ-ਮੁੜ ਵਰਤੀ ਜਾਣ ਵਾਲੀ ਟਰਮੀਨੋਲੋਜੀ, ਜਾਂ ਕਿਸੇ ਅਜਿਹੇ ਪੈਸੇਜ ਨੂੰ ਵੀ ਦਰਸਾ ਸਕਦਾ ਹੈ ਜਿਸਨੂੰ ਦੋਸ਼ ਲਾਉਣ ਦੀ ਥਾਂ ਸਾਈਟੇਸ਼ਨ ਵਿੱਚ ਸੁਧਾਰ ਦੀ ਲੋੜ ਹੈ।
ਇਥੇ ਕਈ ਵਿਦਿਆਰਥੀ ਉਲਝਣ ਵਿੱਚ ਪੈ ਜਾਂਦੇ ਹਨ। ਉਹ ਹਾਈਲਾਈਟ ਹੋਇਆ ਪੈਸੇਜ ਵੇਖ ਕੇ ਮੰਨ ਲੈਂਦੇ ਹਨ ਕਿ ਸੌਫਟਵੇਅਰ ਨੇ ਪਹਿਲਾਂ ਹੀ ਆਖ਼ਰੀ ਫੈਸਲਾ ਕਰ ਦਿੱਤਾ ਹੈ। ਅਸਲ ਵਿੱਚ, similarity ਰਿਪੋਰਟ ਆਮ ਤੌਰ ‘ਤੇ ਰਿਵਿਊ ਦੀ ਸ਼ੁਰੂਆਤ ਹੁੰਦੀ ਹੈ, ਅੰਤ ਨਹੀਂ। ਨੰਬਰ ਨੂੰ ਲੈ ਕੇ ਘਬਰਾਉਣ ਨਾਲੋਂ ਸੋਚ-ਸਮਝ ਨਾਲ ਕੀਤੀ ਵਿਆਖਿਆ ਕਈ ਗੁਣਾ ਵੱਧ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦੀ ਹੈ।
ਸੱਚੇ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਫਲੈਗ ਹੋਣ ਦੇ ਸਭ ਤੋਂ ਆਮ ਕਾਰਨ
ਕੁਝ ਪੈਟਰਨ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਲਿਖਤ ਵਿੱਚ ਗਲਤ ਅਲਾਰਮ ਜਾਂ ਅੰਸ਼ਕ ਚਿੰਤਾ ਪੈਦਾ ਕਰਦੇ ਹਨ। ਪਹਿਲਾਂ ਹੈ ਆਮ ਵਾਕਾਂਸ਼ਾਂ ਦੀ ਦੁਹਰਾਈ। ਅਕਾਦਮਿਕ ਲਿਖਤ ਅਕਸਰ “the results of this study suggest” ਜਾਂ “further research is needed” ਵਰਗੀਆਂ ਸਟਾਕ ਇਕਸਪ੍ਰੈਸ਼ਨਾਂ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਇਹ ਵਾਕਾਂਸ਼ ਕਈ ਡੌਕੂਮੈਂਟਾਂ ਵਿੱਚ ਆ ਸਕਦੇ ਹਨ ਅਤੇ ਵਿਦਿਆਰਥੀ ਵੱਲੋਂ ਖੁਦ ਲਿਖੇ ਹੋਣ ਦੇ ਬਾਵਜੂਦ ਵੀ ਹਾਈਲਾਈਟ ਹੋ ਸਕਦੇ ਹਨ।
ਦੂਜੀ ਸਮੱਸਿਆ ਉਹ ਪੈਰਾਫ੍ਰੇਜ਼ਿੰਗ ਹੈ ਜੋ ਸਰੋਤ ਦੇ ਬਹੁਤ ਨੇੜੇ ਰਹਿ ਜਾਂਦੀ ਹੈ। ਕੋਈ ਵਿਦਿਆਰਥੀ ਸਮਝ ਸਕਦਾ ਹੈ ਕਿ ਉਹ ਵਾਕ ਨੂੰ ਕਾਫ਼ੀ ਰੀਰਾਈਟ ਕਰ ਚੁੱਕਿਆ ਹੈ ਕਿਉਂਕਿ ਕੁਝ ਸ਼ਬਦ ਬਦਲੇ ਹੋਏ ਹਨ, ਪਰ ਜੇ ਬਣਤਰ (structure) ਅਤੇ ਮਤਲਬ ਲਗਭਗ ਇੱਕੋ ਜਿਹੇ ਰਹਿ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਪੈਸੇਜ ਫਿਰ ਵੀ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਮਾਨ ਦਿਖ ਸਕਦਾ ਹੈ। ਇਹ ਹਮੇਸ਼ਾ ਇਰਾਦਾਤਮਕ ਕਾਪੀ ਦਾ ਮਤਲਬ ਨਹੀਂ ਹੁੰਦਾ। ਕਈ ਵਾਰ ਇਹ ਸਿਰਫ਼ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਲੇਖਕ ਸਰੋਤ ਦੀ ਭਾਸ਼ਾ ਤੋਂ ਕਾਫ਼ੀ ਦੂਰ ਨਹੀਂ ਗਿਆ।
ਤੀਜਾ ਕਾਰਨ ਹੈ ਬਿਨਾਂ ਕਾਫ਼ੀ ਵੱਖਰੇ ਕਰਕੇ ਸਾਈਟੇਸ਼ਨ ਦੇਣਾ (citation without enough separation from the original wording)। ਵਿਦਿਆਰਥੀ ਕਈ ਵਾਰ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਸਾਈਟ ਕਰ ਲੈਂਦੇ ਹਨ ਪਰ ਫਿਰ ਵੀ ਵਾਕਾਂ ਦੀ ਬਣਤਰ ਨੂੰ ਬਹੁਤ ਨੇੜੇ ਰੱਖ ਦਿੰਦੇ ਹਨ। ਅਜਿਹੇ ਮਾਮਲੇ ਵਿੱਚ ਸਾਈਟੇਸ਼ਨ ਮਦਦ ਕਰਦੀ ਹੈ, ਪਰ ਲਿਖਤ ਫਿਰ ਵੀ ਸਰੋਤ ‘ਤੇ ਬੇਹੱਦ ਨਿਰਭਰ ਜਿਹੀ ਲੱਗ ਸਕਦੀ ਹੈ।
ਚੌਥਾ ਕਾਰਨ ਹੈ ਦੁਬਾਰਾ ਵਰਤੀ ਜਾਣ ਵਾਲੀ ਸੰਸਥਾਗਤ ਜਾਂ ਤਕਨੀਕੀ ਭਾਸ਼ਾ। ਬਹੁਤ ਸਾਰੀਆਂ ਅਸਾਈਨਮੈਂਟਾਂ, ਲੈਬ ਰਿਪੋਰਟਾਂ, ਡਿਜ਼ਰਟੇਸ਼ਨਾਂ, ਅਤੇ ਪਾਲਿਸੀ-ਅਧਾਰਿਤ ਪੇਪਰਾਂ ਵਿੱਚ ਰਸਮੀ ਫਰੇਜ਼, ਪਰਿਭਾਸ਼ਾਵਾਂ, ਜਾਂ ਵਿਧੀ/ਮੈਥਡ ਦੇ ਵਰਣਨ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ ਜੋ ਵੈੱਬ ਜਾਂ ਅਕਾਦਮਿਕ ਡਾਟਾਬੇਸਾਂ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ ‘ਤੇ ਮਿਲ ਸਕਦੇ ਹਨ। ਇਹ ਧੋਖੇ ਦੀ ਨੀਅਤ ਨਾ ਹੋਣ ਦੇ ਬਾਵਜੂਦ ਵੀ ਮੈਚ ਟ੍ਰਿਗਰ ਕਰ ਸਕਦੇ ਹਨ।
ਪੰਜਵਾਂ ਕਾਰਨ ਹੈ ਡਰਾਫਟ “contamination”। ਜੇ ਕੋਈ ਵਿਦਿਆਰਥੀ ਪਹਿਲਾਂ ਕਿਤੇ ਹੋਰ ਵਰਜ਼ਨ ਸਬਮਿਟ ਕਰ ਚੁੱਕਾ ਹੋਵੇ, ਜਾਂ ਟੈਕਸਟ ਦੇ ਕੁਝ ਹਿੱਸੇ ਜਨਤਕ abstracts, ਰਿਪੋਜ਼ਟਰੀਆਂ, ਜਾਂ ਸੈਂਪਲ ਪੇਪਰਾਂ ਨਾਲ ਮਿਲਦੇ ਹੋਣ, ਤਾਂ ਚੈਕਰ ਉਹ ਓਵਰਲੈਪ ਪਕੜ ਸਕਦਾ ਹੈ ਜੋ ਵਿਦਿਆਰਥੀ ਨੂੰ ਹੈਰਾਨ ਕਰ ਦੇਵੇ।
similarity scores ਬਾਰੇ ਵਿਦਿਆਰਥੀ ਅਕਸਰ ਕੀ ਗਲਤ ਸਮਝ ਲੈਂਦੇ ਹਨ
ਸਭ ਤੋਂ ਵੱਡੀਆਂ ਗਲਤੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ similarity ਪ੍ਰਤੀਸ਼ਤ ਨੂੰ “ਫੈਸਲਾ” (verdict) ਵਾਂਗ ਟ੍ਰੀਟ ਕਰਨਾ। ਇਹ ਨਹੀਂ ਹੈ। ਜੇ ਕੋਈ ਰਿਪੋਰਟ 12% similarity ਦਿਖਾਉਂਦੀ ਹੈ, ਤਾਂ ਗੰਭੀਰ ਸਮੱਸਿਆਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ ਜੇ ਉਹ ਮੈਚ ਬਿਨਾਂ ਸਾਈਟੇਸ਼ਨ ਦੇ ਕਾਪੀ ਕਰਨ ਨਾਲ ਸੰਬੰਧਿਤ ਹੋਣ। ਦੂਜੇ ਪਾਸੇ, ਜੇ ਕੋਈ ਰਿਪੋਰਟ 25% similarity ਦਿਖਾਉਂਦੀ ਹੈ, ਤਾਂ ਉਹ ਤੁਲਨਾਤਮਕ ਤੌਰ ‘ਤੇ ਕਾਫ਼ੀ ਹੱਦ ਤੱਕ ਨੁਕਸਾਨ ਰਹਿਤ ਹੋ ਸਕਦੀ ਹੈ ਜੇ ਹਾਈਲਾਈਟ ਹੋਏ ਹਿੱਸੇ references, quotations, titles, ਜਾਂ ਆਮ ਤਕਨੀਕੀ ਵਾਕਾਂਸ਼ ਹਨ।
ਮਹੱਤਵ ਇਸ ਗੱਲ ਦਾ ਹੈ ਕਿ similarity ਕਿੱਥੇ ਆ ਰਹੀ ਹੈ, ਸਰੋਤ ਵਾਲੀ ਭਾਸ਼ਾ ‘ਤੇ ਦਲੀਲ/argument ਕਿੰਨੀ ਨਿਰਭਰ ਕਰਦੀ ਹੈ, ਅਤੇ ਕੀ ਸਰੋਤਾਂ ਦੀ ਵਰਤੋਂ ਅਕਾਦਮਿਕ ਤੌਰ ‘ਤੇ ਢੁੱਕਵੀਂ ਹੈ। ਸਧਾਰਨ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਕੱਚੇ ਪ੍ਰਤੀਸ਼ਤ ਨਾਲੋਂ ਓਵਰਲੈਪ ਦੀ ਗੁਣਵੱਤਾ ਜ਼ਿਆਦਾ ਮਹੱਤਵਪੂਰਨ ਹੈ।
ਫਲੈਗ ਹੋਈ ਰਿਪੋਰਟ ਨੂੰ ਆਟੋਮੈਟਿਕ ਦੋਸ਼ ਸਾਬਤ ਹੋਣ ਵਾਂਗ ਨਹੀਂ, ਬਲਕਿ ਰਿਵਿਊ ਲਈ ਪ੍ਰੌਮਪਟ ਵਾਂਗ ਪੜ੍ਹਨਾ ਚਾਹੀਦਾ ਹੈ।
ਇਹ ਅੰਤਰ ਵਿਦਿਆਰਥੀਆਂ ਅਤੇ ਅਧਿਆਪਕਾਂ—ਦੋਵਾਂ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇਹ ਅਣਇਨਸਾਫ਼ ਧਾਰਨਾਵਾਂ ਤੋਂ ਅਸਲੀ ਲੇਖਕਾਂ ਦੀ ਰੱਖਿਆ ਕਰਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਪੈਸੇਜਾਂ ਵੱਲ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਵਾਕਈ ਸੋਧ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ
ਕਦੋਂ ਫਲੈਗ ਅਸਲ ਚਿੰਤਾ ਬਣ ਜਾਂਦਾ ਹੈ
ਫਲੈਗ ਜ਼ਿਆਦਾ ਅਰਥਪੂਰਨ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਮੈਚ ਹੋਇਆ ਟੈਕਸਟ ਵਿਲੱਖਣ ਵਾਕਾਂਸ਼ਾਂ, ਦਲੀਲ ਦੀ ਬਣਤਰ, ਜਾਂ ਉਧਾਰ ਲਿਆ ਗਿਆ ਵਿਸ਼ਲੇਸ਼ਣ (borrowed analysis) ਸ਼ਾਮਲ ਕਰਦਾ ਹੋਵੇ ਜਿਸਨੂੰ ਵਿਦਿਆਰਥੀ ਆਪਣਾ ਦੱਸ ਰਿਹਾ ਹੋਵੇ। ਇਹ ਵੀ ਚਿੰਤਾਜਨਕ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਕਈ ਪੈਸੇਜ ਸਰੋਤ ਵਾਲੀ ਮੈਟਰੀਅਲ ਨਾਲ ਬਹੁਤ ਨੇੜੇ ਤੋਂ ਕਾਪੀ ਜਿਹੇ ਲੱਗਦੇ ਹਨ—ਭਾਵੇਂ ਵਿਦਿਆਰਥੀ ਨੇ ਸਿਰਫ਼ ਉੱਪਰੀ ਤੌਰ ‘ਤੇ ਸ਼ਬਦ ਬਦਲੇ ਹੋਣ।
ਇੱਕ ਹੋਰ ਚੇਤਾਵਨੀ ਸੰਕੇਤ ਲਿਖਣ ਦੇ ਸਟਾਈਲ ਵਿੱਚ ਅਚਾਨਕ ਬਦਲਾਅ ਆਉਣਾ ਹੈ। ਜੇ ਪੇਪਰ ਦੇ ਬਾਕੀ ਹਿੱਸਿਆਂ ਨਾਲੋਂ ਇੱਕ ਹਿੱਸਾ ਕਾਫ਼ੀ ਵੱਖਰਾ ਸੁਣਾਈ ਦੇਵੇ, ਤਾਂ ਰਿਵਿਊਅਰ originality, ਸਰੋਤ ਦੀ ਵਰਤੋਂ, ਜਾਂ AI-assisted writing ਵੱਲ ਹੋਰ ਧਿਆਨ ਨਾਲ ਦੇਖ ਸਕਦਾ ਹੈ। ਜਿਹੜੇ ਪਾਠਕ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਹਨ ਕਿ AI ਨਾਲ ਸਬੰਧਤ ਰਿਵਿਊ originality checks ਵਿੱਚ ਕਿਵੇਂ ਫਿੱਟ ਹੁੰਦਾ ਹੈ, ਉਹਨਾਂ ਨੂੰ Plag.ai AI services ਵੱਲ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਵਿਦਿਆਰਥੀ false plagiarism ਫਲੈਗ ਦੇ ਖਤਰੇ ਨੂੰ ਕਿਵੇਂ ਘਟਾ ਸਕਦੇ ਹਨ
ਸਭ ਤੋਂ ਵਧੀਆ ਰੋਕਥਾਮ ਰਣਨੀਤੀ ਸਿਰਫ਼ ਦਿਖਾਵਟੀ ਰੀਰਾਈਟਿੰਗ ਨਹੀਂ ਹੁੰਦੀ। ਇਹ ਹੋਰ ਮਜ਼ਬੂਤ ਅਕਾਦਮਿਕ ਅਭਿਆਸ ਹੈ। ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਪਹਿਲਾਂ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਉਹ ਸਰੋਤ ਨੂੰ ਪੈਰਾਫ੍ਰੇਜ਼ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਸਮਝ ਗਏ ਹਨ। ਜੇ ਉਹ ਅਜੇ ਵੀ ਮੂਲ ਵਾਕਾਂ ਦੀ ਬਣਤਰ ‘ਤੇ ਹੀ ਟਿਕੇ ਰਹਿੰਦੇ ਹਨ, ਤਾਂ ਰੀਰਾਈਟ ਅਕਸਰ ਬਹੁਤ ਨੇੜੇ ਰਹਿ ਜਾਂਦੀ ਹੈ। ਇਸ ਤੋਂ ਵਧੀਆ ਤਰੀਕਾ ਹੈ ਕਿ ਸਰੋਤ ਤੋਂ ਥੋੜ੍ਹਾ ਦੂਰ ਜਾਓ, ਆਪਣੇ ਤਰਕ ਨਾਲ ਵਿਚਾਰ ਨੂੰ ਦੁਬਾਰਾ ਬਿਆਨ ਕਰੋ, ਅਤੇ ਫਿਰ ਸਹੀਪਨ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਵਾਪਸ ਆਓ।
ਉਹ ਇਹ ਵੀ ਚੈੱਕ ਕਰਨ ਕਿ ਕੌਟੇਸ਼ਨਾਂ ਸਾਫ਼ ਤੌਰ ‘ਤੇ ਮਾਰਕ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ ਜਾਂ ਨਹੀਂ, ਸਾਈਟੇਸ਼ਨ ਪੂਰੀਆਂ ਹਨ ਜਾਂ ਨਹੀਂ, ਅਤੇ ਸਮਰੀਆਂ ਅਸਲ ਵਿੱਚ ਅਭਿਵ੍ਯਕਤੀ (expression) ਵਿੱਚ ਸੱਚਮੁੱਚ original ਹਨ ਜਾਂ ਨਹੀਂ। ਸਬਮਿਟ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਡਰ ਦੇ ਬਜਾਏ ਸ਼ਾਂਤ ਮਨ ਨਾਲ ਹਾਈਲਾਈਟ ਹੋਏ ਹਿੱਸਿਆਂ ਨੂੰ ਰਿਵਿਊ ਕਰਨਾ ਮਦਦਗਾਰ ਹੁੰਦਾ ਹੈ। ਅਕਸਰ ਕੁਝ ਟਾਰਗਟਡ ਸੋਧਾਂ ਡੌਕੂਮੈਂਟ ਨੂੰ ਹੋਰ ਸਾਫ਼, ਵਧੇਰੇ ਸੁਤੰਤਰ, ਅਤੇ ਅਕਾਦਮਿਕ ਤੌਰ ‘ਤੇ ਬਚਾਉਣਾ ਆਸਾਨ ਬਣਾ ਦਿੰਦੀਆਂ ਹਨ।
ਅਧਿਆਪਕਾਂ ਨੂੰ ਕੀ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ?
ਅਧਿਆਪਕਾਂ ਨੂੰ ਆਟੋਮੈਟਿਕ ਫਲੈਗ ਨੂੰ ਆਖ਼ਰੀ ਸਬੂਤ ਵਾਂਗ ਨਹੀਂ ਲੈਣਾ ਚਾਹੀਦਾ। ਇੱਕ ਨਿਆਂਯੋਗ ਅਕਾਦਮਿਕ ਇੰਟੈਗਰਿਟੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਸੰਦਰਭ (context), ਸਰੋਤ ਦੀ ਸੰਭਾਲ, ਅਸਾਈਨਮੈਂਟ ਦੀ ਕਿਸਮ, ਅਤੇ ਮੈਚ ਹੋਈ ਮੈਟਰੀਅਲ ਦੀ ਪ੍ਰਕਿਰਤੀ ਨੂੰ ਵੇਖਣਾ ਚਾਹੀਦਾ ਹੈ। ਅਕਾਦਮਿਕ ਕੰਮ ਵਿੱਚ ਕੁਝ ਓਵਰਲੈਪ ਆਮ ਗੱਲ ਹੈ। ਮੈਥਡੋਲੋਜੀ ਸੈਕਸ਼ਨ, reference lists, ਵਿਸ਼ੇ-ਖਾਸ ਟਰਮੀਨੋਲੋਜੀ, ਅਤੇ ਫਾਰਮੂਲਾਇਕ (formulaic) phrasing—ਇਹ ਸਭ ਕੁਝ ਮਿਲਾਪ ਵਧਾ ਸਕਦੇ ਹਨ ਬਿਨਾਂ ਇਸ ਦੇ ਕਿ misconduct ਸਾਬਤ ਹੋਵੇ।
ਇੱਕ ਨਿਆਂਯੋਗ ਰਿਵਿਊ ਹੋਰ ਵਧੀਆ ਸਵਾਲ ਵੀ ਪੁੱਛਦਾ ਹੈ। ਕੀ ਓਵਰਲੈਪ ਮਹੱਤਵਪੂਰਨ ਦਲੀਲ ਵਾਲੇ ਹਿੱਸਿਆਂ ਵਿੱਚ ਕੇਂਦਰਿਤ ਹੈ ਜਾਂ ਸਿਰਫ਼ ਰਵਾਇਤੀ (conventional) ਸ਼ਬਦਾਂ ਵਿੱਚ ਹੈ? ਕੀ ਸਰੋਤਾਂ ਨੂੰ ਸਾਈਟ ਕੀਤਾ ਗਿਆ ਹੈ? ਕੀ ਵਿਦਿਆਰਥੀ ਦੀ ਪੇਪਰ ਵਿੱਚ ਸੁਤੰਤਰ ਸਮਝ ਦਿਖਦੀ ਹੈ? ਕੀ ਡੌਕੂਮੈਂਟ ਨੂੰ ਉਹਨਾਂ ਪੈਰਾਫ੍ਰੇਜ਼ ਦੇ ਸੰਕੇਤਾਂ ਲਈ ਚੈੱਕ ਕੀਤਾ ਗਿਆ ਹੈ ਜੋ ਬਹੁਤ ਨੇੜੇ ਹਨ, ਨਾ ਕਿ ਸਿਰਫ਼ ਸਿੱਧੀ ਕਾਪੀ?
ਜੇ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਗਲਤ ਤੌਰ ‘ਤੇ ਫਲੈਗ ਕੀਤਾ ਗਿਆ ਹੋਵੇ ਤਾਂ ਉਹ ਕੀ ਕਰਨ?
ਜੇ ਕਿਸੇ ਵਿਦਿਆਰਥੀ ਨੂੰ ਲੱਗਦਾ ਹੈ ਕਿ ਪਲੇਜਰਿਜ਼ ਦੀ ਚਿੰਤਾ ਨਾਇਨਸਾਫ਼ ਹੈ, ਤਾਂ ਉਸਨੂੰ ਰੱਖਿਆਭਾਵ ਵਿੱਚ ਆਉਣ ਦੀ ਥਾਂ ਇੱਕ ਸਪਸ਼ਟ ਵਿਆਖਿਆ ਤਿਆਰ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ। ਆਮ ਤੌਰ ‘ਤੇ ਇਸਦਾ ਮਤਲਬ ਹੈ ਹਾਈਲਾਈਟ ਹੋਏ ਹਿੱਸਿਆਂ ਦੀ ਪਛਾਣ ਕਰਨਾ, ਦਿਖਾਉਣਾ ਕਿ ਸਾਈਟੇਸ਼ਨ ਕਿੱਥੇ ਵਰਤੀ ਗਈ ਸੀ, ਸਮਝਾਉਣਾ ਕਿ ਸਰੋਤ ਨੂੰ ਕਿਵੇਂ ਸਮਝਿਆ ਗਿਆ, ਅਤੇ ਉਹਨਾਂ ਪੈਸੇਜਾਂ ਨੂੰ ਰਿਵਾਈਜ਼ ਕਰਨਾ ਜੋ ਸ਼ਾਇਦ ਮੂਲ ਭਾਸ਼ਾ ਦੇ ਬਹੁਤ ਨੇੜੇ ਰਹਿ ਗਏ ਹੋਣ। ਸਿਰਫ਼ ਪ੍ਰਤੀਸ਼ਤ ਬਾਰੇ ਬਹਿਸ ਕਰਨ ਨਾਲੋਂ ਸ਼ਾਂਤ, ਸਬੂਤ-ਆਧਾਰਿਤ ਜਵਾਬ ਅਕਸਰ ਵਧੇਰੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੁੰਦਾ ਹੈ।
ਕਈ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਸਪਸ਼ਟੀਕਰਨ, ਰਿਵਿਜ਼ਨ, ਅਤੇ ਲਿਖਣ ਦੀਆਂ ਚੋਣਾਂ ਬਾਰੇ ਬਿਹਤਰ ਵਿਆਖਿਆ ਨਾਲ ਇਹ ਸਮੱਸਿਆ ਹੱਲ ਹੋ ਸਕਦੀ ਹੈ। ਮੁੱਖ ਗੱਲ ਇਹ ਹੈ ਕਿ ਫਲੈਗ ਪੇਪਰ ਨੂੰ ਧਿਆਨ ਨਾਲ ਦੇਖਣ ਲਈ ਇੱਕ ਸੰਕੇਤ ਹੈ—ਨਾ ਕਿ ਸਭ ਤੋਂ ਬੁਰਾ ਮੰਨਣ ਦਾ ਕਾਰਨ।
ਅੰਤਿਮ ਵਿਚਾਰ
ਕੁਝ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਪਲੇਜਰਿਜ਼ ਲਈ ਫਲੈਗ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਭਾਵੇਂ ਉਹ ਜਾਣਬੁੱਝ ਕੇ ਕਾਪੀ ਨਹੀਂ ਕਰਦੇ, ਕਿਉਂਕਿ ਪਲੇਜਰਿਜ਼ ਡਿਟੈਕਸ਼ਨ overlap ਪਛਾਣਣ ਲਈ ਬਣਾਈ ਗਈ ਹੈ—ਇਰਾਦੇ ਲਈ ਨਹੀਂ। ਸਮਾਨਤਾ ਆਮ phrasing, ਕਮਜ਼ੋਰ ਪੈਰਾਫ੍ਰੇਜ਼ਿੰਗ, ਸਾਈਟੇਸ਼ਨ ਸਮੱਸਿਆਵਾਂ, ਦੁਬਾਰਾ ਵਰਤੀ ਤਕਨੀਕੀ ਭਾਸ਼ਾ, ਜਾਂ ਇਸ ਬਾਰੇ ਗਲਤਫ਼ਹਿਮੀਆਂ ਤੋਂ ਆ ਸਕਦੀ ਹੈ ਕਿ originality reports ਕਿਵੇਂ ਕੰਮ ਕਰਦੀਆਂ ਹਨ। ਸਹੀ ਜਵਾਬ ਘਬਰਾਉਣਾ ਨਹੀਂ ਹੁੰਦਾ। ਇਹ ਧਿਆਨ ਨਾਲ ਰਿਵਿਊ, ਬਿਹਤਰ ਅਕਾਦਮਿਕ ਲਿਖਤ ਦੀਆਂ ਆਦਤਾਂ, ਅਤੇ ਨਿਆਂਯੋਗ ਵਿਆਖਿਆ ਹੈ।
ਜਿਹੜੇ ਪਾਠਕ AI ਨਾਲ ਸਬੰਧਤ ਲਿਖਤ ਰਿਵਿਊ ਨੂੰ originality concerns ਦੇ ਨਾਲ ਸਮਝਣ ਲਈ ਮਦਦ ਚਾਹੁੰਦੇ ਹਨ, ਉਹ Plag.ai AI services ਵੱਲ ਇੱਕ ਸਪਸ਼ਟ call to action ਸ਼ਾਮਲ ਕਰ ਸਕਦੇ ਹਨ।
