赶了半天论文，浑浑噩噩地跑去听了两个seminar，听的时候也有点似睡非睡的，所以下面记录的可能有些出入～

第一个talk是Dr. Geoffrey William， 来自UniversitÈ de Bretagne Sud。讲的是culture在英法意三种不同语言中的意义和外延，手法是从双语词典切入，从corpus中寻找例证，最后通过collocational network之类的概念来解释。

一开始听得有些稀里糊涂，又是法语，又是意语，再加上老先生讲英语带法语口音，实在不好懂。

听了大半，才发现自己大二写的那篇paper其实和这篇架构非常相像，同样类似的切入点，同样类似的例证手法，只是最后苦于没有更多的材料，没有继续写，听了老先生的构思，觉得完全可以把那篇paper重新修改，或许会有不少惊喜～

第二个是Bill Louw的，恰好是Firth去坏死五十周年，在我们这做这样的talk，显然有非常意义～讲的主要是语言哲学和corling之间的关系，因为不熟悉Wittgenstein的理论，所以听得云里雾里的。之听到几句重点的，大意是现代的corling从不少方面可以验证维氏的假说。

而Russell曾经提及哲学的任务就是deal those unsettled problems, but once settled, it will deliver to science，大意如此，我不知道原文出自哪里～ 这么说来，现代语言学发展如此久远，又有很大的进步，那么到底算哲学还算科学呢？

这个圣诞要补的活真多，这下有多了不少～

昨天看到不少UNNC的同學分享了關於Turnitin的文章，個人直覺這一軟件並不是很靠譜，沒想到今天上課的時候，恰好討論了這一軟件，十分有趣，就拿來分享一下～

今天的課是ICL的最後一節，主題是forensic linguistics & corpus linguistics，由於上節EAP (English for Academia Purpose) & corpus linguistics沒有講完，所以Paul安排了一個小時的lunch talk，等於是上了兩個半小時的課。

Paul之前的PhD thesis是關於citation in PhD paper這一問題，顯然是很有趣的題目，這也幫助他對於plagiarism有了更深的理解，所以在課上提及了像Turnitin這樣的軟件～

先介紹下Turnitin的背景吧，這是一家UCB的畢業生所創立的公司，主打產品有Turnitin，iPlagirisms等一系列用於檢驗plagiarism的軟件。

幾乎所有的這類軟件都會運用corpus linguistics的理論模型，先來看看copycatch這款開發較早的軟件吧，這款軟件在這兒可以免費下載：http://cebe.cf.ac.uk/learning/Plagiarism/index.php

copycatch用了幾種算法進行組合計算：

1. how many lexical words in common? 如果超過50%就有抄襲嫌疑;

2. how many shared hapaces are there? 如果檢索結果為“many”的話就判為有抄襲嫌疑; hapax是corpus linguistics中的一個術語，意為在一個文本中只出現一次的詞語。語言學中有一個概念是semantic field，意為在一個語篇中，會有特定的一些詞語出現構成一個“場”，也就是說，每個文本都有特定的一些term，通過判別這些term，就能分別出文本類型。比如這篇文本中出現了大量的linguistic terms，所以這篇文章很有可能與linguistics有關～ 而hapax恰好是semantic field中的一個重要概念（雖然這是corling特有的，而非general linguistics的術語），只需判斷文本中出現一次的那些詞匯，就能有效判別文本類型。基於此，通過計算hapex，就可以進一步促進文本相似性的計算;

3. how many unique tokens are there? 如果少於一半，有可能有抄襲嫌疑。token也是corpus linguistics中的一個術語，意為出現的不同詞語，例如，I hate who I am. 這個句子，如果按一般的解釋，有五個詞語，但是因為corpus linguistics需要大量的計算機運算，而計算機並無那麼智能，所以將這個句子歸為有五個word type，四個token（I出現兩次）。在這一算式中，如果全文出現的token少於全文的50%，就有可能被判為plagiarism，這是因為很多情形下，寫作者試圖通過rephrase來逃避檢查，但這一算法可以有效檢測rephrase的概率～

4. how frequent are the most frequent words? 頻率越高，嫌疑越大。這個算法比較簡單，只要比較文章間的keyword的相似度即可，原理同第二條;

5. are there any strings of words that are the same or similar? 也就是通常所說的億群，如果兩篇文章有大量的億群相同或者相似，那麼嫌疑就很大。這個還是針對rephrase的，很多寫作者試圖通過rephrase來“合理引用”，卻依舊容易被識別。這倒是讓我想起了國內眾多的語言類應試培訓大肆鼓吹是用rephrase的方法來提高寫作成績。而實際上，想ETS這樣的機構，都擁有先進的plagiarism 檢測手段，這就是為何很多考生自認為運用了大量應試技巧而寫得不錯，最後被判了低分的一個重要原因～

這五個算法是十多年前copycatch所采用的，現在的軟件如Turnitin會有更復雜的算法以提高准確度～

另外像turnitin擁有自己的database，他們購買了幾乎所有英國學生的畢業論文，生成比較樣本庫，這樣一來，檢測的准確率大大提高～

提醒一下，其實這些plagiarism detector都只是輔助檢測手段，一般有經驗的老師根本不用這些，用肉眼瞟一下，就能看出大概，然後信手google之，就能得出結論，如果確實有嫌疑，才會用這類軟件進行百分比的統計，供學術委員會判定使用(至少我們系的Nick和Paul都說根本不需使用，sigh，這下明白讀corpus linguistics有多難了吧，所有的老師都是捉奸高手～)

最後想說的是，莫伸手，伸手比被捉～

Well, I am back.

From now on, I will continually  update some technical blogs about linguistics and related contents in Chinese, which will be synchronized with my English blog~

Thx for reading~