arXiv cs.CL· Adel Ammar, Serry Sibaee, Wadii Boulila·· 11 小时前AI 评分26
PlagiaCorpus：面向取证式抄袭检测的双语对抗跨语言数据集
PlagiaCorpus: A Bilingual, Adversarial, and Cross-Lingual Dataset for Forensic Plagiarism Detection
AI 导读
PlagiaCorpus 是一个阿拉伯语-英语双语数据集，用于评测抄袭与文本复用检测，包含 LLM 生成复用和跨语言复用场景，共 198,643 条文本记录。
正文 · AI 翻译
摘要：PlagiaCorpus 是一个阿拉伯语-英语双语数据集，用于对抄袭和文本复用检测进行基准测试，包括由大语言模型（LLM）生成的复用以及跨语言的复用。它包含 198,643 条文本记录：一个由 34,885 个段落组成的源语料库，这些段落取自英语和阿拉伯语维基百科以及两个开放许可的书籍合集，以及 163,758 条查询（147,381 条用于训练，16,377 条用于测试）。这些查询涵盖五个难度递增的复用类别，即逐字复制、字符级混淆、由两个不同 LLM 进行的同语言改写，以及带有结构性改写的英阿翻译，此外还有一个由未被复用段落组成的 Safe 类别。每个正例查询都链接到其源段落，并且训练/测试划分按源段落分组，因此没有任何段落会同时向两个划分贡献查询。该发布版本通过语言识别、移除 LLM 生成伪影以及精确和跨语言去重进行了整理。技术验证报告了各类别的长度统计、训练/测试划分的自动检查，以及在人工评分样本上的标注者间一致性。该数据集以 JSON 和 Parquet 格式在 CC BY-SA 4.0 许可下分发。
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；计算机与社会（cs.CY）；数字图书馆（cs.DL）；信息检索（cs.IR） |
| 引用为： | arXiv:2611.02940 [cs.CL] |
| （或 arXiv:2611.02940v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.02940 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Adel Ammar [查看电子邮件]
[v1]
2026年11月2日星期一 11:08:11 UTC（3,821 KB）
来源：arXiv cs.CL · arxiv.org