论文发布阿英双语抄袭检测数据集 PlagiaCorpus，含 LLM 与跨语言复用。
资讯摘要
论文提出 PlagiaCorpus，一个阿拉伯语-英语双语抄袭与文本复用检测数据集，覆盖大语言模型生成的复用及跨语言复用。数据集含 198,643 条文本记录：34,885 段源文本来自英阿维基百科及两个开放许可书籍集，另有 163,758 条查询（训练 147,381、测试 16,377）。查询分五类递增难度复用及 Safe 非复用类，每条正例查询关联源段落，训练/测试按源段落分组划分。
要点速读
- 数据集含 198,643 条记录：34,885 段源文本与 163,758 条查询，查询分训练 147,381 条、测试 16,377 条。
- 复用类别包括逐字复制、字符级混淆、两个不同 LLM 的同语言改写、英阿翻译加结构改写，另设 Safe 非复用类。
- 每条正例查询链接源段落，训练/测试按源段落分组；经语言识别、去除 LLM 生成痕迹及跨语言去重整理，以 JSON 和 Parquet 格式、CC BY-SA 4.0 许可发布。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。