Los sistemas automáticos de verificación de duplicaciones se basan generalmente en algoritmos de similitud de texto y calculan la similitud entre los exámenes a través del análisis comparativo de los exámenes. Entre ellos, el recuento de palabras es un indicador de referencia importante. En términos generales, existen dos formas principales de contar el número de palabras repetidas.
El primer método se basa en el número de caracteres. Extraiga todos los caracteres del papel y cuente el número de caracteres. Este método es simple y claro, pero el formato de diseño lo afecta fácilmente. Por ejemplo, algunos caracteres pueden tener formato como símbolos especiales o líneas nuevas, que requieren normalización en los cálculos.
El segundo método se basa en el recuento de palabras. Divida el contenido del documento en palabras y luego cuente el número de palabras después de la segmentación de palabras. Este método se utiliza más comúnmente porque puede reflejar mejor la información semántica del artículo. Sin embargo, en comparación con el cálculo del número de caracteres, el cálculo del número de palabras puede tener dificultades en la desambiguación del sentido de las palabras y el reconocimiento de nuevas palabras.
Además del recuento de palabras, existen algunas otras métricas que se pueden utilizar para comprobar la duplicación del papel. Por ejemplo, similitud de oraciones, similitud de párrafos, etc. Estos indicadores pueden considerar de manera integral los diferentes niveles y estructuras del artículo y mejorar la precisión del sistema de verificación de plagio.