Compare a similaridade de textos por shingles

Você escolhe quantas palavras compõem cada shingle e recebe um índice de Jaccard determinístico, acompanhado das contagens usadas. A normalização elimina diferenças de maiúsculas e pontuação, preservando a identidade e a ordem das palavras. O resultado ajuda autores, estudantes e editores a localizar redação reutilizada, comparar revisões ou priorizar uma leitura cuidadosa. Trata-se de uma estimativa de semelhança textual, não de prova de plágio, autoria, intenção ou irregularidade.

Entenda o que o percentual mede

Um shingle é uma sequência de palavras vizinhas. Com tamanho três, a frase é examinada pelas palavras um a três, depois dois a quatro, e assim por diante até o fim. O comparador cria um conjunto de shingles únicos para cada texto. Ele conta os elementos presentes nos dois conjuntos, divide essa interseção pela união de todos os shingles únicos e multiplica o resultado por cem. Esse cálculo corresponde à similaridade de Jaccard. Cem significa que os conjuntos normalizados são idênticos; zero indica que nenhum elemento é compartilhado. Maiúsculas e pontuação são ignoradas porque esses detalhes superficiais raramente representam uma diferença textual relevante, mas as palavras e sua ordem local são preservadas. Repetições da mesma frase contam apenas uma vez, impedindo que a redundância aumente artificialmente o valor. Considere o percentual uma medida específica de linguagem coincidente, e não um julgamento completo sobre originalidade. Dois textos podem transmitir a mesma ideia com redações diferentes e ter resultado baixo, enquanto citações legítimas, avisos padronizados, terminologia técnica ou instruções de uma tarefa podem gerar sobreposição sem irregularidade. Contexto e análise humana continuam essenciais sempre que o resultado puder afetar alguém.

Escolha um tamanho de shingle útil

O tamanho define quanto uma correspondência precisa ser exata. Shingles pequenos detectam trechos compartilhados curtos e geralmente produzem mais sobreposição. Isso pode ajudar na comparação de rascunhos breves ou na busca de edições leves, mas expressões comuns também podem coincidir por acaso. Shingles maiores exigem sequências mais longas na mesma ordem. Eles são mais específicos e reduzem coincidências acidentais, porém uma única palavra inserida ou substituída pode quebrar vários grupos próximos e diminuir bastante o percentual. De três a cinco palavras costuma ser uma faixa exploratória prática para prosa, mas não existe configuração universal que comprove cópia. Escolha conforme o material, registre a decisão e mantenha o valor constante ao comparar vários pares. Resultados gerados com tamanhos diferentes não são diretamente comparáveis. Cada texto precisa conter pelo menos a quantidade de palavras normalizadas definida no tamanho. Se qualquer passagem for menor, a capacidade retorna erro de entrada porque nenhum conjunto válido pode ser criado. Essa falha explícita é mais segura do que retornar zero, o que poderia sugerir enganosamente que passagens curtas demais foram examinadas e consideradas distintas.

Use o resultado com responsabilidade

Comece com uma pergunta que o valor realmente possa responder, como verificar se uma revisão preserva a redação local exata de um rascunho anterior ou decidir quais pares merecem análise manual primeiro. Envie os dois textos, anote o tamanho e guarde as contagens de interseção e união junto do percentual quando precisar reproduzir o processo. Se o resultado for alto, examine o contexto antes de concluir. Definições, citações, referências, modelos, linguagem jurídica e instruções obrigatórias podem se repetir legitimamente. Se for baixo, não presuma independência: paráfrases, traduções, imitação estrutural e ideias compartilhadas talvez não mantenham palavras consecutivas suficientes. A ferramenta não rastreia URL, não consulta banco oculto, não encontra a fonte original, não determina qual versão surgiu primeiro nem avalia normas de citação. Também não infere intenção. Em educação, publicação, contratação ou conformidade, use-a como sinal de triagem seguido por julgamento humano documentado, nunca como base exclusiva para acusação ou penalidade. Em fluxos automatizados, aplique preparação e configurações consistentes e encaminhe pares incomuns ou muito semelhantes a uma pessoa que possa avaliar procedência, permissões, citações e políticas pertinentes.