Comparar similitud de textos por porcentaje de shingles

Usted elige cuántas palabras contiene cada shingle y recibe un índice de Jaccard determinista junto con los recuentos empleados. La normalización elimina diferencias de mayúsculas y puntuación, pero conserva la identidad y el orden de las palabras. El resultado ayuda a detectar redacción reutilizada, comparar revisiones y priorizar una lectura atenta. Es una estimación de semejanza textual, no una prueba de plagio, autoría, intención ni conducta indebida.

Comprenda qué mide el porcentaje

Un shingle es una secuencia de palabras contiguas. Si el tamaño elegido es tres, la oración se examina con las palabras uno a tres, después dos a cuatro y así sucesivamente hasta el final. El comparador crea un conjunto de shingles únicos para cada texto. Cuenta los que aparecen en ambos conjuntos, divide esa intersección entre la unión de todos los shingles únicos y multiplica el resultado por cien. Esa operación es la similitud de Jaccard. Un resultado de cien significa que los conjuntos normalizados son idénticos; cero indica que no comparten ninguno. El cálculo ignora mayúsculas y puntuación, pues esos detalles superficiales rara vez constituyen una diferencia textual importante, pero mantiene las palabras y su orden local. Las repeticiones de una misma frase solo cuentan una vez y no pueden inflar artificialmente el resultado. Interprete el porcentaje como una medida específica de lenguaje coincidente, no como un veredicto completo sobre originalidad. Dos textos pueden expresar la misma idea con palabras distintas y obtener un valor bajo, mientras que citas legítimas, avisos estándar, términos técnicos o instrucciones comunes pueden generar coincidencias sin que exista una infracción. El contexto y la revisión humana siguen siendo imprescindibles si el resultado puede afectar a una persona.

Elija un tamaño de shingle adecuado

El tamaño determina lo exacta que debe ser una coincidencia. Los shingles pequeños son sensibles a frases compartidas breves y suelen producir más solapamiento. Esto ayuda al comparar borradores cortos o detectar retoques leves, aunque expresiones corrientes también pueden coincidir por casualidad. Los shingles grandes exigen secuencias más largas en el mismo orden. Son más específicos y reducen coincidencias accidentales, pero una sola palabra añadida o sustituida puede romper varios grupos vecinos y disminuir mucho el porcentaje. Entre tres y cinco palabras suele ser un intervalo exploratorio útil para prosa, aunque ningún ajuste universal demuestra una copia. Escoja el tamaño según el material, anótelo y manténgalo constante al comparar varias parejas. Los resultados obtenidos con tamaños diferentes no son directamente comparables. Cada texto debe contener al menos tantas palabras normalizadas como indique el tamaño. Si alguno es más corto, la capacidad devuelve un error de entrada porque no puede formar un conjunto válido. Este fallo explícito es más seguro que devolver cero, ya que cero sugeriría de forma engañosa que dos pasajes insuficientes se analizaron y resultaron distintos.

Utilice el resultado de forma responsable

Empiece con una pregunta que el resultado pueda responder realmente, por ejemplo si una revisión conserva expresiones exactas de un borrador anterior o qué parejas documentales requieren primero una inspección manual. Envíe ambos textos, registre el tamaño y conserve los recuentos de intersección y unión junto al porcentaje si necesita reproducibilidad. Cuando el valor sea alto, examine el contexto coincidente antes de concluir nada. Definiciones, citas, referencias, plantillas, lenguaje jurídico e instrucciones obligatorias pueden repetirse legítimamente. Cuando sea bajo, tampoco presuponga independencia: paráfrasis, traducciones, imitación estructural e ideas compartidas quizá no conserven suficientes palabras consecutivas. La herramienta no rastrea URL, no consulta una base oculta, no localiza la fuente original, no decide qué versión apareció primero ni evalúa reglas de citación. Tampoco puede inferir intención. En educación, edición, selección de personal o cumplimiento, úsela como señal preliminar seguida de un criterio humano documentado, nunca como único fundamento de una acusación o sanción. En procesos automatizados, aplique ajustes y preparación coherentes y remita los casos inusuales o muy coincidentes a una persona que valore procedencia, permisos, citas y políticas aplicables.