Overleaf, LaTeX e Turnitin: cosa può cambiare un PDF compilato

Turnitin accetta i PDF, ma questo non rivela ciò che vede il proprio estrattore privato. Nel nostro caso riproducibile, mutool e PyMuPDF hanno restituito ciascuno 694 parole delimitate da spazi a partire da uno stesso file pdfTeX a due colonne; pypdf ne ha restituite 692. Sia la compilazione sia l’estrattore hanno plasmato il flusso di testo. Questo è misurabile. Un effetto sull’input o sul punteggio di Turnitin non lo è.

Quel confine è tutto l’articolo. Il sorgente, tre PDF, nove flussi di estrazione grezzi e lo script di misurazione sono conservati nel pacchetto di prove; il controllo di cinque minuti verso la fine è la versione da eseguire sul tuo elaborato.

Un solo file `.tex`: la classe standard `article`, `twocolumn`, 10pt. Contiene un abstract, quattro sezioni numerate, matematica in linea e in blocco, un elenco `itemize`, un ambiente `algorithm` con righe di pseudocodice numerate, un float `table`, un float `figure` con una didascalia scritta come frase completa, una nota a piè di pagina abbastanza lunga da andare a capo, e due chiamate `\cite` che si risolvono in una bibliografia numerata. Le compilazioni a due colonne producono due pagine; il controllo a una colonna ne produce tre.

Compilato con pdfTeX 3.141592653-2.6-1.40.26, TeX Live 2024. Letto con tre estrattori indipendenti: mutool 1.25.6, PyMuPDF 1.26.0 e pypdf 6.4.0.

Dopo aver ridotto ogni sequenza di spazi a uno solo, mutool e PyMuPDF hanno restituito ciascuno 694 parole dal PDF pdfTeX a due colonne. pypdf ne ha restituite 692. I tre flussi conservano lo stesso ordine generale delle sezioni, ma il divario di due parole basta a respingere la comoda affermazione che estrattori indipendenti vedano un oggetto identico.

L’avvertimento più ripetuto sull’inviare un PDF a due colonne è che l’estrattore legge dritto attraverso entrambe le colonne e trasforma il tuo elaborato in un guazzabuglio intrecciato. Qui non è successo. L’ultima frase dell’abstract, in fondo alla prima colonna, arriva subito prima della prima frase dell’Introduzione, in testa alla seconda colonna. L’ordine è integro per tutto il documento.

Un layout, una classe, tre estrattori, una macchina. Questa è la portata dell’affermazione. La `.cls` di una rivista, con un posizionamento insolito dei float o una barra laterale, potrebbe comportarsi diversamente, ed è esattamente per questo che il controllo alla fine di questo articolo vale cinque minuti sul tuo file reale invece che sul nostro.

Si è rotto invece qualcos’altro, e se ne parla molto meno.

Ecco un estratto letterale dal flusso di PyMuPDF, con gli spazi normalizzati e senza rimuovere nulla tra gli estremi citati:

"…justification for treating a visually correct page as a reliable 1This footnote is deliberately long enough to wrap onto a second line so that its position in the extracted stream can be observed and compared with nearby prose. 1 Table 1: Primary outcome by condition. Condition Mean SD Control 12.4 3.1 Intervention 18.9 2.7 Figure 1: The framed area is a fixture rather than a reported empirical result. text stream…" (…giustificazione per trattare una pagina visivamente corretta come un affidabile 1Questa nota a piè di pagina è volutamente abbastanza lunga da andare a capo su una seconda riga, così che la posizione della nota nel flusso estratto possa essere osservata e confrontata con la prosa vicina. 1 Tabella 1: Esito principale per condizione. Condizione Media DS Controllo 12.4 3.1 Intervento 18.9 2.7 Figura 1: L’area incorniciata è un elemento del caso di prova e non un risultato empirico riportato. flusso di testo…)

Nel sorgente, `reliable text stream` è una sola espressione. In questa estrazione, la nota a piè di pagina, un numero di pagina nudo, la didascalia della tabella con le celle e la didascalia della figura finiscono tutti tra `reliable` e `text stream`. Altrove il marker della nota si attacca anche alla punteggiatura precedente, come `follows:1`.

L’`1` nudo in quella citazione è il numero di pagina. Mettendo insieme i flussi delle pagine, si trova tra la nota a piè di pagina e la tabella, anche se nessun lettore lo percepisce come parte dell’uno o dell’altro passaggio.

Niente di tutto questo è un danno visibile al PDF. È ciò che ha restituito questo estrattore locale, e mostra perché «la frase prima» e «la frase dopo» non sono concetti stabili finché non si conosce il metodo di estrazione.

LaTeX può sillabare a fine riga, e una colonna stretta crea più occasioni. PyMuPDF ha trovato 22 token spezzati nella nostra compilazione pdfTeX a due colonne. Eccone sei:

Per esempio: ex- poses · differ- ences · specifica- tions · observa- tions · justifica- tion · partici- pants

Poi abbiamo compilato lo stesso sorgente su una sola colonna, cambiando solo l’opzione di classe. PyMuPDF ha restituito 678 parole normalizzate e cinque token spezzati invece di 22: `or- dinary`, `extrac- tion`, `jus- tification`, `partici- pants`, `par- ticular`.

Stesso sorgente, un solo cambio di layout e un insieme diverso di spezzature. È un caso singolo, non una regola per ogni file di classe, ma basta a giustificare il controllo del file compilato invece di dare per scontato che la tokenizzazione del sorgente sia sopravvissuta.

Abbiamo compilato lo stesso sorgente una terza volta con XeLaTeX, stesso layout a due colonne, stesse parole sulla pagina.

Nella compilazione pdfLaTeX, tutti e tre gli strumenti non hanno esposto alcun token contenente i codepoint delle legature `ff`, `fi`, `fl`, `ffi` or `ffl`. In the XeLaTeX build, PyMuPDF and pypdf each exposed six: `affiliated`, `affiliation`, `difficult`, `efficiency`, `insufficient`, `office` (nella compilazione XeLaTeX, PyMuPDF e pypdf ne hanno esposti sei ciascuno). Mutool non ne ha esposto nessuno perché ha normalizzato quei glifi riportandoli a lettere ordinarie. Una ricerca ingenua di `efficiency` riesce quindi in un flusso e fallisce in un altro.

L’equazione è cambiata nella direzione opposta. Nel file pdfTeX, mutool ha restituito un carattere di sostituzione Unicode al posto del segno di sommatoria, mentre PyMuPDF e pypdf hanno restituito una `X` maiuscola. In the XeLaTeX file, all three exposed the actual `∑` (nel file XeLaTeX, tutti e tre hanno esposto il carattere reale). Sia il compilatore sia l’estrattore contavano.

Le pagine Turnitin citate qui non identificano il loro estrattore né descrivono queste trasformazioni, e non sosteniamo che tutto questo sposti un punteggio. Sosteniamo qualcosa di più ristretto e verificabile: il livello di testo è un prodotto della compilazione, ed estrattori diversi possono esporre caratteri diversi dallo stesso PDF.

Quattro passaggi della documentazione dello stesso fornitore riguardano direttamente un elaborato fatto così. Su quelle pagine c’è altro; questi sono i quattro che toccano un invio in LaTeX.

Il formato è accettato. I requisiti di file di Turnitin per un AI Writing Report elencano `.docx, .pdf, .txt, .rtf`. Questo dimostra che un PDF può essere elaborato; non dice nulla su quale catena di estrazione venga usata. Turnitin rileva l’IA in un PDF analizza la parte documentata di questa domanda.

Conta solo la prosa. Le FAQ definiscono ciò che viene analizzato come testo idoneo:

«This qualifying text includes only prose sentences, meaning that we only analyze blocks of text that are written in standard grammatical sentences and do not include other types of writing such as lists, bullet points (short non-sentence structures), or other non-sentence structures.» (Questo testo idoneo include solo frasi in prosa, cioè analizziamo esclusivamente blocchi di testo scritti in frasi grammaticali standard che non includono altri tipi di scrittura come elenchi, punti elenco (strutture brevi non frasali) o altre strutture non frasali.)

La frase successiva è quella da tenere a mente: «This percentage is not necessarily the percentage of the entire submission.» (Questa percentuale non è necessariamente la percentuale dell’intero invio.) I tuoi punti elenco `itemize` e le tue righe `algorithm` non sono frasi. Non lo è nemmeno una riga di celle di una tabella. Come Turnitin gestisce le equazioni matematiche e i contenuti non in prosa spiega cosa significhi per un elaborato fatto soprattutto di formule. Nota però cosa invece conta: una didascalia scritta con `\caption` come frase grammaticale completa, che è come la maggior parte delle persone scrive le didascalie, arriva nel flusso esattamente come la prosa del corpo del testo.

Le bibliografie sono escluse. Una nota di rilascio datata 9 agosto 2023 dice che è stato corretto un bug che evidenziava scrittura IA all’interno dei riferimenti, e «Bibliographies are now excluded when processing the AI writing report» (le bibliografie ora vengono escluse durante l’elaborazione del report di scrittura IA), con la stessa nota che aggiunge che gli invii già esistenti devono essere inviati di nuovo prima che questo valga per loro. Ciò che il fornitore non pubblica è come una bibliografia venga identificata all’interno di un flusso di testo appiattito, e anche la nostra estrazione non offre indizi: `References` arriva come una parola qualunque, seguita da `[1] J. Smith, "A study of things," Journal of Testing, vol. 4, no. 2, pp. 100–110, 2019.`, senza nulla che marchi il confine. Non costruire il tuo piano su nessuna delle due letture. Cosa coprono davvero le esclusioni dei riferimenti spiega cosa è documentato e cosa no.

Gli elaborati brevi si comportano diversamente. Quando un documento scende a poche centinaia di parole, la formulazione dello stesso fornitore è che la previsione diventa «mostly 'all or nothing' because we're predicting on a single segment without the opportunity to overlap» (soprattutto «tutto o niente», perché facciamo la previsione su un singolo segmento senza possibilità di sovrapposizione), e la frase successiva aggiunge che lì i contenuti misti possono essere segnalati come interamente generati dall’IA. Un paper per conferenza di sei pagine che per metà è fatto di equazioni può non contenere affatto molto testo idoneo. Documenti brevi e il problema del tutto o niente spiega il meccanismo.

`\cite{smith2019,jones2020}` è arrivato nell’estrazione come i quattro caratteri `[1, 2]`. `\ref{sec:method}` è arrivato come `2`. `\label` non ha lasciato assolutamente nulla. I titoli di sezione sono arrivati con numero e titolo separati, così `2 Method` si trova nel flusso subito dopo la frase precedente e il rimando precedente `Section 2 describes the method.` si legge come prosa che contiene una cifra fuori posto.

Questo significa che ogni piano basato sulla formattazione delle citazioni agisce su qualcosa che non c’è. Nel testo estratto non esiste alcun oggetto di citazione, solo parentesi e cifre, e la descrizione pubblicata del calcolo da parte di Turnitin non nomina una citazione in nessun passaggio. Perché Turnitin ha segnalato i miei riferimenti elenca le modifiche specifiche che ne derivano, e perché ciascuna di esse non ha nulla su cui agire.

Non ti serve nessuno degli strumenti che abbiamo usato. Apri il tuo PDF compilato in un qualsiasi lettore PDF, seleziona tutto e incolla in un editor di testo semplice. È un ulteriore percorso di estrazione, non un sostituto di Turnitin, ma può rivelare problemi nel livello di testo che stai davvero inviando.

Leggilo cercando questo, in questo ordine:

1. Parole spezzate. Cerca un trattino seguito da un ritorno a capo. Ogni occorrenza è una parola che ha smesso di essere una sola parola.
2. Dove sono finiti i tuoi float. Trova la didascalia di una tabella e leggi le due frasi intorno. Se la didascalia e le sue celle sono finite dentro un paragrafo, quello è ora l’ordine di lettura di quel paragrafo.
3. Le tue didascalie. Se una didascalia è una frase grammaticale completa, sembra prosa, perché è prosa.
4. La matematica. Leggi un’equazione in blocco nel testo incollato. Ciò che vedi è ciò che ha ottenuto un estrattore. Se mancano caratteri o sono sbagliati, è un dato sull’incorporamento dei tuoi font, non sulla tua algebra.
5. L’inizio della bibliografia. Controlla se qualcosa nel testo semplice segna dove inizia l’elenco dei riferimenti. Nel nostro caso, niente lo faceva.
6. Il tuo nome e la tua affiliazione. Anche questi sono nel livello di testo, e conta se invii a un posto che si aspetta l’anonimato.

Se tieni il tuo `.tex` sotto Git o in Overleaf, fallo una volta per ogni revisione importante invece che una sola volta alla fine. E sulla questione separata se la cronologia di scrittura in Overleaf valga qualcosa come prova, dove si trova la cronologia delle versioni in Word, Google Docs e Overleaf riporta le regole di conservazione del piano gratuito e cosa fare al riguardo, che sono più specifiche di quanto molti si aspettino.

Per un elaborato in LaTeX la risposta è noiosa e giusta: modifica il sorgente, ricompila e non modificare mai il PDF. La frase vive nel file `.tex`. Tutto il resto è una rappresentazione di quel file.

La catena diventa scomoda quando non finisce in un PDF. Un relatore può volere il controllo delle modifiche, una rivista può richiedere un manoscritto Word, oppure qualcuno può rimandare indietro un report di scrittura IA tratto dal PDF compilato e chiedere quali passaggi cambieranno. A questo punto hai lo stesso elaborato in due formati.

Per una versione DOCX in inglese, Lo strumento HumanPen può limitare una riscrittura ai passaggi che selezioni o ai passaggi abbinati da un report di Turnitin o iThenticate. Humanize al momento funziona solo in inglese; non accetta `.tex` né un PDF compilato come sorgente modificabile. Conferma l’ambito a livello di paragrafo, tieni il sorgente LaTeX come master e ricontrolla il documento convertito dopo il download. I passaggi idonei possono essere rielaborati gratuitamente.

Dovrei inviare il file `.tex` invece del PDF? Invia ciò che richiedono l’assegnazione o la rivista. Un file `.tex` è testo semplice con markup, e ogni comando arriverebbe come caratteri letterali, quindi non è una versione più pulita del tuo elaborato per nessun lettore, umano o meno.

Le mie equazioni alzano il mio punteggio IA? Non sono frasi in prosa, quindi secondo la definizione dello stesso fornitore restano fuori dal testo idoneo. Le frasi esplicative intorno invece ci rientrano. In un elaborato fatto soprattutto di equazioni, questo significa che il numero è calcolato su una piccola fetta delle pagine.

Il formato a due colonne causa problemi di per sé? L’ordine generale delle sezioni ha retto in questo caso. Sotto PyMuPDF, la compilazione a due colonne aveva 22 spezzature di fine riga e quella a una colonna ne aveva 5. È una differenza misurata per questo file di classe, non una regola per ogni modello di rivista.

Il mio istituto vuole un file Word e io scrivo in LaTeX. Allora hai un passaggio di conversione, ed è lì che numerazione, rimandi e campi di citazione rischiano di più di rompersi. Converti una volta sola, tardi, e controlla i tipi di oggetto invece di leggere le prime due pagine.

Posso usare la cronologia di Overleaf per mostrare come è stato scritto l’elaborato? È una registrazione, non un verdetto, e con il piano gratuito la maggior parte scompare dopo un giorno, a meno che tu non etichetti le versioni. L’articolo linkato sopra illustra la regola esatta e l’abitudine di etichettatura che la risolve.