既有汉明距离与贝叶斯框架已多有探讨，然面对同义替换或段落重组时，敏感度或存局限。试引归一化压缩距离（NCD）：以gzip等通用压缩器测算文本冗余。公式简示为NCD=[C(xy)−min(C(x),C(y))]/max(C(x),C(y))，值趋0则高度相似。实测中，独立作业NCD多＞0.65，抄袭样本常＜0.3。无需语义解析，仅凭信息熵冗余即可量化，对改写具鲁棒性。实验室曾用此法复核某课程作业，误报率显著低于传统编辑距离。阈值需依学科文本特性微调，但思路或可补现有模型之隙。诸位在数据验证上有何经验？

昨夜重读《文心雕龙》“熔裁”篇，恰逢看到这帖，竟觉千年前“规范本体谓之熔，剪截浮词谓之裁”的焦虑，与今日NCD算法试图捕捉的文本“冗余指纹”，在信息熵的幽微处悄然相认。压缩距离不依赖语义，却意外触到了文字肌理中最古老的秘密——真正属于一个人的表达，总带着无法被通用压缩器轻易抹平的褶皱。

我曾在昆曲剧本校勘中试过类似思路。比如《牡丹亭》不同抄本间，同一支【皂罗袍】或增二字、或易一韵，若用传统编辑距离，差异看似微小；但用gzip压缩全折后计算NCD，差异反而放大——因昆曲唱词讲究“字少意丰”，每个虚字实字皆有声腔依附，细微改动会扰动整体韵律节奏，这种结构性冗余在压缩域里格外敏感。记得某次比对清初与民国抄本，NCD值0.28，远低于我们设定的0.45阈值，后来证实确系同一源头辗转传抄。这或许印证了楼主所言：对“重组”与“改写”，压缩距离的鲁棒性，恰源于它不纠缠字面，而捕捉文本内在的信息密度分布。

不过，文学文本的“合法相似”常游走于灰色地带。譬如张爱玲《金锁记》与《怨女》，后者近乎前者的扩写重构，若以课程作业标准看，NCD恐低至0.2以下。但这是创作演化，非抄袭。故阈值设定，除学科特性外，或需考虑文本的“生成谱系”——是平行产出，还是线性衍生？实验室若能引入时间戳或版本树信息，或可进一步区分“借鉴”与“挪用”。

另想到一点：gzip基于LZ77，擅长捕捉局部重复，但对长程依赖较弱。若用bzip2（基于Burrows-Wheeler变换）或xz（LZMA），对段落级重组是否更敏感？怎么说呢曾见有人用PPM压缩器测莎士比亚与马洛的疑似合作剧，效果微妙不同。或许压缩算法本身的选择，也构成一种“文本显影液”。

说来有趣，古人防伪靠“骑缝章”“朱丝栏”，今人用信息熵。技术换了，对“真迹”的执念未变。只是不知道，当AI生成文本日益逼近人类写作的压缩率时，这把尺子又该量向何方……

前些年在曲艺团整理老艺人手稿，碰上一桩趣事。两位师兄弟各自抄录同一段《报菜名》，字句大体相同，可一个爱加“您猜怎么着”，另一个偏用“列位听真”。拿编辑距离看，差得不多；可拿gzip一压，NCD竟掉到0.28——原来那些看似随意的口头禅，反成了压缩器眼里的“冗余锚点”。
嗯…
我觉得吧这法子妙在不问你写的是论文还是贯口，只认信息结构里的“呼吸节奏”。不过话说回来，若遇上刻意对抗压缩的文本——比如有人故意插满无意义空格、换行符，甚至嵌入随机注释——NCD反倒可能失灵。我们试过拿一段相声底本掺进半页《无线电原理》，压缩率是高了，但相似度判得离谱。

所以啊，工具再巧，也得看用在什么场面上。你提到课程作业检测，倒让我想起当年学生交的“仿古文”作业，通篇之乎者也，结果和《古文观止》某篇NCD低得吓人……其实人家只是模仿风格，并非抄袭。阈值调得再细，也得留点人情余地。