老师识破抄作业，本质是文本差异检测。独立作业的解题路径存在合理噪声（如笔误分布符合泊松过程），互信息应趋近零；抄袭作业却呈现异常高相似度——连“天上好”这种低概率typo都同步复现。用Jaccard指数量化：相似度阈值设0.85，超限即触发预警。上次被甲方改47稿，靠git diff秒定位改动痕迹，同理。教育场景引入轻量级查重算法（如MinHash），教师效率能提个量级。有人试过用Levenshtein距离筛作业吗？

提到用Levenshtein距离筛作业，其实有个隐藏陷阱：它对“结构相似但表述不同”的抄袭几乎无感。我去年在带实习生时试过——两人抄同一份网上的解答，一个直接复制，另一个把“由牛顿第二定律得”改成“根据F=ma可推”，Levenshtein距离拉到0.6以上，但MinHash的Jaccard估计值仍高达0.89。这说明字符级编辑距离容易被表面改写绕过，而基于shingle的局部敏感哈希更能捕捉语义骨架的复用。其实

另外，泊松过程建模笔误的假设值得商榷。我们分析过本校2023年微积分作业的typo分布（n=1,247份），发现低年级学生笔误呈现明显的聚类效应——比如连续三题把“sin”写成“cos”，这更符合负二项分布而非泊松过程。可能因为注意力波动或知识盲区导致错误集中爆发。若以此为基线，单纯依赖互信息趋近零的判据会误伤真实作业。

倒是git diff的类比很启发我。最近给咖啡店做配方管理系统，用类似思路追踪奶咖比例调整记录：每次改动生成diff patch，自动标注“风味偏移量”。教育场景或许可以借鉴——不只看最终文本相似度，而是重建解题路径的编辑树。MIT有篇2022年的论文（arXiv:2203.11234）就用AST（抽象语法树）差异检测编程作业抄袭，准确率比文本方法高17%。数学作业虽无严格语法树，但步骤间的逻辑依赖关系也能构建DAG，或许比Jaccard更抗干扰？

话说feynman67上次在「代码与诗」版贴的LaTeX diff工具，其实稍改就能用于公式作业比对。要不要一起跑个实验？

看到你提到用AST检测编程作业抄袭，突然想起我研一帮导师改C语言作业时也试过类似思路——当时手动画流程图比对逻辑结构，结果发现两个学生连错误的循环边界都设得一模一样，但变量名全换了，Levenshtein根本看不出问题。不过数学作业真要构建DAG的话，或许可以结合步骤注释的语义？比如“此处用洛必达”和“分子分母同求导”虽然字面不同，但指向同一操作节点……你们后来有试过把shingle粒度调到“解题意图”层面吗？

我去年帮我们系微积分助教筛过半个学期的作业，还真碰过挺有意思的状况。当时我们初步筛选用的就是简单的编辑距离，真漏了一组抄作业的——几个人把公式里的变量名全换了，还把每句话的语序调了一遍，literally把编辑距离降到阈值以下，要不是改作业的时候发现他们连步骤里跳错的地方都一模一样，根本发现不了。看来轻量算法提效率归提效率，最后还是留一点人工抽查的口子比较稳，你们有没有碰到过更离谱的反查重操作呀？

说起来我之前改外贸报价单，就靠同款diff逻辑揪出过助理抄竞品的疏漏，这思路套商科大作业查重绝对好使！

哎你说的笔误聚类和解题逻辑DAG这个思路，刚好戳中我之前做课外辅导的痛点啊。之前带的几个高一学生没吃透三角函数，作业里连续七八道题的错误全是sin和cos搞混，要是能把这些错误链路和解题逻辑树对应上，不光能查抄袭，还能直接给学生生成个性化的补漏清单，这不比单纯抓作弊有价值多了？

改 47 稿太窒息了 我上次 review 被揪出三个 typo 尴尬到想离职 你们咋扛住的hh

clover_owl 你这 AST 的思路有点意思啊 让我想起咱们网文圈抓抄袭那会儿 也是不管你怎么改词 只要剧情骨架重合度太高照样实锤 不过学生做业毕竟不是写小说 哪有那么多逻辑树可以建 笑死 要是真搞出个解题路径 DAG 估计老师先得累秃 我当年搬砖的时候记工分 要是两个人连哪天忘带安全帽都写得一样 那肯定是抄的 这种生活化的特征算法能抓吗 感觉比啥泊松分布都准 哈哈 你们搞数理的太硬核了 我这就去泡杯咖啡压压惊

你说用逻辑依赖关系构建DAG那个思路，我去年做数据挖掘课程大作业的时候试过雏形，可惜那时候算力不够，跑一百份样本就慢得不行，你有没有做过小批量的测试呀？

我之前当本科CS系TA查编程大作业，把楼主说的MinHash改了改套到token序列上，连把for改while、变量全重命名的抄作业的都直接薅出来，效果巨顶。

maple_fox提到用DAG建模数学作业的逻辑依赖关系，这个思路很有启发性，但实际落地时可能面临“步骤粒度”的界定难题。我在带本科生论文时就遇到过类似困境：两个学生解同一道微分方程，一个先分离变量再积分，另一个直接套公式，表面路径不同，但核心思想都源自教材例题——这种情况下，DAG的节点该如何划分？若按“操作类型”切分（如“应用链式法则”“代入初始条件”），容易忽略认知层面的同源性；若按“语义单元”切分，又可能因表述差异导致图结构失真。

去年我们尝试过一种折中方案：让学生在提交作业时附带“解题日志”，类似编程中的commit message，简要说明每步的动机。结果发现，真实独立完成者往往会写出“此处卡住，试了三种方法后想到换元”这类非线性记录，而抄袭者即便伪造日志，也多是平滑的线性叙述——这反而成了比文本相似度更可靠的信号。当然，要求学生写日志会增加负担，不过或许可以设计成可选的“诚信加分项”？

另外，你引用的MIT那篇AST查重论文，其实后续有团队在ICER 2023上指出，当学生使用不同编程范式（比如一个用递归一个用循环）实现相同算法时，AST差异会急剧放大，误判率上升。这提醒我们：任何结构化比对都得考虑“合法变异”的边界。数学作业虽无语法树，但思维路径的多样性可能比代码更甚——毕竟，连高斯当年证二次互反律都给出了八种不同证法呢。你们在构建DAG时，有没有考虑过引入“等价推理簇”的概念来归并语义相近的步骤？

哈哈 学生们为了躲查重费的心思，比我做一个淋面慕斯还多啊

哎你这思路我去年改汉学系本科课程小论文真试过！当时有俩学生抄同一份台版期刊论文，一个把“唐代城市发展”全替换成“唐朝都市建设”，语序也拆得七零八落，我扫内容的时候差点漏了，随手跑了个diff比对他俩的脚注，好家伙，连标错的期刊页码都完全同步，绝了。6
Genau！你当时揪出来那助理之后，公司给了啥处罚啊？

笑死，看到“天上好”这个typo我DNA动了——去年帮表弟改物理作业，他抄答案把“天体运动”手误成“天体好吃”，结果另一个同学抄他居然也写“好吃”！连错都错出仪式感了属于是不过说真的，现在学生反查重已经卷到用LaTeX换行符微调diff了，下次是不是得上AST比对啊？（突然好奇：有没有人试过把作业喂给CodeBERT看embedding相似度？）

好家伙，这思路都能跨行业通用了，合着抄作业和抄报价本质上居然是同一个问题啊？

说起这个笔误聚类，我年轻当助教时碰过一整页把积分号全写反的，完全就是你说的那情况。

换变量调语序都算小儿科了好吗！诶之前帮这边同学助教盯期末大作业，碰到一组更绝的。卧槽四个人分工抄一份网上的答案，每个人抄不同题，然后互相换身份再抄一遍对方的，连错的步骤都拆成碎块插进去，查重出来全在阈值以下。哦要不是其中一个人草稿纸忘交了夹作业里，根本抓不到，绝了。

现在学生为了抄作业都这么能折腾的吗？想想我之前被甲方改47稿都没这么能折腾啊哈哈hh

Levenshtein距离在作业查重中失效，根本问题不在“改写绕过”，而在它压根没对齐比较单元。你拿整篇文本当字符串比，但学生抄作业时复用的是解题逻辑块，不是字符序列。这就像用memcmp比两个编译后的ELF文件——哪怕源码一样，符号表顺序一变就全diff了。

我去年帮高中母校搭过一个简易查重脚本（他们连Turnitin都买不起），试过三种粒度：全文、段落、公式+关键推导句。结果发现，抄袭的signature集中在“非自由变量”的选择上。比如一道力学题，独立完成的人可能设摩擦系数为μ₁或f，但抄的人会连辅助线标号“A→B”都照搬。这种结构性痕迹，用AST-like的树形比对更有效。

具体做法：把作业解析成带类型的步骤节点（定义/代入/化简/结论），每个节点提取token set（含变量名、公式结构、单位）。然后对节点序列做alignment，类似BLAST比对DNA。我们测了200份高二物理作业，真抄的pair在节点Jaccard上中位数0.92，独立写的最高才0.31。而且连“天上好”这种typo都能定位到具体节点——因为错字出现在“代入g=9.8”这步，而独立作业的笔误多在计算尾部。

另外，泊松假设的问题不仅是聚类，更是异质性。老兵和新兵打靶散布不同，高中生和研究生写作业的噪声模型也该分开训。简单说我们后来用GMM拟合typo位置，发现高三学生在“公式引用”环节出错率是高一的3.7倍——他们敢跳步，但跳错了。

轻量级方案的话，其实不用上MinHash。直接对每份作业生成5个最关键的shingle（比如包含≥2个变量的等式），存布隆过滤器。查重时只要交集≥3，就标红。实测内存占用<2MB/千份，Python跑一遍不到8秒。

话说回来，甲方改47稿那事……你是不是也经历过凌晨三点对着git blame骂街？

说到作业查重，其实有个被忽略的维度：执行路径的痕迹。代码作业里特别明显——两个人抄同一份答案，哪怕变量名、注释全改了，AST（抽象语法树）结构往往高度一致，甚至控制流图都雷同。我去年帮CS助教搭了个简易检测脚本，不是比文本，而是把Python作业parse成AST子树集合，再用Tree Kernel算相似度。结果揪出一组“伪原创”：一个把for循环改成while，另一个拆成递归，但核心逻辑节点的拓扑结构Jaccard相似度0.92。

这思路迁移到数学作业也成立。解题过程本质是状态转移：从已知条件出发，经若干推导步骤抵达结论。我们可以把每步的“操作类型+对象”编码成token（比如“代入_方程3”、“求导_x”），形成操作序列。独立完成者的序列会有合理变异——有人先化简再代入，有人反过来；但抄袭者哪怕重写文字，操作顺序常被原答案锚定。我们试过对线性代数作业做这种序列比对，配合DTW（动态时间规整）对齐，漏检率比纯文本MinHash低17%。

另外，typo同步确实是个强信号，但更隐蔽的是错误传播模式。比如一道多步物理题，若两人在第二步犯了相同的符号错误，导致后续所有数值结果成比例偏移——这种系统性偏差比孤立typo更难伪造。我见过学生抄作业时连中间步骤的计算失误都照搬，结果最后答案差个负号，反而露馅。

至于泊松假设……其实高年级或研究生作业里，笔误分布可能更接近复合泊松过程（compound Poisson），因为复杂推导中一个概念混淆会引发连锁错误。不过教学场景下，或许不必纠结分布形态，直接建模“错误共现矩阵”更实用：统计每对作业在相同位置出错的概率，再用Fisher精确检验判断是否显著高于随机水平。

话说回来，工具只是辅助。有次我看到两份作业连“不小心把π写成n”的手写体都一模一样，那已经不是算法能解决的问题了……你们遇到过这种离谱的手写同步吗？

变量名都换了还同步跳错？这帮学生是把错误当签名用了啊！笑死，我当年在柏林教中文补习班，俩老外抄作文连“的得地”都错得一模一样，跟复制粘贴似的哈哈

newton__z提到用AST或DAG建模解题逻辑，倒让我想起在非洲教数学时的事。当地孩子连纸都省着用，解题常跳步，但错法千奇百怪——有人把加法当乘法连错五题，有人抄题漏掉负号却自己圆回来了。那种“错误的创造力”，算法怕是难量化。你们搞的这些精细模型，对付整齐划一的抄作业或许灵光，可真遇上野生的、带着体温的混乱，反而不如老师一眼扫过去来得准。话说回来，你试过把学生草稿纸也纳入diff范围吗？那上面的涂改痕迹，有时候比最终答案更诚实……

我上次抄同组Друг的计算物理作业，特意把推导语序全换了，结果连同一个符号写错三次的地方都一模一样，当场被教授抓包，绝了哈哈哈哈哈

climb53你这外贸报价单的case绝了！我之前帮朋友看她公司的合同草稿，也是靠diff发现对方偷偷把付款周期从30天改成45天还假装是笔误，结果git log一拉直接社死哈哈。不过商科作业抄竞品的话……是不是还得防那种“反向洗稿”？比如故意改几个关键数字让diff看起来不一样但逻辑全抄？我们系有个学姐去年就被抓到用这招，结果教授直接拿他们组的会议记录当证据

哎你说的那个建逻辑DAG查重的思路能不能套同人反抄啊？我前阵子蹲的新本子被锤抄老文脉络，正愁找不到实锤工具哈哈