Tekstmatchingsværktøj

Værktøjet beregner en lighedsscore mellem to indtastede tekster med konfigurerbare metriker. Målgruppen er forskere, redaktører, QA-ingeniører, undervisere og produktteams, der har brug for hurtige, reproducerbare lighedsmål til vurdering af dubletter, parapraserisiko eller genbrug af indhold. Anvendelsesmuligheder inkluderer plagieringskontrol, versionssammenligning, redaktionelle audits og datarensning ved indholdsmigrering. Eksempel: en forsker sammenligner to abstracts for at kvantificere overlappet; en forfatter kontrollerer, om revideret tekst er væsentligt lignende den originale.
Kernelogik og behandling: To tekstindsætninger normaliseres og tokeniseres, derefter omdannes til numeriske repræsentationer efter den valgte metric (Cosinus med TF-IDF, Jaccard eller Levenshtein). Valgfrit kan stopordsbehandling og N-gram boosting anvendes. Udfald inkluderer lighedsscore i [0,1], eventuelt procent og valgfri afsporingsdata, der viser tilsvarende segmenter.
Algoritmer og beregninger: Cosinus bruger TF-IDF-vektorer; score = dot(v1,v2)/(||v1||*||v2||). Jaccard anvender token-overlap; Levenshtein giver lighed baseret på redigeringsafstand. Systemet kan rapportere topmatches eller en samlet score med tærskler for filtrering.
Branche og anvendelse: Designet til UTF-8-tekst på dansk og andre sprog afhængigt af tokenizeren. I flersprogede sammenhænge afhænger resultaterne af tokeniseringens kvalitet. Værktøjet er deterministisk per kørsel og skalerbart til lange tekster via chunking ved behov.
Værktøjet fokuserer på eksplicitte tekstlighedsmålinger og udfører ikke dyb semantisk analyse; resultater bør fortolkes som metrisk lighed.