Herramienta de correspondencia de texto

La herramienta calcula una puntuación de similitud entre dos textos de entrada utilizando métricas configurables. Este servicio está dirigido a investigadores, editores, ingenieros de QA, docentes y equipos de producto que necesitan métricas de similitud rápidas y reproducibles para evaluar duplicados, riesgo de parafraseo o reutilización de contenido. Casos de uso incluyen verificación de plagio, comparación de versiones, auditorías editoriales y limpieza de datos durante migraciones de contenido. Ejemplo: un investigador compara dos resúmenes para cuantificar la superposición; un autor verifica si el texto revisado sigue siendo sustancialmente similar al borrador original.
Lógica central y procesamiento: Dos entradas de texto se normalizan y tokenizan, luego se transforman en representaciones numéricas según la métrica elegida (Coseno con TF-IDF, Jaccard o Levenshtein). Opcionalmente se puede aplicar tratamiento de palabras vacías y boosting de n-gramas. Las salidas incluyen una puntuación de similitud en [0,1], porcentaje opcional y datos de alineación opcionales que muestran segmentos coincidentes.
Algoritmos y cálculos: El Coseno usa vectores TF-IDF; puntuación = dot(v1,v2)/(||v1||*||v2||). Jaccard usa superposición de tokens; Levenshtein ofrece similitud basada en distancia de edición. El sistema puede reportar coincidencias principales o una puntuación agregada, con umbrales para filtrar resultados.
Sector y uso: Diseñado para texto UTF-8 en español y otros idiomas según el tokenizer. En contextos multilingües, los resultados dependen de la calidad de la tokenización. La herramienta se centra en métricas explícitas de similitud de texto y no realiza un análisis semántico profundo; los resultados deben interpretarse como similitud métrica.