PlagiaCorpus：用于司法鉴定式抄袭检测的双语、对抗性与跨语言数据集

PlagiaCorpus 是一个阿拉伯语—英语双语数据集，用于抄袭和文本复用检测的基准评测，涵盖由大语言模型（LLMs）生成的复用文本以及跨语言复用文本。该数据集包含 198,643 条文本记录：源语料库包含 34,885 个段落，选自英语和阿拉伯语 Wikipedia 以及两个采用开放许可的图书集；另有 163,758 条查询文本（其中 147,381 条用于训练，16,377 条用于测试）。查询文本涵盖五个难度递增的复用类别，即逐字复制、字符级混淆、由两个不同 LLM 分别生成的同语言改写，以及结合结构性改写的英语—阿拉伯语翻译，此外还包含由未复用段落组成的 Safe 类别。每条正例查询文本均关联其源段落，训练集和测试集按源段落分组划分，确保同一段落衍生的查询文本不会同时出现在两个集合中。发布版本经过语言识别、LLM 生成伪迹清理，以及精确去重和跨语言去重等整理流程。技术验证报告提供了各类别的长度统计、训练集与测试集划分的自动检查结果，以及人工评分样本上的标注者间一致性。该数据集以 JSON 和 Parquet 格式分发，采用 CC BY-SA 4.0 许可协议。