SCI论文总重复率29%,单篇重复达到了4%,请问可以了吗?

SCI论文查重29%可能较高,但具体是否可接受取决于重复内容。Turnitin建议根据查重报告具体分析,而非依赖单一数值。编辑会考虑重复位置和影响。通常标准为全文重复率<20%,单篇<5%。高于此标准可能需降重,但不可避免的重复如公式或方法描述通常不受严格评判。建议作者使用专业查重工具预检查并分析重复源。
摘要由CSDN通过智能技术生成

👉🏻有小伙伴问:SCI论文查重29%,有一篇跟导师之前发表的论文重复达到了4%,请问可以吗?之前重复率是37%,改了好久才改下来,但是感觉29%还是高了,而且有一个单篇4%太伤了。

不必太担心,如果符合我们下面所说的这种情况是不会被拒稿的。

目前SCI期刊大都不会公开自己的重复率要求的,这不是故意要为难各位作者,而是他们自己确实没有一个准确的重复率要求。

这就让很多作者犯了难,虽然没有标准但是重复率太高了肯定是不行的,重复率肯定是越低越好,但是有时候很多重复无法避免,降重难度很大,这时候到底如何是好?

我们投必得创始人张宁博士在与Turnitin公司谈官方授权合作时也聊到了这个话题,也就是论文重复率控制在什么范围比较合适?

Turnitin负责人告诉我们他们不推荐某个数值,也不推荐编辑采用一个数值作为判断标准,而是应该根据查重报告,具体问题具体分析,而不是一刀切。

左图为投必得创始人兼CEO张宁博士与Turnitin副总裁Todd Baker在Turnitin加州总部会面;右图为张宁博士与Turnitin CEO Chris Caren在合作签字仪式上

其实SCI期刊的编辑也是这么考虑的,重复率他们卡的不会很死,有的学科比如数学,全文中光是因为公式的使用,重复率就大于20%了;再比如有的文章,Introudction部分以及使用的方法和材料跟自己以前的文章就是高度相似的,不管再怎么改写降重,想把重复率降到20%以下也是很难的;还有已经按照要求写稿了,但是参考文献里有将近一半都被判定重复,重复率就是降不下去了。

查重软件的重复率并不能单独用来做任何决定,重复率只是给编辑一个参考,后面编辑还会根据查重报告,看到底是部分重复了,是否对文章有关键性的影响来综合判定一篇稿件的重复率是否合格。

也就是说,编辑在决定一篇稿件是否合格时,不光会看总重复率(大概在20%左右),更主要看重复在什么地方。比如你的重复率是25%,但主要是由参考文献、题目、图表题目,甚至是材料和方法造成的,那编辑也许就觉得也还行。

不过虽然这么说大家肯定心里还是没有底,这里小编结合我们这么多年的润色和查重经验,给大家一个参考标准:

🔔比较公认的标准:全文总重复率小于20%,单篇重复率小于5%

🔔比较严格的标准:全文总重复率小于15%,单篇重复率小于2%

如果大家论文的重复率远远高于这个标准那就需要下功夫降重了;如果大家论文的重复率稍微超过一点点,那就要看看自己重复内容的性质;如果大家论文的重复率低于这个标准,那就可以安心投稿了(也要看看重复的内容,如果是讨论或者结论部分出现大段重复,编辑也会打回去的)。

单从这个标准来看,题主29%的重复率并不算高的太离谱,分析一下具体的重复内容,如果是不可避免的重复,期刊编辑也不会说什么,单篇4%的重复率也在公认标准之下,问题也不大。

说了这么多那在准备稿件时到底该怎么做呢?

这里我们推荐大家按照我们上面提到的标准准备自己的文章,可以在我们经过Turnitin公司官方授权的中文查重网站上先查一下,网址:

https://ithenticate.topeditsci.com/

🔔掌握自己文章的重复率,更重要的是知道自己内容的重复来源是什么。

如果相差不大,或者只超出了一些,分析重复来源也是一些不可避免的公式或者材料方法,那就可以放心的直接投稿。

如果是重复率超出过多,或者是自己结论性的内容出现了比较多的重复,那么就要好好的分析修改一下了。

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
如果二分类预测模型的假阳性(False Positive Rate,FPR)比真阳性(True Positive Rate,TPR)高,说明模型在负例样本上的误判较多,可能存在一定的问题。针对这种情况,可以考虑以下几个解决方案: 1. 调整分类阈值:分类模型会根据设定的阈值将样本划分为正例或负例。通过调整阈值,可以平衡模型在正例和负例之间的预测结果。降低阈值可能会提高真阳性,但也会增加假阳性。需要根据具体情况进权衡和调整。 2. 特征工程:通过对特征进优化和选择,可以提升模型的性能。例如,考虑引入更多相关的特征或对现有特征进变换、组合等,以提高模型对正例和负例的区分能力。 3. 选择合适的算法模型:不同的算法模型对于不同类型的数据和问题有不同的适用性。可以尝试使用其他算法模型或集成多个模型来改善分类结果。 4. 数据平衡处理:如果训练数据存在类别不平衡的情况,可以采用过采样、欠采样或者生成合成样本等方法来调整样本分布,以提高模型对负例的识别能力。 在实际应用中,发表论文并不仅仅依赖于模型的性能,还需要考虑研究问题的创新性、实验设计和结果的可靠性等因素。如果你的模型在假阳性方面存在一些问题,可以尝试改进模型,并将改进后的结果与之前的结果进对比和评估。最终是否能够发表SCI论文还需要根据研究领域的要求和具体情况来综合考虑。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值