Desarrollo de una herramienta para la detección de plagio en código R

Abstract

Este trabajo se basa en el desarrollo de una herramienta de detección de plagio en código R y RMarkdownn. Con el fin de ofrecer al personal docente un software de código abierto y On Premise capaz de detectar plagio en entregas con esta extensión. Con la finalidad de ofrecer un software de código abierto capaz de detectar plagio entre documentos con esta codificación, brindando la posibilidad al personal docente de detectar plagio en entregas con extensión .R y .Rmd. El contenido de este trabajo se ha dividido en 7 capítulos de la siguiente forma: En el capítulo 1 se realiza una introducción sobre el plagio, el plagio en código fuente y como se combate el plagio dentro de las universidades. A lo largo del capítulo 2 se describen los aspectos generales del estado del arte, se analizan diferentes programas de detección de plagio en código fuente, destacando sus principales cualidades y analizando sus carencias. Finalmente, se realiza un análisis de dicho estado del arte, sirviendo como argumentación fundamental para el desarrollo de la herramienta de software que se presenta en este TFG. El capítulo 3 se centra en el paquete SimilaR, ya presentado en el capítulo anterior. Este paquete es quizás el más utilizado actualmente para la detección de plagio en código R. En este capítulo se estudian minuciosamente sus prestaciones y limitaciones, con la finalidad de proponer mejoras. El capítulo 4 está dedicado a explicar los detalles de la nueva implementación. Se consigue que la nueva herramienta, que bautizamos como SimilaR2, sea capaz de detectar plagio en secciones de comentarios gracias a la implementación de algoritmos fingerprints, así como ampliar las zonas de código R en dónde se puede detectar plagio (SimilaR tan solo puede detectar plagio en el cuerpo de funciones, pero no en el código escrito fuera de ellas). Adicionalmente, se explica la salida de SimilaR2, la cual aporta información detallada del análisis de detección de plagio, análisis de clústering y nubes de palabras, entre otras posibilidades. Durante el capítulo 5, se detalla el proceso de construcción del paquete R SimilaR2, así como de una aplicación web interactiva desarrollada con Shiny, esta última es capaz de ejecutar SimilaR2 y mostrar los resultados en un interfaz web. En el capítulo 6 se realiza un análisis estadístico de los resultados obtenidos por la herramienta SimilaR2. Para ello, se construye un dataset de archivos R categorizados en originales / plagios para así obtener una variable respuesta, sobre el dataset se aplica la herramienta SimilaR2 y se realiza una serie de transformaciones para obtener las variables predictoras. El marco de datos (variable respuesta y predictora) es modelizado mediante Naive Bayes aplicando validación cruzada. Asimismo, se obtienen varios conjuntos de resultados, ejecutando SimilaR2 sobre el dataset con diferentes parámetros. Finalmente, se efectúa un análisis de clústering para determinar los grupos de plagio / no plagio en el dataset. Por último, en el capítulo 7 se enumeran las conclusiones sobre el trabajo realizado y se plantean algunas líneas de trabajo futuro.

This eassay based on the development of a plagiarism detection tool in R code and RMarkdownn. The aim is to provide teaching staff with an open source and On Premise software capable of detecting plagiarism in deliveries with this extension. The content of this work has been divided into 7 chapters as follows: Chapter 1 provides an introduction to plagiarism, plagiarism in source code and how plagiarism is combated within universities. Chapter 2 describes the general aspects of the state of the art analyses different programmes for detecting plagiarism in source code, highlighting their main qualities and analysing their shortcomings. Finally, an analysis of the state of the art is carried out, serving as a fundamental argumentation for the development of the software tool presented in this dissertation. Chapter 3 focuses on the SimilaR package, already presented in the previous chapter. This package is perhaps the most widely used at present for the detection of plagiarism in R code. In this chapter, its features and limitations are studied in detail, with the aim of proposing improvements. Chapter 4 is dedicated to explain the details of the new implementation. The new tool, which we are going to call SimilaR2, is able to detect plagiarism in comment sections thanks to the implementation of fingerprinting algorithms, as well as to extend the areas of R code where plagiarism can be detected (SimilaR can only detect plagiarism in the body of functions, but not in the code written outside them). Additionally, the output of SimilaR2 is explained, which provides detailed information on plagiarism detection analysis, clustering and word cloud analysis, among other possibilities. During chapter 5, the process of building the SimilaR2 R package is detailed, as well as an interactive web application developed with Shiny, the latter being able to run SimilaR2 and display the results in a web interface. In chapter 6, a statistical analysis of the results obtained by the SimilaR2 tool is carried out. To do so, a dataset of R files categorised into originals/plagiarism is constructed to obtain a response variable, the SimilaR2 tool is applied on the dataset and a series of transformations are carried out to obtain the predictor variables. The data framework (response and predictor variable) is modelled by Naive Bayes applying cross-validation. Several sets of results are obtained by running SimilaR2 on the dataset with different parameters. Finally, a clustering analysis is performed to determine the plagiarism/nonplagiarism groups in the dataset. Finally, chapter 7 lists the conclusions of the work carried out and suggests some lines of future work.