Développement d'une plate-forme intelligente d'aide à la détection du plagiat et au choix de sujets de mémoire : cas de la Faculté des Sciences et Technologies de l'Université de Kinshasa

PDF Citer

Auteurs

  • Moïse KASOMBO TSHIBANGU Université de Kinshasa, Faculté des Sciences et Technologies, Mention Mathématiques, Statistiques et Informatique, Kinshasa, République démocratique du Congo Auteur

DOI :

https://doi.org/10.59228/rcst.026.v5.i3.342

Mots-clés :

Résumé

Le recensement manuel des redondances entre sujets de mémoire et la vérification des similitudes dans les travaux académiques demeurent difficiles à la Faculté des Sciences et Technologies de l'Université de Kinshasa, en raison de l'absence d'outils adaptés au contexte local. Cet article présente AcademiaCheck, une plate-forme Web articulant deux fonctions : la validation intelligente de sujets de mémoire et l'aide à la détection de similitudes dans les travaux déposés. Le moteur, implémenté nativement en TypeScript, combine une vectorisation TF-IDF, la similarité cosinus et l'indice de Jaccard. Cette preuve de concept évalue principalement la validation de sujets sur un corpus anonymisé de 83 dossiers (57 à 110 mots) comparés à un catalogue réel de 114 sujets (instantané figé à la date de l’évaluation), comportant 27 cas de redondance documentés selon quatre niveaux de difficulté. Au calibrage opérationnel (poids de la composante TF-IDF = 0,70 ; seuil = 0,20), la précision atteint 1,00 (IC à 95 % : 0,86–1,00) et le rappel 0,89 (IC à 95 % : 0,72–0,96) ; le F1-score est de 0,94 (IC bootstrap à 95 % : 0,86–1,00). Une recherche systématique sur une grille de 198 couples (poids, seuil) situe le calibrage retenu sur le plateau optimal. La comparaison avec un modèle sémantique multilingue (Sentence-BERT, paraphrase-multilingual-MiniLM-L12-v2) montre un léger gain de rappel (0,93), avec un temps de calcul supérieur d'environ 50 %. Le module de recommandation de sujets alternatifs est considéré comme un prototype fonctionnel.
Ces résultats, obtenus sur un corpus synthétique, caractérisent les performances du système en conditions contrôlées et justifient une évaluation ultérieure sur des soumissions réelles.

Comment citer

APA

KASOMBO TSHIBANGU, Moïse (2026). Développement d'une plate-forme intelligente d'aide à la détection du plagiat et au choix de sujets de mémoire : cas de la Faculté des Sciences et Technologies de l'Université de Kinshasa. Revue Congolaise des Sciences et Technologies, 5(3), 1533-1540. https://doi.org/10.59228/rcst.026.v5.i3.342

Vancouver

KASOMBO TSHIBANGU M. Développement d'une plate-forme intelligente d'aide à la détection du plagiat et au choix de sujets de mémoire : cas de la Faculté des Sciences et Technologies de l'Université de Kinshasa. RCST. 2026;5(3):1533-1540. doi:10.59228/rcst.026.v5.i3.342

BibTeX

@article{rcst975,
  author  = {KASOMBO TSHIBANGU, Moïse},
  title   = {Développement d'une plate-forme intelligente d'aide à la détection du plagiat et au choix de sujets de mémoire : cas de la Faculté des Sciences et Technologies de l'Université de Kinshasa},
  journal = {Revue Congolaise des Sciences et Technologies},
  year    = {2026},
  volume  = {5},
  number  = {3},
  pages   = {1533--1540},
  doi     = {10.59228/rcst.026.v5.i3.342},
  url     = {https://rcst.cd/index.php/rcst/fr/article/view/975}
}

RIS

TY  - JOUR
AU  - KASOMBO TSHIBANGU, Moïse
TI  - Développement d'une plate-forme intelligente d'aide à la détection du plagiat et au choix de sujets de mémoire : cas de la Faculté des Sciences et Technologies de l'Université de Kinshasa
JO  - Revue Congolaise des Sciences et Technologies
PY  - 2026
VL  - 5
IS  - 3
SP  - 1533
EP  - 1540
DO  - 10.59228/rcst.026.v5.i3.342
UR  - https://rcst.cd/index.php/rcst/fr/article/view/975
ER  - 
Vues: 0Téléchargements: 0

Téléchargements

Les données relatives au téléchargement ne sont pas encore disponibles.

Références

Ashworth, P., Bannister, P., & Thorne, P. (1997). Guilty in whose eyes? University students’ perceptions of cheating and plagiarism in academic work and assessment. Studies in Higher Education, 22(2), 187–203.

Belter, C., & Du Pré, A. (2009). A multi-institutional assessment of plagiarism detection software. The Journal of Academic Librarianship, 35(6), 554– 558.

Bergadaà, M. (2015). Le plagiat académique: Comprendre pour agir. L’Harmattan.

Gipp, B., & Meuschke, N. (2011). Citation pattern matching algorithms for citation-based plagiarism detection: Greedy citation tiling, citation chunking and longest common citation sequence. In Proceedings of the 11th ACM Symposium on Document Engineering (pp. 249–258). ACM. https://doi.org/10.1145/2034691.2034741

Guibert, P., & Michaut, C. (2011). Le plagiat étudiant. Éducation et sociétés, 28, 149–164.

Löfström, E., Huotari, J., & Kupila, P. (2017). Plagiarism detection software as a pedagogical tool. Assessment & Evaluation in Higher Education, 42(1), 1–14.

McCabe, D. L., & Treviño, L. K. (1993). Academic dishonesty: Honor codes and other contextual influences. The Journal of Higher Education, 64(5), 522–538.

Park, C. (2003). In other (people’s) words: Plagiarism by university students—Literature and lessons. Assessment & Evaluation in Higher Education, 28(5), 471–488.

Potthast, M., Stein, B., Barrón-Cedeño, A., & Rosso, P. (2010). An evaluation framework for plagiarism detection. In Proceedings of the 23rd International Conference on Computational Linguistics (COLING) (pp. 997–1005).

Reimers, N., & Gurevych, I. (2019). Sentence-BERT: Sentence embeddings using Siamese BERT-networks. In Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 2019 International Joint Conference on Natural Language Processing (EMNLP-IJCNLP) (pp. 3982–3992). Association for Computational Linguistics. https://doi.org/10.18653/v1/D19-1410

Stein, B., & Meyer zu Eissen, S. (2006). Near similarity search and plagiarism analysis. In From data and information analysis to knowledge engineering (pp. 430–437). Springer.

Sutherland-Smith, W. (2011). How plagiarism detection software may help learning. International Journal for Educational Integrity, 7(1), 23–35.

UNESCO. (2023). Recommandation sur l’éthique de l’intelligence artificielle. UNESCO.

Université de Kinshasa. (2023). Règlement intérieur de la Faculté des Sciences et Technologies. UNIKIN.

Weber-Wulff, D. (2014). False feathers: A perspective on academic plagiarism. Springer.

Documentation technique: Next.js (https://nextjs.org/docs) ; React (https://react.dev) ; Node.js (https://nodejs.org/docs) ; tesseract.js (https://tesseract.projectnaptha.com) ; mammoth (https://github.com/mwilliamson/mammoth.js) ; Sentence-Transformers (https://www.sbert.net) ; PAN — Plagiarism, Authorship, and Social Software Misuse (https://pan.webis.de).

Téléchargements

Publiée

8 septembre 2026

Numéro

Rubrique

Articles