در عصر شبکه جهانی وب، جستجوی اطلاعات به سادگی با استفاده از موتورهای جستجو و پایگاه داده های برخط انجام می شود. اگر چه این امر در اشتراک گذاری و انتشار دانش، نقش بسزایی داشته است اما در عین حال حفاظت از حق مالکیت در مقابل سوء استفاده ها را نیز دشوارتر می کند. سیستم های کشف تقلب یا مشابهت یاب اسناد، سعی به کشف این نوع سوء استفادهها را دارند. سیستم مهتاب از جمله پروژه هایی است که در زمینه کشف تقلب در اسناد علمی، در آزمایشگاه پردازش زبانهای طبیعی دانشگاه شهید بهشتی تعریف شده است.
پروژه مهتاب
یک سیستم مشابهت یاب روی اسناد علمی حوزه برق و کامپیوتر است. این سیستم اسناد پرس و جو را با پایگاه داده ای متشکل از بیست هزار مقاله و پایان نامه های حوزه برق و کامپیوتر مورد مقایسه قرارمی دهد و اسناد پایگاه داده را بر اساس میزان شباهتشان به سند پرس و جو رتبه بندی کرده و به کاربر نمایش می دهد. علاوه بر اینکه سیستم درصد شباهت کلی هر سند پرس وجو با شند منبع را تعیین می کند همچنین قادر به نمایش محل دقیق مشابهت بین دو سند و تعیین درصد این شباهت بصورت مستقلمی باشد. در این سیستم تصاویر اسناد نیز مورد مقایسه قرارمی گیرد و در تعیین درصد کلی شباهت اسناد تأثیرگذار خواهند بود. سیستم مهتاب در حال حاضر قادر به شناسایی انواع کپی برداری های دقیق، کپی برداری با تغییرات و برخی تکنیک های دستکاری متن مانند درج و حذف جملات، تقسیم و تلفیق جملات، جابجایی و جایگزینی کلمات با مترادف هایشانمی باشد. سیستم مهتاب مبتنی بر روشهای بازیابی اطلاعات است و این امر سبب شده سیستم قادر به اجرا روی پایگاه دادههای با حجم انبوه نیز باشد. این سیستم اکنون قادر به پشتیبانی از زبانهای فارسی و انگلیسی است و مشابهت یابی بین زبانی برای زبانهای فارسی و انگلیسی از چشماندازهای متصور برای سیستم مهتاب خواهد بود.