PDF scan, ảnh chụp luận văn: vì sao kiểm tra đạo văn ra 0% và cách xử lý đúng
Kiểm tra đạo văn PDF scan ra 0% vì tệp chỉ chứa ảnh của trang giấy, không có lớp chữ để máy trích xuất và đối chiếu. Con số 0% khi đó không chứng minh bài viết sạch, nó chỉ cho biết hệ thống chưa đọc được câu nào.
Trong thử nghiệm của chúng tôi, một PDF toàn ảnh của trang 233 từ trả về đúng 0 từ khi trích xuất văn bản. Nếu OCR (nhận dạng ký tự quang học) sai gói ngôn ngữ, 89,3% từ bị đọc sai. Bài này nêu cách kiểm tra tệp trong 30 giây, kết quả đo và quy trình xử lý.
Cập nhật: tháng 11/2026 — Biên soạn bởi đội ngũ Kiểm Tra Tài Liệu, Metis JSC
Vì sao PDF scan cho kết quả 0% khi kiểm tra đạo văn?
PDF scan cho kết quả 0% vì phần mềm đối chiếu văn bản làm việc trên chuỗi ký tự, mà một trang scan chỉ là bức ảnh gồm các điểm ảnh. Không có chuỗi ký tự nào được trích ra thì cũng không có gì để so với kho nguồn.
PDF scan là tệp PDF mà mỗi trang là một ảnh chụp trang giấy hoặc màn hình. Lớp văn bản (text layer) là phần chữ có thể chọn, sao chép và tìm kiếm nằm bên dưới hoặc thay cho ảnh. Phần mềm kiểm tra trùng lặp chỉ đối chiếu được lớp văn bản.
Chúng tôi dựng một trang tiếng Việt 233 từ rồi chuyển thành PDF toàn ảnh ở năm điều kiện. Công cụ pdftotext trích đủ 233 từ từ bản gốc, nhưng trả về 0 từ ở cả năm bản ảnh. Với hệ thống đối chiếu, đó là tệp rỗng.
Quy định của các hệ thống lớn cũng theo logic này. Trang hỗ trợ của Đại học Leeds Beckett và Đại học Reading cho biết Turnitin không nhận PDF không có chữ chọn được, ví dụ tệp scan chỉ là ảnh của chữ. Chúng tôi không đọc được trang chính thức của Turnitin vì máy chủ chặn truy cập tự động, nên chi tiết cần đối chiếu với tài liệu hiện hành của hãng.
Với Kiểm Tra Tài Liệu, bài tính năng nổi bật của phần mềm nêu rõ: hệ thống hỗ trợ PDF, DOC, DOCX có văn bản dạng text, và tệp scan cần qua OCR trước khi tải lên.
Những loại tệp "trông bình thường" nhưng máy không đọc được
Có ít nhất bốn kiểu tệp mở ra trông hoàn toàn bình thường nhưng lớp chữ thiếu hoặc hỏng. Mỗi kiểu cần một cách xử lý riêng, và chỉ kiểu đầu tiên cho ra 0% tròn trịa.
| Kiểu tệp | Dấu hiệu nhận biết | Hệ thống thấy gì | Cách xử lý |
|---|---|---|---|
| PDF ảnh thuần (scan máy, chụp điện thoại) | Không bôi đen được chữ | Không có văn bản, kết quả 0% hoặc báo lỗi | OCR với gói tiếng Việt, hoặc xuất lại từ tệp Word gốc |
| PDF có lớp chữ nhưng mã hóa lỗi | Bôi đen được, dán ra vỡ dấu hoặc ký tự lạ | Văn bản có nhưng không khớp nguồn | Xuất lại từ Word bằng font Unicode; xem bài ký tự lạ và font cũ |
| PDF scan do máy scan tự OCR | Bôi đen được nhưng chữ sai dấu, sai từ | Văn bản sai lệch, tỷ lệ thấp hơn thực tế | Soát lỗi chính tả hàng loạt, OCR lại nếu sai nhiều |
| Tệp Word hoặc PDF có chữ lẫn ảnh | Bảng, công thức, sơ đồ, trang ký là ảnh | Phần chữ đọc được, phần trong ảnh bị bỏ qua | Kiểm tra riêng phần ảnh, xem bài đạo văn hình ảnh |
Chúng tôi chỉ đo số liệu cho kiểu thứ nhất ở mục dưới. Ba kiểu còn lại dựa trên cách các định dạng này lưu chữ và các hướng dẫn đã nêu, chưa có phép đo riêng.
Cách tự kiểm tra tệp có chữ máy đọc được trong 30 giây
Cách nhanh nhất là bôi đen một câu giữa bài, sao chép rồi dán vào trình soạn thảo văn bản thuần như Notepad hoặc TextEdit. Nếu không bôi đen được hoặc dán ra rỗng, tệp là ảnh.
Bốn bước, từ nhanh đến kỹ:
- Bôi đen và dán. Chọn một câu ở giữa bài, không chọn tiêu đề trang đầu vì trang bìa thường được xuất riêng. Dán sang văn bản thuần và đọc kỹ dấu tiếng Việt.
- Tìm kiếm. Nhấn Ctrl+F (Cmd+F trên Mac), gõ một từ chắc chắn có trong bài như "kết luận". Không ra kết quả mà mắt vẫn thấy chữ là dấu hiệu rõ.
- Thử trang giữa và trang cuối. Tệp lai (nhiều trang chữ, vài trang ảnh) thường lộ ở các trang chèn sau như phụ lục, trang ký xác nhận.
- Đếm từ theo trang nếu máy có công cụ dòng lệnh
pdftotext(bộ poppler):
# Số trang
pdfinfo luan-van.pdf | grep Pages
# Số từ có thể trích xuất từ cả tệp
pdftotext luan-van.pdf - | wc -w
# Số từ từng trang (trang 1 đến 5)
for p in 1 2 3 4 5; do
echo "Trang $p: $(pdftotext -f $p -l $p luan-van.pdf - | wc -w) từ"
doneTrang thân bài của luận văn thường có hàng trăm từ. Trong thí nghiệm của chúng tôi, 233 từ cỡ chữ 13 chiếm chưa đầy một trang A4. Trang có dưới khoảng 20 từ trong khi mắt thấy kín chữ gần như chắc chắn là trang ảnh.
Thí nghiệm: OCR tiếng Việt làm vỡ bao nhiêu cụm từ?
Có OCR chưa chắc đã đủ, vì chữ OCR ra có thể lệch dấu và lệch từ so với bản gốc. Chúng tôi đo mức lệch này để thấy vì sao chất lượng ảnh và gói ngôn ngữ quan trọng.
Cách làm. Một trang tiếng Việt tự viết dài 233 từ, font Liberation Serif cỡ 13, xuất PDF có lớp chữ rồi chuyển sang ảnh. OCR bằng Tesseract 5.5.0 với gói ngôn ngữ vie, chạy trong Docker, chế độ --psm 6. Bốn mức xuống cấp ảnh được mô phỏng bằng ImageMagick (xoay nghiêng, làm mờ, thêm nhiễu, nén JPEG). Mức thứ năm dùng gói eng thay vì vie để mô phỏng chọn sai ngôn ngữ.
| Điều kiện | Từ sai, mất hoặc thừa (WER) | Cụm 5 từ còn nguyên | Cụm 8 từ còn nguyên |
|---|---|---|---|
| A. 300 dpi, sạch, gói vie | 0,9% | 95,6% | 92,9% |
| B. 150 dpi, sạch, gói vie | 0% | 100% | 100% |
| C. 150 dpi, nghiêng 0,8°, mờ nhẹ, JPEG chất lượng 50 | 2,6% | 89,1% | 83,6% |
| D. 100 dpi, nghiêng 1,5°, mờ, JPEG chất lượng 40 | 17,2% | 53,7% | 40,3% |
| E. 300 dpi, sạch, gói eng (sai ngôn ngữ) | 89,3% | 0% | 0% |
Kết quả đo (Kiểm Tra Tài Liệu, 11/2026): chỉ 2,6% từ sai trong điều kiện C nhưng 10,9% cụm 5 từ liên tiếp đã không còn khớp bản gốc. Ở điều kiện D (ảnh 100 dpi, nghiêng, nén mạnh), 46,3% cụm 5 từ và 59,7% cụm 8 từ bị vỡ.
Lý do nằm ở cách đối chiếu theo chuỗi từ liên tiếp. Một lỗi ở một từ làm hỏng tối đa 5 cụm 5 từ đi qua từ đó. Tỷ lệ lỗi thấp trên từng từ vẫn kéo theo tỷ lệ vỡ cụm cao hơn nhiều.
Vài quan sát đáng ghi nhớ:
- Dấu là điểm yếu. Ở điều kiện C, ngay từ "kiểm" của tiêu đề bị đọc thành "kiếm". Ở điều kiện D, 14 từ khác bản gốc chỉ ở dấu thanh hoặc dấu mũ, và văn bản OCR ngắn hơn bản gốc 19 từ (214 so với 233).
- Độ phân giải cao không tự bảo đảm. Ở 300 dpi Tesseract nhầm hai chỗ mà ở 150 dpi không nhầm; độ thẳng và độ tương phản cũng quan trọng.
- Sai gói ngôn ngữ là thảm họa. Chữ "Kiểm tra trùng lặp không phải" thành "Kiém tra tring lap khong phai". Thiếu gói tiếng Việt, gần như không từ nào còn nguyên.
Giới hạn: đây là một trang, font in sạch, một công cụ OCR, ảnh xuống cấp do mô phỏng. Scan thật có bảng, công thức, lề dính gáy sách nên có thể kém hơn. Một khảo sát về nhận dạng tài liệu tiếng Việt (arXiv:2506.05061, 2025) cũng nhận xét Tesseract hỗ trợ tiếng Việt nhưng độ chính xác còn hạn chế do xử lý dấu và nhiễu tài liệu.
Hệ quả: văn bản OCR kém có thể làm đoạn trùng thật rơi khỏi báo cáo, giống khâu trích xuất file trong bài vì sao mỗi phần mềm ra một tỷ lệ. Mỗi phần mềm đối chiếu theo cách riêng, nên chúng tôi không khẳng định mức ảnh hưởng với từng công cụ.
Cách xử lý đúng khi chỉ có bản scan
Cách tốt nhất là không dùng bản scan để kiểm tra: quay về tệp Word hoặc LaTeX gốc và xuất PDF. Chỉ khi không còn tệp gốc mới cần scan rồi OCR, và khi đó phải làm đúng thứ tự.
Nếu còn tệp gốc. Dùng "Save as PDF" hoặc "Export" của Word, không "in ra PDF rồi scan lại". Cách xuất này giữ nguyên lớp chữ Unicode. Kiểm tra tệp theo bốn bước ở mục trên trước khi tải lên.
Nếu chỉ còn bản giấy hoặc bản scan (thường gặp với luận án bảo vệ từ lâu, vốn có thể bị xem xét lại nhiều năm sau):
- Scan lại cho đúng. Dùng máy scan thay cho chụp điện thoại, đặt 300 dpi, giấy phẳng và thẳng, chế độ đen trắng hoặc xám với độ tương phản tốt. Tránh lề gáy sách cong.
- Chạy OCR với gói tiếng Việt. Acrobat có chức năng nhận dạng văn bản. Nếu dùng dòng lệnh, OCRmyPDF (dựa trên Tesseract) hỗ trợ chỉ định ngôn ngữ và nắn thẳng trang:
ocrmypdf -l vie --deskew luan-van-scan.pdf luan-van-ocr.pdf- Bôi đen thử lại vài đoạn, xem dấu tiếng Việt còn đúng không. Chữ ra lỗi hàng loạt thì scan lại thay vì sửa tay.
- Soát chính tả tự động. Lỗi OCR thường hiện ra như lỗi chính tả hàng loạt, nên chạy kiểm tra như bài lỗi chính tả thường gặp trong luận văn hướng dẫn.
- Tải lên và đọc báo cáo theo cách của bài đọc báo cáo kiểm tra trùng lặp, rồi đối chiếu với quy định ngưỡng trùng lặp của trường.
Tình huống thực tế: nộp bản "đã ký" và nhận về 0%
Tình huống phổ biến nhất là học viên scan cả quyển để có chữ ký, rồi dùng chính tệp đó để kiểm tra. Ví dụ minh họa (giả định, không phải ca có thật): một học viên cao học phải nộp bản có chữ ký xác nhận của giáo viên hướng dẫn. Học viên in cả quyển 80 trang, ký, scan lại, rồi tải tệp lên kiểm tra và thấy 0%.
Thấy kết quả đẹp, học viên yên tâm nộp. Người rà soát của khoa thấy báo cáo 0% cho luận văn 80 trang, bôi đen thử thì không chọn được chữ. Con số bất thường ấy là tín hiệu cần xem, như bài chữ trắng, ký tự lạ lách check đạo văn phân tích, và học viên phải giải trình dù không có ý đồ.
Cách làm đúng: kiểm tra bản xuất từ Word, chỉ scan riêng trang ký rồi ghép vào cuối. Các sai lầm thường gặp:
| Sai lầm | Hậu quả | Cách tránh |
|---|---|---|
| Scan cả quyển để có chữ ký rồi kiểm tra | Báo cáo 0%, bị nghi né kiểm tra | Kiểm tra bản xuất từ Word; scan riêng trang ký |
| Chụp điện thoại nghiêng, thiếu sáng | OCR sai dấu, vỡ cụm từ | Dùng máy scan 300 dpi, giấy phẳng |
| OCR bằng gói tiếng Anh | Gần như mọi từ tiếng Việt sai | Chọn đúng ngôn ngữ Vietnamese |
| Tin con số 0% | Bỏ lỡ đoạn trùng thật | Coi 0% với bài dài là tín hiệu lỗi tệp |
| Chèn bảng, công thức bằng ảnh chụp màn hình | Phần đó không được kiểm tra | Dán bảng dạng bảng thật, công thức dạng công thức |
Checklist áp dụng ngay trước khi tải tệp lên:
- [ ] Đã bôi đen và dán thử một câu ở giữa bài
- [ ] Đã tìm bằng Ctrl+F một từ chắc chắn có trong bài
- [ ] Đã kiểm tra trang cuối và phụ lục, nơi hay bị ghép trang ảnh
- [ ] Số từ mỗi trang thân bài hợp lý, không có trang gần như rỗng chữ
- [ ] Bảng, công thức quan trọng không phải ảnh chụp
- [ ] Đã giữ tệp Word gốc để xuất lại khi cần
Giảng viên, đơn vị đào tạo nên làm gì khi gặp báo cáo 0%?
Báo cáo 0% với một bài dài là tín hiệu cần mở tệp xem, không phải bằng chứng bài sạch hoặc bằng chứng gian lận. Hầu hết trường hợp là lỗi định dạng, vì ngưỡng cho phép tại các trường thường 20–30% theo khảo sát quy định của chúng tôi, nên bài viết thật gần như luôn có một mức trùng nhất định với trích dẫn, định nghĩa chuẩn hay danh mục tham khảo.
Cách làm gọn: mở tệp và bôi đen thử vài đoạn; nếu là ảnh, yêu cầu nộp lại bản xuất từ Word thay vì kết luận về ý đồ; chỉ xử lý theo quy định khi còn dấu hiệu khác như lịch sử chỉnh sửa hay vấn đáp, theo bài bị nghi đạo văn: quy trình giải trình. Đơn vị đào tạo nên ghi trong hướng dẫn nộp bài rằng tệp phải có chữ chọn được, trang ký nộp riêng.
Tự kiểm tra bài trước khi nộp như thế nào?
Kiểm Tra Tài Liệu quét trùng lặp, nội dung AI và chính tả trong một lượt trên dữ liệu tiếng Việt.
Kết quả là tín hiệu để rà soát, không phải giấy bảo đảm. Về việc bài có bị lưu vào kho so khớp hay không, xem bài kiểm tra trên Kiểm Tra Tài Liệu có bị lưu bài không. Nếu cần chọn gói phù hợp, xem bảng giá hoặc liên hệ KTTL.
Câu hỏi thường gặp
Vì sao tôi kiểm tra đạo văn ra 0%?
Rất có thể tệp của bạn là PDF scan hoặc ảnh, không có lớp chữ để máy đọc. Khi đó hệ thống không trích được câu nào để đối chiếu nên trả về 0%. Hãy bôi đen thử một câu: nếu không chọn được, đó là lý do. Trường hợp bài thật sự sạch vẫn thường có vài phần trăm trùng với trích dẫn và danh mục tham khảo.
PDF scan có kiểm tra đạo văn được không?
Chỉ kiểm tra được sau khi chuyển qua OCR. Với Kiểm Tra Tài Liệu, hệ thống hỗ trợ PDF, DOC, DOCX có văn bản dạng text, và tệp scan cần OCR trước khi tải lên. Tốt hơn hết là xuất lại PDF từ tệp Word gốc, vì bản xuất luôn sạch hơn bản OCR.
Làm sao biết PDF có lớp chữ hay không?
Bôi đen một câu giữa bài rồi dán vào Notepad hoặc TextEdit. Nếu chữ hiện ra đúng dấu tiếng Việt, tệp có lớp chữ. Có thể thử thêm Ctrl+F với một từ chắc chắn có trong bài. Với ai có công cụ dòng lệnh, pdftotext tệp.pdf - | wc -w cho biết số từ trích được.
OCR xong có chính xác 100% không?
Không, và sai số có thể tăng nhanh khi ảnh kém. Trong thử nghiệm của chúng tôi với Tesseract 5.5.0, ảnh sạch cho 0–0,9% từ sai, ảnh nghiêng và nén vừa 2,6%, ảnh 100 dpi nghiêng và nén mạnh 17,2%. Lỗi dấu tiếng Việt là loại hay gặp nhất, nên cần soát chính tả sau OCR.
Chụp ảnh luận văn bằng điện thoại rồi kiểm tra được không?
Được về kỹ thuật nhưng không khuyến khích, vì ảnh chụp thường nghiêng, thiếu sáng, lề cong nên OCR sai nhiều hơn. Nếu bắt buộc, hãy dùng ứng dụng scan có nắn thẳng trang, giữ giấy phẳng rồi chạy OCR với gói tiếng Việt.
Tệp scan ra 0% có bị coi là cố né kiểm tra không?
Không tự động, nhưng bạn cần giải thích được. Con số 0% bất thường khiến người rà soát mở tệp xem, như bài chữ trắng, ký tự lạ phân tích. Nếu bạn chỉ scan để lấy chữ ký, hãy giữ tệp Word gốc và nộp bản đã có lớp chữ để tránh bị hiểu nhầm.
Tóm tắt
- PDF scan ra 0% vì tệp chỉ chứa ảnh: 5 bản PDF ảnh của chúng tôi đều cho 0 từ trích xuất so với 233 từ ở bản gốc.
- Turnitin (theo hướng dẫn của hai trường đại học) và Kiểm Tra Tài Liệu đều cần chữ chọn được; tệp scan phải qua OCR trước.
- Tự kiểm tra trong 30 giây: bôi đen một câu, dán sang văn bản thuần, rồi thử Ctrl+F.
- OCR có sai số: 2,6% từ sai vẫn làm 10,9% cụm 5 từ vỡ; ảnh kém lên 17,2% và 46,3%; sai gói ngôn ngữ lên 89,3%.
- Cách tốt nhất là xuất PDF từ Word gốc, chỉ scan riêng trang ký xác nhận.
- Báo cáo 0% với bài dài là tín hiệu cần mở tệp xem, không phải bằng chứng bài sạch.
Muốn biết bài của bạn đang trùng ở đâu trước khi hội đồng đọc? Tải bản PDF có lớp chữ hoặc DOCX lên phần mềm Kiểm Tra Tài Liệu để quét trong một lượt.
Biên soạn bởi đội ngũ Kiểm Tra Tài Liệu, Metis JSC. Nguồn tham khảo: thử nghiệm nội bộ của Kiểm Tra Tài Liệu (11/2026) với Tesseract 5.5.0, gói ngôn ngữ vie, poppler pdftotext, ImageMagick, trên một trang tiếng Việt 233 từ (số liệu một trang, không đại diện cho mọi tài liệu); hướng dẫn "Why won't Turnitin accept my scanned PDF file?" của Đại học Leeds Beckett và "What file types can I submit" của Đại học Reading (truy cập 11/2026); khảo sát "A Survey on Vietnamese Document Analysis and Recognition" (arXiv:2506.05061, 2025); tài liệu OCRmyPDF.