Скорее всего так — ищут похожие документы. И если исследуемый текст по некоторой метрике очень похож на какой-либо, то считается копией. Возможно, то же делается на уровне абзацев.

Как найти похожие документы быстро — LSH (locality sensitive hashing) и кластеризация.

Банально мешает неоднозначность ествественного языка например. Нет современных методов, у которых точность была бы на уровне человека.
POS-теггер затыкается на синтаксисе.
Синтаксис затыкается на семантике.
Про семантику вообще непонятно.