Стильдік талдау және авторлық сараптама

Кіріспе

Жазу стилін зерттеу

Стилометрия – әдетте жазба тілдегі тілдік стильді зерттеуді қолдану. Бұл әдіс музыкаға, кескінге, шахматқа да сәтті қолданылған. Стилометрия көбінесе анонимді немесе даулы құжаттардың авторлығын анықтау үшін пайдаланылады. Оның құқықтық, сондай-ақ академиялық және әдеби салаларда қолданысы бар, Шекспирдің туындыларының авторлығы туралы мәселеден бастап сот лингвистикасына дейін, және мәтіннің оқылуына қолайлылығын талдаумен әдістемелік ұқсастықтары бар. Стилометрия псевдонимді немесе анонимді авторларды жасыру үшін немесе автор туралы толық анықтамасыз ақпаратты ашу үшін қолданылуы мүмкін. Авторлар өздерінің стильдік ерекшеліктерін жою арқылы, хабарламаларының мазмұнын өзгертпей, осы анықтамаға қарсы тұру үшін қарсы стилометрияны пайдалана алады. Ол осы мүмкіндікті ескермейтін талдауларды жеңе алады, бірақ стилометрияның қарсыластық ортадағы тиімділігі күмәнді: стилометриялық анықтама сенімді болмауы мүмкін, бірақ анықтамаға кепілдік беруге болмайды; қарсы стилометрияның практикасы өзі анықталуы мүмкін.

Тарих

Стилометрия мәтіннің нақтылығын, авторлықты анықтау және басқа да сұрақтарды қарастыру үшін мәтіндерді талдаудың алдыңғы тәсілдерінен өркендеді. Бұл ғылымның қазіргі шағындағы тәжірибесі ағылшын Ренессанс драмасындағы авторлық мәселелерді зерттеу арқылы танымал болды. Зерттеушілер мен оқырмандар сол дәуірдегі кейбір драматургтердің тілдік таңдауларында ерекше үлгілер бар екенін анықтады және осы үлгілерді авторлығы белгісіз немесе бірлесіп жазылған туындыларды анықтау үшін қолдануға тырысты. Бірақ алғашқы тырастықтар әрқашан сәтті аяқталмады: 1901 жылы бір зерттеуші Джон Флетчердің "’em" деген сөзді, "олардың" сөзінің қысқартылған түрін, Флетчер мен Филип Массинджердің бірлескен жұмыстарындағы авторларды ажырату үшін маркер ретінде пайдалануға тырысты. Алайда, ол редактордың "’em" сөзінің барлық нұсқаларын "олар" деп өзгертілген Массинджердің туындыларының басылымын қателікпен қолданды. Стилометрияның негіздерін поляк философы Винсент Лютославский 1890 жылы жарық көрген "Principes de stylométrie" еңбегінде қалыптастырды. Лютославский осы әдісті Платонның диалогтарының мерзімдемесін жасау үшін пайдаланды. Компьютерлердің дамуы және олардың үлкен көлемдегі деректерді талдау мүмкіндіктері осы бағыттағы жұмысты едәуір арттырды. Бірақ компьютерлердің деректерді талдау қабілетінің жоғары деңгейі жоғары сапалы нәтижелерге кепілдік бермеді. 1960 жылдардың басында А.К. Мортон Жаңа өсиеттен тараған, апостол Павелге жатқызылған он төрт хатты компьютерлік талдаудан өтті, нәтижесінде осы туындылардың алты түрлі авторлармен жазылғаны анықталды. Оның әдісін Джеймс Джойстің туындыларына қолданғанда, "Улисс" романы, Джойстің көп перспективалы, көп стильді романы, бес жеке тұлғалармен жазылғаны анықталды, олардың ешқайсысы Джойстің алғашқы романы "Жас суретшінің портретін" жазуға қатысқан жоқ. Бірақ уақыт өте келе, тәжірибе жинақтаған зерттеушілер мен ғалымдар өз әдістерін жетілдіріп, жақсы нәтижелерге қол жеткізді. Бірнеше ерте жетістіктердің бірі – Фредерик Мостеллер мен Дэвид Уоллестің "Федералист қағаздарының" он екі туындысының авторлығын анықтауы болды. Алғашқы болжамдар мен әдістерге қатысты сұрақтар әлі де бар (немесе, мүмкін, бола береді), бірақ қазіргі таңда жазбаша мәтіндерді лингвистикалық талдау құнды ақпарат пен түсінік бере алады деген негізгі қағидаға күмән келтіретін адамдар аз. (Шындығында, бұл компьютерлер пайда болғанға дейін де анық болды: Кирус Хой және басқалардың Флетчердің туындыларына жасаған сәттілігі текстік/лингвистикалық талдауы 1950 жылдардың соңы мен 1960 жылдардың басында нақты нәтижелер берді.)

Stylometry grew out of earlier techniques of analyzing texts for evidence of authenticity, author identity, and other questions. The modern practice of the discipline received publicity from the study of authorship problems in English Renaissance drama. Researchers and readers observed that some playwrights of the era had distinctive patterns of language preferences, and attempted to use those patterns to identify authors of uncertain or collaborative works. Early efforts were not always successful: in 1901, one researcher attempted to use John Fletcher's preference for "⁠ ⁠'em", the contractional form of "them", as a marker to distinguish between Fletcher and Philip Massinger in their collaborations—but he mistakenly employed an edition of Massinger's works in which the editor had expanded all instances of "⁠ ⁠'em" to "them". The basics of stylometry were established by Polish philosopher Wincenty Lutosławski in Principes de stylométrie (1890). Lutosławski used this method to develop a chronology of Plato's Dialogues. The development of computers and their capacities for analyzing large quantities of data enhanced this type of effort by orders of magnitude. The great capacity of computers for data analysis, however, did not guarantee good quality output. During the early 1960s, Rev. A. Q. Morton produced a computer analysis of the fourteen Epistles of the New Testament attributed to St. Paul, which indicated that six different authors had written that body of work. A check of his method, applied to the works of James Joyce, gave the result that Ulysses, Joyce's multi perspective, multi style novel, was composed by five separate individuals, none of whom apparently had any part in the crafting of Joyce's first novel, A Portrait of the Artist as a Young Man. In time, however, and with practice, researchers and scholars have refined their methods, to yield better results. One notable early success was the resolution of disputed authorship of twelve of The Federalist Papers by Frederick Mosteller and David Wallace. While there are still questions concerning initial assumptions and methods (and, perhaps, always will be), few now dispute the basic premise that linguistic analysis of written texts can produce valuable information and insight. (Indeed, this was apparent even before the advent of computers: the successful application of a textual/linguistic analysis to the Fletcher canon by Cyrus Hoy and others yielded clear results during the late 1950s and early 1960s.)

Қолданбалар

Стилометрияның қолданылу аясына әдебиеттану, тарихты зерттеу, әлеуметтану, ақпаратты іздеу және көптеген сот-криминалистикалық жағдайлар мен зерттеулер кіреді. Жақында, осы әдіс қолданылу арқылы анонимді ортағасырлық исланд сагалары туралы ұзақ жылдар бойы дауласып келген мәселелерге жаңаша көзқарас ұсынылды. Оны компьютерлік кодқа және мәтіннің ішіндегі стильдік өзгерістерге негізделген плагиатты анықтауға, яғни жазу стилінің өзгеруі арқылы плагиатты табуға да қолдануға болады. Стилометрия адамның ағылшын тілін туған тілі ретінде меңгергенін немесе меңгермегенін оның теру жылдамдығы арқылы болжау үшін де пайдаланылуы мүмкін. Стилометрия әдісі мәтінді өңдеу кезінде бұрмалануға осал. Сонымен қатар, автор өзінің мансабында әртүрлі стильдерді қабылдауы да мүмкін, мысалы, Платонның жағдайында Сократ мәселесін қарастыратын ерте және орта диалогтарында қолданған әртүрлі стильдік тәсілдері көрсетілген.

Ерекшеліктері

Авторлық атрибуция үшін қызығушылық тудыратын мәтіндік ерекшеліктер бір жағынан ерекше сөздер мен құрылымдардың жиі кездесуін есептеу (мысалы, автордың тыныс белгілерін қалай қолданатынын немесе автордың агентсіз пассивтік конструкцияларды қаншалықты жиі пайдаланатынын тексеру), ал екінші жағынан – оқырмандық талдау үшін қолданылатын лексикалық және синтаксистік өзгерістерді өлшеу сияқты шаралар. Авторлар көбінесе белгілі бір тақырыптарға бейімдік танытатындықтан, авторлық атрибуциядағы зерттеу эксперименттері көбінесе зат есімдер, сын есімдер және етістіктер сияқты мазмұндық сөздерді ерекшелік жиынтығынан шығарып тастайды, тек мәтіннің құрылымдық элементтерін сақтайды, осылайша модельдерінің авторлық ерекшеліктерге емес, тақырыпқа сәйкес болуын болдырмайды. Стильдік ерекшеліктер көбінесе мәтін бойынша немесе автордың барлық жинақталған туындылары бойынша орташа мәндер ретінде есептеледі, мысалы, сөздердің орташа ұзындығы немесе сөйлемдердің орташа ұзындығы сияқты өлшемдерді береді. Бұл модельге сөздік немесе қысқа сөйлемдерді жақсы көретін авторларды анықтауға мүмкіндік береді, бірақ өзгерістерді жасырады: ұзақ және қысқа сөйлемдерді араластыратын автордың орташа көрсеткіші, тұрақты орташа ұзындықтағы сөйлемдерді қолданатын автордың көрсеткішімен бірдей болады. Мұндай өзгерістерді анықтау үшін кейбір зерттеулер орташа жиіліктерден гөрі байқаулар бойынша тізбектерді немесе үлгілерді пайдаланады, мысалы, автор белгілі бір басымдық немесе назар аудару үлгісін көрсететінін немесе автор ұзақ сөйлемдер тізбегінен кейін қысқа сөйлем қолдануға бейім екенін анықтайды. Авторлықты анықтаудың алғашқы тәсілдерінің бірі – Менденхоллдың тәсілі, байқауларын орташаламастан жинақтады деуге болады. Жақындағы авторлық атрибуция модельдері автор стиліне тән ерекшеліктерді автоматты түрде анықтау үшін векторлық кеңістік модельдерін қолданады, бірақ дәстүрлі модельдердегідей себептермен ақылға қонымды ерекшеліктерді жасауға да сүйенеді.

Қарсы стилометрия

Қарсы стилометрия – стилометрияның автордың жеке басын немесе оның ерекшеліктерін анықтау мүмкіндігін төмендету үшін жазу стилін өзгерту тәжірибесі. Бұл міндет авторлық жасыру немесе авторлық анонимизациялау деп те аталады. Стилометрия анонимді авторларды жариялау немесе автордың басқа жеке тұлғаларымен псевдонимдерді байланыстыру арқылы маңызды құпиялылық қиындығын тудырады, мысалы, бұл хабар берушілерге, белсенділерге, алдамшылар мен мошенниктерге қиындықтар жасайды. Машиналық оқу техникалары мен мәтіндік корпус дамыған сайын, құпиялылық тәуекелінің артуы күтілуде. Барлық қарсы стилометрияның негізгі идеясы – мағынасы өзгермейтін, бірақ стильдік сигналдарды жасыратын бастапқы мәтінді адал түрде қайта жазу. Мұндай адал қайта жазу стилометриялық жіктегіш үшін қарсы мысал болып табылады. Бұл салаға бірнеше кең көлемді тәсілдер бар, олардың кейбіреулері бірін-бірі толықтырады: еліктеу, автордың өзінің стилін басқа біреуімен алмастыру; аударма, бастапқы мәтіндегі ерекше стильді жою ниетімен машиналық аударманы қолдану; және бүркемелеу, мәтіннің стилін автордың өзіне ұқсамайтындай етіп әдейі өзгерту. Стильді қолмен бүркемелеу мүмкін, бірақ еңбекті талап етеді; кейбір жағдайларда бұл қалаулы немесе қажет болуы мүмкін. Жартылай немесе толық автоматтандырылған автоматтандырылған құралдар авторға көмектесе алады. Бұл міндетті қалай орындау және мұндай құралдарды қалай құру мәселесі әлі де зерттеу нысаны болып табылады. Кейбір тәсілдер белгілі бір стилометриялық талдауларды, әсіресе қарсылық мүмкіндігін ескермейтіндерді жеңе алатыны көрсетілгенімен, белгісіз талдауларға қарсы қауіпсіздікті қамтамасыз ету мәселесі болып қалады. Қайта жазудың адал болуын қамтамасыз ету автоматтандырылған құралдар үшін маңызды қиындық. Қарсы стилометрия тәжірибесінің өзі анықтамалы екені белгісіз. Кейбір зерттеулер белгілі бір әдістердің шығыс мәтінінде сигналдар тудыратынын көрсетті, бірақ қандай әдістер қолданылғанын білмейтін стилометр оларды сенімді түрде анықтай алмайды.

Adversarial stylometry is the practice of altering writing style to reduce the potential for stylometry to discover the author's identity or their characteristics. This task is also known as authorship obfuscation or authorship anonymisation. Stylometry poses a significant privacy challenge in its ability to unmask anonymous authors or to link pseudonyms to an author's other identities, which, for example, creates difficulties for whistleblowers, activists, and hoaxers and fraudsters. The privacy risk is expected to grow as machine learning techniques and text corpora develop. All adversarial stylometry shares the core idea of faithfully paraphrasing the source text so that the meaning is unchanged but the stylistic signals are obscured. Such a faithful paraphrase is an adversarial example for a stylometric classifier. Several broad approaches to this exist, with some overlap: imitation, substituting the author's own style for another's; translation, applying machine translation with the hope that this eliminates characteristic style in the source text; and obfuscation, deliberately modifying a text's style to make it not resemble the author's own. Manually obscuring style is possible, but laborious; in some circumstances, it is preferable or necessary. Automated tooling, either semi or fully automatic, could assist an author. How best to perform the task and the design of such tools is an open research question. While some approaches have been shown to be able to defeat particular stylometric analyses, particularly those that do not account for the potential of adversariality, establishing safety in the face of unknown analyses is an issue. Ensuring the faithfulness of the paraphrase is a critical challenge for automated tools. It is uncertain if the practice of adversarial stylometry is detectable in itself. Some studies have found that particular methods produced signals in the output text, but a stylometrist who is uncertain of what methods may have been used may not be able to reliably detect them.

Қазіргі зерттеулер

Қазіргі стилометрия статистикалық талдау үшін компьютерлерді, жасанды интеллектті және Интернет арқылы қолжетімді мәтіндердің кеңейіп келе жатқан корпусын пайдаланады. Signature (Оксфорд университетінің Питер Милликан жасаған ақысыз бағдарлама), JGAAP (Дукейн университетінің доктор Патрик Джуола жасаған Java Graphical Authorship Attribution Program ақысыз бағдарламасы), stylo (Maciej Eder, Jan Rybicki және Mike Kestemont әзірлеген авторлықты анықтауды қоса алғанда, түрлі стилометриялық талдауларға арналған ашық кодты R пакеті) және Stylene for Dutch (Антверпен университетінің профессоры Уолтер Дейлеманс пен Гент университетінің доктор Вероник Хосте жасаған онлайн ақысыз бағдарлама) оны қолдануды, тіпті мамандар емес адамдар үшін де, оңайлап қолжетімді етеді.

PAN

PAN семинарлары (бастапқыда плагиатты талдау, авторлықты анықтау және дерлік қайталамаларды анықтау, кейін плагиатты, авторлықты және әлеуметтік бағдарламалық құралдардың дұрыс пайдаланылмауын ашу туралы семинар) 2007 жылдан бері негізінен ACM SIGIR, FIRE және CLEF сияқты ақпаратты іздеу конференцияларымен бірге өткізіліп келеді. PAN плагиатты анықтау, авторлықты сәйкестендіру, автордың жынысын анықтау, автордың профилін жасау, вандализмді анықтау және басқа да мәтіндік талдау міндеттерін ұсынады, олардың көптегені стилометрияға негізделген.

Қызықты жағдайларды зерттеу

1439 жылы Лоренцо Валла Константиннің сыйға тартуының жалған екенін көрсетті, бұл дәлел ішінара латын тілінің 4 ғасырдағы нақты құжаттардағы қолданылуымен салыстыруға негізделген. 1952 жылы швед діни қызметкері Дик Хеландер Стренгнес епископы болып сайланды. Сайлау кампаниясы бәсекелі болды және Хеландер Стренгнес епархиясының сайлаушыларына қарсы кандидаттар туралы жүздеген анонимді жала жабу хаттарын жазды деп айыпталды. Хеландер алғашында хаттарды жазғаны үшін кінәлі деп танылды және епископ лауазымынан шеттетілді, бірақ кейіннен ішінара ақталуға ие болды. Хаттар бірқатар стилометриялық өлшемдерді (сондай-ақ, терілме машинасының ерекшеліктерін) және Хеландердің 1978 жылы қайтыс болғанға дейін жылдар бойы жасасқан көптеген сот істерін және қосымша сараптамаларды қамтыды, олар стилометриялық әдіс пен оның дәлел ретіндегі құндылығын егжей-тегжейлі талқылады. 1975 жылы Калифорнияның губернаторы болғаннан кейін Рональд Рейган жүздеген радиостанцияларға таратылатын апталық радио түсіндірмелерін беруді бастады. 2001 жылы оның 90 жылдығында жеке жазбалары жарияланғаннан кейін, зерттеулер стилостатистикалық әдістерді қолданып, осы баяндамалардың қайсысын өзі жазғанын және қайсысын әртүрлі көмекшілер жазғанын анықтады. 1996 жылы Вассар колледжінің профессоры Дональд Фостердің псевдониммен жазылған "Primary Colors" атты даулы кітабының стилометриялық талдауы авторды Джо Клейн деп дұрыс анықтағаннан кейін бұл тақырып кең аудиторияның назарына түсті. (Бұл мәселе қолжазба сараптамасы арқылы авторлықты растағаннан кейін ғана шешілді.) 1996 жылы стилометриялық әдістер "Унабомбер" манифестін күдіктілердің бірі Теодор Качинскийдің хаттарымен салыстыру үшін қолданылды, нәтижесінде Качинский тұтқындалды және кейін сотталды. 2015 жылдың сәуір айында зерттеушілер стилометрия әдістерін қолданып, Уильям Шекспирдің шығармасы ретінде "Қос жалғандық" атты пьесаны анықтады. Зерттеушілер Шекспир мен Джон Флетчердің 54 пьесасын талдап, сөйлемдердің орташа ұзындығын салыстырып, ерекше сөздерді қолдануды зерттеді және олардың тілінің күрделілігі мен психологиялық мәнін бағалады. 2016 жылы Жаңа Зеландияның Окленд университетінің ағылшын тілі профессоры және Жаңа Зеландия Корольдік қоғамының мүшесі Макдональд П. Джексон, өзінің академиялық мансабының барлық кезеңін авторлықты анықтауды талдаумен өткізген "Кім жазды?" атты кітап жазды. : Клемент Кларк Мур мен Генри Ливингстон мәселесін талдау, онда ол қарама-қарсы аргументтерді бағалайды және алғаш рет авторлық атрибуция әдістерін қазіргі заманғы есептеу стилистикасының көмегімен ұзақ жылдар бойы дау тудырған мәселені зерттейді. Джексон түрлі сынақтарды қолданады және жаңасын енгізеді, фонемалардың статистикалық талдауы; ол Ливингстон классикалық туындының нағыз авторы деген қорытындыға келеді. 2017 жылы Саймон Фуллер мен Джеймс О'Салливан бестселлер жазушысы Джеймс Паттерсонның, көрінеу, бірлесіп жазылған романдарында жазу жұмысын өзі жасамайтынын мәлімдеген зерттеу жариялады. О'Салливанның сөзіне сүйенсек, оның АҚШ-тың бұрынғы президенті Билл Клинтонмен бірлесіп жазған "Президент жоғалып кетті" еңбегі бұл ереженің ерекше жағдайы. 2017 жылы лингвистер, компьютерлік ғалымдар мен ғалымдар тобы Елена Ферранте авторлығын талдады. Падуа университетінде 40 автордың 150 романынан құралған корпус негізінде олар Ферранте стилін оның жеті романы негізінде талдады. Олар оның жазу стилін басқа 39 романистпен, мысалы, stylo бағдарламасын пайдаланып салыстыра алды. 2018 жылы Гарвард университетінің статистика бойынша аға оқытушысы Марк Гликман Гарвардтың бұрынғы статистика студенті Райан Сонгпен және Новая Шотландиядағы Далхаузи университетінің профессоры Джейсон Браунмен бірге стилометрияны қолданып, Битлздің "In My Life" әнін Джон Леннон жазғанын, бірақ Пол Маккартни ортаңғы бөлігін 50% ықтималдықпен жазғанын анықтады. 2019 жылы ETSO жобасы: Альваро Куэлар мен Герман Вега Гарсия Луэнгос (Вальядолид университеті) басқарған "Испанияның алтын ғасыры театрына қолданылатын стилометрия" жобасы Испанияның алтын ғасырындағы 3000 пьесаны жинақтады. Стилометриялық талдауды қолданғаннан кейін, "Мужерес и криадос" романын Лопе де Вегаға жатқызу расталды, ал "La monja alférez" пьесасында авторлық мәселе анықталды, бұл Пьерсе де Монталбанға тиесілі еді, бірақ осы талдаулардың және тарихи-филологиялық зерттеулердің нәтижесінде Хуан Руис де Аларконға тиесілі болды. 2023 жылы сол жоба "La francesa Laura" (Француз қызы) пьесасының авторы Лопе де Вега екенін анықтады, тіпті қолжазба оның қайтыс болғаннан кейін жылдар өткен соң жазылған. Комедия Лопе де Веганың кешкі туындысы ретінде жіктеліп, 1628-1630 жылдарға датирленді, өйткені Францияға жасалған құрметті айту Испания мен Францияның Оттыз жылдық соғыс кезіндегі уақытша жақсы қарым-қатынасына байланыстыруға болады, Англия ортақ жау болды. Бұл талдауда зерттеліп отырған мәтіннің 500 ең жиі кездесетін сөздері қалған туындылардың 500 сөзімен салыстырылады. "La francesa Laura" жағдайында анықталған нәрсе, оған ең жақын 100 туындының көбі Лопе де Вегаға тиесілі екенін көрсетті. Сондай-ақ, қолдау векторлық машина талдауы сияқты машиналық оқыту әдістері кең ауқымды параметрлермен жүргізілді. Туындылар авторлығын талдау бойынша дәстүрлі филологиялық талдау стилометрия мен жасанды интеллекттің нәтижелерін растады. 2020 жылы Рейчел Маккарти мен Джеймс О'Салливан Эмили Бронте "Боранды биіктер" романының нағыз авторы екенін айтты, бұл кейбір сыншылардың романды оның бір туысы, атап айтқанда Бранвелл немесе Шарлотта жазған болуы мүмкін деген болжамын жоққа шығарды. 2020 жылы Хартмут Ильземанн R Stylo бағдарламалық кешенінен Rolling Delta және Rolling Classify құралдарын қолданып, Марло корпусы стилистикалық тұрғыдан біртекті емес екенін және екі "Тамбурлейн" пьесасының авторы Марлоның қалған ресми корпусында шамалы ғана көрінетінін көрсетті. 2022 жылы итальян ғалымдары Симоне Ребора мен Массимо Сальгаро Джон Ф. Берроустың "Дельта қашықтығы" әдісін қолданып, Феликс Зальтеннің 1906 жылғы анонимді "Жозефина Мутценбахер" романының ең ықтимал авторы екенін көрсетті, соңғы беттерінен басқа. 2023 жылы швед журналисі Лапо Лаппин швед жазушысы Камилла Лекбергтің екі қылмыстық романының авторы "көлеңкелі жазушы", яғни оның редакторы Паскаль Энгман болуы мүмкін екенін мәлімдеді. Бұл мәлімдеме алғашында автор мен оның өкілі тарапынан жоққа шығарылды, бірақ кейін Лекберг олардың Паскаль Энгманмен тығыз қарым-қатынаста екенін және оның мәтіндерін өңдейтінін мойындады.

In 1439, Lorenzo Valla showed that the Donation of Constantine was a forgery, an argument based partly on a comparison of the Latin with that used in authentic 4th century documents. In 1952, the Swedish priest Dick Helander was elected bishop of Strängnäs. The campaign was competitive and Helander was accused of writing a series of a hundred some anonymous libelous letters about other candidates to the electorate of the bishopric of Strängnäs. Helander was first convicted of writing the letters and lost his position as bishop but later partially exonerated. The letters were studied using a number of stylometric measures (and also typewriter characteristics) and the various court cases and further examinations, many contracted by Helander himself during the years until his death in 1978, discussed stylometric method and its value as evidence in some detail. In 1975, after Ronald Reagan had served as governor of California, he began giving weekly radio commentaries syndicated to hundreds of stations. After his personal notes were made public on his 90th birthday in 2001, a study used stylostatistical methods to determine which of those talks were written by him and which were written by various aides. In 1996, the stylometric analysis of the controversial, pseudonymously authored book Primary Colors, performed by Vassar College professor Donald Foster brought the topic to the attention of a wider audience after correctly identifying the author as Joe Klein. (This case was resolved only after a handwriting analysis confirmed the authorship.) In 1996, stylometric methods were used to compare the Unabomber manifesto with letters written by one of the suspects, Theodore Kaczynski, which resulted in Kaczynski's apprehension and later conviction. In April 2015, researchers using stylometry techniques identified a play, Double Falsehood, as being the work of William Shakespeare. Researchers analyzed 54 plays by Shakespeare and John Fletcher, and compared average sentence length, studied the use of unusual words and quantified the complexity and psychological valence of their language. In 2016, MacDonald P. Jackson, Emeritus Professor of English at the University of Auckland, New Zealand and a Fellow of the Royal Society of New Zealand, who had spent his entire academic career analyzing authorship attribution, wrote a book titled Who Wrote "The Night Before Christmas"? : Analyzing the Clement Clarke Moore Vs. Henry Livingston Question, in which he evaluates the opposing arguments and, for the first time, uses the author attribution techniques of modern computational stylistics to examine the long standing controversy. Jackson employs a range of tests and introduces a new one, statistical analysis of phonemes; he concludes that Livingston is the true author of the classic work. In 2017, Simon Fuller and James O'Sullivan published a study claiming that bestselling author James Patterson does not do any writing in his apparently co authored novels. According to O'Sullivan, his collaboration with former U. S. president Bill Clinton, The President is Missing, is an exception to this rule. In 2017, a group of linguists, computer scientists, and scholars analysed the authorship of Elena Ferrante. Based on a corpus created at University of Padua containing 150 novels written by 40 authors, they analyzed Ferrante's style based on seven of her novels. They were able to compare her writing style with 39 other novelists using, for example, stylo. In 2018, Mark Glickman, a senior lecturer in statistics at Harvard University, worked with Ryan Song, a former statistics student at Harvard, and Jason Brown, a professor at Dalhousie University in Nova Scotia, applying stylometry to find that, most likely, The Beatles' song "In My Life" was composed by John Lennon, but with a 50% chance that Paul McCartney wrote the middle eight. In 2019, the ETSO project: Stylometry applied to the Spanish Golden Age Theater, directed by Álvaro Cuéllar and Germán Vega García Luengos (University of Valladolid) managed to gather 3000 plays of the Spanish Golden Age. After applying stylometrical analysis, the attribution of Mujeres y criados to Lope de Vega was ratified, and an authorship problem was detected in La monja alférez, a play attributed to Pérez de Montalbán which, thanks to these analyzes and through historical and philology research, was eventually attributed to Juan Ruiz de Alarcón. In 2023, the same project found Lope de Vega as the author of La francesa Laura (The Frenchwoman Laura), despite the manuscript was written years after his death. The comedy was classified as a late work of Lope de Vega and dated from 1628 to 1630, as its flattering treatment of France could be attributed to the momentary good relationship between Spain and France during the Thirty Years' War, having England as a common enemy. In this analysis, the 500 most frequent words of the text under investigation are compared with the 500 of the rest of the works. In the case of La francesa Laura, the finding detected that the 100 works with which it was closest were almost all by Lope de Vega. Machine learning methods, such as support vector machine analysis, were also conducted with a large range of parameters. The traditional philological analysis on the authorship of works has confirmed the investigations of stylometry and artificial intelligence. In 2020, Rachel McCarthy and James O'Sullivan argued that Emily Brontë is the true author of Wuthering Heights, ending speculation by some critics that the novel might have been written by one of her siblings, specifically either Branwell or Charlotte. In 2020, Hartmut Ilsemann used Rolling Delta and Rolling Classify from the R Stylo program suite to show that the Marlowe corpus is stylistically inhomogeneous, and that the author of the two Tamburlaines was hardly present in the remaining official corpus of Marlowe. In 2022, the Italian scholars Simone Rebora and Massimo Salgaro showed, using John F. Burrows' "Delta distance" method, that Felix Salten is the most probable author of the anonymous novel Josefine Mutzenbacher from 1906, the final pages excluded. In 2023, the Swedish journalist Lapo Lappin claimed that two crime novels by the Swedish author Camilla Läckberg may be the work of a ghost writer, presumably her editor Pascal Engman. This claim was first denied by the author and her spokesperson, but later Läckberg admitted that she and Pascal Engman work very closely together and he edits her texts.

Деректер мен әдістер

Стилометрияның мазмұнды сипаттауға қолданылатын жағдайлары, сондай-ақ авторларды немесе мәтіндердің санаттарын анықтау сияқты сәйкестендіруге бағытталған жағдайлары бар. Жоғарыда талданған деректер мен ерекшеліктерді талдау әдістері, элементтерді топтарға жіктеуге немесе оларды ерекшеліктердің өзгеру кеңістігінде таратуға арналған әдістерді қамтиды. Көптеген әдістер статистикалық сипатқа ие, мысалы, кластерлік талдау және дискриминанттық талдау, көбінесе филологиялық деректер мен ерекшеліктерге негізделген және қазіргі заманғы машиналық оқыту әдістері үшін тиімді қолданыс аландары болып табылады. Бұрын стилометрия мәтіннің ең сирек кездесетін немесе көзге түсетін элементтеріне назар аударса, қазіргі заманғы техникалар тілдің жиі қолданылатын бөліктерінде де сәйкестендіруге қабілетті үлгілерді анықтай алады. Көптеген жүйелер лексикалық статистикаға негізделген, яғни мәтіндегі сөздер мен терминдердің жиілігін пайдаланып мәтінді (немесе оның авторын) сипаттайды. Осы контексте, ақпаратты іздеуден өзгеше, ең көп кездесетін сөздердің байқалатын үлгілері, сирек кездесетін тақырыптық терминдерге қарағанда маңыздырақ. Негізгі стилометриялық әдіс – автордың инварианты: белгілі бір автордың жазған барлық мәтіндерде (немесе кемінде, статистикалық мағынасы бар нәтижелерді алуға жететін талдауға мүмкіндік беретін жеткілікті ұзындықтағы мәтіндерде) ортақ болатын қасиет. Автордың инвариантының мысалы – автор қолданатын қызметтік сөздердің жиілігі. Мұндай әдістердің бірінде мәтіннің ең көп таралған 50 сөзі анықталады. Содан кейін мәтін 5000 сөзден тұратын бөліктерге бөлінеді және әр бөліктің ішіндегі сол 50 сөздің жиілігін анықтау үшін талдау жүргізіледі. Бұл әр бөлік үшін бірегей 50 саннан тұратын идентификаторды құрайды. Бұл сандар мәтіннің әр бөлігін 50 өлшемді кеңістіктегі нүктеге орналастырады. Бұл 50 өлшемді кеңістік негізгі компоненттер талдауы (PCA) арқылы жазықтыққа келтіріледі. Нәтижесінде автордың стиліне сәйкес келетін нүктелердің көрсетілімі пайда болады. Егер екі әдеби шығарма бір жазықтықта көрсетілсе, олардың бір автордың туындысы екенін немесе әртүрлі авторларға тиесілі екенін көрсететін үлгі пайда болуы мүмкін.

Since stylometry has both descriptive use cases, used to characterise the content of a collection, and identificatory use cases, e. g. identifying authors or categories of texts, the methods used to analyse the data and features above range from those built to classify items into sets or to distribute items in a space of feature variation. Most methods are statistical in nature, such as cluster analysis and discriminant analysis, are typically based on philological data and features, and are fruitful application domains for modern machine learning methods. Whereas in the past, stylometry emphasized the rarest or most striking elements of a text, contemporary techniques can isolate identifying patterns even in common parts of speech. Most systems are based on lexical statistics, i. e. using the frequencies of words and terms in the text to characterise the text (or its author). In this context, unlike for information retrieval, the observed occurrence patterns of the most common words are more interesting than the topical terms which are less frequent. The primary stylometric method is the writer invariant: a property held in common by all texts, or at least all texts long enough to admit of analysis yielding statistically significant results, written by a given author. An example of a writer invariant is frequency of function words used by the writer. In one such method, the text is analyzed to find the 50 most common words. The text is then divided into 5,000 word chunks and each of the chunks is analyzed to find the frequency of those 50 words in that chunk. This generates a unique 50 number identifier for each chunk. These numbers place each chunk of text into a point in a 50 dimensional space. This 50 dimensional space is flattened into a plane using principal components analysis (PCA). This results in a display of points that correspond to an author's style. If two literary works are placed on the same plane, the resulting pattern may show if both works were by the same author or different authors.

Гаус статистикасы

Стилометриялық деректер Зипф-Мандельброт заңына сәйкес таралады. Бұл таралым өте өршіл және лептокуртикалық, осы себепті зерттеушілер авторлықты анықтау сияқты мәселелерді шешу үшін статистиканы қолдана алмады. Бірақ, деректерді түрлендіру арқылы Гаусс статистикасын қолдану толыққанды мүмкін.

Нейро желілері

Статистикалық машиналық оқыту әдістерінің ерекше түрі – нейрондық желілер мәтіндердің авторлығын талдау үшін қолданылды. Дәлелді авторлыққа ие мәтіндер нейрондық желілерді кері тарату сияқты процестер арқылы оқыту үшін пайдаланылады, осылайша оқыту қатесі есептеледі және дәлдікті арттыру үшін процесс жаңартылады. Сызықтық емес регрессияға ұқсас процесс арқылы желі, бұрын таныс еместерге де өз танып-білу қабілетін жалпылауға және оларды белгілі бір сенімділік деңгейінде жіктеуге қол жеткізеді. Мұндай әдістер Шекспирдің замандастары Джон Флетчер мен Кристофер Марлоупен ынтымақтастығы туралы ұзақ жылдар бойы айтылып келе жатқан пікірлерді зерттеу үшін қолданылды және мұндай ынтымақтастық болғанын дәлелдеді. 1999 жылғы зерттеу көрсеткендей, нейрондық желі бағдарламасы бұрын талдамаған өлеңдердің авторлығын 70% дәлдікпен анықтады. Бұл зерттеуде үш голланд автордың өлеңдерін тек "den" сияқты әріптер тізбегі арқылы анықтауға тырысты. Тағы бір зерттеу авторлықты тексеру моделі үшін терең сенім желілерін (DBN) пайдаланды. Бұл талдау әдісінің бір кемшілігі – желінің оқу жиынтығына байланысты жаңсақ болуы мүмкін, яғни желі жиі талдаған авторларды таңдауы ықтимал. Сонымен қатар, мазмұнға тән және ерекше белгілер (мысалы, тақырыптық модельдер және грамматикалық тексеру құралдары) мақсатты стильдік таңдауларды анықтау үшін енгізілді. Стандартты стилометриялық ерекшеліктер чаттың мазмұнын немесе жедел хабар алмасу арқылы қатысушылардың мінез-құлқын жіктеу үшін қолданылды, бірақ чат қатысушыларын анықтау әрекеттері әлі де аз және бастапқы кезеңде. Бұған қоса, сөйлескен сөз бен чат өзара әрекеттесуінің ұқсастығы ескерілмеді, бұл чат деректері мен басқа жазбаша ақпарат арасындағы маңызды айырмашылық болып табылады.