Automated Authorship Attribution using CNG Distance on Blog Posts in the Serbian Language
Notice bibliographique
Résumé
The automated authorship attribution problem is a task of identifying the author of a given text using an objective algorithmic method based on previous texts written by the candidate authors. We are particularly interested in methods that do not rely on any language-specific knowledge or preprocessing, and that are based on a low-level text representation such as a sequence of letters and other characters. The previous work has shown that author profiles consisting of the most frequent character n-grams are effective in the authorship attribution in a number of languages, but not many results are reported on languages with sparse resources, such as the Serbian and related languages. We show that a character n-gram based method has also a very good performance in the Serbian language. Another contribution of this work is a new dataset prepared as a good benchmark for the authorship attribution task, comparable to the previously published similar datasets for English, Greek, and some other languages. This dataset for authorship attribution prepared in this work consists of blog posts published as commentary columns on a news and commentary portal, and as such is a grammatical and well-written language corpus, and a good representative of current normative language. The CNG distance method, which was shown to work well in a number of languages before, shows high accuracy of 94% over 5 authors, and 83% over 10 authors in the authorship attribution for this dataset as well. As expected from the results for other European languages, the highest accuracy is obtained around n-grams of size n =6,7, or a wider range of n =3,…,8, with L parameter from 500 to 9000, although even for the parameters n =2 and L =500 some relatively high accuracies are achieved.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,009 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».