A Hybrid Deep Learning and Stylometric Feature-Based Framework for Authorship Attribution in Bangla Literature
Notice bibliographique
Résumé
Attribution of authorship is the act of studying authors' writing styles to determine the author of the document from a set of potential authors. The attribution of authorship in Bangla literature has unique challenges, including the rich morphology of Bangla, its diglossia, and limited annotated corpora. This study addresses multi-dimensional feature extraction and classification of authorship identification of 20 prominent Bangla authors. This research introduces a novel dataset called “Authorship Attribution Bangla Dataset 20,” which includes 20 prominent writers, over 15 million words, and more than 20,000 samples. The study follows a tri-level feature framework using lexical, syntactic, and semantic dimensions with stylometric features, TF-IDF representations, and advanced similarity approaches. Classical machine learning models were evaluated, including SVM, Random Forest, and MLP, and transformer-based models, namely BanglaBERT and multilingual BERT (mBERT). The results show that BanglaBERT outperforms the remaining models with 99.09% accuracy, demonstrating how pre-trained language models are useful in detecting complex stylistic and semantic patterns. We also conducted some adversarial authorship experiments that verified the robustness of our approach. In this study, the term 'hybrid' denotes a two-parallel-branch framework that integrates both deep learning (BanglaBERT, mBERT) and stylometric feature-based models, which are trained and evaluated separately within the same pipeline. In conclusion, we find that traditional approaches to stylometric analysis complement contemporary approaches that tokenize in their encapsulated, contextual embeddings, making it a proven, reliable, and high-precision framework for Bangla authorship attribution. The research contributes to the wider Bangla authorship attribution literature and provides a framework for future.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».