Authorship Attribution in Bangla Literature: A Comparative Study of Word Embedding and Deep Learning Models
Notice bibliographique
Résumé
Authorship attribution in Bangla Literature is an inherently difficult problem because of the language’s morphology, diglossia, and lack of sufficient computational resources. Filling this void, this paper explores embeddingbased neural methods to encode stylistic and semantic marks of Bangla writers. A large text corpus consisting of stories, novels, and essays by twenty renowned authors was collected, preprocessed with a pipeline centered around Bangla, and uniformly segmented into passages to ensure consistent modeling. Several word embeddings, such as FastText and Word2Vec with CBOW and Skip-gram training methods, were combined with deep learning classifiers such as CNN, LSTM, MLP, Bi-LSTM, and FastText with Hierarchical Softmax. The experimental results show that Skip-gram embeddings outperformed CBOW in all aspects of contextual dependencies capture, with Word2Vec Skip-gram and CNN classifier combination achieving the best accuracy rate of 98.54%. While both Bi-LSTM and Hierarchical Softmax models provided relatively poor performance, they still illustrate valuable contributions to sequence modeling and inexpensive classification. This study indicates the framework can be used for sensible structured preprocessing and neural models based on embeddings to assess authorship attribution for Bangla literature, while adding a consistent structure between text representation and classification. Future directions will explore extending it to more authors, genres, and historical writings, while applying cross-dataset evaluation and adversarial examples to study robustness. This study builds on the knowledge base for advancing computational authorship studies in Bangla literature, while also paving the way for similar studies in other morphologically rich resource-deficient languages.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| 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 | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».