Tekster som netværk:Hvor mange ord er tilstrækkeligt til at identificere en forfatter?

Natural language processing (NLP) teknikker giver os mulighed for at analysere tekster som netværk, hvor ord er noder og deres samtidige forekomster er kanter. Denne tilgang giver indsigt i en forfatters stil, ordforråd og indholdspræferencer. Et vigtigt spørgsmål i denne sammenhæng er:Hvor mange ord er nok til at identificere en forfatter?

For at besvare dette spørgsmål udfører forskere forfatterskabstilskrivningsstudier. Disse undersøgelser involverer typisk et datasæt af tekster skrevet af forskellige forfattere, og opgaven er at tilskrive hver tekst korrekt til sin forfatter baseret på dens sproglige træk. En almindelig tilgang er at bruge en maskinlæringsalgoritme, såsom en støttevektormaskine (SVM) eller et neuralt netværk, til at klassificere tekster baseret på deres ordfrekvenser eller andre sproglige egenskaber.

Antallet af ord, der kræves for nøjagtig forfatterskabstilskrivning, afhænger af flere faktorer, herunder særpræg af forfatternes skrivestile, længden af ​​teksterne og de specifikke anvendte NLP-teknikker. Generelt giver længere tekster mere information og kræver dermed færre ord for nøjagtig tilskrivning. For eksempel fandt en undersøgelse af Moschitti og Sebastiani (2006), at en SVM-klassifikator kunne opnå en nøjagtighed på over 90 % ved at tilskrive engelske tekster på 500 ord eller mere til deres forfattere. For kortere tekster, såsom tweets eller e-mails, kan flere ord være nødvendige for pålidelig tilskrivning.

En anden faktor, der påvirker antallet af ord, der kræves til forfatterskabstilskrivning, er forfatternes sproglige mangfoldighed. Hvis forfatterne har meget ens skrivestile, kan det være sværere at skelne mellem dem, selv med et stort antal ord. På den anden side, hvis forfatterne har forskellige skrivestile, kan selv et lille antal ord være tilstrækkeligt til nøjagtig tilskrivning.

Sammenfattende afhænger antallet af ord, der kræves for at identificere en forfatter ved hjælp af NLP-teknikker, af flere faktorer, herunder tekstlængden, særpræg af forfatternes skrivestile og de specifikke anvendte NLP-teknikker. Mens længere tekster generelt giver mere information og kræver færre ord for nøjagtig tilskrivning, kan kortere tekster kræve flere ord for at opnå pålidelige resultater.