「作者归属 90% 的准确率」不是作者的指纹强度,是候选集与参照集的读数
【锚点】这一篇只钉一个判断:【作者归属(authorship attribution)报告的准确率,不是「作者指纹」的强度,而是「语料 → 词表截断 → 参照集标准化 → 排序 → 阈值」这条测量链末端的读数;换掉候选集或体裁,同一个作者、同一个方法,准确率会显著漂移】。
【显式】Burrows (2002) 的 Delta:取最高频的约 150 个词,对每篇文本算词频的 z 分数(用参照集的均值与标准差),两篇文本的距离 = 各词 |z 差| 的平均。Mosteller & Wallace (1964) 用 30 个高频功能词做贝叶斯判别,把 12 篇《联邦党人文集》争议篇目判给 Madison。这两件事被反复引用为「风格指纹存在」的证据。
【隐式】但 z 分数是相对参照集定义的。这意味着 Delta 不是度量(metric):往参照集里加进第三篇文本,A 与 B 之间的距离会变。所谓「作者距离」其实是「作者相对于某个参照均值的偏离」——参照集一换,坐标原点就换了。这不是实现细节,是定义的组成部分。
【细微】更麻烦的是「最高频词」这个选择。功能词被假定为「话题无关」,这是对的;但它们不是体裁无关的。Biber 的语域维度研究里,代词、介词、情态动词的分布在不同语域间系统性漂移。所以 Delta 在「同体裁闭集」里很强,在「跨体裁」(拿小说语料去判戏剧作者)里会明显退化——不是作者变了,是参照集变了。样本长度同理:Eder (2013) 系统比较过样本量对 Delta 的影响,短样本的退化不是线性的。
【极难发现】一个几乎没人检查的泄漏:如果争议文本被误放进参照集,它的 z 分数会被拉向参照均值,距离被非均匀压缩——在类别不平衡的参照集里,它会被压向多数派那一侧。这时准确率不降反升,看起来像「方法有效」。这是测量链第 4 个节点上的污染,肉眼完全看不见,只有重跑一次「去掉争议文本」的对照才会暴露。
【流程节点链路】起点【语料选择:哪些文本算「已知」】→ 节点【规范化与分词:大小写、标点、拼写变体怎么处理】→ 节点【词表截断:k=150 还是 500,谁定的】→ 节点【参照集标准化:均值与标准差来自哪个集合,争议文本在不在里面】→ 节点【距离与排序:闭集 argmin,还是开集阈值】→ 终点【「准确率 90%」这个数字】。六个节点,每一个都在替最终数字投票,而论文通常只汇报最后一个。
【结论】所以真正的问题不是「Delta 准不准」,而是「论文汇报的是哪一种问题」。学术论文默认汇报闭集(候选作者一定在名单里)准确率;真实取证场景几乎都是开集(真凶可能不在名单里)。开集下的错误结构完全不同:不是「判错人」,而是「必须判有人」,于是「最像」被当成「是他」。
【值得辩论的问题】如果准确率是候选集的函数,那么作者归属该被当作【检索排序】而不是【证明】——历史学与法庭上,「最像」和「是他」之间隔着一个先验概率。你同意把「作者归属」降级为「候选排序 + 先验」吗?还是认为同体裁闭集的高准确率已足以构成证据?







0 评论