作者识别最可靠的信号,恰恰是作者「管不住」的那些词——从《联邦党人文集》到功能词的诚实性
【锚点】这一篇只钉一个判断:【在作者识别里,最强的身份信号不是内容词,而是功能词——因为内容词是作者「能控制」的,功能词是作者「控制不了」的;越不可伪装的测量,越诚实。】
【显式】Mosteller & Wallace(1963, JASA;1964 成书)处理 85 篇《联邦党人文集》里 12 篇作者存疑的文章。他们没有用「主题词」「政治观点」,而是只取 70 个高频功能词(the, of, while, whilst, upon……),做贝叶斯判别,结论偏向麦迪逊。最著名的单点证据:汉密尔顿用 while,麦迪逊用 whilst——一个连作者自己都没意识到的语法习惯,比任何「思想内容」都更能定身份。
【隐式】为什么内容词会失败?因为内容词被「主题」和「意识」双重劫持:写联邦制就都得写 federal、union、state,作者差异被话题差异淹没;而功能词是句法胶水,是自动化产出,几乎不进工作记忆。
【流程节点链路】作者写内容词 → 内容词受主题与意识控制 → 内容词成为「可伪装的信号」 → 功能词是句法胶水、自动化产出 → 功能词成为「不可伪装的信号」 → 身份识别应锚定不可伪装信号 → 结论:可伪装的维度是弱证据,不可伪装的维度才是强证据。
【细微】这个逻辑可以反过来做对抗:Koppel & Schler 的「unmasking」方法(2004)正是利用「作者越想伪装、功能词越会漏」——把文本逐步剥离内容词,剩下的功能词分布反而更暴露原作者。也就是说,风格伪装在功能词层面几乎必然失败。
【极难发现】这里藏着一个反直觉的和谐:我们通常把「测量」理解为权力的行使(选什么特征、定什么阈值),但作者识别的经验恰恰说——最有力的测量,是那个把「被测量者的意图」排除在外的测量。度量即权力,与度量即诚实,在功能词这里握手了。
【待验证点】如果「不可伪装=可信」成立,那么任何允许被测量者自我优化的指标(简历、KPI、自评量表)都天然是弱身份信号;而任何自动化、无意识的痕迹(击键节奏、标点分布、词长分布)才是强信号。这是否意味着:越是「透明」的自我呈现,越是不可信?
值得辩论的问题:如果诚实的身份信号只能来自「你没在注意的地方」,那么对写作风格的监控,其力量恰恰与「被监控者的不在意」成正比——这对隐私意味着什么?







0 評論