سرفصل‌ها درس 129 از 156 · ردیابی شخص، نه دستگاه
ردیابی شخص، نه دستگاه

انگشت‌نگاری‌های سبک نوشتن

چرا مهم است آدم‌ها نقدها، پست‌ها و خبرهای «گمنام» می‌نویسند با این باور که هیچ‌کس نمی‌تواند بگوید چه کسی آن‌ها را نوشت. اما نوشتهٔ شما عادت‌هایی به همان اندازهٔ ریتم تایپتان شخصی دارد. دانستن اینکه سبک چطور تطبیق داده می‌شود کمک می‌کند قضاوت کنید یک متن گمنام کی واقعاً گمنام است، و اگر مهم است چه چیزی را تغییر دهید.

واژه‌های کوچک شما را لو می‌دهند

اگر می‌خواستید حدس بزنید چه کسی نامه‌ای را نوشت، ممکن بود دنبال واژه‌های بزرگ و غیرعادی بگردید. پژوهشگران دریافتند برعکسش بهتر کار می‌کند: واژه‌های ریز. واژه‌هایی مانند «upon»، «by»، «also» و «there» در هر متنی دربارهٔ هر موضوعی ظاهر می‌شوند، و هر نویسنده بی‌آنکه متوجه شود آن‌ها را با نرخ ثابت خودش به کار می‌برد.

سبک‌سنجی (stylometry): اندازه‌گیری سبک نوشتن با عدد، برای مثال اینکه کسی چند وقت یک بار واژه‌های خاصی را به کار می‌برد، جمله‌هایش چقدر بلندند، یا کدام نشانه‌گذاری را ترجیح می‌دهد.

واژه‌های دستوری (function words): واژه‌های کوچک و رایجی که جمله‌ها را به هم نگه می‌دارند («upon»، «by»، «on»، «while») نه اینکه موضوع را حمل کنند («tent»، «budget»، «army»). چون به موضوع بستگی ندارند، نرخشان نویسنده را بازتاب می‌دهد.

نمونهٔ کلاسیک

در 1787 و 1788، 85 جستار به نام Federalist Papers با یک نام مستعار مشترک منتشر شد. بعدها معلوم شد بیشترشان از Alexander Hamilton یا James Madison بودند، اما فهرست‌های هر دو مرد دوازده جستار یکسان را از آن خود می‌دانستند. در دههٔ 1960 دو آمارشناس، Frederick Mosteller و David Wallace، واژه‌های دستوری را شمردند. یک سرنخ چشمگیر: Hamilton واژهٔ «upon» را بسیار بیشتر از Madison می‌نوشت، و Madison جایی «whilst» می‌نوشت که Hamilton «while» می‌نوشت. نتیجه‌گیری‌شان این بود که به احتمال زیاد Madison هر دوازده جستار مورد اختلاف را نوشته است.

جستارهای تمرینی ما

جستارهای واقعی در مالکیت عمومی‌اند، اما این آزمایشگاه از جستارهای تمرینی تولیدشده از practice_papers() استفاده می‌کند تا سریع و آفلاین اجرا شود. هر کدام سالادی از واژه‌هاست که با عادت‌های یک نویسنده ساخته شده: نرخ‌ها ساختگی‌اند، با «upon» و «while»/«whilst» که به همان سویی اشاره می‌کنند که در پژوهش تاریخی. همان کد روی متن‌های واقعی هم کار می‌کرد. هر جستار یک dict است: {"id": "H03", "author": "Hamilton", "text": "..."}، و جستارهای مورد اختلاف به نام شماره‌های واقعی مورد اختلاف نام‌گذاری شده‌اند، مانند D49.

نرخ در هر 1,000 واژه

یک جستار بلند به‌طور طبیعی از هر واژه‌ای بیشتر از یک جستار کوتاه دارد، پس شمارش‌های خام ناعادلانه‌اند. به‌جای آن یک نرخ محاسبه کنید: چند بار در هر 1,000 واژه.

text_words = ["upon", "the", "law", "upon"]     # 4 words, 2 of them "upon"
rate = 1000 * text_words.count("upon") / len(text_words)   # 500.0

.count(x) در Python می‌شمارد x چند بار در یک فهرست ظاهر می‌شود. اول متن را پاک کنید: text.lower() آن را به حروف کوچک تبدیل می‌کند، .replace(",", " ") ویرگول‌ها را با فاصله عوض می‌کند، و .split() آن را در فاصله‌ها به واژه‌ها می‌برد.

سپس روش همان است که برای تایپ‌کنندگان: نرخ‌های هر نویسنده را در یک نمایه میانگین بگیرید، و هر جستار مورد اختلاف را به نویسنده‌ای بدهید که نمایه‌اش نزدیک‌تر است.

در زبان‌های دیگر

نرخ واژه‌ها در JavaScript:

function wordRates(text, words) {
  const all = text.toLowerCase().replace(/[,.]/g, " ").split(/\s+/).filter(Boolean);
  const rates = {};
  for (const w of words) {
    rates[w] = 1000 * all.filter(x => x === w).length / all.length;
  }
  return rates;
}

و در Go:

func wordRates(text string, words []string) map[string]float64 {
    clean := strings.NewReplacer(",", " ", ".", " ").Replace(strings.ToLower(text))
    all := strings.Fields(clean)
    counts := map[string]int{}
    for _, w := range all {
        counts[w]++
    }
    rates := map[string]float64{}
    for _, w := range words {
        rates[w] = 1000 * float64(counts[w]) / float64(len(all))
    }
    return rates
}

دفاع

اگر روزی لازم باشد چیزی واقعاً گمنام بنویسید (یک خبر افشاگرانه، نقدی از کارفرمای خودتان)، تطبیق سبک خطری است که باید برایش برنامه بریزید. گام‌های عملی: کوتاهش کنید، چون متن‌های کوتاه سرنخ‌های کمتری دارند؛ آن را عمداً به سبکی ساده و متفاوت با سبک همیشگی‌تان بنویسید؛ و از عبارت‌ها و املاهای مورد علاقه‌تان پرهیز کنید. گذراندن متن از یک ابزار ترجمه و برگرداندنش، یا خواستن از یک دستیار نوشتن روی دستگاه که بازنویسی‌اش کند، هم بسیاری از عادت‌ها را به هم می‌ریزد. هیچ‌کدام بی‌نقص نیستند، پس ایمن‌ترین متن گمنام همانی است که کمترین چیز از شما را در خود دارد.

خلاصه

  • واژه‌های دستوری، موضوع هر چه باشد، با نرخ‌های ثابت و شخصی به کار می‌روند.
  • نرخ در هر 1,000 واژه را مقایسه کنید، نه شمارش‌های خام را، تا متن‌های بلند و کوتاه منصفانه باشند.
  • نمونهٔ Federalist Papers از این نرخ‌ها برای نسبت‌دادن دوازده جستار مورد اختلاف به Madison استفاده کرد.
  • نوشتهٔ کوتاه، ساده و بازنویسی‌شده سرنخ‌های سبک کمتری بر جا می‌گذارد.
نوبت شما

پنج تابع بنویسید. words_of(text) واژه‌های text را با حروف کوچک، با ویرگول‌ها و نقطه‌هایی که با فاصله جایگزین شده‌اند، برمی‌گرداند (از .split() استفاده کنید). word_rates(text, words) یک dict برمی‌گرداند که هر واژه در words را به شمارشش در هر 1,000 واژهٔ text نگاشت می‌کند. author_profile(papers, author, words) یک dict از میانگین نرخ هر واژه روی همهٔ جستارهایی که "author" آن‌ها برابر author است برمی‌گرداند. style_distance(rates_a, rates_b, words) جمع abs(rates_a[w] - rates_b[w]) روی words را برمی‌گرداند. attribute(text, profiles, words) کلیدی از profiles (یک نام نویسنده) را برمی‌گرداند که نمایه‌اش به نرخ‌های متن نزدیک‌تر است.

مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید

این تمرین به‌زودی باز می‌شود

درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و می‌توانید همین الان این درس را بخوانید.