Programme Leçon 129 sur 156 · Pister la personne, pas l'appareil
Pister la personne, pas l'appareil

Les empreintes du style d'écriture

Pourquoi c'est important Les gens écrivent des avis, des posts et des signalements « anonymes » en croyant que personne ne peut savoir qui les a écrits. Mais ton écriture a des habitudes aussi personnelles que ton rythme de frappe. Savoir comment on compare les styles t'aide à juger quand un texte anonyme l'est vraiment, et quoi changer si ça compte.

Les petits mots te trahissent

Si tu voulais deviner qui a écrit une lettre, tu chercherais peut-être des mots longs et inhabituels. Les chercheurs ont découvert que l'inverse marche mieux : les tout petits mots. Des mots comme « upon », « by », « also » et « there » apparaissent dans chaque texte sur chaque sujet, et chaque auteur les utilise à son propre rythme régulier sans s'en rendre compte.

Stylométrie : mesurer le style d'écriture avec des nombres, par exemple la fréquence d'utilisation de certains mots, la longueur des phrases, ou la ponctuation préférée de quelqu'un.

Mots-outils : de petits mots courants qui tiennent les phrases ensemble (« upon », « by », « on », « while ») plutôt que de porter le sujet (« tent », « budget », « army »). Comme ils ne dépendent pas du sujet, leurs fréquences reflètent l'auteur.

Le cas classique

En 1787 et 1788, 85 essais appelés les Federalist Papers ont été publiés sous un même pseudonyme partagé. On a su plus tard que la plupart étaient d'Alexander Hamilton ou de James Madison, mais les listes des deux hommes revendiquaient douze des mêmes textes. Dans les années 1960, deux statisticiens, Frederick Mosteller et David Wallace, ont compté les mots-outils. Un indice frappant : Hamilton écrivait « upon » bien plus souvent que Madison, et Madison écrivait « whilst » là où Hamilton écrivait « while ». Leur conclusion était que Madison avait très probablement écrit les douze textes contestés.

Nos textes d'entraînement

Les vrais textes sont dans le domaine public, mais ce labo utilise des textes d'entraînement générés par practice_papers() pour tourner vite et hors ligne. Chacun est une salade de mots construite avec les habitudes d'un auteur : les fréquences sont inventées, avec « upon » et « while »/« whilst » qui vont dans le même sens que dans l'étude historique. Le même code marcherait sur les vrais textes. Chaque texte est un dict : {"id": "H03", "author": "Hamilton", "text": "..."}, et les textes contestés portent le nom des vrais numéros contestés, comme D49.

Les fréquences pour 1 000 mots

Un long texte a naturellement plus de chaque mot qu'un court, donc les comptes bruts ne sont pas justes. À la place, calcule une fréquence : combien de fois pour 1 000 mots.

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

Le .count(x) de Python compte combien de fois x apparaît dans une liste. D'abord, nettoie le texte : text.lower() le met en minuscules, .replace(",", " ") remplace les virgules par des espaces, et .split() le coupe en mots aux espaces.

Ensuite, la méthode est la même que pour les dactylos : fais la moyenne des fréquences de chaque auteur pour en faire un profil, et attribue chaque texte contesté à l'auteur dont le profil est le plus proche.

Dans d'autres langages

Les fréquences de mots en 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;
}

Et en 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
}

La défense

Si tu dois un jour écrire quelque chose de vraiment anonyme (un signalement de lanceur d'alerte, un avis sur ton propre employeur), la comparaison des styles est le risque à prévoir. Des étapes pratiques : fais court, car les textes courts portent moins d'indices ; écris dans un style volontairement simple, différent de ton style habituel ; et évite tes expressions et orthographes favorites. Passer ton texte dans un outil de traduction aller-retour, ou demander à un assistant d'écriture sur l'appareil de le reformuler, brouille aussi beaucoup d'habitudes. Rien de tout ça n'est parfait, donc le texte anonyme le plus sûr est celui qui contient le moins de toi.

Récap

  • Les mots-outils sont utilisés à des fréquences régulières et personnelles, quel que soit le sujet.
  • Compare les fréquences pour 1 000 mots, pas les comptes bruts, pour que textes longs et courts soient traités équitablement.
  • Le cas des Federalist Papers a utilisé ces fréquences pour attribuer douze essais contestés à Madison.
  • Une écriture courte, simple et reformulée laisse moins d'indices de style.
À ton tour

Écris cinq fonctions. words_of(text) renvoie les mots en minuscules de text, avec les virgules et les points remplacés par des espaces (utilise .split()). word_rates(text, words) renvoie un dict qui associe chaque mot de words à son nombre d'occurrences pour 1 000 mots de text. author_profile(papers, author, words) renvoie un dict de la fréquence moyenne de chaque mot sur tous les textes dont "author" est égal à author. style_distance(rates_a, rates_b, words) renvoie la somme de abs(rates_a[w] - rates_b[w]) sur words. attribute(text, profiles, words) renvoie la clé de profiles (un nom d'auteur) dont le profil est le plus proche des fréquences du texte.

Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon

Cet exercice s'ouvre bientôt

Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.