Programma Les 129 van 156 · De persoon volgen, niet het apparaat
De persoon volgen, niet het apparaat

Schrijfstijl-vingerafdrukken

Waarom dit ertoe doetMensen schrijven "anonieme" reviews, berichten en tips omdat ze denken dat niemand kan zien wie ze schreef. Maar je schrijfstijl heeft gewoontes die net zo persoonlijk zijn als je typritme. Weten hoe stijl wordt gematcht helpt je om te beoordelen wanneer een anonieme tekst echt anoniem is, en wat je moet aanpassen als dat ertoe doet.

Kleine woorden verraden je

Als je wilde raden wie een brief schreef, zou je misschien zoeken naar grote, ongewone woorden. Onderzoekers ontdekten dat het tegenovergestelde beter werkt: de kleine woorden. Woorden zoals "upon", "by", "also" en "there" komen voor in elke tekst over elk onderwerp, en elke schrijver gebruikt ze in hun eigen vaste tempo zonder het te merken.

Stylometry: het meten van schrijfstijl met getallen, bijvoorbeeld hoe vaak iemand bepaalde woorden gebruikt, hoe lang hun zinnen zijn, of welke interpunctie ze verkiezen.

Functionwoorden: kleine, veelvoorkomende woorden die zinnen samenhouden ("upon", "by", "on", "while") in plaats van het onderwerp te dragen ("tent", "budget", "army"). Omdat ze niet afhankelijk zijn van het onderwerp, weerspiegelen hun frequenties de schrijver.

Het klassieke geval

In 1787 en 1788 werden 85 essays genaamd de Federalist Papers gepubliceerd onder één gezamenlijke schuilnaam. De meeste werden later toegeschreven aan Alexander Hamilton of James Madison, maar de lijsten van beide mannen claimden twaalf van dezelfde papers. In de jaren 1960 telden twee statistici, Frederick Mosteller en David Wallace, function words. Een opvallende aanwijzing: Hamilton schreef "upon" veel vaker dan Madison, en Madison schreef "whilst" waar Hamilton "while" schreef. Hun conclusie was dat Madison zeer waarschijnlijk alle twaalf betwiste papers schreef.

Onze oefenexamens

De echte documenten zijn publiek domein, maar deze lab gebruikt generated oefenexamens van practice_papers() zodat het snel en offline draait. Elk is een woordsalade gebouwd met de gewoontes van een auteur: de percentages zijn verzonnen, waarbij "upon" en "while"/"whilst" in dezelfde richting wijzen als in de historische studie. Dezelfde code zou werken op de echte teksten. Elk document is een dict: {"id": "H03", "author": "Hamilton", "text": "..."}, en de betwiste documenten zijn vernoemd naar de echte betwiste nummers, zoals D49.

Tarieven per 1.000 woorden

A lang papier heeft natuurlijk van elk woord meer dan een kort papier, dus ruwe aantallen zijn oneerlijk. Bereken in plaats daarvan een rate: hoe vaak per 1.000 woorden.

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

Python's .count(x) telt hoe vaak x voorkomt in een lijst. Maak eerst de tekst schoon: text.lower() maakt het kleine letters, .replace(",", " ") vervangt komma's door spaties, en .split() knipt het in woorden bij spaties.

De methode is dan hetzelfde als voor typisten: bereken het gemiddelde van de snelheden van elke auteur voor een profiel, en geef elk betwist document aan de auteur wiens profiel het dichtstbij ligt.

In andere talen

Woordsnelheden in 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;
}

En in 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
}

De verdediging

Als je ooit iets echt anoniem moet schrijven (een tip van een klokkenluider, een beoordeling van je eigen werkgever), is stijlmatching het risico waar je rekening mee moet houden. Praktische stappen: houd het kort, want korte teksten bevatten minder aanwijzingen; schrijf het in een bewust simpele stijl die verschilt van je gebruikelijke stijl; en vermijd je vaste uitdrukkingen en spelling. Je tekst door een vertaaltool halen en terug, of een tekstassistent op je apparaat vragen om het te herschrijven, verstoort ook veel gewoontes. Niets hiervan is perfect, dus de veiligste anonieme tekst is degene met de minste sporen van jou erin.

Samenvatting

  • Function words worden gebruikt in een constant, persoonlijk tempo ongeacht het onderwerp.
  • Vergelijk de ratio's per 1.000 woorden, niet de ruwe aantallen, zodat lange en korte teksten eerlijk zijn.
  • De Federalist Papers casus gebruikte deze percentages om twaalf betwiste essays aan Madison toe te schrijven.
  • Korte, eenvoudige, geherformuleerde teksten laten minder stijlkenmerken achter.
Jij bent aan de beurt

Schrijf vijf functies. words_of(text) geeft de kleine letters van text terug met komma's en punten vervangen door spaties (gebruik .split()). word_rates(text, words) geeft een dictionary terug die elk woord in words koppelt aan de telling per 1.000 woorden van text. author_profile(papers, author, words) geeft een dictionary terug van de gemiddelde frequentie van elk woord over alle papers waarvan "author" gelijk is aan author. style_distance(rates_a, rates_b, words) geeft de som van abs(rates_a[w] - rates_b[w]) over words terug. attribute(text, profiles, words) geeft de sleutel van profiles (een auteursnaam) terug waarvan het profiel het dichtst bij de frequenties van de tekst ligt.

Een probleem ontdekt in deze les? Meld het · Vraag naar deze les

Deze oefening opent binnenkort

Maak de les ervoor af voordat deze wordt ontgrendeld. De hele cursus is gratis, geen account nodig, en je kunt deze les nu lezen.