Fingerprints de estilo de escrita
Por que isso importa As pessoas escrevem avaliações, posts e denúncias "anônimos" acreditando que ninguém consegue saber quem escreveu. Mas a sua escrita tem hábitos tão pessoais quanto o seu ritmo de digitação. Saber como o estilo é comparado ajuda você a julgar quando um texto anônimo é mesmo anônimo, e o que mudar se isso importar.
Palavras pequenas entregam você
Se você quisesse adivinhar quem escreveu uma carta, talvez procurasse palavras grandes e incomuns. Os pesquisadores descobriram que o contrário funciona melhor: as palavrinhas. Palavras como "upon", "by", "also" e "there" aparecem em todo texto, sobre qualquer assunto, e cada escritor as usa na própria taxa constante sem perceber.
Estilometria: medir o estilo de escrita com números, por exemplo com que frequência alguém usa certas palavras, o tamanho das frases dele ou a pontuação que ele prefere.
Palavras funcionais: palavras pequenas e comuns que seguram as frases ("upon", "by", "on", "while") em vez de carregar o assunto ("tent", "budget", "army"). Como não dependem do tema, as taxas delas refletem quem escreve.
O caso clássico
Em 1787 e 1788, 85 ensaios chamados Federalist Papers foram publicados sob um único pseudônimo compartilhado. Mais tarde se soube que a maioria era de Alexander Hamilton ou de James Madison, mas as listas dos dois reivindicavam os mesmos doze textos. Nos anos 1960, dois estatísticos, Frederick Mosteller e David Wallace, contaram palavras funcionais. Uma pista marcante: Hamilton escrevia "upon" com muito mais frequência do que Madison, e Madison escrevia "whilst" onde Hamilton escrevia "while". A conclusão deles foi que Madison muito provavelmente escreveu os doze textos disputados.
Nossos textos de prática
Os textos reais são de domínio público, mas este laboratório usa textos de prática gerados por practice_papers(), para rodar rápido e offline. Cada um é uma salada de palavras construída com os hábitos de um autor: as taxas são inventadas, com "upon" e "while"/"whilst" apontando para o mesmo lado que no estudo histórico. O mesmo código funcionaria nos textos reais. Cada texto é um dict: {"id": "H03", "author": "Hamilton", "text": "..."}, e os disputados levam o nome dos números reais disputados, como D49.
Taxas por 1.000 palavras
Um texto longo naturalmente tem mais de cada palavra do que um curto, então contagens brutas são injustas. Em vez disso, calcule uma taxa: quantas vezes por 1.000 palavras.
text_words = ["upon", "the", "law", "upon"] # 4 words, 2 of them "upon"
rate = 1000 * text_words.count("upon") / len(text_words) # 500.0
O .count(x) do Python conta quantas vezes x aparece numa lista. Primeiro limpe o texto: text.lower() o deixa em minúsculas, .replace(",", " ") troca vírgulas por espaços e .split() o corta em palavras nos espaços.
Depois o método é o mesmo dos digitadores: tire a média das taxas de cada autor num perfil e dê cada texto disputado ao autor cujo perfil estiver mais perto.
Em outras linguagens
Taxas de palavras em 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;
}E em 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
}A defesa
Se um dia você precisar escrever algo realmente anônimo (uma denúncia, uma avaliação do seu próprio empregador), a comparação de estilo é o risco para o qual se preparar. Passos práticos: seja breve, porque textos curtos carregam menos pistas; escreva num estilo deliberadamente simples, diferente do seu habitual; e evite as suas expressões e grafias preferidas. Passar o texto por uma ferramenta de tradução e de volta, ou pedir a um assistente de escrita no dispositivo que o reescreva, também embaralha muitos hábitos. Nada disso é perfeito, então o texto anônimo mais seguro é o que tem menos de você.
Resumo
- As palavras funcionais são usadas em taxas constantes e pessoais, seja qual for o assunto.
- Compare taxas por 1.000 palavras, não contagens brutas, para que textos longos e curtos sejam comparados com justiça.
- O caso dos Federalist Papers usou essas taxas para atribuir doze ensaios disputados a Madison.
- Uma escrita curta, simples e reescrita deixa menos pistas de estilo.
Escreva cinco funções. words_of(text) retorna as palavras de text em minúsculas, com vírgulas e pontos finais trocados por espaços (use .split()). word_rates(text, words) retorna um dict que mapeia cada palavra de words para a contagem dela por 1.000 palavras de text. author_profile(papers, author, words) retorna um dict com a taxa média de cada palavra em todos os textos cujo "author" é igual a author. style_distance(rates_a, rates_b, words) retorna a soma de abs(rates_a[w] - rates_b[w]) sobre words. attribute(text, profiles, words) retorna a chave de profiles (o nome de um autor) cujo perfil está mais perto das taxas do texto.
Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição
Este exercício abre em breve
Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.
Este navegador está bloqueando cookies para learn.floati.life, então as lições que você terminou aqui não podem abrir em ordem. Permita cookies para este site e recarregue.