科研 Skill

文体计量作者归属

cnlit-stylometry-authorship

基于高频字词与R包stylo的Burrows Delta、聚类检验作者归属与文本分期。适用于佚文辨伪、合著分工等归属研究。

发布者 Codar安全审核通过v0.1.0更新于 2026-11-18

SKILL.md

文体计量与作者归属(Stylometry and Authorship Attribution)

适用场景

  • 检验一部作品不同部分是否出自同一作者(如《红楼梦》前八十回与后四十回、《水浒传》不同回目段落)。
  • 判定疑似佚文或笔名作品的作者(与 cnlit-modern-periodical-sources 的文献证据配合)。
  • 比较同一作者不同时期的文体变化,或译者风格(译者文体学)。
  • 对合著、代笔、集体创作文本做分工推断。

边界与不适用

  • 文体计量给出的是"统计相似性"证据,不能单独定案;须与版本、文献、内容证据互证。
  • 候选作者集合不完整时(真实作者不在候选中),封闭集分类必然给出错误答案,需用开放集方法(如 imposters)或放弃结论。
  • 不做主题模型、人物网络等内容层分析,转 cnlit-distant-reading。
  • 古汉语分词质量问题转 cnlit-classical-chinese-nlp;中文文体计量常直接用单字或字 n-gram 以避开分词误差。

工作流

  1. 定义问题与候选集
    • 输入:争议文本 + 候选作者文本。
    • 决策点:封闭集(已知真实作者在候选中)还是开放集?体裁、时代、语体(文言/白话)是否可比?不可比的参照文本会把"体裁差异"误判为"作者差异"。
  2. 语料准备
    • 操作:统一版本与繁简;去除他人文字(引诗、引文、回前回后诗词、评点、对话中方言段落视研究目的处理);切分为等长样本(如每块 3000–5000 字),记录切分规则。
    • 产出:按"作者_作品_块号"命名的纯文本文件。
  3. 特征选择
    • 操作:最常见字(MFW,如前 100–1000)、虚词表(之乎者也、了着过、的地得、便就却等)、字 2-gram/3-gram;也可加入句长、标点分布。
    • 决策点:主题性实词应剔除或降权;用 culling(如特征至少在 X% 文本中出现)去除稀有词。
  4. 建模与检验
    • 无监督:Burrows Delta(及 Cosine Delta / Eder's Delta)+ 层次聚类、PCA,观察分组。
    • 有监督:SVM、NSC、k-NN 交叉验证;rolling.classify() 沿文本滑动检测风格转折点(适合定位"第几回起变化")。
    • 开放集:imposters() 方法,输出归属得分及置信区间。
    • 稳健性:在多组 MFW 数量、多种距离、多种块长下重复(stylo 的 bootstrap consensus tree)。
  5. 显著性与误差估计
    • 操作:在已知作者文本上做留一或 k 折交叉验证,报告准确率与混淆矩阵;对争议部分与基线做置换检验(随机打乱块标签计算距离差的分布)。
    • 决策点:若已知作者对照组都无法可靠区分,争议文本的结论无效。
  6. 解释与写作
    • 操作:列出区分力最强的特征(如某些虚词在两部分的频率差),回到文本举例,并讨论体裁、抄写者、续书者模仿、编辑修改等混杂因素。

工具与数据源

  • R 包 stylo(install.packages("stylo")):stylo()、classify()、rolling.classify()、imposters()、oppose()(对比两组文本的偏好/回避词);支持非拉丁文字语料,中文可先按字加空格或依据其文档设置语言参数。
  • Python:scikit-learn(分类与交叉验证)、scipy(层次聚类)、pandas;faststylometry 等 Delta 实现。
  • JGAAP(Java 图形化作者归属工具)。
  • 语料:ctext.org、中华经典古籍库(古典小说及参照文本)、可靠整理本数字化文本;现代作家作品注意版权。

最小代码示例(Python)

Burrows Delta:以字为单位、前 N 个高频字的 z 分数,计算争议块与各作者块的平均距离。

from collections import Counter
import numpy as np

def char_freq(text, vocab):
    c = Counter(ch for ch in text if '一' <= ch <= '鿿')
    total = sum(c.values())
    return np.array([c[w] / total for w in vocab])

def burrows_delta(chunks: dict[str, str], n_mfw=200):
    all_c = Counter(ch for t in chunks.values() for ch in t if '一' <= ch <= '鿿')
    vocab = [w for w, _ in all_c.most_common(n_mfw)]
    names = list(chunks)
    X = np.vstack([char_freq(chunks[k], vocab) for k in names])
    Z = (X - X.mean(0)) / X.std(0, ddof=1)
    D = np.abs(Z[:, None, :] - Z[None, :, :]).mean(axis=2)
    return names, D, vocab

# chunks = {"A_ch001": "...", "A_ch002": "...", "B_ch081": "...", ...}
# names, D, vocab = burrows_delta(chunks, n_mfw=300)
# 再用 scipy.cluster.hierarchy.linkage(D 的压缩形式, "average") 聚类,并在多个 n_mfw 下复验

注意:z 分数的均值与标准差应只在参照语料上估计时,需相应修改;正式研究建议直接用 stylo 以获得 consensus tree 与成熟的参数选项。

质量检查

  • 争议文本与参照文本在体裁、语体、时代上可比,差异已在论文中讨论。
  • 引文、诗词、评点、方言段等非作者文字的处理规则明确。
  • 样本块等长,块长与 MFW 数量做了多组敏感性分析。
  • 在已知作者对照组上报告了交叉验证准确率与混淆矩阵。
  • 报告了置换检验或 bootstrap 结果,而非仅一张聚类图。
  • 讨论了开放集风险、续写者模仿、编辑/抄写干预等混杂因素。
  • 文本版本、脚本、参数与随机种子公开或留档,可复现。

输出格式

  1. 方法表:语料(作品/版本/块数/块长) | 特征类型 | MFW 范围 | 距离/分类器 | 验证方式。
  2. 结果:聚类树/PCA 图(标注 MFW 与距离)、rolling classify 曲线、交叉验证准确率表、imposters 得分。
  3. 关键特征表:特征 | 组 A 频率 | 组 B 频率 | 差异方向 | 文本例证。
  4. 结论分级:"强支持/弱支持/无法判断",并列出局限。

参考规范与文献

  • Burrows, J. (2002). 'Delta': a Measure of Stylistic Difference and a Guide to Likely Authorship. Literary and Linguistic Computing, 17(3).
  • Eder, M., Rybicki, J. & Kestemont, M. (2016). Stylometry with R: A Package for Computational Text Analysis. The R Journal, 8(1).
  • Stamatatos, E. (2009). A Survey of Modern Authorship Attribution Methods. JASIST, 60(3).
  • Koppel, M., Schler, J. & Argamon, S. (2009). Computational Methods in Authorship Attribution. JASIST, 60(1).
  • 李贤平(1987):《〈红楼梦〉成书新说》,《复旦学报(社会科学版)》。

示例提示词

帮我用stylo和虚词频率检验《红楼梦》前八十回与后四十回是否出自同一作者,并报告稳健性。

所属插件

中国语言文学与比较文学面向中国语言文学、比较文学与翻译学研究:古籍语料检索与校勘、古汉语断句分词、诗词格律、现当代报刊史料、文体计量与远读、影响与接受研究、平行语料与译本质量评估。

安装该插件会一并获得同领域的 11 个 Skill / MCP。

同插件的其他科研 Skill

常见问题

文体计量作者归属能做什么?

基于高频字词与R包stylo的Burrows Delta、聚类检验作者归属与文本分期。适用于佚文辨伪、合著分工等归属研究。

如何安装文体计量作者归属?

在科搭 Codar 左侧点击「插件」,在「组件」页签搜索「文体计量作者归属」并安装;在 Claude Code 或 Codex 中可以发送本页的安装提示词,或下载 Skill 包后解压到 ~/.claude/skills 或 ~/.codex/skills。

文体计量作者归属需要哪些权限?

该科研 Skill没有声明额外权限;执行具体操作时仍由 Agent 按自身规则请求确认。

文体计量作者归属经过官方审核吗?

是。SpeedSkills 收录的每个版本都会记录内容摘要与权限声明,当前版本已通过安全审核。