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
- 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"。
- 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。
- 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。
- 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)。
- 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。
- 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
- 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。
- 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。
- 关键特征表:特征 | 组 A 频率 | 组 B 频率 | 差异方向 | 文本例证。
- 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
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
- 古汉语断句与分词用jiayan、SikuBERT等模型对未标点古籍做自动断句分词,并设计分层评估指标。适用于古籍语料检索与文体计量的预处理。
- 古籍校勘与版本对勘按对校本校他校理校四法组织校勘,用CollateX做字符级自动对勘并生成异文表。适用于古籍整理、底本选择与校勘记编制。
- 古籍检索与引文核对用ctext.org API与中华经典古籍库检索先秦至明清文献,批量核对论文引文。适用于古代文学思想史论文定稿前的引文核查。
- 文学远读与人物网络用分词NER构建人物共现网络,做主题模型与情感曲线分析,并与细读互证。适用于长篇小说、期刊语料的大规模结构研究。
- 出土文献与写本研究整理甲骨金文简牍帛书的释文与缺字标注,建立异说对照表并与传世本比勘。适用于出土文献与古文字研究,不做实物鉴定。
- 现代文学报刊史料检索报刊数据库核实初刊信息,编制作品系年并比对初刊本修订本差异。适用于现代文学史料学、版本研究与作家年谱编制。
- 诗词格律用韵分析按平水韵等韵书批量检测近体诗平仄粘对、孤平拗救,统计词作用韵现象。适用于诗人用韵研究、格律统计与合律检查。
- 比较文学影响接受在法国美国学派与变异学框架下搜集译介史料与接受语料,梳理跨文化传播证据链。适用于中外文学关系与译介史研究。
- 双语平行语料对齐用bertalign等工具做汉外句对齐,经人工抽检后导出TMX供检索分析。适用于多译本对比与译者风格研究的数据准备。
- 译本对比与质量评估结合MQM人工标注、自动指标与翻译转换分析系统评估比较译文。适用于多译本比较、机译对比及翻译教学评估。
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。