В статье представлено эмпирическое сравнение метрики, основанной на расчете коэффициента ранговой корреляции Спирмена, с традиционными и относительно новыми мерами расстояния (Дельта Берроуза, косинусное расстояние, расстояние Лаббе, расстояние Зергеля, дивергенция Йенсена-Шеннона, которой уделено особое внимание), используемых при стилометрической атрибуции текста. Актуальность исследования заключается в необходимости поиска и обнаружения стилометрического инструмента (меры расстояния и ее «настроек»), устойчивого к внутриавторской вариативности и разреженности признакового пространства. Проблема исследования обусловлена методологической неопределенностью в выборе оптимальной меры расстояния для стилометрической атрибуции. Несмотря на развитие distance-based подходов эффективность метрик критически зависит от структуры корпуса, длины анализируемых фрагментов и параметров признакового пространства. В условиях отсутствия единой надежной метрики для атрибуции сложных текстовых массивов данное исследование впервые обосновывает использование расстояния Спирмена как валидного инструмента стилометрического анализа. Эмпирической базой исследования стали четыре разнородных по времени, жанрам и языку написания корпуса текстов (всего 49 авторов, 899 художественных текстов). Исследование включало унифицированную предобработку текстов (токенизация, приведение к нижнему регистру, анализ на уровне словоформ) и систематический перебор параметров для шести метрик. Для каждой комбинации (автор, метрика, длина фрагмента) определялась оптимальная конфигурация параметров (количество частотных слов; отсутствие/наличие стандартизации), обеспечивающая максимальную долю истинно положительных результатов при атрибуции методом k-NN, k=1. Результаты показали, что расстояние Спирмена демонстрирует наибольшую робастность и универсальность, сохраняя высокую точность при жанровой неоднородности, вариативности объема текстов и наличии стилистических аномалий. Установлено, что ранговое расстояние Спирмена систематически превосходит частотные и энтропийные метрики по робастности в условиях жанровой гетерогенности и может служить надежным инструментом стилометрической атрибуции.
This paper presents an empirical comparison of a metric based on Spearman's rank correlation coefficient with traditional and relatively new distance measures (Burrows's Delta, Cosine Delta, Labbé distance, Soergel distance, and Jensen-Shannon divergence, the latter receiving particular attention) used in stylometric text attribution. The relevance of the study lies in the need to search for and identify a stylometric tool (a distance measure and its “settings”) that is robust to within-author variability and feature space sparsity. The research problem stems from methodological uncertainty in choosing an optimal distance measure for stylometric attribution. Despite the development of distance-based approaches, the effectiveness of metrics critically depends on corpus structure, the length of the analyzed fragments, and feature space parameters. In the absence of a single reliable metric for attributing complex text corpora, this study for the first time substantiates the use of Spearman's rank distance as a valid tool for stylometric analysis. The empirical basis of the study comprises four text corpora heterogeneous in terms of time, genre, and language (49 authors in total, 899 literary texts). The study included unified text preprocessing (tokenization, lowercasing, wordform-level analysis) and systematic parameter tuning for the six metrics. For each combination (author, metric, fragment length), the optimal configuration of parameters (number of frequent words; absence/presence of standardization) was determined, providing the maximum true positive rate in attribution using the k-NN method, k=1. The results show that Spearman's rank distance demonstrates the greatest robustness and universality, maintaining high accuracy under genre heterogeneity, variability in text length, and the presence of stylistic anomalies. It is established that Spearman's rank distance systematically outperforms frequency-based and entropy-based metrics in robustness under conditions of genre heterogeneity and can serve as a reliable tool for stylometric attribution.
Исследование выполнено при поддержке гранта Российского научного фонда № 24-18-00570, https://rscf.ru/project/24-18-00570/.