Využití sentimentu při určování autorství

Kateřina CHRÁPKOVÁ

Bachelor's thesis

The Use of Sentiment in Determining Authorship

Abstract:

Diplomová práce se zabývá možností využití sentimentové analýzy při určování autorství. V rámci analýzy byly využity hapax legomena - slova v textu s frekvencí rovnající se 1 - a jejich jazykové okolí (dále jen "okolí"), které se může pohybovat od jazykových jednotek na úrovni slov až po úroveň několika vět, dále také nástroj LIWC, který poskytuje data sentimentové analýzy provedené na okolích superhapaxů. Poté byla aplikovaná metoda hlavních komponent, která slouží k získání správného počtu proměnných, a v neposlední řadě nástroj logistické regrese, který byl využit ke stanovení skutečnosti, zdali se dané proměnné dají použít k určení autorství, popřípadě s jakou přesností se dají využít. Celá analýza byla provedena na textech pěti českých autorů, jmenovitě autoři Jaroslav Foglar, Lenka Lanczová, Miloslav Švandrlík, Ludmila Vaňková a Jaroslav Velinský. Pro každého autora bylo dodáno dvacet pět jejich textů, ze kterých byly vyvozovány výsledky pro tyto autory. Tyto výsledky byly následně srovnané s počáteční hypotézou o schopnosti sentimentové analýzy na okolích superhapaxů rozlišit dané autory.

Abstract:

The thesis deals with the possibility of using the sentiment analysis as a tool to determine authorship. The analysis uses hapax legomena - words in a text with the frequency equal to 1 - and their linguistic surroundings, as well as the LIWC tool, which provides sentiment analysis data performed on the surroundings of superhapaxes. Furthermore, the Principal Component Analysis was employed to obtain the correct number of variables, and finally, the logistic regression tool was used to determine whether the given variables can be used for authorship attribution, or as the case may be with what accuracy they can be used. The whole analysis was conducted on the texts of five Czech authors, namely Jaroslav Foglar, Lenka Lanczová, Miloslav Švandrlík, Ludmila Vaňková, and Jaroslav Velinský. For each author, twenty-five of their texts were provided, from which the results were drawn for the named authors. These results were then compared with the initial hypothesis about the ability of sentiment analysis conducted on the surroundings of superhapaxes to distinguish the authors in question.

Keywords

určování autorství, hapax legomenon, superhapax, sentimentová analýza, LIWC, logistická regrese, PCA, metoda hlavních komponent

Language used: Czech

Date on which the thesis was submitted / produced: 29. 6. 2023

Thesis defence

• Supervisor: Mgr. Vladimír Matlach, Ph.D.

Palacký University Olomouc

Faculty of Arts

Bachelor programme / field:
General Linguistics and Communication Theory / General Linguistics and Communication Theory / English for Translators and Interpreters