Užití disperze nízkofrekventovaného lexika k určení autorství textu

Bc. Dan VALIHRACH

Diplomová práce

Using low-frequency lexical dispersion to determine text authorship

Anotace:

Tato diplomová práce se zabývá využitím vlastností lexikální disperze slov v textu pro potřeby určování autorství textu. Zkoumá vlastnosti disperze slov v rámci korpusu textů beletrie a snaží se na základě způsobu disperze klasifikovat lexikum do tříd. K popisu disperze je zde využit čistě kvantitativní přístup. Atribuční potenciál různých skupin lexika určených pomocí jejich disperze a frekvence je analyzován pomocí výpočtu matic nepodobnosti a aplikací metod hierarchického shlukování a vícerozměrného škálování. V rámci této práce analyzujeme texty korpusu beletrie, které zpracujeme použitím vlastních programovacích skriptů. Cílem této práce je tedy nalézt lexikum, pomocí kterého lze nejlépe identifikovat autorství textu, a zároveň analyzovat možnosti využití lexikální disperze jako stylometrické vlastnosti. V této práci je věnována zvýšená pozornost lexiku s nízkou frekvencí výskytu, na rozdíl od v podobných výzkumech běžně používaného vysoce frekventovaného lexika.

Abstract:

This thesis focuses on using features of lexical dispersion of words in texts for the purposes of authorship attribution. It analyses the features of words dispersion in a corpora of fiction books, and attempts to classify words into classes based on their lexical dispersion. Dispersion is analyses using purely quantitative approach. To analyse the potential of various lexical groups for authorship attribution we use dissimilarity matrix computation and application of hierarchical clustering method and multidimensional scaling method. In this thesis we analyse corpora of fiction books, which we process using our own programming scripts. The goal of this thesis is to identify words with the highest potential to distinguish authorship and also to research viability of a lexical dispersion as a stylometric feature. This thesis pays extra attention to the low frequency words, as opposed to high frequency words, which are often used in this field of research.

Klíčová slova

disperze, nízkofrekventované lexikum, určování autorství, stylometrie, kvantitativní lingvistika, superhapax

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 30. 4. 2024

Obhajoba závěrečné práce

• Vedoucí: doc. Mgr. Dan Faltýnek, Ph.D.

UNIVERZITA PALACKÉHO V OLOMOUCI

Filozofická fakulta

Magisterský studijní program / obor:
Obecná lingvistika / Obecná lingvistika