Nel contesto dell'identificazione della paternità sorge la domanda:"Quante parole sono sufficienti per identificare un autore?" La risposta a questa domanda dipende da diversi fattori, tra cui lo stile di scrittura dell'autore, la lunghezza e la complessità del testo e le tecniche utilizzate per l'analisi.
Per fare luce su questo problema, consideriamo alcuni risultati di ricerche e studi empirici:
1. Analisi stilometrica: La stilometria è l'analisi statistica dei modelli linguistici nel testo scritto per determinare la paternità o altre caratteristiche del testo. Gli studi hanno dimostrato che anche un campione relativamente piccolo di parole può essere sufficiente per identificare la paternità. Ad esempio, uno studio di Mosteller e Wallace (1964) ha rilevato che appena 50 parole erano sufficienti per discriminare tra gli scritti di diversi autori.
2. Misure di somiglianza del testo: Un altro approccio prevede la misurazione della somiglianza tra i testi in base all’uso delle parole e alle caratteristiche strutturali. Tecniche come la somiglianza del coseno o la somiglianza di Jaccard possono essere utilizzate per confrontare i profili di testi scritti da autori diversi. All’aumentare della lunghezza del testo, il potere discriminante di queste misure tipicamente migliora, ma l’identificazione può essere possibile anche con testi più brevi.
3. Algoritmi di apprendimento automatico: Gli algoritmi di apprendimento automatico supervisionati possono essere addestrati su un set di dati di testi etichettati per classificare la paternità di testi invisibili. Le prestazioni di questi algoritmi dipendono dalla qualità e dalla dimensione dei dati di addestramento, ma sono stati ottenuti risultati promettenti anche con campioni di testo limitati.
4. Architetture di deep learning: I modelli di deep learning, in particolare quelli basati su reti neurali ricorrenti, hanno dimostrato una notevole capacità nel catturare le complessità del linguaggio. Questi modelli possono essere addestrati per riconoscere modelli specifici dell'autore e identificare la paternità sulla base di segmenti di testo relativamente brevi.
In pratica, il numero di parole richieste per un'identificazione affidabile dell'autore può variare. Una dimensione del campione più ampia generalmente migliora l’accuratezza dell’analisi, ma in alcuni casi, modelli di scrittura distintivi possono consentire l’identificazione anche con un numero limitato di parole.
In sintesi, anche se la soglia esatta varia, la ricerca suggerisce che in molti casi da poche decine a poche centinaia di parole possono essere sufficienti per l’identificazione dell’autore, soprattutto quando si sfruttano tecniche avanzate di PNL e algoritmi di apprendimento automatico. Tuttavia, la complessità del compito, la disponibilità di dati di addestramento di alta qualità e la particolarità dello stile di scrittura dell'autore contribuiscono tutti all'accuratezza complessiva dell'attribuzione della paternità.
