واژه‌های دستوری به‌مثابه نشانگرهای گویش فردی: رویکردی پیکره‌ای به شناسایی هویت نویسنده در زبان فارسی

شناسایی هویت نویسنده یکی از حوزه های تحقیقاتی مهم در حیطۀ زبان شناسی حقوقی است که موضوع پژوهش های زبان شناختی و رایانشیِ گسترده در زبان های مختلف بوده است. با این حال شواهد محدودی از پژوهش های صورت گرفته با موضوع شناسایی نویسنده در زبان فارسی وجود دارد. در این پژوهش امکان شناسایی نویسندۀ یک متن با تکیه بر مفهوم گویش فردی و با استفاده از واژه های دستوری زبان فارسی بررسی شده است. واژه های دستوری از آن جهت که به طور ناخودآگاه در تولید زبان به کار گرفته می شوند، مستقل از موضوع متن به کار می روند و بسامد بالایی در متون کوتاه دارند، می توانند نشانگرهای موثری برای کدگذاری گویش فردی و ممیز سبک نویسندگان باشند. در این پژوهش،ابتدا پیکر ه هایی متنی از نوشته های پنج محقق و نویسندۀ معاصر جمع آوری و سپس با استفاده از نرم افزار خطایاب وفا، استانداردسازی شدند. با استفاده از بستۀ سبک سنجی stylo نرم افزار آماری r، واژه های پربسامد دستوری با توالی های یک تا سه نگاشتی از متون استخراج شدند و سپس قابلیت تفکیک متون بر اساس این واژه ها و با استفاده از تحلیل مولفه های اصلی و همچنین تحلیل خوشه ای بر اساس مقیاس فاصله ای دلتا بررسی شد. نتایج نشان داد که واژه های دستوری در زبان فارسی قابلیت تفکیک متون متعلق به یک نویسنده را دارند و عملکرد واژه های تک نگاشتی بهتر از دونگاشتی و سه نگاشتی ها در متون کم حجم است. همچنین نتایج پژوهش نشان داد که حجم کمینۀ متن برای شناسایی موفقیت آمیز نویسنده در متون فارسی حدود 4000 واژه بر اساس 20 واژۀ دستوری پربسامد است.

Function Words as Idiolect Markers: A Corpus-based Approach to Authorship Attribution in Farsi

The problem of discovering the identity of anonymous authors has engaged humans' attention during the ages. In present times, with the revolution brought about by digital computing and electronic corpora, and also with the applications made available by stylometry research in forensic linguistics, systematic analysis of texts in different languages has expanded the understanding of researchers on the different aspects of linguistic styles.In the present study, the possibility of authorship attribution based on idiolect has been investigated in Farsi. One of the linguistic elements that is claimed to be the seat for idiolect is function words. Function words have been the focus of attention in the authorship attribution research since it has been shown that they are processed unconsciously, have high frequency in texts, and remain independent of text topic. In this paper, the possibility of differentiating texts written by different authors has been studied using Farsi function words. The research questions were: 1) Are Farsi functions words capable of differentiating authors in Farsi prose? 2) Of monograms, bigrams, and trigrams, which one is the most efficient in differentiating author styles? 3) What is the minimum cutoff point for successful differentiation of author styles in Farsi?First, a corpus of five Iranian scholars rsquo; writings was compiled, normalized and divided into different sample texts. Then 20 most frequent words were extracted from different author samples and ngram sequences (up to trigrams) were analyzed using principal component analysis and cluster analysis in the Stylo package of R.Findings showed that function words in Farsi were capable of differentiating authors rsquo; writings with monogram words performing better than bigram and trigrams in small size samples. Findings also indicated that under the experimental conditions used in this study, the minimum number of words for a text to be successfully attributed to an author is about 4000 words. This cutoff point is reached using 20 most frequent function words. It is concluded that different authors don't use function words in the same manner. In fact, while some highfrequency function words appear in the writings of all authors, they are given different priorities by different authors.