The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality)

NATALIIA DARCHUK Universidad Nacional Taras Shevchenko de Kyiv Identificador ORCID: orcid.org/0000-0001-8932-9301 Campos de investigación: lingüística computacional, lingüística de corpus, lingüística cuantitativa, gramática y semántica de la lengua ucraniana. OKSANA ZUBAN Universidad Nacional Taras Shevchenko de Kyiv Identificador ORCID: orcid.org/0000-0002-2644-3892 Campos de investigación: lingüística computacional, peritaje lingüístico, lingüística cuantitativa, gramática y semántica de la lengua ucraniana. VALENTYNA ROBEIKO Universidad Nacional Taras Shevchenko de Kyiv Identificador ORCID: orcid.org/0000-0003-2266-7650 Campos de investigación: análisis, reconocimiento y síntesis del habla, fonética, procesamiento del lenguaje natural. YULIIA TSYHVINTSEVA Universidad Nacional Taras Shevchenko de Kyiv, Instituto de la Lengua Ucraniana de la Academia Nacional de Ciencias de Ucrania Identificador ORCID: orcid.org/0000-0002-9684-3840 Campos de investigación: neología, lexicología y lexicografía ucranianas. VICTOR SOROKIN Universidad Nacional Taras Shevchenko de Kyiv Identificador ORCID: orcid.org/0000-0002-3637-0535 Campos de investigación: análisis sintáctico automático, análisis semántico automático, procesamiento del lenguaje natural. Straipsniai / Articles 223 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK MYKOLA SAZHOK Instituto de Tecnologías y Sistemas de la Información de la Academia Nacional de Ciencias de Ucrania Identificador ORCID: orcid.org/0000-0003-1169-6851 Campos de investigación: análisis, reconocimiento y síntesis del habla, procesamiento del lenguaje natural. DOI: doi.org/10.35321/all91-09 EL SISTEMA PARA EL ANÁLISIS ESTILOMÉTRICO AUTOMÁTICO DE TEXTOS MEDIÁTICOS UCRANIANOS TEXTATTRIBUTOR 1.0 (TÉCNICAS, MEDIOS, FUNCIONALIDAD) Sistema de análisis estilométrico automático de textos de los medios de comunicación ucranianos «TextAttributor 1.0» (métodos, medios, funcionalidad) RESUMEN Este artículo presenta la estructura, los algoritmos, la implementación y los resultados experimentales del sistema automático TextAttributor, desarrollado por los autores del artículo para la parametrización estadística de textos en lengua ucraniana mediante un conjunto multiparamétrico de índices estadísticos que caracterizan el estilo textual del autor y son aplicables a tareas de atribución de autoría. Basándose en los recursos lingüísticos y el software creados, el sistema genera un análisis lingüístico a partir de los índices estadísticos calculados y realiza un estudio comparativo de dos textos. Un criterio adicional para la indexación estadística es el índice de toxicidad textual, calculado mediante el método de identificación verbal del sentimiento tóxico. Las tareas de detección de autoría y toxicidad se abordan mediante dos métodos: cálculos estadísticos basados en diccionarios y reglas, y aprendizaje automático. Se examinan exhaustivamente los resultados actuales implementados en la versión beta de TextAttributor. PALABRAS CLAVE: lingüística computacional, lengua ucraniana, análisis de sentimientos, atribución de autoría, estilometría, clasificación textual. 224 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) R E S U M E N En este artículo se presentan la estructura, los algoritmos, la implementación y los resultados experimentales del sistema automático «TextAttributor», creado por los autores del artículo para la parametrización estadística de textos en lengua ucraniana mediante un conjunto multiparamétrico de índices estadísticos que caracteriza el estilo textual del autor y se aplica a tareas de atribución de autoría. Sobre la base de los recursos lingüísticos y del software desarrollados, el sistema genera un análisis lingüístico según los índices estadísticos calculados y realiza un análisis comparativo de dos textos. Un criterio adicional de indexación estadística es el índice de toxicidad textual, calculado mediante el método de identificación verbal de sentimientos negativos. Las tareas de determinación de la autoría y de la hostilidad se resuelven mediante dos métodos: cálculos estadísticos basados en diccionarios y reglas, y aprendizaje automático. Se examinan detalladamente los resultados actuales obtenidos mediante la versión beta de «TextAttributor». PALABRAS CLAVE: lingüística computacional, lengua ucraniana, análisis de sentimientos, atribución de autoría, estilometría, clasificación textual. 1. INTRODUCCIÓN La investigación textual adquirió una nueva importancia científica con el avance de los métodos de la lingüística computacional, que contribuyeron a la formación de una nueva dirección que puede considerarse textología digital. Dentro de esta disciplina emergente, conceptualizamos la textología digital como el aprovechamiento de técnicas automatizadas de lingüística de corpus, combinadas con modelos matemáticos para el análisis cuantitativo de textos. Guiado por las tareas actuales de la lingüística cuantitativa moderna y del procesamiento del lenguaje natural, nuestro equipo ha desarrollado un sistema para el análisis lingüístico-estadístico automático de textos mediáticos, implementado como una aplicación web denominada TextAttributor (TextAttributor 1.0 2024). El sistema opera en cuatro tareas: 1) parametrización estadística del texto; 2) estilometría: determinación de las características lingüístico-estadísticas del idiolecto; 3) atribución: determinación del grado de similitud entre textos; y 4) análisis de sentimientos: identificación del léxico de sentimientos negativos en los textos. Además, dentro del sistema se generan automáticamente dos conclusiones de peritaje lingüístico basadas en los resultados de la segunda y cuarta tareas. La multifuncionalidad del sistema TextAttributor exige que los usuarios se familiaricen con sus principios de funcionamiento. El objetivo de este artículo es dar a conocer a la comunidad académica y educativa filológica la metodología de creación, la arquitectura y los resultados operativos del sistema, con el fin de proporcionar una comprensión clara de sus funciones y capacidades analíticas, que son especialmente pertinentes. Este enfoque es particularmente relevante para analizar grandes volúmenes de comunicaciones en internet y Straipsniai / Articles 225 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA RОBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK mejorar las estrategias de defensa de la información durante la guerra ruso-ucraniana en curso. El concepto de desarrollar un sistema automático de atribución de textos en lengua ucraniana surgió del análisis de investigaciones en el ámbito de la lingüística de corpus ucraniana (Darčuk 2013) y de estudios estadísticos del estilo del autor (Darčuk et al. 2021; Darchuk, Sorokin 2022; Zuban 2019), realizados por los autores del proyecto mediante las herramientas del Corpus de la Lengua Ucraniana (KUM). Durante el desarrollo del sistema TextAttributor se emplearon los siguientes métodos: análisis componencial, análisis distributivo y análisis de contenido. El análisis de contenido, método cuantitativo y cualitativo para extraer información del texto, utilizó técnicas de procesamiento del lenguaje natural y técnicas estadísticas. También se aplicaron la cuantificación y el análisis de sentimientos. El análisis de sentimientos identifica automáticamente la tonalidad del texto basándose tanto en la carga emocional como en la valoración que el autor hace de acontecimientos u objetos, lo cual se logró mediante cálculos estadísticos basados en diccionarios y reglas. Además, se incorporaron métodos de aprendizaje automático, incluido el aprendizaje profundo. La estructura estadística de un texto, entendida como su modelo cuantitativo, permite identificar su estilo funcional, autoría y periodo de creación. En este trabajo, los componentes de la estructura estadística se extrajeron mediante el análisis de características estadísticas léxicas y gramaticales utilizando técnicas de indexación y métricas de distancia euclidiana. La distancia euclidiana, que mide la distancia entre dos puntos en un espacio euclidiano n-dimensional, es una de las métricas más utilizadas en lingüoestadística para el análisis de conglomerados en estilometría y atribución de autoría. La novedad de los resultados reside en la primera implementación en lingüística computacional de un modelo estilométrico morfosintáctico-semántico automatizado para el análisis textual, basado en 15 índices estadísticos que parametrizan principalmente la estructura morfológica, así como la sintáctica y semántica, del texto. Un modelo estilométrico es un conjunto de parámetros estadísticos de un texto (léxicos, morfológicos, sintácticos, etc.) a partir de los cuales se realiza un análisis comparativo de ese texto con el modelo estilométrico del estilo funcional. En nuestra opinión, mediante el uso de métodos estáticos en la construcción de un modelo estilométrico es posible obtener un sistema estricto, determinista y científicamente fundamentado de rasgos comunes y distintivos en estilos, géneros, etc. Por primera vez, el modelo estilométrico introduce el parámetro del índice de toxicidad, que define característicamente los textos mediáticos durante la guerra ruso-ucraniana. Este modelo se implementa no solo en la función de parametrización estadística de textos, típica de los sistemas de este tipo, sino también en la función de comparar el texto analizado con el estilo mediático de la lengua ucraniana, así como para tareas estilométricas y de atribución que implican dos o más textos. La importancia teórica se extiende a la validación de dos métodos para determinar la toxicidad textual y 226 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) la autoría en ucraniano: 1) mediante enfoques basados en diccionarios y reglas, y 2) mediante aprendizaje automático, incluido el aprendizaje profundo. 2. TRABAJOS RELACIONADOS En la lingüística ucraniana moderna se han llevado a cabo importantes estudios lingüístico-estadísticos sobre los idiolectos de escritores y poetas ucranianos, entre ellos Taras Shevchenko, Lesya Ukrainka, Vasyl Stus (Zuban’ 2019), Ivan Franko (Buk 2021), Roman Ivanychuk (Lototska 2022), Valerii Shevchuk (Volos, Levchenko 2023), Mariia Matios, Yurii Andrukhovych, Oksana Zabuzhko (Karasov, Levchenko 2024), Ivan Drach, Mykola Vingranovsky (Darchuk et al. 2024), Lina Kostenko (Zuban’ 2019; Darchuk et al. 2024), entre otros. Estos estudios se realizaron sobre muestras textuales representativas (textos largos) utilizando predominantemente uno o varios (no más de cinco) parámetros estadísticos, a menudo sin aplicar comparación estilométrica. Además, debido a la laboriosidad de realizar experimentos lingüístico-estadísticos, la lingüística ucraniana ha pasado en gran medida por alto la parametrización estadística integral, la comparación de los textos analizados con los parámetros estadísticos estándar de los estilos funcionales, la determinación del grado de similitud textual, así como el análisis estilométrico y de atribución de textos breves. El uso del sistema TextAttributor en investigaciones lingüístico-estadísticas, destinado a realizar automáticamente estas tareas, no solo proporcionará características de frecuencia de los fenómenos lingüísticos, sino que también permitirá un análisis estilométrico eficaz que dé lugar a una opinión pericial. El sistema TextAttributor presenta ventajas frente a sus equivalentes en la ciencia mundial. La mayoría de los sistemas y modelos existentes también se centran en el uso de módulos lingüístico-estadísticos individuales para identificar uno o varios parámetros textuales, en su mayoría formales (n-gramas, palabras más frecuentes, letras) (Eder 2015; Canhasi et al. 2022; LIWC-22; Khomytska et al. 2023; ALIAS). En cambio, TextAttributor 1.0 ofrece un enfoque integral, que incluye el análisis estadístico interactivo de la estructura léxica, morfológica, sintáctica y semántica del texto en tiempo real a través de 15 parámetros. La atribución de textos se desarrolla activamente en los estudios textuales extranjeros; en particular, la eficacia del método de Burrows (Burrows 2002; Argamon 2007; Eder, Rybicki 2013; Burrows et al. 2014) se prueba en numerosos estudios sobre grandes volúmenes de datos textuales de diversos estilos, como: la prosa inglesa de principios del siglo XX (Hoover 2004); la poesía inglesa moderna (Hoover 2005); obras poéticas en latín (Rybicki, Eder 2011); obras en prosa de los principales géneros en inglés, francés, italiano, alemán, polaco y húngaro, así como en latín y árabe (Rybicki, Eder 2011; Evert et al. 2015; Jannidis et al. 2015); textos políticos en inglés, incluidos Straipsniai / Articles 227 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK la atribución de discursos de presidentes estadounidenses (Savoy 2015). Otro método de análisis lingüístico automatizado denominado «Linguistic Inquiry and Word Count» (LIWC) se implementa como aplicación comercial y se adapta a varias lenguas (Meier et al. 2019; LIWC-22). En los últimos años, las tareas de atribución automática de textos han utilizado predominantemente métodos estilométricos basados en reglas o métodos de aprendizaje profundo (Eder 2015; Canhasi et al. 2022). Ambos métodos se implementaron en el sistema TextAttributor, funcionan eficazmente, pero producen resultados diferentes: 1) el método basado en reglas permite automatizar la generación de conclusiones lingüísticas sobre el idiolecto y la toxicidad textual; 2) el método de aprendizaje automático determina únicamente el grado de toxicidad y la similitud de los textos, y puede utilizarse en tareas de clasificación para supervisar el contenido textual. Los métodos recientes de aprendizaje automático para el análisis de sentimientos y la identificación de la autoría textual se basan en enfoques estadísticos (TF-IDF, Latent Dirichlet Allocation) y técnicas de aprendizaje profundo con diversas arquitecturas (CNN, LSTM, BERT), combinadas con métodos estilométricos (Gupta et al. 2019; Canhasi et al. 2022; Bonetti et al. 2023). Los resultados publicados dependen enormemente del número de clases (tipos de toxicidad, autores), del género, de la extensión del texto y, sobre todo, del volumen del corpus textual correctamente anotado utilizado para el procedimiento de entrenamiento. Así, las tasas de precisión elevadas en las tareas de detección de toxicidad y discurso de odio superan el 90% utilizando un corpus que contiene decenas de miles de documentos (Alkomah, Ma 2022). Por ejemplo, se alcanza una precisión superior al 90% en la atribución de autoría de obras literarias en lengua inglesa entre 1000 autores, utilizando un corpus de 6000 documentos para 15 autores. A su vez, para corpus que contienen menos de 1500 documentos, la precisión comunicada es de aproximadamente el 70% (Khan et al. 2023). Para la lengua ucraniana, la identificación de la autoría textual y el análisis de sentimientos/toxicidad son problemas poco estudiados (Lupei et al. 2020); además, dichos sistemas no producen peritajes lingüísticos y no pueden utilizarse como herramientas de investigación lingüística. 3. CARACTERÍSTICAS GENERALES DEL FUNCIONAMIENTO DEL SISTEMA TEXTATTRIBUTOR Durante el desarrollo de TextAttributor se llevaron a cabo las siguientes tareas: 1) Lingüística teórica: se desarrolló una metodología para los análisis morfológico, estadístico, estilométrico, atributivo y de sentimientos formalizados; 2) Ingeniería de software: se desarrollaron la estructura de las bases de datos lingüísticas y el software para los análisis automáticos mencionados; 3) Lingüística experimental: el sistema se probó con textos mediáticos ucranianos, y 228 Acta Linguistica Lithuanica XCI El sistema para el análisis estilométrico automático de textos mediáticos ucranianos TextAttributor 1.0 (técnicas, medios, funcionalidad) se implementó un módulo analítico para el examen estilométrico automático. El sistema lingüístico automatizado, implementado como aplicación web, procesa textos de estilo mediático introducidos por el usuario y genera valores numéricos para los parámetros estadísticos que caracterizan los atributos del texto. El sistema sigue una secuencia operativa estructurada: 1. Tokenización del texto: división del texto en oraciones y palabras para su análisis. 2. Etiquetado morfológico: asignación de etiquetas a las palabras según sus formas gramaticales. 3. Análisis contextual: actualización de las etiquetas morfológicas con respecto al contexto. 4. Análisis sintáctico: establecimiento de relaciones binarias entre las palabras de las oraciones para comprender su estructura gramatical. 5. Establecimiento de relaciones sintácticas: determinación de conexiones sintácticas basadas en reglas predefinidas. 6. Correspondencia del vocabulario emocionalmente negativo: identificación de palabras de un conjunto predefinido de vocabulario negativo. 7. Evaluación de parámetros estadísticos: evaluación de los parámetros estadísticos del texto de entrada mediante vocabularios de frecuencia compilados automáticamente. 8. Visualización de resultados: presentación gráfica de los resultados de la parametrización estadística, con valores empíricos e intervalos de confianza. 9. Comparación de resultados: visualización de los resultados de la parametrización estadística de dos textos de estilo mediático, facilitando su comparación. 10. Evaluación de la distancia euclidiana: cuantificación de la disimilitud entre dos textos de estilo mediático. 11. Generación de una opinión pericial: generación de dos opiniones periciales: una sobre la atribución textual y otra sobre la toxicidad textual mediante un examen lingüístico. 12. Detección de toxicidad e identificación de autoría: utilización de técnicas de aprendizaje automático, especialmente modelos de redes neuronales, para detectar la toxicidad e identificar a los autores. Los resultados del sistema se organizan en las siguientes secciones: Grupo de índices de atribución textual, Opinión pericial sobre la atribución textual, Comparación de la atribución textual, Peritaje lingüístico de la toxicidad textual y Opiniones de la red neuronal. En el Grupo de índices de atribución textual (Fig. 1), los parámetros estadísticos se organizan según el texto de entrada: la columna 1 muestra el título del índice, la columna 2 presenta el valor numérico empírico y la columna 3 proporciona una referencia visual comparando el valor empírico del índice con los umbrales del intervalo de confianza Straipsniai / Articles 229 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK (inferior y superior) derivados de textos del estilo mediático ucraniano. El valor numérico empírico se representa en la escala mediante un triángulo invertido relleno. FIGURA 1: Fragmento del resultado de atribución textual En la Opinión pericial sobre la atribución textual (Fig. 2), presentamos conclusiones sobre las características lingüístico-estadísticas típicas o individuales extraídas del texto analizado para cada índice estimado. Estas conclusiones se derivan de las respuestas a la pregunta: ¿El valor numérico del índice se encuentra dentro del intervalo de confianza del estilo mediático de la lengua ucraniana? A partir de la comparación de los valores numéricos con los valores umbral del intervalo de confianza, el sistema genera tres respuestas posibles (rasgos típicos del estilo mediático, rasgos del idioestilo inferiores a los del estilo mediático normal y rasgos del idioestilo superiores a los del estilo mediático normal). En la Comparación de la atribución textual (Fig. 4, subsección 4.2), al seleccionar «Calcular distancia vectorial», los datos tabulados se actualizan inmediatamente de la siguiente manera: la columna 1 enumera los textos introducidos por el usuario junto con el texto analizado previamente; la columna 2 muestra el número de oraciones de cada texto; la columna 3 muestra el recuento de palabras; la columna 4 presenta la distancia euclidiana entre el texto analizado y cada texto de la tabla; la columna 5, titulada «Comparar», inicia una comparación automática de los índices estadísticos entre el texto analizado y el texto seleccionado. Al activar el elemento «Comparar» correspondiente, se proporciona información exhaustiva sobre la comparación estadística entre dos textos en el grupo «Índices de atribución textual» (Fig. 3). 230 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) FIGURA 2: Ejemplo de opinión pericial generada En el Peritaje lingüístico de la toxicidad textual (subsección 4.3), se presenta una interpretación léxico-semántica del índice de toxicidad calculado (Fig. 6). En las Opiniones de la red neuronal presentamos el resultado de nuestro modelo de aprendizaje profundo, que cuantifica la toxicidad textual en una escala de 0 (no tóxico) a 1 (alta toxicidad). También evaluamos la similitud del texto con autores conocidos, con valores que van de 0 (sin similitud) a 1 (alta similitud), basándonos en los autores con los que se entrenó el modelo. Los resultados solo se muestran para pruebas con una medida de similitud superior a 0,1. Nuestro sistema actual funciona en modo de demostración y utiliza un corpus limitado de textos de autores para medir la similitud con el texto introducido por el usuario. 4. ATRIBUCIÓN DE TEXTOS EN LENGUA UCRANIANA: EXPERIMENTOS, RESULTADOS Y DISCUSIONES 4.1. Índices de parametrización estadística El modelo estilométrico desarrollado resuelve dos tareas: 1) identificar los rasgos individuales del estilo de un autor (estilometría); 2) evaluar la similitud entre dos textos basándose en parámetros lingüísticos y estadísticos (atribución). Straipsniai / Articles 231 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK Se utilizan 19 parámetros para analizar estadísticamente el texto introducido por el usuario (véase la Fig. 1 para el Grupo de índices de atribución textual). Los cuatro parámetros iniciales abarcan datos cuantitativos básicos: recuento de palabras, palabras no procesadas, tamaño del diccionario y recuento de oraciones. El recuento de palabras excluye el vocabulario que el sistema no procesa, como dialectismos, moscovitismos, ocasionalismos, etc. Los 15 parámetros restantes consisten en índices computables que producen cantidades escalares. Para el análisis estilométrico, validaremos la Hipótesis 1. Esta hipótesis sostiene que, mediante el análisis de datos empíricos que abarcan parámetros estadísticos dentro y fuera del intervalo de confianza del estilo mediático ucraniano, es posible discernir rasgos autorales únicos en un texto mediático determinado. Se calcularon dos conjuntos de intervalos de confianza para cada parámetro lingüístico basándose en muestras de textos mediáticos ucranianos: uno para textos de más de 1000 palabras (tamaño de la muestra: 124,576 palabras) y otro para textos de hasta 1000 palabras (tamaño de la muestra: 15,635 palabras). El intervalo de confianza para cada parámetro estadístico se estableció utilizando la desviación estándar, σ, del Valor Numérico Medio del Índice (ANVI) dentro de la muestra textual, expresada como ANVI ± σ. La desviación estándar estima cuánto pueden desviarse los valores numéricos empíricos de los índices estadísticos del valor numérico medio del índice dentro del estilo mediático. Para garantizar la precisión, el intervalo de confianza de σ se determinó mediante un experimento lingüístico-estadístico. En consecuencia, el sistema ofrece tres conclusiones posibles al comprobar la Hipótesis 1: 1) el valor numérico del índice se encuentra dentro del intervalo de confianza; 2) el valor numérico del índice está por debajo del umbral inferior del intervalo; o 3) el valor numérico del índice supera el umbral superior del intervalo. Consideremos los resultados derivados de la parametrización del Texto 1, cuyo autor es el bloguero Oleksii Honcharenko (véase la Fig. 1). Este análisis se basa en parámetros estadísticos y en su interpretación posterior, recogida en la opinión pericial generada, como se ilustra en la Fig. 2. Las métricas estadísticas relativas al vocabulario y al volumen textual revelan una relación cuantitativa. En el Texto 1, todos estos indicadores se encuentran dentro del intervalo típico del estilo mediático: 1) El índice de variedad (IB) representa la proporción de palabras únicas respecto del tamaño total del texto y sirve como medida de la riqueza léxica. El valor de IB, 0.54, se encuentra dentro del intervalo del 30%–60%, lo que indica un nivel moderado de diversidad léxica; 2) El índice de exclusividad textual (IVT) expresa la proporción entre el número de hápax legómena que aparecen una sola vez en el texto y el volumen textual. El IVT de 0.36 se encuentra dentro del intervalo del 20%–40%, lo que indica una baja exclusividad léxica); 232 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) 3) El índice de exclusividad del vocabulario (IVL) expresa la proporción entre el número de hápax legómena que aparecen una sola vez en el texto y el volumen total del vocabulario. El IVL de 0.66 se encuentra dentro del intervalo del 60%–76%, lo que indica un alto grado de exclusividad léxica. A continuación, consideremos los parámetros estadísticos de la correlación cuantitativa de las clases léxicas y gramaticales de palabras en el Texto 1: 1) El índice de atributos nominales, o epitetización (IIO) expresa la proporción entre el número de sustantivos y el número de adjetivos. Un IIO de 1.07 es superior a la norma del estilo mediático, de 1.0, lo que indica un predominio de los sustantivos sobre los adjetivos y da lugar a menos epítetos en el texto; 2) El índice de atributos verbales (IDO) expresa la proporción entre el número de adverbios y el número de verbos. Un IDO de 0.57 es superior a la norma del estilo mediático, de 0.56. Esta proporción de adverbios indica un bajo grado de atributos verbales en el texto; 3) El grado de nominalización (STN) expresa la proporción entre el número de sustantivos y el número de verbos. Un STN de 1.76 es inferior a la norma del estilo mediático, de 3.00. Una disminución de este índice indica un predominio de los verbos sobre los sustantivos y un bajo grado de nominalización del texto; 4) El índice de pronominalización (IPRO) expresa la proporción entre el número de pronombres personales y el volumen de palabras empleadas en el texto. Un IPRO de 0.09 es superior a la norma del estilo mediático y constituye un signo del idioestilo. Los pronombres personales abarcan más del 7% del texto, lo que indica el grado de cohesión textual; 5) El índice de modalidad (MOD) expresa la proporción entre el número de partículas y el número de palabras del texto. Un IMOD de 0.07 es superior a la norma del estilo mediático, del 4%, y constituye un signo del idioestilo. Las partículas abarcan más del 4% del texto, lo que determina el grado en que el autor expresa diversas valoraciones de fenómenos y situaciones en el texto; 6) El índice de sustantividad (ISUB) expresa la proporción entre el número de sustantivos y el volumen de palabras empleadas en el texto. Un ISUB de 0.26 es inferior a la norma del estilo mediático. Los sustantivos abarcan menos del 30% del texto, lo que determina el bajo grado de estatismo textual. Expliquemos los parámetros estadísticos de la proporción cuantitativa de sintagmas y oraciones en el Texto 1: 1) El índice de dinamismo (IDYN) expresa la proporción entre el número de frases verbales y el número de frases nominales. Un IDYN de 0.74 es superior a la norma del estilo mediático, que es de 0.6, y constituye un signo del idioestilo. El predominio de las frases verbales sobre las frases nominales (IDYN superior a 1.0) determina el desarrollo dinámico y rápido de los acontecimientos en el significado del texto; Straipsniai / Articles 233 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK 2) El índice de cohesión (IZV) expresa la proporción entre el número de preposiciones y conjunciones y el número de oraciones del texto. Un IZV de 0.66 se encuentra dentro del intervalo típico de 0.45 a 0.90 del estilo mediático, lo que indica un predominio del número de oraciones sobre el número de preposiciones y conjunciones. Esto determina el grado medio de cohesión entre las realidades, los fenómenos y las situaciones descritos en el Texto 1. Se prestará especial atención a los parámetros estadísticos psicolingüísticos (Chuhunov 2009) del Texto 1: 1) El coeficiente de Trager (KT) expresa la proporción entre el número de verbos y el número de adjetivos del texto, e indica la estabilidad o inestabilidad emocional del hablante. Un KT de 0.61 es superior a la norma del estilo mediático, de 0.5, y constituye un signo del idioestilo. Según la interpretación psicológica, esto indica la baja emotividad del autor o hablante, indecisión para emprender acciones prácticas activas y ansiedad. Un valor en el intervalo de 1.35 ± 0.05 determina una estabilidad emocional y una regulación normales del autor; 2) El coeficiente de certeza de la acción (KOD) expresa la proporción entre el número de verbos y el número de sustantivos del texto. Esta proporción indica el grado de socialización del autor y la completitud sintáctica del enunciado. Un KOD de 0.57 se encuentra dentro del intervalo típico de 0.30 a 0.60 del estilo mediático, lo que indica un bajo grado del coeficiente de acción objetivada. Según la interpretación psicológica, esto sugiere un bajo nivel de emotividad del autor o hablante, indecisión respecto de acciones prácticas activas y ansiedad. Un valor dentro del intervalo de 1.35 ± 0.05 determina una estabilidad emocional normal y una regulación normal de las emociones por parte del autor, lo que, según los rasgos lingüísticos, indica un grado normal de completitud sintáctica en las oraciones y una estructura sintáctica correcta; 3) El coeficiente de agresividad (KA) expresa la proporción entre el número de verbos y sus usos y el número total de palabras del texto, lo que señala la agresividad del lenguaje desde el punto de vista psicolingüístico. Un KA de 0.15 es superior a la norma del estilo mediático, del 13%, y constituye un signo del idioestilo. Según la interpretación psicológica, los valores inferiores al 60% indican un bajo grado de agresividad, emociones reprimidas del autor e indecisión. Aproximarse al 60% determina el grado normal de agresividad y estabilidad emocional del autor, mientras que los valores superiores al 60% indican una alta agresividad del autor y excitación emocional. Finalmente, consideremos el parámetro estadístico semántico del Texto 1: El índice de toxicidad textual (ITOX) se calcula a partir de la frecuencia del vocabulario negativo del texto (para más detalles, véase la sección 4.3). Un valor de ITOX de 0.36 se encuentra dentro del intervalo típico de 0.1 a 0.7 del estilo mediático. ITOX configura las actitudes cognitivas y pragmáticas hacia las emociones negativas. 234 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) 4.2. Comparación de textos mediante parámetros estadísticos La tarea de evaluar el grado de similitud entre dos textos implicó poner a prueba la Hipótesis 2. Esta hipótesis sostiene que, si los datos empíricos resultantes de la parametrización estadística de dos textos muestran solo una pequeña diferencia en los valores numéricos de los índices, entonces dichos textos pertenecen al mismo autor. Esta hipótesis se comprueba en el sistema de dos maneras: 1) comparando los valores numéricos de cada índice en los dos textos; 2) determinando la distancia vectorial entre los dos textos. Estos problemas están implementados en la sección Comparación de atribución textual. La primera tarea consiste en comparar los datos empíricos de los textos mediante índices en la escala del intervalo de confianza del estilo mediático (Fig. 3). Como se muestra en la Fig. 3, las características cuantitativas de los parámetros de ambos textos se presentan en colores diferentes para comodidad del usuario. La visualización compara los valores empíricos de los índices de ambos textos con los umbrales del intervalo de confianza (inferior y superior) derivados de textos del estilo mediático ucraniano. FIGURA 3: Comparación de la distancia vectorial de los textos La segunda tarea consiste en calcular la distancia vectorial entre dos textos mediante la fórmula de la distancia euclidiana. Esto implica sumar los cuadrados de las diferencias entre los valores numéricos de 15 parámetros estadísticos de los dos textos. A continuación, se calcula la raíz cuadrada de esta suma. Los valores numéricos Straipsniai / Articles 235 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK de la distancia vectorial indican el grado de disimilitud estadística entre los textos y proporcionan una medida de la distancia entre ellos. Aunque las fluctuaciones del valor de la distancia vectorial para los textos mediáticos no se conocen bien, la distancia puede ser 0 al comparar textos idénticos. Esto implica que los textos son diferentes si la distancia vectorial es superior a 0. Además, cuanto mayor es el valor numérico de la distancia vectorial, mayores son las diferencias lingüísticas y estadísticas entre los textos. La comparación de la distancia euclidiana se presenta en forma tabular. En la Columna 4 de la Fig. 4, los valores numéricos representan las distancias euclidianas. La Fig. 4 muestra la comparación del texto analizado de Oleksii Honcharenko (Texto 1) con otros tres textos del mismo autor: la línea 1 corresponde al Texto 2 (distancia 0.44); la línea 2, al Texto 3 (distancia 0.56); la línea 3, al Texto 4 (distancia 0.77). Los datos empíricos demuestran que la similitud entre textos de un mismo autor se mantiene dentro de 1, mientras que los textos de otros autores (líneas 4–10) presentan distancias superiores a 1. FIGURA 4. Sistematización de la distancia euclidiana entre textos La comparación de los parámetros estadísticos de los textos nos convence de que la metodología de atribución propuesta revela un modelo estilométrico de los textos en ucraniano. Este modelo también puede utilizarse para determinar la autoría del texto. Lo confirmaremos mediante una presentación visual de la atribución de 7 textos de tres autores diferentes según 15 parámetros estadísticos, utilizando el método de aproximación y proyección uniformes de variedades (UMAP) (McInnes et al. 2020), cuyo algoritmo también está implementado en el sistema TextAttributor. Esto 236 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) técnica permite reducir la dimensionalidad del espacio de características proyectando un espacio de 15 dimensiones sobre el plano. En la Fig. 5, los puntos de diferentes formas (P1–P7 para el Autor 1, F1–F7 para el Autor 2, M1–M7 para el Autor 3) corresponden a 7 textos seleccionados aleatoriamente de diferentes autores. Como podemos observar, después de reducir la dimensionalidad, las representaciones puntuales de los textos de los tres autores pueden separarse visualmente en áreas distintas. Este ejemplo confirma que los parámetros definidos por TextAttributor son importantes para describir las características estilísticas de los textos y determinar la autoría del texto (incluso en forma reducida). FIGURA 5: Representación gráfica de la atribución textual mediante el método UMAP 4.3. Indexación del sentimiento negativo del texto Mientras desarrollábamos un sistema de parámetros estadísticos para determinar el estilo y la autoría del texto, reconocimos que la toxicidad textual podía servir como índice de atribución. Por ello, creamos un módulo independiente para determinar automáticamente el índice de toxicidad en TextAttributor. Straispsniai / Articles 237 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK Hoy, el componente informativo se ha vuelto particularmente importante en la guerra híbrida. Por ello, el material de nuestro estudio fue un corpus de investigación de textos mediáticos políticos en línea, con un volumen de 10 millones de palabras. Utilizamos el término «texto tóxico» en sentido amplio. Estos textos se caracterizan por el acoso, las amenazas, la obscenidad, el ciberacoso, el troleo y los discursos de odio basados en la identidad, y contienen emoticonos, fenómenos y objetos que provocan emociones negativas en una persona (p. ej., guerra, ataque aéreo, corrupción). Este proyecto tenía como objetivo determinar el potencial de realización del sentimiento negativo en textos ucranianos y desarrollar un sistema automatizado para identificar contenido tóxico. Esta tarea comprendía dos subtareas consecutivas: primero, desarrollar un sistema de examen lingüístico de textos tóxicos con determinación de los índices de toxicidad mediante análisis lexicográfico y métodos basados en reglas; segundo, construir un conjunto de datos de entrenamiento con fines de aprendizaje automático y desarrollar una red neuronal para predecir los índices de toxicidad textual. Veamos la realización de la primera tarea. Esto implicó construir una base de datos lexicográfica que alberga tres diccionarios distintos: 1) Diccionario emotiogénico: recopilación de 5000 palabras (según los significados de las variantes léxico-semánticas) con matices de sentimiento negativo, valoradas en una escala de −2. Algunos ejemplos son inmoral, impunidad, soborno y robar; 2) Diccionario de discursos de odio: compuesto por 3000 palabras, incluidos nombres de personas (1620), términos obscenos (613) y lenguaje insultante (787). Algunos ejemplos son occidental (западенець: denominación despectiva para las personas de las regiones occidentales de Ucrania) y traficante; 3) Frases tóxicas: recopilación de 1500 expresiones idiomáticas que transmiten emociones negativas. Algunos ejemplos son hace muecas como un mono, besa su trasero y abre la boca. Cada entrada de estas listas fue anotada con rasgos semánticos; el Diccionario de discursos de odio cuenta con 18 rasgos y la lista de frases tóxicas, con 26. Por ejemplo, las palabras del Diccionario de discursos de odio se etiquetaron con características como «s» para sexismo, «r» para racismo y «e» para discriminación por edad. Esta base de datos lexicográfica, un sistema multiparamétrico, asigna rasgos semánticos a unidades (palabras o frases) que, combinados con los datos de frecuencia del texto analizado, permiten analizar la toxicidad. El índice de toxicidad del texto se calcula mediante la fórmula: Itox = (e + |K| (m + t)) / n * 10, Aquí, n es el volumen del texto; e es el número de palabras emocionales; m es el número de palabras de discursos de odio; t es el número de frases tóxicas; K es un coeficiente igual a −2; enfatiza las palabras de discursos de odio y las frases tóxicas, que en una escala de 238 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) cinco dígitos (+2, +1, 0, −1, −2) corresponde a −2. Los valores del índice varían de 0 a +1. Por ejemplo, el índice de toxicidad del texto «Personas con un bolígrafo rojo (Люди з червоною ручкою)» (12 oraciones, 129 palabras) es 1.01, lo que indica su alta toxicidad, ya que el umbral para textos tan breves oscila entre 0.1 y 0.7. Al mismo tiempo, el sistema genera los resultados de un examen lingüístico automático de la toxicidad textual (véase la Fig. 6), que comprende: 1) un mapa estadístico de las clases semánticas del vocabulario negativo según los marcadores de clasificación de las listas lexicográficas (emotiogénicos – 5, vulgarismos – 2, sexismo – 2); 2) un texto con palabras específicas de sentimiento negativo que verbalizan las categorías del mapa estadístico. Veamos un fragmento del texto real analizado (Fig. 6): esas personas que andan con un bolígrafo rojo y corrigen errores en publicaciones ajenas: ¿quiénes son ustedes? ¿Tienen idea de lo molestos que son? Estudio sus perfiles a propósito; me interesa el mundo en el que existen. Este mundo me asusta mucho. Espero sinceramente que en la vida real no nos crucemos bajo ninguna circunstancia. (оці люди, які ходять з червоною ручкою і виправляють помилки в чужих постах: ви хто взагалі такі? Ви хоч уявляєте, як ви бісите? Я спеціально вивчаю ваші профілі, мені цікаво в якому світі ви існуєте. Мене цей світ дуже лякає. Щиро сподіваюся, що в реальному житті ми з вами не пересі­чемося ні за яких обставин). Aquí, el sistema resalta automáticamente en negrita las siguientes palabras con un componente negativo: errores (помилки), publicaciones ajenas (чужих), molestos (бісите), me asusta (лякає). FIGURA 6: Fragmento del examen lingüístico automático de la toxicidad textual Straipsniai / Articles 239 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK 5. ENFOQUES DE APRENDIZAJE AUTOMÁTICO: EXPERIMENTOS, RESULTADOS Y DISCUSIONES Centremos la atención en el segundo modo de funcionamiento del sistema TextAttributor, dedicado a las técnicas de aprendizaje automático. Como entrada para el entrenamiento del modelo, contamos con corpus textuales etiquetados según el objetivo de cada subtarea: (a) información textual para la detección de toxicidad y (b) identificación de autoría. Cada corpus se divide en conjuntos de entrenamiento y control y, para un corpus suficientemente grande, también en un conjunto de validación. Los parámetros del modelo elegido para resolver el problema se estiman en el conjunto de entrenamiento. Los hiperparámetros del modelo se ajustan mediante el conjunto de validación. Los indicadores finales de rendimiento del modelo se miden en un conjunto de control, teniendo en cuenta la disponibilidad de recursos informáticos necesarios para el funcionamiento del modelo. Se ha desarrollado un corpus para cada subtarea en paralelo con el componente de aprendizaje automático de TextAttributor, por lo que los modelos actuales se entrenaron con datos relativamente reducidos, incluidos textos breves de Internet procedentes de blogs, comentarios, artículos, etc., en ucraniano. 5.1. Detección de toxicidad Como resultado de una serie de estudios experimentales, se eligió una arquitectura computacionalmente eficiente basada en el método fastText y sus herramientas (Joulin et al. 2016). Este método proporciona representaciones vectoriales de palabras y estima la distribución de probabilidad de los documentos según clases predefinidas. Las palabras se representan en forma vectorial a partir de la segmentación automática en partes (subpalabras), lo que simula la apertura del diccionario. La representación mediante subpalabras es importante, ya que el ucraniano es una lengua muy flexiva y deben cubrirse tanto numerosas palabras no observadas como palabras con errores ortográficos. La eficacia del enfoque utilizado también está determinada por las condiciones técnicas de funcionamiento del sistema y los recursos textuales disponibles para el entrenamiento del modelo. Se utilizó un corpus preparado de aproximadamente 12,000 documentos textuales para la clasificación binaria destinada a detectar contenido tóxico. El mejor resultado, basado en la métrica generalizada (F1 = 79.4%), se logró con los siguientes ajustes de hiperparámetros: dimensionalidad del vector de palabras de 56, tasa de aprendizaje inicial de 0.15, 500 épocas de entrenamiento, contexto léxico representado mediante bigramas, longitudes de subpalabras de 2 a 5 caracteres y umbral de decisión de 0.4. Además, el modelo demostró una sensibilidad del 85% y alcanzó una precisión aproximada del 70%. 240 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) 5.2. Identificación de autoría La investigación experimental de modelos para identificar la autoría textual se llevó a cabo utilizando una parte del corpus de textos sociopolíticos disponibles públicamente, en los que es posible identificar a la persona autora del documento. Se seleccionaron un total de 702 textos de cuatro autores que publicaron el mayor número de documentos de entre 60 y 1000 caracteres. El mayor número de publicaciones de un autor es 304 (115 mil caracteres), y el menor, 109 (49 mil caracteres). Para las pruebas, se seleccionaron aleatoriamente 25 textos de cada autor elegido. El resto de los documentos constituyó el conjunto de entrenamiento. El mejor resultado, según la métrica generalizada (F1 = 81%), se logró con los siguientes valores de hiperparámetros: dimensión del espacio de representación vectorial de palabras de 50, tasa de aprendizaje inicial de 0.1, 50 épocas de entrenamiento, contexto léxico representado mediante bigramas, longitudes de subpalabras de 2 a 5 caracteres y umbral de toma de decisiones de 0.5. Cabe destacar que, para ciertas configuraciones del modelo, la sensibilidad al autor con el mayor número de documentos del conjunto de datos alcanzó el 100%, con una precisión superior al 90%. Estos resultados demuestran la viabilidad de desarrollar un sistema eficaz capaz de abarcar con precisión textos de autores suficientemente representados en el conjunto de entrenamiento. Los modelos de redes neuronales entrenados se integraron en el sistema TextAttributor mediante una arquitectura «cliente-servidor», en la que se presentan los resultados de dos tareas: (a) determinación de toxicidad y (b) detección de autoría. El resultado del trabajo del sistema sobre el texto de la «Ley de Ucrania sobre la educación superior»: índice de toxicidad (estimación en forma de probabilidad: cuán tóxico es el texto) – 0.04; similitud con los autores (estimaciones en forma de probabilidad de autoría para autores conocidos por el sistema): 0.49 para I. Farion, 0.30 para Oleksii Honcharenko y 0.22 para Mariana Bezugla. 6. CONCLUSIONES El sistema TextAttributor se encuentra actualmente en fase de pruebas para abordar cuestiones de atribución y determinación de toxicidad en textos en ucraniano. Este sistema es conveniente y eficaz para diversos estudios tecnológicos. Durante más de 5 meses, la aplicación web TextAttributor analizó automáticamente 784 textos ucranianos de 226 usuarios. Nuestros resultados demuestran la eficacia de nuestro método, que consiste en cuantificar los elementos verbales basándose en parámetros gramaticales formales y semánticos, particularmente para la emocionalidad negativa. Esto se logra mediante una combinación de enfoques lexicográficos y basados en reglas, complementados por técnicas de aprendizaje automático Straipsniai / Articles 241 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK técnicas. La investigación experimental de aprendizaje automático para la detección de toxicidad y la identificación de autoría textual permitió obtener resultados comparables a los de experimentos con características similares del modelo (número de documentos y autores) realizados para otras lenguas. Los modelos de subpalabras mostraron una mayor robustez frente a la apertura léxica y los errores textuales. La investigación realizada abre el camino para resolver, en ucraniano, problemas como la detección y el seguimiento de contenido tóxico, discursos de odio y desinformación; la verificación y desofuscación de autoría; la elaboración de perfiles de autor y la diarización; la elaboración de perfiles psicolingüísticos; la modelización del estilo; y el rastreo de la fuente de contenido falso, entre otros. El esquema desarrollado de análisis y atribución textual también puede aplicarse a otras lenguas. De cara al futuro, planeamos integrar nuestra herramienta automática de atribución textual y detección de toxicidad con el análisis semántico, sintáctico, psicolingüístico y sociolingüístico. Esta integración nos proporcionará una comprensión más profunda del impacto en el lector. Mediante el análisis semántico de la taxonomía léxica, pretendemos identificar los elementos narrativos inherentes al texto, aumentando así la fiabilidad de la atribución textual en los procedimientos de identificación de autoría. Además, planeamos ampliar nuestros corpus textuales y utilizar grandes modelos lingüísticos multilingües para ampliar aún más las capacidades de nuestro sistema, así como implementar herramientas para la comparación estadística de textos en todos los estilos del ucraniano. Agradecimientos El sistema se ha creado en el marco de un proyecto apoyado por la Embajada Británica en Kyiv y llevado a cabo por un equipo de docentes e investigadores de la Cátedra de Lengua Ucraniana y Lingüística Aplicada de la Universidad Nacional Taras Shevchenko de Kyiv. Deseamos expresar nuestro sincero agradecimiento a la Embajada Británica en Kyiv por su apoyo financiero a este proyecto de investigación. Agradecemos a Svitlana Yavorska e Iryna Bezkorovayna su orientación y asistencia durante todo el proyecto. Agradecemos especialmente a Kostiantyn Goncharenko la organización y el apoyo documental del proyecto. Asimismo, agradecemos a los estudiantes del programa educativo «Lingüística Aplicada (Computacional) y Lengua Inglesa» de la Universidad Nacional Taras Shevchenko de Kyiv. Contribuyeron con su tiempo, experiencia y esfuerzos a la formación del corpus de textos tóxicos ucranianos. Agradecemos a Oksana Tolochko, graduada de nuestro programa de licenciatura, la creación de un diccionario tonal del ucraniano, que utilizamos para compilar una lista lexicográfica de emoticonos negativos. Además, agradecemos profundamente los esfuerzos de Mykola Kostikov en el proceso de recopilación de datos. Deseamos expresar nuestro sincero agradecimiento a todos los miembros de la comunidad investigadora que contribuyeron a este estudio con sus consejos y consultas. 242 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) REFERENCES ALIAS – Automated Linguistic Identification & Assessment System. Available at: https://aliastechnology.com/alias-overview/. Alkomah Fatimah, Ma Xiaogang 2022: A Literature Review of Textual Hate Speech Detection Methods and Datasets. – Information 13(6), 273. DOI: 10.3390/info13060273. Argamon Shlomo 2007: Interpreting Burrows’s Delta: Geometric and Probabilistic Foundations. – Literary and Linguistic Computing 23, 131–147. DOI: 10.1093/llc/fqn003. Bonetti Andrea, Martínez-Sober Marcelino, Torres Julio, Vega Jose, Pellerin Sebastien, Vila-Francés Joan 2023: Comparison between Machine Learning and Deep Learning Approaches for the Detection of Toxic Comments on Social Networks. – Applied Sciences 13(10), 6038. DOI: 10.3390/app13106038. Buk Solomija 2021: Long prose fiction by I. Franko: electronic corpus, frequency dictionaries and other interdisciplinary contexts, LNU imeni Ivana Franka [Ivan Franko National University of Lviv]. Burrows John 2002: “Delta”: a Measure of Stylistic Difference and a Guide to Likely Authorship. – Literary and Linguistic Computing 17(3), 267–287. DOI: 10.1093/llc/17.3.267. Burrows Steven, Uitdenbogerd Alexandra, Turpin Andrew 2014: Comparing techniques for authorship attribution of source code. – Software: Practice and Experience 44(1), 1–32. DOI: 10.1002/spe.2146. Canhasi Ercan, Kadriu Arbana, Misini Arta 2022: A Survey on Authorship Analysis Tasks and Techniques. – SEEU Review 17(2), 153–167. DOI: 10.2478/seeur-2022-0100. Chuhunov Vadym 2009: Diahnostyka v psyk hoterapii ta psykhoterapevtychnyi diahnoz, Kharkiv: Nauka. Darchuk Natalia, Sorokin Viktor 2022: Parameterization of the Ukrainian Text Corpus based on parsing. – Computational Linguistics and Intelligent Systems, Proceedings of the 6th International Conference on Computational Linguistics and Intelligent Systems (COLINS-2022) 1: Main Conference, eds. V. Lytvyn, N. Sharonova, I. Jonek-Kowalska, A. Kowalska-Styczen, V. Vysotska, Ye. Kuprianov, O. Kanischeva, O. Cherednichenko, Th. Hamon, N. Grabar, Poland, 12–13 May, 2022, 256–265. Darchuk Natalia, Zuban’ Oksana, Sorokin Viktor 2024: On stylistic differentiation in Ukrainian poetic speech based on the syntactic structure of Straipsniai / Articles 243 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK sentences. – Bulletin of Taras Shevchenko National University of Kyiv. Literary Studies. Linguistics. Folklore Studies 1(35), 5–10. DOI: 10.17721/1728-2659.2024.35.01. Darčuk Natalija 2013: Komp’juterne anotuvannja ukrajin’s’koho tekstu: rezul’taty i perspektyvyj, Kyiv: Osvita Ukrajiny. Darčuk Natalija, Vasyl’jeva Iryna, Vasyl’jev Oleksij 2021: Vektorna model’ analizu stylistyku tekstiv. – Ukrajins’kyj fizičnyj žurnal 66(5), 373–378. Eder Maciej 2015: Does size matter? Authorship attribution, small samples, big problem. – Digital Scholarship in the Humanities 30(2), 167–182. DOI: 10.1093/llc/fqt066. Eder Maciej, Rybicki Jan 2013: Do birds of a feather really flock together, or how to choose training samples for authorship attribution. – Literary and Linguistic Computing 28(2), 229–236. DOI: 10.1093/llc/fqs036. Evert Stefan, Proisl Thomas, Schöch Christof, Jannidis Fotis, Pielström Steffen, Vitt Thorsten 2015: Explaining Delta, or: How do distance measures for authorship attribution work? – Corpus Linguistics 2015: Abstract Book, United Kingdom, 21 July 2015, eds. F. Formato, A. Hardie, Lancaster: UCREL. Available at: https://zenodo.org/records/18308. Gupta Shriya T. P., Sahoo Jajati K., Roul Rajendra K. 2019: Authorship identification using recurrent neural networks. – ICISDM’19: Proceedings of the 2019 3rd International Conference on Information System and Data Mining, United States, 06 April 2019, New York: Association for Computing Machinery, 133–137. DOI: 10.1145/3325917.3325935. Hoover David 2004: Testing Burrows’s delta. – Literary and Linguistic Computing 19(4), 453–475. DOI: 10.1093/llc/19.4.453. Hoover David 2005: Delta, Delta Prime, and Modern American Poetry: Authorship Attribution Theory and Method. – ACH/ALIC 2005: Proceedings of the 17th Joint International Conference of the Association for Computers and the Humanities (ACH) and the Association for Literary and Linguistic Computing, Canada, 15–18 June 2005, University of Victoria: Humanities Computing and Media Centre, 79–80. Jannidis Fotis, Pielström Steffen, Schöch Christof, Vitt Thorsten 2015: Improving Burrows’ Delta – An empirical evaluation of text distance measures. – DH 2015: Digital Humanities, Abstracts of the Global Digital Humanities Conference 11, Australia, 29 June – 3 July 2015, Sydney. DOI: https://zenodo.org/records/1321296. Joulin Armand, Grave Edouard, Bojanowski Piotr, Douze Matthijs, Jégou Hervé, Mikolov Tomas 2016: FastText.zip: Compressing text classification models. – ArXiv e-prints 1612.03651. DOI: 10.48550/arXiv.1612.03651. 244 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) Karasov Vitalii, Levchenko Olena 2024: Statistical profile of O. Zabuzhko’s idio style. – CEUR Workshop Proceedings 3722: Proceedings of the 8th International Conference on Computational Linguistics and Intelligent Systems, Lviv, April 12–13, 2024, 251–264. Khan Talha F., Anwar Waheed, Arshad Humera, Abbas Syed N. 2023: An Empirical Study on Authorship Verification for Low Resource Language Using Hyper-Tuned CNN Approach. – IEEE Access 11, 80403–80415. DOI: 10.1109/ACCESS.2023.3299565. Khomytska Iryna, Teslyuk Vasyl, Bazylevych Iryna, Karamysheva Iryna 2023: Automated Identification of Authorial Styles. – CEUR Workshop Proceedings: Proceedings of the 7th International Conference on Computational Linguistics and Intelligent Systems, 3396, Kharkiv, April 20–21, 2023. Available at: https://ceur-ws.org/Vol–3396/paper26.pdf. KUM – Korpus ukrajins’koji movy: Linhvistyčnyj portal Mova.info. Available at: http://www.mova.info/corpus.aspx. LIWC–22 – Linguistic Inquiry and Word Count. Available at: https://www.liwc.app. Lototska Nataliia 2022: Statistical Characteristics of Roman Ivanychuk’s Idiolect (Based on Writer’s Text Corpus). – CEUR Workshop Proceedings 3171, 487–500. Lupei Maksym, Mitsa Aleksander, Reparіuk Volodymyr, Sharkan Vasyl 2020: Identification of authorship of Ukrainian-language texts of journalistic style using neural networks. – Eastern-European Journal of Enterprise Technologies 1/2(103), 30–36. DOI: 10.15587/1729–4061.2020.195041. McInnes Leland, Healy John, Melville James 2020: UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. – ArXiv e-prints 1802.03426. DOI: 10.48550/arXiv.1802.03426. Meier Tabea, Boyd Ryan, Pennebaker James, Meh Matthiasl, Martin Mike, Wolf Markus, Horn Andrea 2019: “LIWC auf Deutsch”: The development, psychometrics, and introduction of DE-LIWC2015. – PsyArXiv Preprints. DOI: 10.31234/osf.io/uq8zt. Rybicki Jan, Eder Maciej 2011: Deeper Delta across Genres and Languages: Do We Really Need the Most Frequent Words? – Literary and Linguistic Computing 26(3), 315–321. DOI: 10.1093/llc/fqr031. Savoy Jacques 2015: Comparative evaluation of term selection functions for authorship attribution. – Digital Scholarship in the Humanities 30(2), 246–261. DOI: 10.1093/llc/fqt047. Straipsniai / Articles 245 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK TextAttributor 1.0 2024: TextAttributor 1.0: The system for automatic stylometric analysis of Ukrainian media texts. Available at: ta.mova.info. Volos Yana, Levchenko Olena 2023: Statistical profile of Valerie Shevchuk’s idiostyle (morphological level). – Slobozhan Scientific Bulletin, Ser. Philology, 3, 32–36. DOI:10.32782/philspu/2023.3.6. Zuban’ Oksana 2019: The Morphemic System Stylometric Analysis of the Ukrainian Poets’ Idiostyles: Corpus Based Approach. – Linhvistychni studiji 38, 96–104. DOI: 10.31558/1815-3070.2019.38.15. Ukrainos žiniasklaidos tekstų automatinės stilometrinės analizės sistema „TextAttributor 1.0“ (metodai, priemonės, funkcionalumas) SANTRAUKA Sistema „TextAttributor“ statistiškai parametrizuoja ukrainiečių kalbos tekstus autorystės atpažinimo ir nuotaikų analizės aspektais. Naudodama daugiaparametrinį 15 statistinių indeksų rinkinį, „TextAttributor“ apibūdina autorines stilistines ypatybes. Ji integruoja tokius metodus kaip komponentinė analizė, paskirstymo analizė, kvantavimas ir nuotaikų analizė panaudojant žodynus ir mašininio mokymosi metodus, skirtus nemandag aus teksto ir autorystės išaiškinimui. Sistema apdoroja tekstus taikydama tokenizavimą, morfologinį žymėjimą, kontekstinę ir sintaksinę analizę ir emociškai neigiamo žodyno atitikimą, leidžiantį išsamiai vizualizuoti ir ekspertiškai įvertinti teksto priskyrimą ir neigiamą turinį. Eksperimentai patvirtina sistemos gebėjimą nustatyti unikalius autoriaus bruožus ir įvertinti teksto panašumą, ypač politinio diskurso ir nemandagios komunikacijos žiniasklaidos kontekste Rusijos ir Ukrainos karo metu. Straipsnyje pabrėžiama praktinė ir teorinė „TextAttributor“ reikšmė, demonstruojant jos efektyvumą didelėms teksto apimtims ir tikslioms analitinėms galimybėms. Sėkmingas žodynais, taisyklėmis pagrįstų ir mašininio mokymosi metodų taikymas pabrėžia sistemos tvirtumą ir universalumą. Beta versija ir tebevykdomų tyrimų rezultatai yra nuodugniai išnagrinėti, o būsimos jų kryptys nustatomos siekiant išplėsti kalbinį korpusą ir tobulinti mašininio mokymosi modelius, siekiant pagerinti tikslumą ir pritaikomumą. 246 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) Įteikta 2024 m. lapkričio 25 d. NATALIIA DARCHIUK Taras Shevchenko National University of Kyiv 60 Volodymyrska Street Kyiv, 01033, Ukraine [email protected] OKSANA ZUBAN Taras Shevchenko National University of Kyiv 60 Volodymyrska Street Kyiv, 01033, Ukraine [email protected] VALENTYNA ROBEIKO Taras Shevchenko National University of Kyiv 60 Volodymyrska Street Kyiv, 01033, Ukraine [email protected] YULIIA TSYHYVINTSEVA Taras Shevchenko National University of Kyiv 60 Volodymyrska Street Kyiv, 01033, Ukraine Institute of the Ukrainian Language of the National Academy of Sciences of Ukraine 4 Mykhailo Hrushevskyi Street Kyiv, 01001, Ukraine [email protected] VICTOR SOROKIN Taras Shevchenko National University of Kyiv 60 Volodymyrska Street Kyiv, 01033, Ukraine [email protected] MYKOLA SAZHOK Institute for information technologies and systems of the National Academy of Sciences of Ukraine 40 Akademika Hlushkova Avenue Kyiv, 03187, Ukraine [email protected] Straipsniai / Articles 247