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

NATALIIA DARCHUK Université nationale Taras-Chevtchenko de Kyiv Identifiant ORCID: orcid.org/0000-0001-8932-9301 Domaines de recherche: linguistique informatique, linguistique de corpus, linguistique quantitative, grammaire et sémantique de la langue ukrainienne. OKSANA ZUBAN Université nationale Taras-Chevtchenko de Kyiv Identifiant ORCID: orcid.org/0000-0002-2644-3892 Domaines de recherche: linguistique informatique, expertise linguistique, linguistique quantitative, grammaire et sémantique de la langue ukrainienne. VALENTYNA ROBEIKO Université nationale Taras-Chevtchenko de Kyiv Identifiant ORCID: orcid.org/0000-0003-2266-7650 Domaines de recherche: analyse, reconnaissance et synthèse de la parole, phonétique, traitement automatique du langage naturel. YULIIA TSYHVINTSEVA Université nationale Taras-Chevtchenko de Kyiv, Institut de la langue ukrainienne de l’Académie nationale des sciences d’Ukraine Identifiant ORCID: orcid.org/0000-0002-9684-3840 Domaines de recherche: néologie ukrainienne, lexicologie et lexicographie. VICTOR SOROKIN Université nationale Taras-Chevtchenko de Kyiv Identifiant ORCID: orcid.org/0000-0002-3637-0535 Domaines de recherche: analyse syntaxique automatique, analyse sémantique automatique, traitement automatique du langage naturel. Straipsniai / Articles 223 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK MYKOLA SAZHOK Institut des technologies et systèmes de l’information de l’Académie nationale des sciences d’Ukraine Identifiant ORCID: orcid.org/0000-0003-1169-6851 Domaines de recherche: analyse, reconnaissance et synthèse de la parole, traitement automatique du langage naturel. DOI: doi.org/10.35321/all91-09 LE SYSTÈME D’ANALYSE STYLOMÉTRIQUE AUTOMATIQUE DES TEXTES MÉDIATIQUES UKRAINIENS TEXTATTRIBUTOR 1.0 (TECHNIQUES, MOYENS, FONCTIONNALITÉS) Système d’analyse stylométrique automatique des textes médiatiques ukrainiens « TextAttributor 1.0 » (méthodes, moyens, fonctionnalités) ANNOTATION Cet article présente la structure, les algorithmes, la mise en œuvre et les résultats expérimentaux du système automatique TextAttributor, développé par les auteurs de l’article pour la paramétrisation statistique de textes en langue ukrainienne au moyen d’un ensemble multiparamétrique d’indices statistiques caractérisant le style textuel de l’auteur et applicable aux tâches d’attribution d’auteur. À partir des ressources linguistiques et des logiciels créés, le système génère une analyse linguistique fondée sur les indices statistiques calculés et réalise une étude comparative de deux textes. Un critère supplémentaire de l’indexation statistique est l’indice de toxicité du texte, calculé au moyen de la méthode d’identification verbale du sentiment toxique. Les tâches de détection de l’auteur et de la toxicité sont traitées à l’aide de deux méthodes: des calculs statistiques fondés sur un dictionnaire et des règles, et l’apprentissage automatique. Les résultats actuels mis en œuvre dans la version bêta de TextAttributor sont examinés en détail. MOTS-CLÉS: linguistique computationnelle, langue ukrainienne, analyse des sentiments, attribution d’auteur, stylométrie, classification de textes. 224 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) A N O T A C I J A Dans cet article sont présentés la structure, les algorithmes, la mise en œuvre et les résultats expérimentaux du système automatique « TextAttributor », créé par les auteurs de l’article pour la paramétrisation statistique de textes en langue ukrainienne au moyen d’un ensemble multiparamétrique d’indices statistiques caractérisant le style textuel de l’auteur et destiné aux tâches d’attribution d’auteur. À partir des ressources linguistiques et du logiciel créés, le système génère une analyse linguistique selon les indices statistiques calculés et effectue une analyse comparative de deux textes. Un critère supplémentaire de l’indexation statistique est l’indice de toxicité du texte, calculé par la méthode d’identification verbale des sentiments toxiques. Les tâches d’attribution d’auteur et de détection de la toxicité sont résolues par deux méthodes: des calculs statistiques fondés sur un dictionnaire et des règles, et l’apprentissage automatique. Les résultats actuels obtenus grâce à la version bêta de « TextAttributor » sont examinés en détail. MOTS-CLÉS: linguistique informatique, langue ukrainienne, analyse des sentiments, attribution d’auteur, stylométrie, classification de textes. 1. INTRODUCTION La recherche textologique a acquis une nouvelle importance scientifique avec les progrès des méthodes de linguistique computationnelle, qui ont contribué à la formation d’une nouvelle orientation pouvant être considérée comme la textologie numérique. Dans cette discipline émergente, nous concevons la textologie numérique comme l’exploitation de techniques automatisées de linguistique de corpus, associées à des modèles mathématiques d’analyse quantitative des textes. Guidée par les tâches actuelles de la linguistique quantitative moderne et du traitement automatique du langage naturel, notre équipe a développé un système d’analyse linguistique et statistique automatique des textes médiatiques, mis en œuvre sous la forme d’une application web nommée TextAttributor (TextAttributor 1.0 2024). Le système fonctionne selon quatre tâches: 1) la paramétrisation statistique du texte; 2) la stylométrie: détermination des caractéristiques linguistiques et statistiques de l’idiolecte; 3) l’attribution: détermination du degré de similarité entre les textes; et 4) l’analyse des sentiments: identification du lexique exprimant un sentiment négatif dans les textes. En outre, le système génère automatiquement deux conclusions d’expertise linguistique fondées sur les résultats des deuxième et quatrième tâches. La multifonctionnalité du système TextAttributor exige que les utilisateurs se familiarisent avec ses principes de fonctionnement. Le présent article a pour objectif de présenter à la communauté philologique universitaire et éducative la méthodologie de création, l’architecture et les résultats opérationnels du système, afin de donner une compréhension claire de ses fonctions et de ses capacités analytiques, qui revêtent une pertinence particulière. Cette approche est particulièrement pertinente pour l’analyse de grands volumes de communications sur Internet et Straipsniai / Articles 225 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA RОBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK le renforcement des stratégies de défense de l’information pendant la guerre russo-ukrainienne en cours. Le concept de développement d’un système automatique d’attribution de textes en langue ukrainienne est né de l’analyse des recherches dans le domaine de la linguistique de corpus ukrainienne (Darčuk 2013) et des études statistiques du style de l’auteur (Darčuk et al. 2021; Darchuk, Sorokin 2022; Zuban 2019), menées au moyen des outils du Corpus de la langue ukrainienne (KUM) par les auteurs du projet. Lors du développement du système TextAttributor, les méthodes suivantes ont été employées: analyse componentielle, analyse distributionnelle et analyse de contenu. L’analyse de contenu, méthode quantitative et qualitative d’extraction d’informations à partir d’un texte, a fait appel au traitement automatique du langage naturel et à des techniques statistiques. La quantification et l’analyse des sentiments ont également été appliquées. L’analyse des sentiments identifie automatiquement la tonalité du texte en fonction de sa coloration émotionnelle et de l’évaluation que l’auteur fait des événements ou des objets; cette opération a été réalisée au moyen de calculs statistiques fondés sur un dictionnaire et des règles. En outre, des méthodes d’apprentissage automatique, y compris l’apprentissage profond, ont été intégrées. La structure statistique d’un texte, comprise comme son modèle quantitatif, permet d’identifier son style fonctionnel, son auteur et sa période de création. Dans ce travail, les composantes de la structure statistique ont été extraites par l’analyse de caractéristiques statistiques lexicales et grammaticales au moyen de techniques d’indexation et de métriques de distance euclidienne. La distance euclidienne, qui mesure la distance entre deux points dans un espace euclidien à n dimensions, est l’une des métriques les plus utilisées en linguostatistique pour l’analyse de grappes en stylométrie et en attribution d’auteur. La nouveauté des résultats réside dans la première mise en œuvre, en linguistique computationnelle, d’un modèle stylométrique morpho-syntaxico-sémantique automatisé pour l’analyse des textes, fondé sur 15 indices statistiques qui paramétrisent principalement la structure morphologique, ainsi que les structures syntaxique et sémantique du texte. Un modèle stylométrique est un ensemble de paramètres statistiques d’un texte (lexicaux, morphologiques, syntaxiques, etc.) sur la base desquels est réalisée une analyse comparative de ce texte avec le modèle stylométrique du style fonctionnel. À notre avis, l’utilisation de méthodes statiques dans la construction d’un modèle stylométrique permet d’obtenir un système strict, déterministe et scientifiquement fondé de traits communs et distinctifs des styles, des genres, etc. Pour la première fois, le modèle stylométrique introduit le paramètre de l’indice de toxicité, qui caractérise les textes médiatiques pendant la guerre russo-ukrainienne. Ce modèle est mis en œuvre non seulement dans la fonction de paramétrisation statistique des textes, typique des systèmes de ce type, mais aussi dans la fonction de comparaison du texte analysé avec le style médiatique de la langue ukrainienne, ainsi que pour les tâches stylométriques et d’attribution impliquant deux textes ou plus. La portée théorique s’étend à la validation de deux méthodes de détermination de la toxicité des textes et 226 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) de l’attribution d’auteur en ukrainien: 1) au moyen d’approches fondées sur un dictionnaire et des règles, et 2) au moyen de l’apprentissage automatique, y compris l’apprentissage profond. 2. TRAVAUX CONNEXES Dans la linguistique ukrainienne moderne, d’importantes études linguistiques et statistiques ont été menées sur les idiolectes d’écrivains et de poètes ukrainiens, notamment Taras Chevtchenko, 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 autres. Ces études ont été menées sur des échantillons de textes représentatifs (textes longs), en utilisant principalement un ou quelques paramètres statistiques (cinq au maximum), souvent sans appliquer de comparaison stylométrique. En outre, en raison du caractère laborieux des expériences linguistiques et statistiques, la linguistique ukrainienne a largement négligé la paramétrisation statistique complète, la comparaison des textes analysés avec les paramètres statistiques de référence des styles fonctionnels, la détermination du degré de similarité des textes, ainsi que l’analyse stylométrique et l’attribution de textes courts. L’utilisation du système TextAttributor dans la recherche linguistique et statistique, visant à réaliser automatiquement ces tâches, fournira non seulement les caractéristiques fréquentielles des phénomènes linguistiques, mais permettra également une analyse stylométrique efficace aboutissant à un avis d’expert. Le système TextAttributor présente des avantages par rapport à ses équivalents dans la recherche scientifique mondiale. La plupart des systèmes et modèles existants se concentrent également sur l’utilisation de modules linguistiques et statistiques individuels pour identifier un ou quelques paramètres textuels, principalement formels (n-grammes, mots les plus fréquents, lettres) (Eder 2015; Canhasi et al. 2022; LIWC-22; Khomytska et al. 2023; ALIAS). En revanche, TextAttributor 1.0 propose une approche globale, comprenant une analyse statistique interactive de la structure lexicale, morphologique, syntaxique et sémantique du texte en temps réel selon 15 paramètres. L’attribution des textes se développe activement dans les études textuelles étrangères, notamment la méthode de Burrows (Burrows 2002; Argamon 2007; Eder, Rybicki 2013; Burrows et al. 2014), dont l’efficacité est testée dans de nombreuses études portant sur de grands volumes de données textuelles de styles variés, tels que: la prose anglaise du début du XXth siècle (Hoover 2004); la poésie anglaise contemporaine (Hoover 2005); les œuvres poétiques en latin (Rybicki, Eder 2011); les œuvres en prose de genres majeurs en anglais, français, italien, allemand, polonais et hongrois, ainsi qu’en latin et en arabe (Rybicki, Eder 2011; Evert et al. 2015; Jannidis et al. 2015); les textes politiques en anglais, notamment Straipsniai / Articles 227 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK l’attribution des discours des présidents américains (Savoy 2015). Une autre méthode d’analyse linguistique automatisée, appelée « Linguistic Inquiry and Word Count » (LIWC), est mise en œuvre sous la forme d’une application commerciale et adaptée à plusieurs langues (Meier et al. 2019; LIWC-22). Ces dernières années, les tâches d’attribution automatique de textes ont principalement utilisé soit des méthodes stylométriques fondées sur des règles, soit des méthodes d’apprentissage profond (Eder 2015; Canhasi et al. 2022). Les deux méthodes ont été mises en œuvre dans le système TextAttributor; elles fonctionnent efficacement, mais produisent des résultats différents: 1) la méthode fondée sur des règles permet d’automatiser la production de conclusions linguistiques sur l’idiolecte et la toxicité du texte; 2) la méthode d’apprentissage automatique détermine uniquement le degré de toxicité et la similarité des textes et peut être utilisée dans des tâches de classification pour la surveillance du contenu textuel. Les méthodes récentes d’apprentissage automatique pour l’analyse des sentiments et l’identification de l’auteur d’un texte reposent sur des approches statistiques (TF-IDF, allocation de Dirichlet latente) et sur des techniques d’apprentissage profond dotées de diverses architectures (CNN, LSTM, BERT), combinées à des méthodes stylométriques (Gupta et al. 2019; Canhasi et al. 2022; Bonetti et al. 2023). Les résultats rapportés dépendent fortement du nombre de classes (types de toxicité, auteurs), du genre, de la longueur du texte et, surtout, du volume du corpus de textes correctement annotés utilisé pour l’entraînement. Ainsi, des taux de précision élevés dans les tâches de détection de la toxicité et des discours haineux dépassent 90% avec un corpus contenant des dizaines de milliers de documents (Alkomah, Ma 2022). Par exemple, une précision supérieure à 90% dans l’attribution d’auteur est obtenue pour des œuvres littéraires en langue anglaise couvrant 1000 auteurs, à l’aide d’un corpus de 6000 documents pour 15 auteurs. En revanche, pour les corpus contenant moins de 1500 documents, la précision rapportée est d’environ 70% (Khan et al. 2023). Pour la langue ukrainienne, l’identification de l’auteur des textes et l’analyse des sentiments et de la toxicité sont des problèmes peu étudiés (Lupei et al. 2020); de plus, ces systèmes ne produisent pas d’expertise linguistique et ne peuvent pas être utilisés comme outils de recherche linguistique. 3. CARACTÉRISTIQUES GÉNÉRALES DU FONCTIONNEMENT DU SYSTÈME TEXTATTRIBUTOR Lors du développement de TextAttributor, les tâches suivantes ont été accomplies: 1) Linguistique théorique: une méthodologie a été élaborée pour les analyses morphologique, statistique, stylométrique, attributionnelle et des sentiments formalisées; 2) Ingénierie logicielle: la structure des bases de données linguistiques et le logiciel destinés aux analyses automatiques susmentionnées ont été développés; 3) Linguistique expérimentale: le système a été testé sur des textes médiatiques ukrainiens, et 228 Acta Linguistica Lithuanica XCI Le système d’analyse stylométrique automatique des textes médiatiques ukrainiens TextAttributor 1.0 (techniques, moyens, fonctionnalités) un module analytique destiné à l’examen stylométrique automatique a été mis en œuvre. Le système linguistique automatisé, mis en œuvre sous la forme d’une application web, traite les textes de style médiatique saisis par l’utilisateur et génère des valeurs numériques pour les paramètres statistiques qui caractérisent les attributs du texte. Le système suit une séquence de fonctionnement structurée: 1. Tokenisation du texte: segmentation du texte en phrases et en mots à des fins d’analyse. 2. Étiquetage morphologique: attribution d’étiquettes aux mots selon leurs formes grammaticales. 3. Analyse contextuelle: mise à jour des étiquettes morphologiques en fonction du contexte. 4. Analyse syntaxique: établissement de relations binaires entre les mots des phrases afin d’en comprendre la structure grammaticale. 5. Établissement des relations syntaxiques: détermination des liens syntaxiques sur la base de règles prédéfinies. 6. Appariement du vocabulaire à connotation négative: identification des mots appartenant à un ensemble prédéfini de vocabulaire négatif. 7. Évaluation des paramètres statistiques: évaluation des paramètres statistiques du texte saisi au moyen de vocabulaires de fréquence compilés automatiquement. 8. Visualisation des résultats: présentation graphique des résultats de la paramétrisation statistique, avec les valeurs empiriques et les intervalles de confiance. 9. Comparaison des résultats: visualisation des résultats de la paramétrisation statistique de deux textes de style médiatique, afin d’en faciliter la comparaison. 10. Évaluation de la distance euclidienne: quantification de la dissimilarité entre deux textes de style médiatique. 11. Génération d’un avis d’expert: production de deux avis d’expert: l’un sur l’attribution du texte et l’autre sur sa toxicité, au moyen d’un examen linguistique. 12. Détection de la toxicité et identification de l’auteur: recours à des techniques d’apprentissage automatique, notamment à des modèles de réseaux neuronaux, pour détecter la toxicité et identifier les auteurs. Les résultats du système sont organisés dans les sections suivantes: Groupe d’indices d’attribution du texte, Avis d’expert sur l’attribution du texte, Comparaison de l’attribution des textes, Expertise linguistique de la toxicité du texte et Avis des réseaux neuronaux. Dans le Groupe d’indices d’attribution du texte (Fig. 1), les paramètres statistiques sont organisés en fonction du texte saisi: la colonne 1 affiche le titre de l’indice, la colonne 2 présente la valeur numérique empirique et la colonne 3 fournit une référence visuelle en comparant la valeur empirique de l’indice aux seuils de l’intervalle de confiance Straipsniai / Articles 229 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK (inférieur et supérieur) dérivés de textes de style médiatique ukrainien. La valeur numérique empirique est représentée sur l’échelle par un triangle inversé plein. FIGURE 1: Fragment du résultat de l’attribution du texte Dans l’Avis d’expert sur l’attribution du texte (Fig. 2), nous présentons les conclusions concernant les caractéristiques linguistiques et statistiques typiques ou individuelles extraites du texte analysé pour chaque indice estimé. Ces conclusions sont tirées des réponses à la question suivante: la valeur numérique de l’indice se situe-t-elle dans l’intervalle de confiance du style médiatique de la langue ukrainienne? Sur la base d’une comparaison des valeurs numériques avec les valeurs seuils de l’intervalle de confiance, le système génère trois réponses possibles (traits typiques du style médiatique, traits de l’idiostyle inférieurs à ceux du style médiatique normal et traits de l’idiostyle supérieurs à ceux du style médiatique normal). Dans la Comparaison de l’attribution des textes (Fig. 4, sous-section 4.2), après sélection de « Calculate Vector Distance », les données tabulaires sont immédiatement mises à jour comme suit: la colonne 1 répertorie les textes saisis par l’utilisateur ainsi que le texte analysé précédemment; la colonne 2 affiche le nombre de phrases de chaque texte; la colonne 3 indique le nombre de mots; la colonne 4 présente la distance euclidienne entre le texte analysé et chaque texte du tableau; la colonne 5, intitulée « Compare », lance une comparaison automatique des indices statistiques entre le texte analysé et le texte sélectionné. Après activation de l’élément « Compare » correspondant, des informations complètes sur la comparaison statistique de deux textes sont fournies dans le groupe « Text Attribution Indices » (Fig. 3). 230 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) FIGURE 2: Exemple d’avis d’expert généré Dans l’Expertise linguistique de la toxicité du texte (sous-section 4.3), une interprétation lexico-sémantique de l’indice de toxicité calculé est présentée (Fig. 6). Dans les Avis des réseaux neuronaux, nous présentons la sortie de notre modèle d’apprentissage profond, qui quantifie la toxicité du texte sur une échelle allant de 0 (non toxique) à 1 (toxicité élevée). Nous évaluons également la similarité des textes avec des auteurs connus, les valeurs allant de 0 (aucune similarité) à 1 (forte similarité), en fonction des auteurs sur lesquels le modèle a été entraîné. Les résultats ne sont affichés que pour les tests dont la mesure de similarité dépasse 0,1. Notre système actuel fonctionne en mode démo et utilise un corpus limité de textes d’auteurs pour évaluer la similarité avec le texte saisi par l’utilisateur. 4. ATTRIBUTION DES TEXTES EN LANGUE UKRAINIENNE: EXPÉRIMENTATIONS, RÉSULTATS ET DISCUSSION 4.1. Indices de paramétrisation statistique Le modèle stylométrique développé résout deux tâches: 1) l’identification des caractéristiques individuelles du style d’un auteur (stylométrie); 2) l’évaluation de la similarité entre deux textes sur la base de paramètres linguistiques et statistiques (attribution). Straipsniai / Articles 231 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK 19 paramètres sont utilisés pour analyser statistiquement le texte saisi par l’utilisateur (voir Fig. 1 pour le Groupe d’indices d’attribution du texte). Les quatre premiers paramètres englobent les données quantitatives de base: nombre de mots, mots non traités, taille du dictionnaire et nombre de phrases. Le nombre de mots exclut le vocabulaire non traité par le système, comme les dialectismes, les moscovitismes, les occasionnalismes, etc. Les 15 paramètres restants consistent en indices calculables produisant des quantités scalaires. Pour l’analyse stylométrique, nous allons valider l’hypothèse 1. Cette hypothèse affirme qu’en analysant des données empiriques comprenant des paramètres statistiques situés à l’intérieur et à l’extérieur de l’intervalle de confiance du style médiatique ukrainien, il est possible de discerner les caractéristiques propres à un auteur dans un texte médiatique donné. Deux ensembles d’intervalles de confiance ont été calculés pour chaque paramètre linguistique à partir d’échantillons de textes médiatiques ukrainiens: l’un pour les textes de plus de 1000 mots (taille de l’échantillon: 124,576 mots) et l’autre pour les textes allant jusqu’à 1000 mots (taille de l’échantillon: 15,635 mots). L’intervalle de confiance de chaque paramètre statistique a été établi au moyen de l’écart type, σ, de la valeur numérique moyenne de l’indice (ANVI) dans l’échantillon de textes, désignée par ANVI ± σ. L’écart type estime dans quelle mesure les valeurs numériques empiriques des indices statistiques peuvent s’écarter de la valeur numérique moyenne de l’indice dans le style médiatique. Pour garantir l’exactitude, l’intervalle de confiance de σ a été déterminé au moyen d’une expérience linguistique et statistique. Par conséquent, le système propose trois conclusions possibles lors de la vérification de l’hypothèse 1: 1) la valeur numérique de l’indice se situe dans l’intervalle de confiance; 2) la valeur numérique de l’indice est inférieure au seuil inférieur de l’intervalle; ou 3) la valeur numérique de l’indice dépasse le seuil supérieur de l’intervalle. Examinons les résultats issus de la paramétrisation du texte 1, écrit par le blogueur Oleksii Honcharenko (voir Fig. 1). Cette analyse repose sur des paramètres statistiques et sur leur interprétation ultérieure, synthétisée dans l’avis d’expert généré, comme l’illustre la Fig. 2. Les mesures statistiques concernant le vocabulaire et le volume du texte révèlent une relation quantitative. Dans le texte 1, tous ces indicateurs se situent dans la plage typique du style médiatique: 1) L’indice de variété (IB) représente le rapport entre les mots uniques et la taille globale du texte, servant de mesure de la richesse lexicale. La valeur IB de 0.54 se situe dans la plage de 30% à 60%, ce qui indique un niveau modéré de diversité lexicale; 2) L’indice d’exclusivité du texte (IVT) exprime le rapport entre le nombre d’hapax legomena apparaissant une seule fois dans le texte et le volume du texte. La valeur IVT de 0.36 se situe dans la plage de 20% à 40%, ce qui indique une faible exclusivité lexicale; 232 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) 3) L’indice d’exclusivité du vocabulaire (IVL) exprime le rapport entre le nombre d’hapax legomena apparaissant une seule fois dans le texte et le volume total du vocabulaire. La valeur IVL de 0.66 se situe dans la plage de 60% à 76%, ce qui indique un degré élevé d’exclusivité lexicale. Examinons ensuite les paramètres statistiques de la corrélation quantitative des classes lexicales et grammaticales de mots dans le texte 1: 1) L’indice des attributs nominaux, ou épithétisation, (IIO) exprime le rapport entre le nombre de noms et le nombre d’adjectifs. L’IIO de 1.07 est supérieur à la norme du style médiatique, qui est de 1.0, ce qui indique une prédominance des noms sur les adjectifs et donc moins d’épithètes dans le texte; 2) L’indice des attributs verbaux (IDO) exprime le rapport entre le nombre d’adverbes et le nombre de verbes. L’IDO de 0.57 est supérieur à la norme du style médiatique, qui est de 0.56. Cette proportion d’adverbes indique un faible degré d’attributs verbaux dans le texte; 3) Le degré de nominalisation (STN) exprime le rapport entre le nombre de noms et le nombre de verbes. Le STN de 1.76 est inférieur à la norme du style médiatique, qui est de 3.00. La diminution de cet indice indique une prédominance des verbes sur les noms et un faible degré de nominalisation du texte; 4) L’indice de pronominalisation (IPRO) exprime le rapport entre le nombre de pronoms personnels et le volume des mots employés dans le texte. L’IPRO de 0.09 est supérieur à la norme du style médiatique et constitue un signe de l’idio style. Les pronoms personnels couvrent plus de 7% du texte, ce qui indique le degré de cohésion du texte; 5) L’indice de modalité (MOD) exprime le rapport entre le nombre de particules et le nombre de mots du texte. L’IMOD de 0.07 est supérieur à la norme du style médiatique, qui est de 4%, et constitue un signe de l’idiostyle. Les particules couvrent plus de 4% du texte, ce qui détermine le degré auquel l’auteur exprime diverses évaluations des phénomènes et des situations dans le texte; 6) L’indice de substantivité (ISUB) exprime le rapport entre le nombre de noms et le volume des mots employés dans le texte. L’ISUB de 0.26 est inférieur à la norme du style médiatique. Les noms couvrent moins de 30% du texte, ce qui détermine le faible degré de statisme du texte. Expliquons les paramètres statistiques du rapport quantitatif entre les syntagmes et les phrases dans le Texte 1: 1) L’indice de dynamisme (IDYN) exprime le rapport entre le nombre de syntagmes verbaux et le nombre de syntagmes nominaux. L’IDYN de 0.74 est supérieur à la norme du style médiatique, qui est de 0.6, et constitue un signe de l’idiostyle. La prédominance des syntagmes verbaux sur les syntagmes nominaux (IDYN supérieur à 1.0) détermine le déroulement dynamique et rapide des événements dans la signification du texte; Straipsniai / Articles 233 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK 2) L’indice de cohésion (IZV) exprime le rapport entre le nombre de prépositions et de conjonctions et le nombre de phrases du texte. L’IZV de 0.66 se situe dans la plage typique de 0.45 à 0.90 du style médiatique, ce qui indique une prédominance du nombre de phrases sur le nombre de prépositions et de conjonctions. Cela détermine le degré moyen de cohésion entre les réalités, les phénomènes et les situations décrits dans le Texte 1. Une attention particulière sera accordée aux paramètres statistiques psycholinguistiques (Chuhunov 2009) dans le Texte 1: 1) Le coefficient de Trager (KT) exprime le rapport entre le nombre de verbes et le nombre d’adjectifs dans le texte, indiquant la stabilité ou l’instabilité émotionnelle du locuteur. Le KT de 0.61 est supérieur à la norme du style médiatique, qui est de 0.5, et constitue un signe de l’idiostyle. Selon l’interprétation psychologique, cela indique la faible émotivité de l’auteur ou du locuteur, son indécision à entreprendre des actions pratiques actives et son anxiété. Une valeur comprise dans l’intervalle de 1.35 ± 0.05 détermine une stabilité émotionnelle et une régulation normales chez l’auteur; 2) Le coefficient de certitude de l’action (KOD) exprime le rapport entre le nombre de verbes et le nombre de noms dans le texte. Ce rapport indique le degré de socialisation de l’auteur et la complétude syntaxique de l’énoncé. Le KOD de 0.57 se situe dans la plage typique de 0.30 à 0.60 du style médiatique, ce qui indique un faible degré du coefficient d’action objectivée. Selon l’interprétation psychologique, cela suggère un faible niveau d’émotivité chez l’auteur ou le locuteur, une indécision quant aux actions pratiques actives et de l’anxiété. Une valeur comprise dans l’intervalle de 1.35 ± 0.05 détermine une stabilité émotionnelle normale et une régulation normale des émotions par l’auteur, ce qui, sur la base des caractéristiques linguistiques, indique un degré normal de complétude syntaxique des phrases et une structure syntaxique correcte; 3) Le coefficient d’agressivité (KA) exprime le rapport entre le nombre de verbes et l’emploi des verbes et le nombre total de mots du texte, ce qui marque l’agressivité de la langue sur le plan psycholinguistique. Le KA de 0.15 est supérieur à la norme du style médiatique, qui est de 13%, et constitue un signe de l’idiostyle. Selon l’interprétation psychologique, les valeurs inférieures à 60% indiquent un faible degré d’agressivité, des émotions réprimées chez l’auteur et son indécision. Une valeur proche de 60% détermine le degré normal d’agressivité et la stabilité émotionnelle de l’auteur, tandis que les valeurs supérieures à 60% indiquent une forte agressivité de l’auteur et une excitation émotionnelle. Enfin, considérons le paramètre statistique sémantique du Texte 1: l’indice de toxicité du texte (ITOX) est calculé à partir de la fréquence du vocabulaire négatif dans le texte (pour plus de détails, voir la section 4.3). La valeur de l’ITOX, égale à 0.36, se situe dans la plage typique de 0.1 à 0.7 du style médiatique. L’ITOX façonne les attitudes cognitives et pragmatiques à l’égard des émotions négatives. 234 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) 4.2. Comparaison des textes au moyen de paramètres statistiques La tâche consistant à évaluer le degré de similarité entre deux textes impliquait de tester l’Hypothèse 2. Cette hypothèse affirme que si les données empiriques résultant de la paramétrisation statistique de deux textes ne présentent qu’une faible différence entre les valeurs numériques des indices, ces textes appartiennent au même auteur. Cette hypothèse est testée dans le système de deux manières: 1) en comparant les valeurs numériques de chaque indice dans les deux textes; 2) en déterminant la distance vectorielle entre les deux textes. Ces problèmes sont mis en œuvre dans la section Comparaison de l’attribution des textes. La première tâche consiste à comparer les données empiriques des textes au moyen d’indices sur l’échelle de l’intervalle de confiance du style médiatique (Fig. 3). Comme le montre la Fig. 3, les caractéristiques quantitatives des paramètres des deux textes sont affichées dans des couleurs différentes pour faciliter l’utilisation par l’utilisateur. La visualisation compare les valeurs empiriques des indices des deux textes aux seuils de l’intervalle de confiance (inférieur et supérieur) dérivés de textes du style médiatique ukrainien. FIGURE 3: Comparaison de la distance vectorielle des textes La deuxième tâche consiste à calculer la distance vectorielle entre deux textes à l’aide de la formule de la distance euclidienne. Elle implique de sommer les carrés des différences entre les valeurs numériques des 15 paramètres statistiques des deux textes. La racine carrée de cette somme est ensuite calculée. Les valeurs numériques Straipsniai / Articles 235 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK de la distance vectorielle indiquent l’ampleur de la dissimilarité statistique entre les textes et fournissent une mesure de la distance qui les sépare. Bien que les fluctuations de la valeur de la distance vectorielle pour les textes médiatiques ne soient pas bien connues, la distance peut être égale à 0 lors de la comparaison de textes identiques. Cela implique que les textes sont différents si la distance vectorielle est supérieure à 0. En outre, plus la valeur numérique de la distance vectorielle est grande, plus les différences linguistiques et statistiques entre les textes sont importantes. La comparaison des distances euclidiennes est présentée sous forme de tableau. Dans la colonne 4 de la Fig. 4, les valeurs numériques représentent les distances euclidiennes. La Fig. 4 présente la comparaison du texte analysé d’Oleksii Honcharenko (Texte 1) avec trois autres textes du même auteur: ligne 1 pour le Texte 2 (distance 0.44); ligne 2 pour le Texte 3 (distance 0.56); ligne 3 pour le Texte 4 (distance 0.77). Les données empiriques montrent que la similarité entre les textes d’un même auteur reste inférieure à 1, tandis que les textes d’autres auteurs (lignes 4–10) présentent des distances supérieures à 1. FIGURE 4. Systématisation de la distance euclidienne entre les textes La comparaison des paramètres statistiques des textes nous convainc que la méthodologie d’attribution proposée révèle un modèle stylométrique des textes en langue ukrainienne. Ce modèle peut également être utilisé pour déterminer l’auteur du texte. Nous le confirmerons par une présentation visuelle de l’attribution de 7 textes de trois auteurs différents selon 15 paramètres statistiques, au moyen de la méthode Uniform Manifold Approximation and Projection (UMAP) (McInnes et al. 2020), dont l’algorithme est également implémenté dans le système TextAttributor. Cette 236 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) technique permet de réduire la dimensionnalité de l’espace des caractéristiques en projetant un espace à 15 dimensions sur le plan. Dans la Fig. 5, les points de formes différentes (P1–P7 pour l’Auteur 1, F1–F7 pour l’Auteur 2, M1–M7 pour l’Auteur 3) correspondent à 7 textes sélectionnés aléatoirement parmi ceux de différents auteurs. Comme nous pouvons le constater, après la réduction de la dimensionnalité, les représentations ponctuelles des textes des trois auteurs peuvent être visiblement séparées en zones distinctes. Cet exemple confirme que les paramètres définis par TextAttributor sont importants pour décrire les caractéristiques stylistiques des textes et déterminer l’auteur du texte, même sous une forme réduite. FIGURE 5: Représentation graphique de l’attribution des textes au moyen de la méthode UMAP 4.3. IndAçage du sentiment négatif du texte Lors de l’élaboration d’un système de paramètres statistiques destiné à déterminer le style et l’auteur du texte, nous avons reconnu que la toxicité du texte pouvait servir d’indice d’attribution. Nous avons donc créé un module distinct pour déterminer automatiquement l’indice de toxicité dans TextAttributor. Straispsniai / Articles 237 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK Aujourd’hui, la composante informationnelle est devenue particulièrement importante dans la guerre hybride. Par conséquent, le matériau de notre étude était un corpus de recherche de textes médiatiques en ligne du discours politique, d’un volume de 10 millions de mots. Nous employons le terme « texte toxique » dans un sens large. Ces textes se caractérisent par le harcèlement, les menaces, l’obscénité, la cyberintimidation, le trolling et les textes haineux fondés sur l’identité, et contiennent des émoticônes, qui sont des phénomènes et des objets suscitant des émotions négatives chez une personne (par ex. guerre, raid aérien, corruption). Ce projet visait à déterminer le potentiel de réalisation du sentiment négatif dans les textes ukrainiens et à développer un système automatisé d’identification des contenus toxiques. Cette tâche comprenait deux sous-tâches successives: premièrement, développer un système d’examen linguistique des textes toxiques avec détermination des indices de toxicité au moyen de méthodes d’analyse dictionnairique et fondées sur des règles; deuxièmement, constituer un ensemble de données d’entraînement à des fins d’apprentissage automatique et développer un réseau neuronal pour prédire les indices de toxicité des textes. Examinons l’accomplissement de la première tâche. Elle impliquait la construction d’une base de données lexicographique abritant trois dictionnaires distincts: 1) Dictionnaire émotiogène: compilation de 5000 mots, selon les sens des variantes lexico-sémantiques, présentant des tonalités sentimentales négatives, évaluées sur une échelle de −2. Les exemples comprennent immoral, impunité, corruption et voler; 2) Dictionnaire des discours haineux: comprenant 3000 mots, notamment des noms de personnes (1620), des termes obscènes (613) et des termes injurieux (787). Les exemples comprennent occidental (западенець: appellation péjorative désignant les personnes originaires des régions occidentales de l’Ukraine) et trafiquant; 3) Expressions toxiques: ensemble de 1500 expressions idiomatiques véhiculant des émotions négatives. Les exemples comprennent fait des grimaces comme un singe, embrasse son cul et ouvre la bouche. Chaque entrée de ces listes a été annotée avec des caractéristiques sémantiques, le Dictionnaire des discours haineux comportant 18 caractéristiques et la liste des Expressions toxiques, 26. Par exemple, les mots du Dictionnaire des discours haineux étaient marqués par des caractéristiques telles que « s » pour le sexisme, « r » pour le racisme et « e » pour l’âgisme. Cette base de données lexicographique, un système multiparamétrique, attribue des caractéristiques sémantiques à des unités (mots ou expressions) qui, combinées aux données de fréquence du texte analysé, permettent l’analyse de la toxicité. L’indice de toxicité du texte est calculé au moyen de la formule suivante: Itox = (e + |K| (m + t)) / n * 10, Ici, n représente le volume du texte; e représente le nombre de mots émotionnels; m représente le nombre de mots relevant du discours haineux; t représente le nombre d’expressions toxiques; K est un coefficient égal à −2; il accentue les mots relevant du discours haineux et les expressions toxiques, qui, sur une échelle de 238 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) cinq chiffres (+2, +1, 0, −1, −2), correspond à −2. Les valeurs de l’indice varient de 0 à +1. Par exemple, l’indice de toxicité du texte « Les personnes au stylo rouge (Люди з червоною ручкою) » (12 phrases, 129 mots) est de 1.01, ce qui indique sa forte toxicité, puisque le seuil applicable à des textes aussi courts se situe entre 0.1 et 0.7. Parallèlement, le système génère les résultats d’un examen linguistique automatique de la toxicité du texte (voir Fig. 6), comprenant: 1) une carte statistique des classes sémantiques du vocabulaire négatif selon les marqueurs de classification des listes lexicographiques (émotiogènes – 5, vulgarismes – 2, sexisme – 2); 2) un texte contenant des mots spécifiques du sentiment négatif, verbalisant les catégories de la carte statistique. Examinons un extrait du texte réel analysé (Fig. 6): ces gens qui se promènent avec un stylo rouge et corrigent les erreurs dans les publications des autres: mais qui êtes-vous au juste? Avez-vous seulement idée à quel point vous êtes agaçants? J’étudie exprès vos profils, le monde dans lequel vous existez m’intrigue. Ce monde m’effraie beaucoup. J’espère sincèrement que, dans la vie réelle, nous ne nous croiserons en aucune circonstance. (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). Ici, le système met automatiquement en gras les mots suivants comportant une composante négative: les erreurs (помилки), des autres (чужих), agaçants (бісите), m’effraie (лякає). FIGURE 6: Fragment de l’examen linguistique automatisé de la toxicité du texte Straipsniai / Articles 239 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK 5. APPROCHES PAR APPRENTISSAGE AUTOMATIQUE: EXPÉRIENCES, RÉSULTATS ET DISCUSSION Concentrons-nous sur le deuxième mode de fonctionnement du système TextAttributor, consacré aux techniques d’apprentissage automatique. En entrée pour l’entraînement du modèle, nous disposons de corpus de textes étiquetés selon l’objectif de chaque sous-tâche: (a) informations textuelles pour la détection de la toxicité et (b) identification de l’auteur. Chaque corpus est divisé en ensembles d’entraînement et de contrôle ainsi que, pour un corpus suffisamment vaste, en un ensemble de validation. Les paramètres du modèle choisi pour résoudre le problème sont estimés sur l’ensemble d’entraînement. Les hyperparamètres du modèle sont ajustés à l’aide de l’ensemble de validation. Les indicateurs finaux de performance du modèle sont mesurés sur un ensemble de contrôle, en tenant compte de la disponibilité des ressources informatiques nécessaires au fonctionnement du modèle. Un corpus pour chaque sous-tâche a été développé parallèlement au composant d’apprentissage automatique de TextAttributor; les modèles actuels ont donc été entraînés sur des données relativement limitées, comprenant de courts textes Internet de blogs, de commentaires, d’articles, etc. en langue ukrainienne. 5.1. Détection de la toxicité À la suite d’une série d’études expérimentales, une architecture efficace sur le plan computationnel a été choisie, fondée sur la méthode fastText et ses outils (Joulin et al. 2016). Cette méthode fournit des plongements de mots et estime la distribution de probabilité des documents selon des classes prédéfinies. Les mots sont représentés sous forme vectorielle sur la base d’une segmentation automatique en parties (sous-mots), ce qui simule l’ouverture du dictionnaire. La représentation par sous-mots est importante, car la langue ukrainienne est fortement flexionnelle et qu’il faut couvrir de nombreux mots inconnus ainsi que des mots comportant des erreurs orthographiques. L’efficacité de l’approche utilisée est également déterminée par les conditions techniques de fonctionnement du système et par les ressources textuelles disponibles pour l’entraînement du modèle. Un corpus préparé d’environ 12,000 documents textuels a été utilisé pour une classification binaire destinée à détecter les contenus toxiques. Le meilleur résultat, fondé sur la métrique généralisée (F1 = 79.4%), a été obtenu avec les paramètres d’hyperparamètres suivants: dimensionnalité du vecteur de mots de 56, taux d’apprentissage initial de 0.15, 500 époques d’entraînement, contexte lexical représenté par des bigrammes, longueurs de sous-mots allant de 2 à 5 caractères et seuil de décision de 0.4. En outre, le modèle a montré une sensibilité de 85% tout en atteignant une précision d’environ 70%. 240 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) 5.2. Identification de l’auteur La recherche expérimentale sur les modèles d’identification de l’auteur des textes a été menée à l’aide d’une partie du corpus de textes sociopolitiques accessibles au public, dans lequel il est possible d’identifier la personne qui est l’auteur du document. Au total, 702 textes de quatre auteurs ayant publié le plus grand nombre de documents, d’une longueur comprise entre 60 et 1000 caractères, ont été sélectionnés. Le plus grand nombre de publications d’un auteur est de 304 (115 mille caractères), et le plus petit de 109 (49 mille caractères). Pour les tests, 25 textes de chaque auteur sélectionné ont été échantillonnés aléatoirement. Les autres documents constituaient l’ensemble d’entraînement. Le meilleur résultat, selon la métrique généralisée (F1 = 81%), a été obtenu avec les valeurs d’hyperparamètres suivantes: dimension de l’espace des plongements de mots de 50, taux d’apprentissage initial de 0.1, 50 époques d’entraînement, contexte lexical représenté par des bigrammes, longueurs de sous-mots allant de 2 à 5 caractères et seuil de décision de 0.5. Il convient de noter que, pour certaines configurations du modèle, la sensibilité à l’auteur ayant le plus grand nombre de documents dans l’ensemble de données a atteint 100%, avec une précision supérieure à 90%. Ces résultats démontrent la faisabilité du développement d’un système efficace capable de couvrir avec précision les textes d’auteurs suffisamment représentés dans l’ensemble d’entraînement. Les modèles de réseaux neuronaux entraînés ont été intégrés au système TextAttributor dans une architecture « client-serveur », où sont présentés les résultats de deux tâches: (a) détermination de la toxicité et (b) détection de l’auteur. Résultat du fonctionnement du système sur le texte de la « Loi de l’Ukraine sur l’enseignement supérieur »: Indice de toxicité (estimation sous forme de probabilité: degré de toxicité du texte) – 0.04; similarité avec les auteurs (estimations sous forme de probabilité d’auteur pour les auteurs connus du système): 0.49 pour I. Farion, 0.30 pour Oleksii Honcharenko et 0.22 pour Mariana Bezugla. 6. CONCLUSIONS Le système TextAttributor est actuellement en phase de test afin de traiter les problèmes d’attribution et de détermination de la toxicité des textes en langue ukrainienne. Ce système est à la fois pratique et efficace pour diverses études technologiques. En 5 mois, l’application web TextAttributor a analysé automatiquement 784 textes ukrainiens produits par 226 utilisateurs. Nos résultats démontrent l’efficacité de notre méthode, qui consiste à quantifier les éléments verbaux sur la base de paramètres grammaticaux formels et sémantiques, notamment pour l’émotivité négative. Cela est réalisé par une combinaison d’approches dictionnairiques et fondées sur des règles, complétées par des techniques d’apprentissage automatique Straipsniai / Articles 241 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK techniques. Les recherches expérimentales en apprentissage automatique consacrées à la détection de la toxicité et à l’identification de l’auteur à partir du texte nous ont permis d’obtenir des résultats comparables à ceux d’expériences présentant des caractéristiques de modèle similaires (nombre de documents et d’auteurs) rapportées pour d’autres langues. Les modèles de sous-mots ont montré une robustesse accrue face à l’ouverture lexicale et aux erreurs textuelles. La recherche menée ouvre la voie à la résolution, pour l’ukrainien, de problèmes tels que la détection et le suivi des contenus toxiques, des discours haineux et de la désinformation, la vérification de l’auteur et la désobfuscation, le profilage et la diarisation des auteurs, le profilage psycholinguistique, la modélisation stylistique et le suivi de la source des contenus falsifiés, etc. Le schéma développé d’analyse et d’attribution des textes peut également être appliqué à d’autres langues. À l’avenir, nous prévoyons d’intégrer notre outil automatique d’attribution des textes et de détection de la toxicité à des analyses sémantique, syntaxique, psycholinguistique et sociolinguistique. Cette intégration nous donnera une compréhension plus approfondie de l’impact sur le lecteur. En utilisant l’analyse sémantique de la taxonomie lexicale, nous visons à identifier les éléments narratifs inhérents au texte, augmentant ainsi la fiabilité de l’attribution des textes dans les procédures d’identification de l’auteur. En outre, nous prévoyons d’élargir nos corpus de textes et d’utiliser de grands modèles linguistiques multilingues afin d’étendre davantage les capacités de notre système et de mettre en œuvre des outils de comparaison statistique des textes pour tous les styles de la langue ukrainienne. Remerciements Le système a été créé dans le cadre d’un projet soutenu par l’ambassade britannique à Kyiv et réalisé par une équipe d’enseignants et de chercheurs de la chaire de langue ukrainienne et de linguistique appliquée de l’Université nationale Taras Shevchenko de Kyiv. Nous souhaitons exprimer notre sincère reconnaissance à l’ambassade britannique à Kyiv pour son soutien financier à ce projet de recherche. Nous remercions Svitlana Yavorska et Iryna Bezkorovayna pour leurs conseils et leur aide tout au long du projet. Nous adressons des remerciements particuliers à Kostiantyn Goncharenko pour l’organisation et le soutien documentaire du projet. Nous sommes également reconnaissants aux étudiants du programme d’enseignement « Linguistique appliquée (informatique) et langue anglaise » de l’Université nationale Taras Shevchenko de Kyiv. Ils ont consacré leur temps, leur expertise et leurs efforts à la constitution du corpus de textes toxiques ukrainiens. Nous remercions Oksana Tolochko, diplômée de notre programme de licence, pour avoir créé un dictionnaire tonal de la langue ukrainienne, que nous avons utilisé pour compiler une liste lexicographique d’émoticônes négatives. En outre, nous sommes profondément reconnaissants à Mykola Kostikov pour les efforts déployés dans le processus de collecte des données. Nous souhaitons exprimer notre sincère gratitude à tous les membres de la communauté scientifique qui ont contribué à cette étude par leurs conseils et leurs consultations. 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