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

NATALIIA DARCHUK Universitatea Națională Taras Șevcenko din Kyiv ID ORCID: orcid.org/0000-0001-8932-9301 Domenii de cercetare: lingvistică informatică, lingvistică de corpus, lingvistică cantitativă, gramatica și semantica limbii ucrainene. OKSANA ZUBAN Universitatea Națională Taras Șevcenko din Kyiv ID ORCID: orcid.org/0000-0002-2644-3892 Domenii de cercetare: lingvistică informatică, expertiză lingvistică, lingvistică cantitativă, gramatica și semantica limbii ucrainene. VALENTYNA ROBEIKO Universitatea Națională Taras Șevcenko din Kyiv ID ORCID: orcid.org/0000-0003-2266-7650 Domenii de cercetare: analiza, recunoașterea și sinteza vorbirii, fonetică, prelucrarea limbajului natural. YULIIA TSYHVINTSEVA Universitatea Națională Taras Șevcenko din Kyiv, Institutul Limbii Ucrainene al Academiei Naționale de Științe a Ucrainei ID ORCID: orcid.org/0000-0002-9684-3840 Domenii de cercetare: neologie ucraineană, lexicologie și lexicografie. VICTOR SOROKIN Universitatea Națională Taras Șevcenko din Kyiv ID ORCID: orcid.org/0000-0002-3637-0535 Domenii de cercetare: analiză sintactică automată, analiză semantică automată, prelucrarea limbajului natural. Straipsniai / Articles 223 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK MYKOLA SAZHOK Institutul pentru tehnologii și sisteme informaționale al Academiei Naționale de Științe a Ucrainei ID ORCID: orcid.org/0000-0003-1169-6851 Domenii de cercetare: analiza, recunoașterea și sinteza vorbirii, prelucrarea limbajului natural. DOI: doi.org/10.35321/all91-09 SISTEMUL PENTRU ANALIZA STILOMETRICĂ AUTOMATĂ A TEXTELOR MEDIA UCRAINENE TEXTATTRIBUTOR 1.0 (TEHNICI, MIJLOACE, FUNCȚIONALITATE) Sistemul de analiză stilometrică automată a textelor din mass-media ucraineană „TextAttributor 1.0” (metode, mijloace, funcționalitate) REZUMAT Această lucrare prezintă structura, algoritmii, implementarea și rezultatele experimentale ale sistemului automat TextAttributor, dezvoltat de autorii lucrării pentru parametrizarea statistică a textelor în limba ucraineană, utilizând un set multiparametric de indici statistici care caracterizează stilul textual al autorului și poate fi aplicat sarcinilor de atribuire a autorului. Pe baza resurselor lingvistice și a software-ului create, sistemul generează o analiză lingvistică întemeiată pe indicii statistici calculați și efectuează un studiu comparativ al două texte. Un criteriu suplimentar pentru indexarea statistică este indicele de toxicitate a textului, calculat prin metoda identificării verbale a sentimentului toxic. Sarcinile de identificare a autorului și a toxicității sunt abordate prin două metode: calcule statistice bazate pe dicționar și reguli și învățare automată. Rezultatele actuale implementate în versiunea beta a TextAttributor sunt examinate în detaliu. CUVINTE-CHEIE: lingvistică computațională, limba ucraineană, analiza sentimentului, atribuirea autorului, stilometrie, clasificarea textului. 224 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) R E Z U M A T Acest articol prezintă structura, algoritmii, implementarea și rezultatele experimentale ale sistemului automat „TextAttributor”, creat de autorii articolului pentru parametrizarea statistică a textelor în limba ucraineană, folosind un set multiparametric de indici statistici care caracterizează stilul textului autorului și este aplicabil sarcinilor de atribuire a autorului. Pe baza resurselor lingvistice și a software-ului create, sistemul generează o analiză lingvistică în funcție de indicii statistici calculați și efectuează o analiză comparativă a două texte. Un criteriu suplimentar pentru indexarea statistică este indicele textului care provoacă stări afective negative, calculat prin aplicarea metodei de identificare verbală a stărilor afective negative. Sarcinile de identificare a autorului și a resentimentului sunt soluționate prin două metode: calcule statistice bazate pe dicționar și reguli și învățare automată. Rezultatele actuale, obținute cu ajutorul versiunii beta a „TextAttributor”, sunt examinate în detaliu. CUVINTE-CHEIE: lingvistică computațională, limba ucraineană, analiza afectivității, atribuirea autorului, stilometrie, clasificarea textului. 1. INTRODUCERE Cercetarea textologică a dobândit o nouă importanță științifică odată cu dezvoltarea metodelor lingvisticii computaționale, care au contribuit la formarea unei noi direcții ce poate fi considerată textologie digitală. În cadrul acestei discipline emergente, conceptualizăm textologia digitală ca utilizarea tehnicilor automatizate ale lingvisticii de corpus, asociate cu modele matematice pentru analiza cantitativă a textului. Orientată de sarcinile actuale ale lingvisticii cantitative moderne și ale prelucrării limbajului natural, echipa noastră a dezvoltat un sistem pentru analiza lingvistică și statistică automată a textelor media, implementat sub forma unei aplicații web numite TextAttributor (TextAttributor 1.0 2024). Sistemul funcționează în cadrul a patru sarcini: 1) parametrizarea statistică a textului; 2) stilometria: determinarea trăsăturilor lingvistico-statistice ale idiolectului; 3) atribuirea: determinarea gradului de similitudine dintre texte; și 4) analiza sentimentului: identificarea lexicului cu sentiment negativ în texte. În plus, în cadrul sistemului sunt generate automat două concluzii de expertiză lingvistică pe baza rezultatelor celei de-a doua și ale celei de-a patra sarcini. Multifuncționalitatea sistemului TextAttributor impune utilizatorilor să se familiarizeze cu principiile sale de funcționare. Scopul acestui articol este de a familiariza comunitatea filologică academică și educațională cu metodologia creării sistemului, arhitectura și rezultatele funcționării sale, pentru a oferi o înțelegere clară a funcțiilor și capacităților sale analitice, care sunt deosebit de relevante. Această abordare este deosebit de relevantă pentru analiza volumelor mari de comunicări pe internet și Straipsniai / Articles 225 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA RОBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK consolidarea strategiilor de apărare a informațiilor în timpul războiului ruso-ucrainean în curs. Conceptul dezvoltării unui sistem automat de atribuire a textelor în limba ucraineană a apărut în urma analizei cercetărilor din domeniul lingvisticii de corpus ucrainene (Darčuk 2013) și a studiilor statistice privind stilul autorului (Darčuk et al. 2021; Darchuk, Sorokin 2022; Zuban 2019), realizate de autorii proiectului cu ajutorul instrumentelor Corpusului Limbii Ucrainene (KUM). În timpul dezvoltării sistemului TextAttributor au fost utilizate următoarele metode: analiza componentială, analiza distributivă și analiza de conținut. Analiza de conținut, o metodă cantitativă și calitativă de extragere a informațiilor din text, a utilizat prelucrarea limbajului natural și tehnici statistice. Au fost aplicate, de asemenea, cuantificarea și analiza sentimentului. Analiza sentimentului identifică automat tonalitatea textului pe baza atât a coloraturii emoționale, cât și a evaluării de către autor a evenimentelor sau obiectelor, lucru realizat prin utilizarea calculelor statistice bazate pe dicționar și reguli. În plus, au fost incorporate metode de învățare automată, inclusiv învățarea profundă. Structura statistică a unui text, înțeleasă ca modelul său cantitativ, permite identificarea stilului său funcțional, a autorului și a perioadei de creare. În această lucrare, componentele structurii statistice au fost extrase prin analizarea trăsăturilor statistice lexicale și gramaticale, utilizând tehnici de indexare și metrici ale distanței euclidiene. Distanța euclidiană, care măsoară distanța dintre două puncte într-un spațiu euclidian n-dimensional, este una dintre cele mai utilizate metrici în lingvostatistică pentru analiza clusterelor în stilometrie și atribuirea autorului. Noutatea rezultatelor constă în prima implementare în lingvistica computațională a unui model stilometric morfosintactico-semantic automatizat pentru analiza textului, bazat pe 15 indici statistici care parametrizează în principal structura morfologică, precum și structura sintactică și semantică a textului. Un model stilometric este un set de parametri statistici ai unui text (lexicali, morfologici, sintactici etc.), pe baza căruia se realizează o analiză comparativă a acestui text cu modelul stilometric al stilului funcțional. În opinia noastră, prin utilizarea metodelor statice în construirea unui model stilometric este posibilă obținerea unui sistem strict, determinist și fundamentat științific de trăsături comune și distinctive în stiluri, genuri etc. Pentru prima dată, modelul stilometric introduce parametrul indicelui de toxicitate, care definește în mod caracteristic textele media din timpul războiului ruso-ucrainean. Acest model este implementat nu numai în funcția de parametrizare statistică a textelor, tipică pentru sistemele de acest tip, ci și în funcția de comparare a textului analizat cu stilul media al limbii ucrainene și pentru sarcini stilometrice și de atribuire care implică două sau mai multe texte. Semnificația teoretică se extinde la validarea a două metode pentru determinarea toxicității textului și 226 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) autoratului în limba ucraineană: 1) prin abordări bazate pe dicționar și reguli și 2) prin învățare automată, inclusiv învățare profundă. 2. LUCRĂRI CONEXE În lingvistica ucraineană modernă au fost realizate studii lingvistico-statistice substanțiale asupra idiolectelor scriitorilor și poeților ucraineni, inclusiv Taras Șevcenko, Lesia Ukrainka, Vasyl Stus (Zuban’ 2019), Ivan Franko (Buk 2021), Roman Ivanychuk (Lototska 2022), Valerii Șevciuk (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), printre alții. Aceste studii au fost realizate pe eșantioane reprezentative de texte (texte lungi), utilizând predominant unul sau câțiva parametri statistici (nu mai mult de cinci), adesea fără aplicarea comparației stilometrice. În plus, din cauza caracterului laborios al realizării experimentelor lingvistico-statistice, lingvistica ucraineană a neglijat în mare măsură parametrizarea statistică cuprinzătoare, compararea textelor analizate cu parametrii statistici standard ai stilurilor funcționale, determinarea gradului de similitudine a textelor, precum și analiza stilometrică și de atribuire a textelor scurte. Utilizarea sistemului TextAttributor în cercetarea lingvistico-statistică, menită să îndeplinească automat aceste sarcini, nu va oferi doar caracteristici de frecvență ale fenomenelor lingvistice, ci va permite și o analiză stilometrică eficientă, care va conduce la o opinie de expert. Sistemul TextAttributor prezintă avantaje față de echivalentele sale din știința mondială. Majoritatea sistemelor și modelelor existente se concentrează, de asemenea, pe utilizarea unor module lingvistico-statistice individuale pentru identificarea unuia sau a câtorva parametri textuali, în mare parte formali (n-grame, cele mai frecvente cuvinte, litere) (Eder 2015; Canhasi et al. 2022; LIWC-22; Khomytska et al. 2023; ALIAS). În schimb, TextAttributor 1.0 oferă o abordare cuprinzătoare, incluzând analiza statistică interactivă, în timp real, a structurii lexicale, morfologice, sintactice și semantice a textului, pe baza a 15 parametri. Atribuirea textelor este dezvoltată activ în studiile textuale străine; în special, eficiența metodei lui Burrows (Burrows 2002; Argamon 2007; Eder, Rybicki 2013; Burrows et al. 2014) este testată în numeroase studii pe volume mari de date textuale din stiluri variate, precum: proza engleză de la începutul secolului al 20th XX (Hoover 2004); poezia engleză modernă (Hoover 2005); opere poetice în latină (Rybicki, Eder 2011); opere de proză aparținând principalelor genuri în engleză, franceză, italiană, germană, poloneză, maghiară, precum și în latină și arabă (Rybicki, Eder 2011; Evert et al. 2015; Jannidis et al. 2015); texte politice în limba engleză, inclusiv Straipsniai / Articles 227 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK atribuirea discursurilor președinților americani (Savoy 2015). O altă metodă de analiză lingvistică automată, numită „Linguistic Inquiry and Word Count” (LIWC), este implementată ca aplicație comercială și adaptată pentru mai multe limbi (Meier et al. 2019; LIWC-22). În ultimii ani, sarcinile de atribuire automată a textelor au utilizat predominant fie metode stilometrice bazate pe reguli, fie metode de învățare profundă (Eder 2015; Canhasi et al. 2022). Ambele metode au fost implementate în sistemul TextAttributor, funcționând eficient, dar producând rezultate diferite: 1) metoda bazată pe reguli permite automatizarea generării concluziilor lingvistice despre idiolect și toxicitatea textului; 2) metoda învățării automate determină doar gradul de toxicitate și similitudinea textelor și poate fi utilizată în sarcini de clasificare pentru monitorizarea conținutului textual. Metodele recente de învățare automată pentru analiza sentimentului și identificarea autorului textului se bazează pe abordări statistice (TF-IDF, Latent Dirichlet Allocation) și pe tehnici de învățare profundă cu diverse arhitecturi (CNN, LSTM, BERT), în combinație cu metode stilometrice (Gupta et al. 2019; Canhasi et al. 2022; Bonetti et al. 2023). Rezultatele raportate depind în mare măsură de numărul de clase (tipuri de toxicitate, autori), gen, lungimea textului și, cel mai important, de volumul corpusului de texte corect adnotat utilizat pentru procedura de antrenare. Astfel, ratele ridicate de acuratețe în sarcinile de detectare a toxicității și a discursului instigator la ură depășesc 90% folosind un corpus care conține zeci de mii de documente (Alkomah, Ma 2022). De exemplu, se obține o acuratețe de peste 90% în atribuirea autorului pentru opere literare în limba engleză aparținând a 1000 de autori, utilizând un corpus de 6000 de documente pentru 15 autori. La rândul său, pentru corpusuri care conțin mai puțin de 1500 de documente, acuratețea raportată este de aproximativ 70% (Khan et al. 2023). Pentru limba ucraineană, identificarea autorului textului și analiza sentimentului/toxicității constituie probleme insuficient studiate (Lupei et al. 2020); în plus, astfel de sisteme nu produc expertiză lingvistică și nu pot fi utilizate ca instrumente pentru cercetarea lingvistică. 3. CARACTERISTICI GENERALE ALE FUNCȚIONĂRII SISTEMULUI TEXTATTRIBUTOR În timpul dezvoltării TextAttributor au fost îndeplinite următoarele sarcini: 1) Lingvistică teoretică: a fost elaborată o metodologie pentru analizele morfologice, statistice, stilometrice, de atribuire și ale sentimentului, formalizate; 2) Inginerie software: au fost dezvoltate structura bazelor de date lingvistice și software-ul pentru analizele automate menționate anterior; 3) Lingvistică experimentală: sistemul a fost testat pe texte media ucrainene și 228 Acta Linguistica Lithuanica XCI Sistemul pentru analiza stilometrică automată a textelor media ucrainene TextAttributor 1.0 (tehnici, mijloace, funcționalitate) a fost implementat un modul analitic pentru examinarea stilometrică automată. Sistemul lingvistic automatizat, implementat ca aplicație web, procesează texte de stil media introduse de utilizator, generând valori numerice pentru parametrii statistici care caracterizează atributele textului. Sistemul urmează o succesiune structurată de operațiuni: 1. Tokenizarea textului: Descompunerea textului în propoziții și cuvinte pentru analiză. 2. Etichetarea morfologică: Atribuirea de etichete cuvintelor pe baza formelor lor gramaticale. 3. Analiza contextuală: Actualizarea etichetelor morfologice în funcție de context. 4. Analiza sintactică: Stabilirea relațiilor binare dintre cuvintele din propoziții pentru a înțelege structura lor gramaticală. 5. Stabilirea relațiilor sintactice: Determinarea conexiunilor sintactice pe baza unor reguli predefinite. 6. Identificarea vocabularului cu încărcătură emoțională negativă: Identificarea cuvintelor dintr-un set predefinit de vocabular negativ. 7. Evaluarea parametrilor statistici: Evaluarea parametrilor statistici pentru textul introdus, folosind vocabulare de frecvență compilate automat. 8. Vizualizarea rezultatelor: Prezentarea grafică a rezultatelor parametrizării statistice, cu valori empirice și intervale de încredere. 9. Compararea rezultatelor: Vizualizarea rezultatelor parametrizării statistice pentru două texte de stil media, facilitând comparația. 10. Evaluarea distanței euclidiene: Cuantificarea deosebirii dintre două texte de stil media. 11. Generarea opiniei de expert: Generarea a două opinii de expert: una privind atribuirea textului și alta privind toxicitatea textului prin examinare lingvistică. 12. Detectarea toxicității și identificarea autorului: Utilizarea tehnicilor de învățare automată, în special a modelelor de rețele neuronale, pentru detectarea toxicității și identificarea autorilor. Rezultatele sistemului sunt organizate în următoarele secțiuni: Grupul indicilor de atribuire a textului, Opinia de expert privind atribuirea textului, Compararea atribuirii textului, Expertiza lingvistică a toxicității textului și Opiniile rețelei neuronale. În Grupul indicilor de atribuire a textului (Fig. 1), parametrii statistici sunt organizați pe baza textului introdus: coloana 1 afișează titlul indicelui, coloana 2 prezintă valoarea numerică empirică, iar coloana 3 oferă o referință vizuală prin compararea valorii empirice a indicelui cu pragurile intervalului de încredere Straipsniai / Articles 229 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK (inferior și superior) derivate din textele de stil media ucrainene. Valoarea numerică empirică este reprezentată pe scală printr-un triunghi inversat plin. FIGURA 1: Un fragment al rezultatului atribuirii textului În Opinia de expert privind atribuirea textului (Fig. 2), prezentăm concluzii privind trăsăturile lingvistico-statistice tipice sau individuale extrase din textul analizat pentru fiecare indice estimat. Aceste concluzii sunt derivate din răspunsurile la întrebarea: Valoarea numerică a indicelui se încadrează în intervalul de încredere al stilului media al limbii ucrainene? Pe baza comparării valorilor numerice cu valorile-prag ale intervalului de încredere, sistemul generează trei răspunsuri posibile (semne tipice ale stilului media, semne ale idiostilului mai scăzute decât stilul media normal și semne ale idiostilului mai ridicate decât stilul media normal). În Compararea atribuirii textului (Fig. 4, subsecțiunea 4.2), după selectarea opțiunii „Calculează distanța vectorială”, datele tabelare sunt actualizate prompt după cum urmează: coloana 1 enumeră textele introduse de utilizator împreună cu textul analizat anterior; coloana 2 afișează numărul de propoziții din fiecare text; coloana 3 indică numărul de cuvinte; coloana 4 prezintă distanța euclidiană dintre textul analizat și fiecare text din tabel; coloana 5, etichetată „Compară”, inițiază o comparație automată a indicilor statistici dintre textul analizat și textul selectat. La activarea elementului „Compară” corespunzător, în grupul „Indicii atribuirii textului” (Fig. 3) sunt furnizate informații cuprinzătoare despre comparația statistică dintre cele două texte. 230 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) FIGURA 2: Un exemplu de opinie de expert generată În Expertiza lingvistică a toxicității textului (subsecțiunea 4.3) este prezentată o interpretare lexico-semantică a indicelui de toxicitate calculat (Fig. 6). În Opiniile rețelei neuronale prezentăm rezultatul modelului nostru de învățare profundă, care cuantifică toxicitatea textului pe o scară de la 0 (netoxic) la 1 (toxicitate ridicată). De asemenea, evaluăm similitudinea textului cu autori cunoscuți, cu valori cuprinse între 0 (nicio similitudine) și 1 (similitudine ridicată), pe baza autorilor pe ale căror texte a fost antrenat modelul. Rezultatele sunt prezentate numai pentru testele cu o măsură a similitudinii care depășește 0,1. Sistemul nostru actual funcționează în regim demonstrativ, utilizând un corpus limitat de texte ale autorilor pentru a evalua similitudinea cu textul introdus de utilizator. 4. ATRIBUIREA TEXTELOR ÎN LIMBA UCRAINEANĂ: EXPERIMENTE, REZULTATE ȘI DISCUȚII 4.1. Indicii parametrizării statistice Modelul stilometric elaborat soluționează două sarcini: 1) identificarea trăsăturilor individuale ale stilului unui autor (stilometrie); 2) evaluarea similitudinii dintre două texte pe baza parametrilor lingvistici și statistici (atribuire). Straipsniai / Articles 231 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK Pentru analiza statistică a textului introdus de utilizator sunt utilizați 19 parametri (a se vedea Fig. 1 pentru Grupul indicilor de atribuire a textului). Primii patru parametri cuprind date cantitative de bază: numărul de cuvinte, cuvintele neprelucrate, dimensiunea vocabularului și numărul de propoziții. Numărul de cuvinte exclude vocabularul care nu este prelucrat de sistem, precum dialectismele, moscovitismele, ocazionalismele etc. Ceilalți 15 parametri constau în indici calculabili care produc mărimi scalare. Pentru analiza stilometrică vom valida Ipoteza 1. Această ipoteză afirmă că, prin analizarea datelor empirice care cuprind parametri statistici situați în interiorul și în afara intervalului de încredere al stilului media ucrainean, este posibilă distingerea trăsăturilor autorice unice dintr-un anumit text media. Pentru fiecare parametru lingvistic au fost calculate două seturi de intervale de încredere pe baza eșantioanelor de texte media ucrainene: unul pentru textele de peste 1000 de cuvinte (dimensiunea eșantionului: 124,576 de cuvinte) și unul pentru textele de până la 1000 de cuvinte (dimensiunea eșantionului: 15,635 de cuvinte). Intervalul de încredere pentru fiecare parametru statistic a fost stabilit utilizând abaterea standard, σ, a Valorii Numerice Medii a Indicelui (ANVI) în cadrul eșantionului de texte, notată ANVI ± σ. Abaterea standard estimează în ce măsură valorile numerice empirice ale indicilor statistici se pot abate de la valoarea numerică medie a indicelui în cadrul stilului media. Pentru a asigura acuratețea, intervalul de încredere pentru σ a fost determinat printr-un experiment lingvistic și statistic. În consecință, sistemul oferă trei concluzii posibile la testarea Ipotezei 1: 1) valoarea numerică a indicelui se încadrează în intervalul de încredere; 2) valoarea numerică a indicelui este sub pragul inferior al intervalului; sau 3) valoarea numerică a indicelui depășește pragul superior al intervalului. Să examinăm rezultatele obținute din parametrizarea Textului 1, al cărui autor este bloggerul Oleksii Honcharenko (a se vedea Fig. 1). Această analiză se bazează pe parametrii statistici și pe interpretarea lor ulterioară, cuprinsă în opinia de expert generată, după cum este ilustrat în Fig. 2. Indicatorii statistici privind vocabularul și volumul textului relevă o relație cantitativă. În Textul 1, toți acești indicatori se încadrează în intervalul tipic pentru stilul media: 1) Indicele varietății (IB) reprezintă raportul dintre cuvintele unice și dimensiunea totală a textului, servind drept măsură a bogăției lexicale. Valoarea IB de 0.54 se încadrează în intervalul 30%–60%, indicând un nivel moderat de diversitate lexicală; 2) Indicele exclusivității textului (IVT) exprimă raportul dintre numărul de hapax legomena care apar o singură dată în text și volumul textului. IVT de 0.36 se încadrează în intervalul 20%–40%, indicând o exclusivitate lexicală scăzută); 232 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) 3) Indicele exclusivității vocabularului (IVL) exprimă raportul dintre numărul de hapax legomena care apar o singură dată în text și volumul total al vocabularului. IVL de 0.66 se încadrează în intervalul 60%–76%, indicând un grad ridicat de exclusivitate lexicală. În continuare, să examinăm parametrii statistici ai corelației cantitative dintre clasele lexicale și gramaticale ale cuvintelor din Textul 1: 1) Indicele atributelor nominale sau epitetizarea (IIO) exprimă raportul dintre numărul substantivelor și numărul adjectivelor. IIO de 1,07 este mai mare decât norma stilului de presă, de 1,0, indicând predominanța substantivelor asupra adjectivelor, ceea ce duce la mai puține epitete în text; 2) Indicele atributelor verbale (IDO) exprimă raportul dintre numărul adverbelor și numărul verbelor. IDO de 0,57 este mai mare decât norma stilului de presă, de 0,56. Această proporție a adverbelor indică un grad redus al atributelor verbale în text; 3) Gradul de nominalizare (STN) exprimă raportul dintre numărul substantivelor și numărul verbelor. STN de 1,76 este mai mic decât norma stilului de presă, de 3,00. Scăderea acestui indice indică predominanța verbelor asupra substantivelor și un grad redus de nominalizare a textului; 4) Indicele pronominalizării (IPRO) exprimă raportul dintre numărul pronumelor personale și volumul utilizării cuvintelor din text. IPRO de 0,09 este mai mare decât norma stilului de presă și constituie un semn al idiostilului. Pronumele personale reprezintă peste 7% din text, indicând gradul de coeziune a textului; 5) Indicele modalității (MOD) exprimă raportul dintre numărul particulelor și numărul cuvintelor din text. IMOD de 0,07 este mai mare decât norma stilului de presă, de 4%, și constituie un semn al idiostilului. Particulele reprezintă peste 4% din text, ceea ce determină măsura în care autorul exprimă diverse evaluări ale fenomenelor și situațiilor din text; 6) Indicele substantivității (ISUB) exprimă raportul dintre numărul substantivelor și volumul utilizării cuvintelor din text. ISUB de 0,26 este mai mic decât norma stilului de presă. Substantivele reprezintă mai puțin de 30% din text, ceea ce determină gradul redus de staticitate a textului. Să explicăm parametrii statistici ai raportului cantitativ dintre sintagme și propoziții în Textul 1: 1) Indicele dinamismului (IDYN) exprimă raportul dintre numărul grupurilor verbale și numărul grupurilor nominale. IDYN de 0,74 este mai mare decât norma stilului de presă, de 0,6, și constituie un semn al idiostilului. Predominanța grupurilor verbale asupra grupurilor nominale (IDYN mai mare de 1,0) determină desfășurarea dinamică și rapidă a evenimentelor în semnificația textului; Straipsniai / Articles 233 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK 2) Indicele coerenței (IZV) exprimă raportul dintre numărul prepozițiilor și conjuncțiilor și numărul propozițiilor din text. IZV de 0,66 se încadrează în intervalul tipic de la 0,45 la 0,90 pentru stilul de presă, indicând predominanța numărului propozițiilor asupra numărului prepozițiilor și conjuncțiilor. Aceasta determină gradul mediu de coerență dintre realitățile, fenomenele și situațiile descrise în Textul 1. O atenție deosebită va fi acordată parametrilor statistici psiholingvistici (Chuhunov 2009) din Textul 1: 1) Coeficientul Trager (KT) exprimă raportul dintre numărul verbelor și numărul adjectivelor din text, indicând stabilitatea/instabilitatea emoțională a vorbitorului. KT de 0,61 este mai mare decât norma stilului de presă, de 0,5, și constituie un semn al idiostilului. Conform interpretării psihologice, aceasta indică o emotivitate scăzută a autorului/vorbitorului, nehotărâre în întreprinderea unor acțiuni practice active și anxietate. Valoarea din intervalul 1,35 ± 0,05 determină stabilitatea emoțională și reglarea normale ale autorului; 2) Coeficientul certitudinii acțiunii (KOD) exprimă raportul dintre numărul verbelor și numărul substantivelor din text. Acest raport indică gradul de socializare a autorului și completitudinea sintactică a enunțului. KOD de 0,57 se încadrează în intervalul tipic de la 0,30 la 0,60 pentru stilul de presă, indicând un grad scăzut al coeficientului acțiunii obiectivate. Conform interpretării psihologice, aceasta sugerează un nivel scăzut de emotivitate al autorului/vorbitorului, nehotărâre în privința acțiunilor practice active și anxietate. O valoare în intervalul 1,35 ± 0,05 determină stabilitatea emoțională normală și reglarea emoțiilor de către autor, ceea ce, pe baza caracteristicilor lingvistice, indică un grad normal de completitudine sintactică a propozițiilor și o structură sintactică corectă; 3) Coeficientul agresivității (KA) exprimă raportul dintre numărul verbelor și utilizarea verbelor și numărul total de cuvinte din text, marcând agresivitatea limbajului din perspectivă psiholingvistică. KA de 0,15 este mai mare decât norma stilului de presă, de 13%, și constituie un semn al idiostilului. Conform interpretării psihologice, valorile sub 60% indică un grad redus de agresivitate, emoțiile reprimate ale autorului și nehotărârea acestuia. Apropierea de 60% determină gradul normal de agresivitate și stabilitatea emoțională a autorului, în timp ce valorile de peste 60% indică agresivitate ridicată și excitare emoțională a autorului. În cele din urmă, să examinăm parametrul statistic semantic al Textului 1: Indicele toxicității textului (ITOX) se calculează pe baza frecvenței vocabularului negativ din text (pentru mai multe detalii, a se vedea secțiunea 4.3). Valoarea ITOX de 0,36 se încadrează în intervalul tipic de la 0,1 la 0,7 pentru stilul de presă. ITOX modelează atitudinile cognitive și pragmatice față de emoțiile negative. 234 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) 4.2. Compararea textelor pe baza parametrilor statistici Sarcina evaluării gradului de similitudine dintre două texte a presupus testarea Ipotezei 2. Această ipoteză afirmă că, dacă datele empirice rezultate din parametrizarea statistică a două texte prezintă doar o mică diferență între valorile numerice ale indicilor, atunci aceste texte aparțin aceluiași autor. Ipoteza este testată în cadrul sistemului în două moduri: 1) prin compararea valorilor numerice ale fiecărui indice din cele două texte; 2) prin determinarea distanței vectoriale dintre cele două texte. Aceste probleme sunt implementate în secțiunea Compararea atribuirii textelor. Prima sarcină presupune compararea datelor empirice ale textelor folosind indici pe scala intervalului de încredere a stilului de presă (Fig. 3). După cum se prezintă în Fig. 3, caracteristicile cantitative ale parametrilor ambelor texte sunt afișate în culori diferite, pentru comoditatea utilizatorului. Vizualizarea compară valorile empirice ale indicilor ambelor texte cu pragurile intervalului de încredere (inferior și superior), derivate din textele de stil de presă ucrainene. FIGURA 3: Compararea distanței vectoriale a textelor A doua sarcină constă în calcularea distanței vectoriale dintre două texte folosind formula distanței euclidiene. Aceasta presupune însumarea pătratelor diferențelor dintre valorile numerice ale celor 15 parametri statistici ai celor două texte. Apoi se calculează rădăcina pătrată a acestei sume. Valorile numerice Straipsniai / Articles 235 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK ale distanței vectoriale indică amploarea disimilarității statistice dintre texte și oferă o măsură a distanței dintre acestea. Deși fluctuațiile valorii distanței vectoriale pentru textele de presă nu sunt bine cunoscute, distanța poate fi 0 la compararea unor texte identice. Aceasta implică faptul că textele sunt diferite dacă distanța vectorială este mai mare decât 0. Mai mult, cu cât valoarea numerică a distanței vectoriale este mai mare, cu atât diferențele lingvistice și statistice dintre texte sunt mai mari. Compararea distanței euclidiene este prezentată în format tabelar. În Coloana 4 din Fig. 4, valorile numerice reprezintă distanțele euclidiene. Fig. 4 prezintă compararea textului analizat de Oleksii Honcharenko (Textul 1) cu alte trei texte ale aceluiași autor: linia 1 pentru Textul 2 (distanța 0,44); linia 2 pentru Textul 3 (distanța 0,56); linia 3 pentru Textul 4 (distanța 0,77). Datele empirice demonstrează că similitudinea dintre textele unui singur autor rămâne în limitele valorii 1, în timp ce textele altor autori (liniile 4–10) prezintă distanțe mai mari decât 1. FIGURA 4. Sistematizarea distanței euclidiene dintre texte Compararea parametrilor statistici ai textelor ne convinge că metodologia de atribuire propusă relevă un model stilometric al textelor în limba ucraineană. Acest model poate fi utilizat și pentru determinarea autorului textului. Vom confirma acest lucru printr-o reprezentare vizuală a atribuirii a 7 texte de către trei autori diferiți, pe baza a 15 parametri statistici, folosind metoda Aproximării și proiecției varietății uniforme (UMAP) (McInnes et al. 2020), al cărei algoritm este implementat, de asemenea, în sistemul TextAttributor. Această 236 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) tehnică permite reducerea dimensionalității spațiului caracteristicilor prin proiectarea unui spațiu cu 15 dimensiuni pe plan. În Fig. 5, punctele de forme diferite (P1–P7 pentru Autorul 1, F1–F7 pentru Autorul 2, M1–M7 pentru Autorul 3) corespund celor 7 texte selectate aleatoriu de la autori diferiți. După cum putem vedea, după reducerea dimensionalității, reprezentările punctelor textelor celor trei autori pot fi separate vizibil în zone distincte. Acest exemplu confirmă că parametrii definiți de TextAttributor sunt importanți pentru descrierea caracteristicilor stilistice ale textelor și pentru determinarea autorului textului (chiar și într-o formă redusă). FIGURA 5: Reprezentarea grafică a atribuirii textelor folosind metoda UMAP 4.3. Indexarea sentimentului negativ al textului În timpul dezvoltării unui sistem de parametri statistici pentru determinarea stilului și autorului textului, am recunoscut că toxicitatea textului ar putea servi drept indice de atribuire. Prin urmare, am creat un modul separat pentru determinarea automată a indicelui toxicității în TextAttributor. Straispsniai / Articles 237 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK Astăzi, componenta informațională a devenit deosebit de importantă în războiul hibrid. Prin urmare, materialul studiului nostru a fost un corpus de cercetare alcătuit din texte de presă online ale discursului politic, cu un volum de 10 milioane de cuvinte. Folosim termenul „text toxic” în sens larg. Aceste texte se caracterizează prin hărțuire, amenințări, obscenitate, hărțuire cibernetică, trolling și texte bazate pe ură identitară și conțin emoticoane, care sunt fenomene și obiecte ce provoacă emoții negative unei persoane (de exemplu, război, raid aerian, corupție). Acest proiect a urmărit să determine potențialul realizării sentimentului negativ în textele ucrainene și să dezvolte un sistem automat pentru identificarea conținutului toxic. Această sarcină a cuprins două subsarcini consecutive: mai întâi, dezvoltarea unui sistem de examinare lingvistică a textelor toxice, cu determinarea indicilor toxicității prin analiză de dicționar și metode bazate pe reguli; apoi, construirea unui set de date de antrenare în scopuri de învățare automată și dezvoltarea unei rețele neuronale pentru prezicerea indicilor toxicității textului. Să analizăm îndeplinirea primei sarcini. Aceasta a presupus construirea unei baze de date lexicografice care conține trei dicționare distincte: 1) Dicționarul emotogen: o compilație de 5000 de cuvinte (conform sensurilor variantelor lexico-semantice), cu nuanțe de sentiment negativ, evaluate pe o scară de −2. Exemplele includ imoral, impunitate, mită și a fura; 2) Dicționarul discursului instigator la ură: cuprinde 3000 de cuvinte, inclusiv nume de persoane (1620), termeni obsceni (613) și limbaj injurios (787). Exemplele includ occidental (западенець: denumire depreciativă pentru persoanele din regiunile vestice ale Ucrainei) și bișnițar; 3) Expresii toxice: o colecție de 1500 de expresii idiomatice care transmit emoții negative. Exemplele includ se strâmbă precum o maimuță, își sărută fundul și deschide gura. Fiecare intrare din aceste liste a fost adnotată cu trăsături semantice, Dicționarul discursului instigator la ură având 18 trăsături, iar lista Expresiilor toxice, 26. De exemplu, cuvintele din Dicționarul discursului instigator la ură au fost etichetate cu caracteristici precum „s” pentru sexism, „r” pentru rasism și „e” pentru discriminarea pe criteriul vârstei. Această bază de date lexicografică, un sistem multiparametric, atribuie trăsături semantice unităților (cuvinte sau expresii) care, combinate cu datele de frecvență din textul analizat, permit analiza toxicității. Indicele toxicității textului se calculează folosind formula: Itox = (e + |K| (m + t)) / n * 10, Aici, n reprezintă volumul textului; e reprezintă numărul cuvintelor emoționale; m reprezintă numărul cuvintelor din discursul instigator la ură; t reprezintă numărul expresiilor toxice; K este un coeficient egal cu −2; acesta accentuează cuvintele din discursul instigator la ură și expresiile toxice, care, pe o scară de 238 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) cinci trepte (+2, +1, 0, −1, −2) corespunde valorii −2. Valorile indicelui variază de la 0 la +1. De exemplu, indicele toxicității textului „Oameni cu un pix roșu (Люди з червоною ручкою)” (12 propoziții, 129 de cuvinte) este 1,01, indicând toxicitatea sa ridicată, deoarece pragul pentru astfel de texte scurte variază de la 0,1 la 0,7. În același timp, sistemul generează rezultatele unei examinări lingvistice automate a toxicității textului (a se vedea Fig. 6), care cuprinde: 1) o hartă statistică a claselor semantice ale vocabularului negativ conform markerilor de clasificare ai listelor lexicografice (emotogene – 5, vulgarisme – 2, sexism – 2); 2) un text cu anumite cuvinte ale sentimentului negativ, care verbalizează categoriile hărții statistice. Să examinăm un fragment al textului real analizat (Fig. 6): acei oameni care umblă cu un pix roșu și corectează greșeli în postările altora: cine mai sunteți? Aveți măcar idee cât de enervanți sunteți? Vă studiez profilurile intenționat, sunt curioasă în ce lume existați. Lumea aceasta mă sperie foarte mult. Sper sincer ca în viața reală să nu ne intersectăm sub nicio formă. (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). Aici, sistemul evidențiază automat cu caractere aldine următoarele cuvinte cu componentă negativă: greșeli (помилки), postările altora (чужих), enervanți (бісите), mă sperie (лякає). FIGURA 6: Fragment al examinării lingvistice automate a toxicității textului Straipsniai / Articles 239 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK 5. ABORDĂRI BAZATE PE ÎNVĂȚAREA AUTOMATĂ: EXPERIMENTE, REZULTATE ȘI DISCUȚII Să ne concentrăm asupra celui de-al doilea mod de operare al sistemului TextAttributor, dedicat tehnicilor de învățare automată. La intrarea pentru antrenarea modelului avem corpusuri de texte etichetate în funcție de obiectivul fiecărei subsarcini: (a) informații textuale pentru detectarea toxicității și (b) identificarea autorului. Fiecare corpus este împărțit în seturi de antrenare și de control, precum și, pentru un corpus suficient de mare, într-un set de validare. Parametrii modelului ales pentru rezolvarea problemei sunt estimați pe setul de antrenare. Hiperparametrii modelului sunt ajustați pe baza setului de validare. Indicatorii finali de performanță ai modelului sunt măsurați pe un set de control, ținând cont de disponibilitatea resurselor de calcul necesare pentru funcționarea modelului. Pentru fiecare subsarcină a fost elaborat un corpus în paralel cu componenta de învățare automată TextAttributor, astfel încât modelele actuale au fost antrenate pe date relativ reduse, inclusiv texte scurte de pe internet provenite din bloguri, comentarii, articole etc. în limba ucraineană. 5.1. Detectarea toxicității Ca rezultat al unei serii de studii experimentale, a fost aleasă o arhitectură eficientă din punct de vedere computațional, bazată pe metoda fastText și instrumentele acesteia (Joulin et al. 2016). Această metodă furnizează reprezentări vectoriale ale cuvintelor și estimează distribuția probabilității documentelor în funcție de clase predefinite. Cuvintele sunt reprezentate sub formă de vectori pe baza împărțirii automate a cuvintelor în părți (subcuvinte), ceea ce simulează deschiderea dicționarului. Reprezentarea prin subcuvinte este importantă deoarece limba ucraineană este puternic flexionară, iar numeroase cuvinte necunoscute, precum și cuvinte cu erori de ortografie, trebuie acoperite. Eficiența abordării utilizate este determinată și de condițiile tehnice de funcționare a sistemului și de resursele textuale disponibile pentru antrenarea modelului. Un corpus pregătit de aproximativ 12 000 de documente text a fost utilizat pentru clasificarea binară în vederea detectării conținutului toxic. Cel mai bun rezultat, pe baza metricii generalizate (F1 = 79,4%), a fost obținut cu următoarele setări ale hiperparametrilor: dimensionalitatea vectorului de cuvinte de 56, o rată inițială de învățare de 0,15, 500 de epoci de antrenare, context lexical reprezentat prin bigrame, lungimi ale subcuvintelor cuprinse între 2 și 5 caractere și un prag de decizie de 0,4. În plus, modelul a demonstrat o sensibilitate de 85%, obținând în același timp o acuratețe de aproximativ 70%. 240 Acta Linguistica Lithuanica XCI The System for Automatic Stylometric Analysis of Ukrainian Media Texts TextAttributor 1.0 (Techniques, Means, Functionality) 5.2. Identificarea autorului Cercetarea experimentală a modelelor pentru identificarea autorului textelor a fost realizată folosind o parte a corpusului de texte sociopolitice disponibile public, în care este posibilă identificarea persoanei care este autorul documentului. Au fost selectate în total 702 texte de la patru autori care au publicat cel mai mare număr de documente cuprinse între 60 și 1000 de caractere. Cel mai mare număr de publicații ale unui autor este 304 (115 mii de caractere), iar cel mai mic este 109 (49 de mii de caractere). Pentru testare, au fost eșantionate aleatoriu câte 25 de texte pentru fiecare autor selectat. Restul documentelor au constituit setul de antrenare. Cel mai bun rezultat, conform metricii generalizate (F1 = 81%), a fost obținut cu următoarele valori ale hiperparametrilor: o dimensiune a spațiului reprezentărilor vectoriale ale cuvintelor de 50, o rată inițială de învățare de 0,1, 50 de epoci de antrenare, context lexical reprezentat prin bigrame, lungimi ale subcuvintelor cuprinse între 2 și 5 caractere și un prag de luare a deciziei de 0,5. Este de remarcat faptul că, pentru anumite configurații ale modelului, sensibilitatea față de autorul cu cel mai mare număr de documente din setul de date a atins 100%, cu o acuratețe de peste 90%. Aceste rezultate demonstrează fezabilitatea dezvoltării unui sistem eficient, capabil să acopere cu precizie textele autorilor reprezentați suficient în setul de antrenare. Modelele de rețele neuronale antrenate au fost integrate în sistemul TextAttributor într-o arhitectură „client-server”, în care sunt prezentate rezultatele a două sarcini: (a) determinarea toxicității și (b) detectarea autorului. Rezultatul funcționării sistemului pe textul „Legii Ucrainei privind învățământul superior”: Indicele toxicității (estimare sub forma unei probabilități: cât de toxic este textul) – 0,04, similaritatea cu autorii (estimări sub forma probabilității autorului pentru autorii cunoscuți de sistem): 0,49 pentru I. Farion, 0,30 pentru Oleksii Honcharenko și 0,22 pentru Mariana Bezugla. 6. CONCLUZII În prezent, sistemul TextAttributor se află în faza de testare pentru abordarea problemelor de atribuire și determinare a toxicității în textele în limba ucraineană. Acest sistem este atât convenabil, cât și eficient pentru diverse studii tehnologice. În decurs de 5 luni, aplicația web TextAttributor a analizat automat 784 de texte ucrainene aparținând unui număr de 226 de utilizatori. Rezultatele noastre demonstrează eficiența metodei noastre, care presupune cuantificarea elementelor verbale pe baza unor parametri gramaticali formali și semantici, în special pentru emotivitatea negativă. Aceasta se realizează prin combinarea abordărilor bazate pe dicționar și pe reguli, completate de metode de învățare automată Straipsniai / Articles 241 NATALIIA DARCHUK, OKSANA ZUBAN, VALENTYNA ROBEIKO, YULIIA TSYHVINTSEVA, VICTOR SOROKIN, MYKOLA SAZHOK tehnici. Cercetarea experimentală prin învățare automată pentru detectarea toxicității și identificarea autorului pe baza textului ne-a permis să obținem rezultate comparabile cu rezultatele experimentelor cu caracteristici similare ale modelelor (număr de documente și autori) raportate pentru alte limbi. Modelele cu subcuvinte au demonstrat o robustețe sporită în fața deschiderii lexicale și a erorilor textuale. Cercetarea realizată deschide calea pentru rezolvarea unor probleme pentru limba ucraineană, precum detectarea și monitorizarea conținutului toxic, a discursului instigator la ură și a dezinformării, verificarea și deanonimizarea autorului, profilarea autorului și diarizarea, profilarea psiholingvistică, modelarea stilului și urmărirea sursei conținutului fals etc. Schema elaborată de analiză și atribuire a textelor poate fi aplicată și altor limbi. În perspectivă, intenționăm să integrăm instrumentul nostru automat de atribuire a textelor și detectare a toxicității cu analiza semantică, sintactică, psiholingvistică și sociolingvistică. Această integrare ne va oferi o înțelegere mai profundă a impactului asupra cititorului. Prin utilizarea analizei semantice a taxonomiei lexicale, urmărim să identificăm elementele narative inerente textului, sporind astfel fiabilitatea atribuirii textului în procedurile de identificare a autorului. În plus, intenționăm să ne extindem corpusurile de texte și să utilizăm modele lingvistice mari multilingve pentru a extinde în continuare capacitățile sistemului nostru, precum și să implementăm instrumente pentru compararea statistică a textelor pentru toate stilurile limbii ucrainene. Mulțumiri Sistemul a fost creat în cadrul unui proiect sprijinit de Ambasada Britanică la Kyiv și realizat de o echipă de cadre didactice și cercetători ai Catedrei de Limbă ucraineană și lingvistică aplicată a Universității Naționale „Taras Shevchenko” din Kyiv. Dorim să ne exprimăm sincera apreciere Ambasadei Britanice la Kyiv pentru sprijinul financiar acordat acestui proiect de cercetare. Le suntem recunoscători Svetlanei Yavorska și Irinei Bezkorovayna pentru îndrumarea și asistența oferite pe parcursul proiectului. Mulțumiri speciale lui Kostiantyn Goncharenko pentru organizarea și sprijinul documentar al proiectului. De asemenea, le mulțumim studenților programului educațional „Lingvistică aplicată (informatică) și limba engleză” al Universității Naționale „Taras Shevchenko” din Kyiv. Aceștia și-au oferit timpul, competențele și eforturile pentru formarea corpusului de texte toxice ucrainene. Îi mulțumim Oksanei Tolochko, absolventă a programului nostru de licență, pentru crearea unui dicționar tonal al limbii ucrainene, pe care l-am utilizat pentru alcătuirea unei liste lexicografice a emoticoanelor negative. În plus, apreciem profund eforturile depuse de Mykola Kostikov în procesul de colectare a datelor. Dorim să ne exprimăm sincera recunoștință tuturor membrilor comunității de cercetare care au contribuit la acest studiu prin sfaturi și consultanță. 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