[論文レビュー] Stylometry for Noisy Medieval Data: Evaluating Paul Meyer's Hagiographic Hypothesis

Jean-Baptiste Camps, Thibault Clérice+1 more|arXiv (Cornell University)|Dec 7, 2020

Authorship Attribution and Profiling参考文献 14被引用数 6

ひとこと要約

本研究は、手書き文字認識（HTR）とスタイルメトリクス分析を組み合わせたハイブリッド人間-AIパイプラインを開発し、19世紀のパウル・マイヤーの旧フランス語伝記伝説集の編纂に関する仮説を評価した。マニュスクリプト BnF fr. 412 を用いて、マイヤーの収集A、B、Cの構造的モデルを確認し、潜在的なサブシリーズを同定し、著者マークを欠くにもかかわらず、ワウシェィエ・ド・ドゥネインが『聖ラベルト伝』を著した可能性を示唆した。

ABSTRACT

Stylometric analysis of medieval vernacular texts is still a significant challenge: the importance of scribal variation, be it spelling or more substantial, as well as the variants and errors introduced in the tradition, complicate the task of the would-be stylometrist. Basing the analysis on the study of the copy from a single hand of several texts can partially mitigate these issues (Camps and Cafiero, 2013), but the limited availability of complete diplomatic transcriptions might make this difficult. In this paper, we use a workflow combining handwritten text recognition and stylometric analysis, applied to the case of the hagiographic works contained in MS BnF, fr. 412. We seek to evaluate Paul Meyer's hypothesis about the constitution of groups of hagiographic works, as well as to examine potential authorial groupings in a vastly anonymous corpus.

研究の動機と目的

• 1906年のパウル・マイヤーの旧フランス語伝記伝説集の編纂に関する仮説を評価すること、特に収集A、B、Cの構造的グループ化について。
• 表記のばらつきが大きく、OCR誤りが多発する短い中世テキストを、計算的手法によるスタイルメトリクスで分析する課題に対処すること。
• 匿名の伝記伝説集からなるマニュスクリプト BnF fr. 412 内の潜在的なサブシリーズおよび著者グループを同定すること。
• HTR処理済みデータに対するスタイルメトリクス分析が、データノイズや限られた学習データの下でも、著者的または主題的なグループ化を信頼性を持って検出できるかどうかを検証すること。
• 中世手稿の伝達に関する19世紀の語学的仮説を再評価するための計算手法の可能性を検討すること。

提案手法

• マルチステージのデータパイプラインを構築：画像取得 → 行検出 → TranskribusおよびKrakenを用いたHTR → テキスト正規化 → 語彙的アノテーション（品詞、基本形）。
• 先行研究で、ノイズの多いOCRおよびHTRデータに対して有効であると証明された、文字3-グラムをベースライン特徴量としてスタイルメトリクス分析に適用。
• 代替特徴量（品詞3-グラム、基本形、機能的語彙）を比較し、前処理ステップの累積誤差に対する耐性を評価。
• テキスト類似度の可視化と、コーパス全体におけるグループ化の同定のため、階層的クラスタリングおよび多次元尺度構成（MDS）を用いた。
• 低語彙数テキスト（3000語未満）において安定性を向上させるために、複数の特徴タイプ（例：文字3-グラムと基本形）を組み合わせた。
• 密な読み込みによる定性的な検証を実施し、既知の著者マーク（例：署名、贊助者、ラテン語の下位構造）とスタイルメトリクスのグループ化を照合した。

実験結果

リサーチクエスチョン

• RQ1 HTR処理済みデータに対するスタイルメトリクス分析が、旧フランス語伝説集に関するマイヤーの仮説で提唱された構造的グループ化を、信頼性を持って検出できるか？
• RQ2 BnF fr. 412 の伝記伝説は、マイヤーが提唱した収集A、B、Cと整合する一貫性のあるサブシリーズを形成しているか、それとも新たなグループ化を示しているか？
• RQ3 著者マークを欠くにもかかわらず、『聖ラベルト伝』に著者的帰属の証拠があるか？ これはマイヤーの枠組みに含まれず、ワウシェィエ・ド・ドゥネインの既知の作品とも一致しない。
• RQ4 文字n-グラム、基本形、品詞3-グラムといった異なる特徴タイプは、ノイズが多く、短い中世テキストに対して、グループ化検出においてどの程度の性能を示すか？
• RQ5 伝統的な語学的証拠が欠如する匿名テキストにおいて、計算スタイルメトリクスが著者署名やスタイル的マーカーを検出できるか？

主な発見

• HTR処理済みデータに対する文字3-グラムを用いたスタイルメトリクス分析により、旧フランス語伝説集における収集A、B、Cの編纂に関するマイヤーの仮説の構造的整合性が裏付けられた。
• 分析により、以前に注目されていなかった潜在的なサブシリーズが判明し、『聖ロングラン伝』が収集Aではなく収集Bに属する可能性があることが示され、現在の分類に疑問を呈した。
• 『Li Seint Confessor』と『聖ラベルト伝』との間には、強いスタイル的類似性が検出されたが、後者は収集Cに属さず、典型的な著者マークも欠如している。
• 『聖ラベルト伝』は、ほとんどの特徴セット（例：品詞3-グラム、基本形）においてワウシェィエ・ド・ドゥネインの既知の作品とグループ化されなかったが、『Li Seint Confessor』とのスタイル的近接性から、彼が翻訳者として著した可能性がある。
• 語彙の基本形化と品詞3-グラムは補完的な洞察を提供したが、前処理ステップの累積誤差のため、文字3-グラムを大きく上回ることはなかった。
• 本研究は、文字3-グラムや特徴の連結を用いることで、3000語未満のテキストに対してもスタイルメトリクス分析が有効に機能することを示した。これにより、変動するテキスト長にかかわらず安定した結果が得られることが保証された。