[论文解读] 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 6

一句话总结

本研究开发了一种结合手写文本识别（HTR）与风格分析的混合人机流程，以评估保罗·梅耶在19世纪提出的关于古法语圣徒传记文集编纂的假说。基于手稿BnF fr. 412，研究证实了梅耶关于A、B、C三类文集的结构模型，识别出潜在的子系列，并提出瓦西埃·德·德南可能为《圣兰贝尔特传》的作者——该作品此前被归入B类文集但缺乏典型作者标记。

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.

研究动机与目标

• 评估保罗·梅耶于1906年提出的关于古法语圣徒传记文集编纂的假说，特别是A、B、C三类文集的结构分组。
• 解决在高拼写变异与OCR错误背景下，对短篇、噪声大的中世纪文本进行计算风格分析的挑战。
• 在匿名的圣徒传记文集 corpus（BnF fr. 412）中识别潜在的子系列与作者群体。
• 检验基于HTR处理数据的风格分析是否能在数据噪声与训练数据有限的情况下可靠检测出作者或主题分组。
• 探索计算方法在重新评估19世纪文献学假说（关于中世纪手稿流传）中的可行性。

提出的方法

• 开发多阶段数据流程：图像获取 → 行检测 → 使用Transkribus与Kraken进行HTR → 文本标准化 → 语言学标注（词性、词干）。
• 采用字符3-gram作为基线特征集进行风格分析，该方法在先前研究中已被证明对噪声OCR与HTR数据有效。
• 比较替代特征（词性3-gram、词干、功能词干）以评估其在预处理步骤累积误差下的鲁棒性。
• 使用层次聚类与多维缩放（MDS）可视化文本相似性，并识别文集中的分组。
• 结合多种特征类型（如字符3-gram与词干）以提升短文本（<3000词）中的稳定性。
• 通过细致阅读进行定性验证，将风格分析分组与已知作者标记（如署名、赞助人、拉丁语底本）进行比对。

实验结果

研究问题

• RQ1 基于HTR处理的中世纪手稿数据，风格分析能否可靠检测出保罗·梅耶关于古法语传奇文集编纂假说中提出的结构分组？
• RQ2 BnF fr. 412中的圣徒传记是否形成与梅耶提出的A、B、C类文集一致的连贯子系列，或揭示新的分组？
• RQ3 是否存在证据表明《圣兰贝尔特传》存在作者署名，而该作品目前既不符合梅耶的框架，也未见于瓦西埃·德·德南的已知作品中？
• RQ4 在短篇、噪声大的中世纪文本中，不同特征类型（字符n-gram、词干、词性3-gram）在检测分组时的表现如何？
• RQ5 在缺乏传统文献学证据的情况下，计算风格分析能否检测出匿名文本中的作者签名或风格标记？

主要发现

• 基于原始HTR数据的字符3-gram风格分析，证实了保罗·梅耶关于古法语传奇文集A、B、C三类文集编纂结构的假说具有结构完整性。
• 分析揭示了一个此前未被注意的潜在子系列，表明《圣隆吉内传》可能属于B类文集而非A类，挑战了其当前分类。
• 在《圣忏悔者传》与《圣兰贝尔特传》之间检测到强烈的风格关联，尽管后者未被归入C类文集且缺乏典型作者标记。
• 在多数特征集（如词性3-gram、词干）中，《圣兰贝尔特传》未与瓦西埃·德·德南的已知作品聚类，但其与《圣忏悔者传》的风格接近提示其可能由瓦西埃所作，或为无署名的译者作品。
• 尽管词干化与词性3-gram提供了互补见解，但其表现未显著优于字符3-gram，可能因预处理步骤的累积误差所致。
• 本研究表明，即使在文本长度低于3000词时，基于字符3-gram或特征拼接的较少稀疏特征，HTR处理数据的风格分析仍具有效性，能确保在不同文本长度下保持稳定结果。