U ovom eseju obrađena je tema korištenja statističkih značajki za pripisivanje autorstva teksta u računalnoj forenzici. Istaknuto je nekoliko metoda za atribuciju autorstva, uključujući stilometriju, leksičku analizu, frazeologiju, n-grame i omjer funkcionalnih riječi. Također su uspoređene prednosti i nedostaci svake metode te istaknuta najnovija dostignuća na tom području. Iako su statističke značajke moćan alat, važno je koristiti više metoda zajedno kako bi se dobio što kvalitetniji rezultat. Postoje nedostaci svake metode i nijedna nije u potpunosti precizna.

Računalna forenzika područje je koje uključuje istraživanje i analizu digitalnih dokaza kako bi se otkrile informacije, s ciljem potvrđivanja ili opovrgnuća neke tvrdnje. Jedan važan aspekt ovog procesa je analiza tekstualnih dokumenata kako bi se utvrdilo njihovo autorstvo te on nije ograničen samo na kriminalističke istrage, uključuje i pitanja poput plagijarizma i autorskih prava. Taj proces može biti vrlo izazovan, posebno u slučajevima kada je tekst anoniman ili kada je više autora doprinijelo tekstu. U ovom seminaru raspravljat će se o korištenju statističkih značajki za pripisivanje autorstva teksta, uključujući metode i tehnike koje se koriste, prednosti i nedostatke tih metoda te nedavni razvoj u tom području.

Postoji nekoliko metoda za pripisivanje autorstva tekstualnom dokumentu, uključujući lingvističke, stilističke i statističke metode. Jedna od uobičajenih metoda je korištenje stilometrije, koja uključuje analizu stila pisanja teksta kako bi se odredio njegov autor. Druga česta metoda je korištenje leksičke analize, koja uključuje analizu riječi korištenih u tekstu. Statističke metode mogu se koristiti zasebno, ali pojavljuju se i tijekom analize prethodno navedenim metodama.

Stilometrija obuhvaća analizu značajki kao što su izbor riječi, struktura rečenice i interpunkcija. Stilometrija se može koristiti za analizu rukom pisanih i tipkanih dokumenata, a može se koristiti za identifikaciju autora dokumenta čak i kada je tekst anoniman ili kada je dokumentu pridonijelo više autora. Velikim dijelom koristi statističke metode poput omjera funkcionalnih riječi koji će biti naknadno detaljnije opisan.

Može uključivati analizu učestalosti određenih riječi ili skupina riječi, kao i korištenje specifičnih gramatičkih struktura. Leksička analiza može se koristiti za identifikaciju autora dokumenta usporedbom teksta s poznatim primjercima pisanja potencijalnog autora.

Statističke značajke moćan su alat za pripisivanje autorstva tekstualnom dokumentu. Ove značajke mogu uključivati širok raspon metrika kao što je prosječna duljina riječi, duljina rečenice i upotreba određenih riječi ili grupa riječi. Statističke značajke mogu se koristiti za prepoznavanje jedinstvenih stilova pisanja i mogu se koristiti za usporedbu različitih dokumenata kako bi se utvrdilo njihovo autorstvo.

Jedna često korištena statistička značajka je omjer funkcionalnih riječi. To su riječi koje se često pojavljuju u tekstu, ali ne nose mnogo informacija o sadržaju, kao što su “i”, “ali”, “u” itd. Usporedbom njihove učestalosti s učestalošću sadržajnih riječi (kao što su imenice ili glagoli), dobiveni omjer može koristiti za prepoznavanje jedinstvenih stilova pisanja te za komparaciju različitih dokumenata kako bi se utvrdilo njihovo autorstvo.

Druga statistička značajka koja se može koristiti za pripisivanje autorstva je analiza frazeologije, odnosno analiza kombinacija riječi koje se često pojavljuju zajedno. Ova metoda može pružiti informacije o jezičnom kontekstu i stilu pisanja pojedinačnog autora. Najčešće se zasniva na analizi korištenjem n-grama. N-gram je niz od n riječi, a učestalost određenih n-grama može se koristiti za identifikaciju jedinstvenih stilova pisanja. To može uključivati analizu učestalosti specifičnih unigrama (pojedinačne riječi), bigrama (dvije uzastopne riječi), trigrama (tri uzastopne riječi) i tako dalje. Uspoređujući učestalost specifičnih n-grama u tekstualnom dokumentu s poznatim uzorkom pisanja potencijalnog autora, moguće je identificirati autora dokumenta čak i kada je tekst anoniman. Međutim, kao i svaka metoda, N-grami također imaju neka ograničenja. Na primjer, mogućnost lažno pozitivnih rezultata u procesu atribucije, ako je uzorak teksta malen ili ne predstavlja autorov stil pisanja. Osim toga, ako je tekst jako izmijenjen ili ponovno napisan, n-grami možda neće moći odražavati izvorno autorstvo. Kako bi se prevladala ta ograničenja, nedavni razvoj na tom području usmjeren je na korištenje tehnika strojnog učenja za poboljšanje točnosti pripisivanja autorstva korištenjem N-grama. To može uključivati upotrebu neuronskih mreža i drugih algoritama strojnog učenja za analizu stila pisanja i prepoznavanje jedinstvenih uzoraka u tekstu. Osim toga, neke su studije pokazale da kombinacija različitih značajki poput N-grama s drugim značajkama poput leksičkih, sintaktičkih i funkcionalnih riječi može poboljšati točnost pripisivanja autorstva.

Korištenje stilometrije i leksičke analize za atribuciju autorstva ima nekoliko prednosti, uključujući mogućnost identifikacije autora dokumenta čak i kada je tekst anoniman ili kada je dokumentu pridonijelo više autora. Ove se metode također mogu koristiti za analizu rukom pisanih i tipkanih dokumenata. Upotreba statističkih značajki za atribuciju autorstva također ima nekoliko prednosti, uključujući mogućnost identifikacije jedinstvenih stilova pisanja i mogućnost usporedbe različitih dokumenata kako bi se utvrdilo njihovo autorstvo. Međutim, postoji i nekoliko zajedničkih nedostataka svim navedenim metodama, a glavna od njih je potreba za velikim uzorkom poznatih uzoraka pisanja za usporedbu te mogućnost lažno pozitivnih rezultata u procesu atribucije.

Posljednjih godina došlo je do nekoliko napretka u području pripisivanja autorstva, uključujući korištenje tehnika strojnog učenja za poboljšanje točnosti pripisivanja autorstva. Ove tehnike mogu uključivati korištenje neuronskih mreža i drugih algoritama strojnog učenja za analizu stila pisanja i prepoznavanje jedinstvenih uzoraka u tekstu. Uz to, sve je veći fokus na razvoju metoda za atribuciju autorstva u višejezičnim tekstovima, kao i metodama za analizu teksta na internetu i na društvenim mrežama, što predstavlja drugačije izazove od tradicionalnog teksta. Još jedan važan razvoj u ovom području je korištenje digitalnih forenzičkih alata i tehnika za izvlačenje informacija iz tekstualnih dokumenata. To može uključivati korištenje tekstualne steganografije za skrivanje informacija unutar dokumenta, kao i korištenje forenzičke analize slike za otkrivanje skrivenih informacija unutar slika ili drugog multimedijskog sadržaja.

Zaključno, korištenje statističkih značajki za atribuciju autorstva teksta u računalnoj forenzici moćan je alat za identifikaciju autora tekstualnog dokumenta. Ove metode mogu uključivati upotrebu stilometrije, leksičku analizu frazeologije i gramatike te upotrebu statističkih značajki kao što su n-grami i omjer funkcionalnih riječi. Treba imati na umu da postoji mogućnost lažnih tragova te se trebaju provesti višestruke analize s više različitih metoda, kako bi se dobio što pouzdaniji rezultat. Iako postoje prednosti i nedostaci svake metode, nedavni razvoj na tom području, poput upotrebe tehnika strojnog učenja i digitalnih forenzičkih alata, ima potencijal za poboljšanje točnosti i učinkovitosti pripisivanja autorstva.

[1] N. M. Sharon Belvisi, N. Muhammad and F. Alonso-Fernandez, "Forensic Authorship Analysis of Microblogging Texts Using N-Grams and Stylometric Features," 2020

[2] R. Johnson, "Authorship Attribution with Function Word N-Grams", 2013

[3] M. Lazarević, "Analiza poruka pomoću stilometrije ili analize teksta", 2015

[4] Khomytska, I., Teslyuk, V., "Statistical Models for Authorship Attribution", 2020

[5] Lytvyn, Vasyl & Vysotska, Victoria & Pukach, Petro & Bobyk, Igor & Uhryn, Dmytro, "Development of a method for the recognition of author’s style in the Ukrainian language texts based on linguometry, stylemetry and glottochronology", 2017