Cette étude propose deux nouvelles techniques de normalisation, la Correction Racine Carrée (Square Root Correction) et la Correction Hapax (Hapax Correction), pour dériver des rapports de vraisemblance à partir de la méthode de vérification d'auteur LambdaG sans nécessiter de modèle de calibration séparé. Ces méthodes sont conçues pour atténuer la surestimation de la force probante causée par des textes longs ou très répétitifs.
- Évaluées par rapport à la calibration par régression logistique sur quinze corpus et des longueurs de texte allant de 100 à 9 500 tokens en utilisant le coût du rapport de vraisemblance logarithmique (Cllr).
- Les méthodes proposées atteignent des performances comparables à celles de la calibration par régression logistique.
- La Correction Hapax surpasse la calibration par régression logistique dans environ 45 % des tests pondérés par corpus.
- Les performances sont plus fréquemment proches (à moins de 5 %) lorsque la Correction Hapax est surpassée par rapport à la comparaison inverse.
L'élimination du besoin d'un modèle de calibration réduit les exigences en données, le temps et la complexité, augmentant ainsi l'accessibilité et la transparence de la comparaison de textes forensiques.