यह अध्ययन दो नवीन सामान्यीकरण तकनीकों, वर्गमूल सुधार (Square Root Correction) और हैपैक्स सुधार (Hapax Correction), का प्रस्ताव देता है ताकि एक अलग कैलिब्रेशन मॉडल की आवश्यकता के बिना लेखकता सत्यापन विधि LambdaG से संभाव्यता अनुपात प्राप्त किए जा सकें। इन विधियों को लंबे या अत्यधिक पुनरावृत्ति वाले पाठों द्वारा कारण होने वाले साक्ष्य शक्ति के अतिआकलन को कम करने के लिए डिज़ाइन किया गया है।
- log-likelihood ratio cost (Cllr) का उपयोग करके पंद्रह कॉर्प्रा और 100 से 9,500 टोकन तक की पाठ लंबाई पर लॉजिस्टिक रिग्रेशन कैलिब्रेशन के खिलाफ मूल्यांकन किया गया।
- प्रस्तावित विधियाँ लॉजिस्टिक रिग्रेशन कैलिब्रेशन के तुलनीय प्रदर्शन प्राप्त करती हैं।
- हैपैक्स सुधार कॉर्प्रा द्वारा भारित परीक्षणों में लगभग 45% में लॉजिस्टिक रिग्रेशन कैलिब्रेशन से बेहतर प्रदर्शन करता है।
- जब हैपैक्स सुधार कम प्रदर्शन करता है, तो प्रदर्शन वास्तविक तुलना की तुलना में अधिक बार निकट (5% के भीतर) होता है।
एक कैलिब्रेशन मॉडल की आवश्यकता को समाप्त करने से डेटा आवश्यकताओं, समय और जटिलता को कम किया जाता है, जिससे फोरेंसिक पाठ तुलन की सुलभता और पारदर्शिता बढ़ती है।