Studi ini mengusulkan dua teknik normalisasi baru, Koreksi Akar Kuadrat (Square Root Correction) dan Koreksi Hapax (Hapax Correction), untuk menurunkan rasio likelihood dari metode verifikasi penulis LambdaG tanpa memerlukan model kalibrasi terpisah. Metode-metode ini dirancang untuk mengurangi estimasi berlebihan kekuatan bukti yang disebabkan oleh teks yang panjang atau sangat repetitif.
- Dievaluasi terhadap kalibrasi regresi logistik di seluruh lima belas korpus dan panjang teks berkisar dari 100 hingga 9.500 token menggunakan biaya rasio likelihood log (Cllr).
- Metode yang diusulkan mencapai kinerja yang sebanding dengan kalibrasi regresi logistik.
- Koreksi Hapax mengungguli kalibrasi regresi logistik dalam sekitar 45% dari pengujian yang dibobotkan oleh korpus.
- Kinerja lebih sering dekat (dalam 5%) ketika Koreksi Hapak dikalahkan dibandingkan dengan perbandingan sebaliknya.
Menghilangkan kebutuhan akan model kalibrasi mengurangi persyaratan data, waktu, dan kompleksitas, sehingga meningkatkan aksesibilitas dan transparansi perbandingan teks forensik.