В данном исследовании предлагаются две новые техники нормализации: исправление квадратным корнем (Square Root Correction) и исправление Хапакс (Hapax Correction), позволяющие получать отношения правдоподобия из метода верификации авторства LambdaG без необходимости использования отдельной калибровочной модели. Эти методы разработаны для смягчения переоценки силы доказательств, вызванной длинными или высокоповторяющимися текстами.
- Оценка проводилась по сравнению с калибровкой логистической регрессии на пятнадцати корпусах и длинах текста от 100 до 9 500 токенов с использованием стоимости log-likelihood ratio (Cllr).
- Предлагаемые методы демонстрируют производительность, сопоставимую с калибровкой логистической регрессии.
- Исправление Hapax превосходит калибровку логистической регрессии примерно в 45% тестов, взвешенных по корпусам.
- Производительность чаще оказывается близкой (в пределах 5%), когда исправление Hapax уступает, по сравнению с обратным сравнением.
Устранение необходимости в калибровочной модели снижает требования к данным, время и сложность, тем самым повышая доступность и прозрачность судебно-текстового сравнения.