💬 NLP

Normalisation-Based Likelihood Ratio Estimation for Forensic Authorship Verification

Este artigo introduz duas novas técnicas de normalização, as Correções de Raiz Quadrada e de Hapax, que permitem a derivação direta de razões de verossimilhança bem calibradas para verificação de autoria forense sem exigir um modelo de calibração separado, reduzindo assim os requisitos de dados e tempo enquanto alcança um desempenho comparável ou superior à calibração tradicional por regressão logística.

Autores originais: Sadie Barlow, Andrea Nini, Edoardo Manino

Publicado 2026-07-13

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Sadie Barlow, Andrea Nini, Edoardo Manino

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um detetive tentando resolver um mistério: Será que a mesma pessoa escreveu duas notas diferentes? Talvez uma nota seja uma exigência de resgate e a outra uma entrada de diário. Para resolver isso, você precisa de uma ferramenta especial que não diga apenas "elas parecem semelhantes", mas que forneça um número que diga o quanto é mais provável que a mesma pessoa tenha escrito ambas. No mundo da ciência forense, esse número é chamado de Razão de Verossimilhança (LLR).

Por muito tempo, obter um número confiável foi como tentar assar um bolo perfeito sem uma receita. Você tem que pegar uma pontuação bruta de um programa de computador e, então, passá-la por um processo de "calibração" separado e complicado. Esse processo é como um professor rigoroso que precisa provar centenas de outros bolos (dados) antes de poder dizer se o seu bolo é realmente bom ou se apenas parece bom. Isso leva muito tempo, exige muitos dados e muita suposição de especialistas para ser feito corretamente.

O Novo Atalho: Duas Fórmulas Mágicas para o LambdaG

Este artigo apresenta dois novos truques mais simples para corrigir as pontuações brutas de uma ferramenta específica de autoria chamada LambdaG, sem a necessidade daquele "professor" pesado e ávido por dados (o modelo de calibração). Importante: esses truques foram desenhados especificamente para funcionar com o LambdaG, não como uma correção universal para qualquer ferramenta de verificação de autoria.

A razão pela qual esses truques são necessários é uma peculiaridade específica de como o LambdaG funciona. O LambdaG calcula pontuações somando evidências de cada palavra, assumindo que cada palavra é uma pista independente. Isso é chamado de "suposição de Naive Bayes". O problema é que, na vida real, as palavras não são independentes; se um autor repete uma frase, a segunda e a terceira vez que ela aparece não fornecem tanta nova informação quanto a primeira vez. Como o LambdaG não leva isso em conta, ele tende a superestimar a força da evidência, especialmente em textos longos ou repetitivos. Esses novos truques foram projetados especificamente para corrigir essa superestimação.

Os pesquisadores testaram esses truques em 15 coleções diferentes de textos (corpora), variando de artigos acadêmicos e tweets a cadeias de e-mails e registros de chat. Eles analisaram textos tão curtos quanto 100 palavras e tão longos quanto 9.500 palavras.

Aqui estão os dois novos truques que eles propuseram:

A Correção da Raiz Quadrada: Imagine que a pontuação do computador é uma pilha de tijolos. Se o texto for muito longo, a pilha fica enorme, mas nem todos esses tijolos são novos ou úteis; muitos são apenas repetições dos mesmos tijolos antigos. Este truque diz: "Ei, não conte cada tijolo como uma nova descoberta". Ele encolhe a pontuação ao tirar a raiz quadrada do número de palavras. É como perceber que, depois de você ter visto um carro vermelho 50 vezes, o 51º carro vermelho não traz tanta informação nova quanto o primeiro fez.
A Correção Hapax: Esta é ainda mais inteligente. Ela observa quantas palavras no texto aparecem apenas uma vez (estas são chamadas de hapax legomena). Se um texto é cheio de repetições (como um disco riscado), ele tem poucas palavras que aparecem apenas uma vez. Se um texto é diverso e único, ele tem muitas. Este truque multiplica a pontuação pela razão de "palavras de uma única vez" em relação ao total de palavras. Basicamente, ele diz: "Se você está apenas se repetindo, sua pontuação não deve ser tão alta".

O Grande Teste: Eles Funcionam?

Os pesquisadores colocaram esses dois novos truques contra o método antigo e padrão (Regressão Logística de Calibração) para ver qual deles fornecia números de "verdade" mais precisos. Eles usaram uma pontuação específica chamada $C_{llr}$ para medir a precisidade (onde um número menor é melhor).

Eis o que descobriram:

A Correção Hapax é a estrela. Em cerca de 45,4% dos testes, a Correção Hapax na verdade fez um trabalho melhor do que o antigo método de calibração complicado.
Quando não venceu, ainda assim chegou perto. Nos casos em que o método antigo foi melhor, a Correção Hapax geralmente ficou dentro de 5% do desempenho do método antigo. É como um corredor terminando apenas um vislumbre atrás do vencedor.
A Correção da Raiz Quadrada foi um pouco menos consistente. Ela foi superada pelos outros métodos em mais de 70% dos testes, mas ainda mostrou potencial em situações específicas.

Por Que Isso Importa (E O Que Não É)

O artigo argumenta que a forma antiga de fazer as coisas é pesada demais. Ela exige que especialistas reúnam quantidades massivas de dados específicos apenas para treinar o modelo de calibração, e eles ainda precisam fazer suposições subjetivas sobre quais dados escolher. Esta nova abordagem pula tudo isso. É mais rápida, mais simples e não precisa de uma montanha de dados extras para funcionar.

No entanto, o artigo é cuidadoso ao não chamar isso de uma "bala de prata" que resolve tudo para sempre.

É específico para o LambdaG: Estas novas fórmulas foram desenhadas para trabalhar com o sistema LambdaG. Elas não são uma solução de uso geral para todas as ferramentas de verificação de autoria.
Não é perfeita: A Correção Hapax não venceu todas as vezes. De fato, o método antigo ainda venceu com mais frequência no geral.
Não foi provado matematicamente ainda: Os autores admitem que não possuem uma prova matemática perfeita de por que essas fórmulas funcionam tão bem; eles têm teorias fortes baseadas em como a linguagem funciona (como o fato de o vocabulário crescer mais lentamente à medida que o texto se torna mais longo), mas o "porquê" ainda está sendo explorado.
É específica: Estes resultados baseiam-se em textos em inglês. Ainda não sabemos se esses truques funcionam para o francês, japonês ou outros idiomas.
Tem limites: Em textos muito, muito curtos (cerca de 100 tokens), a Correção Hapax teve dificuldades porque não havia dados suficientes para medir as "palavras de uma única vez" com precisão.

A Conclusão

Pense neste artigo como a descoberta de um novo par de botas de trilha mais leves. As botas antigas (Regressão Logística) são pesadas, exigem muito equipamento (dados) e demoram muito para serem amaciadas. As novas botas (Correção Hapax) são mais leves e fáceis de calçar. Elas nem sempre farão você correr mais rápido do que as botas antigas, mas em cerca de 45% das trilhas testadas, elas foram de fato mais rápidas e, no restante, foram quase tão boas quanto.

Para especialistas forenses que precisam explicar suas descobertas a um júri sem se perderem em dados de treinamento complexos, esses novos truques oferecem uma maneira de obter uma resposta confiável sem o estresse. Os autores sugerem que, embora o método antigo ainda tenha seu lugar, essas novas correções, mais simples, são uma alternativa muito forte, transparente e acessível para resolver mistérios de autoria — especificamente quando se utiliza a ferramenta LambdaG.

Resumo Técnico: Estimativa de Razão de Verossimilhança Baseada em Normalização para Verificação de Autoria Forense

Definição do Problema
A Verificação de Autoria (AV) em contextos forenses visa determinar se dois textos compartilham um autor comum. O padrão legal para avaliar tais evidências é o framework da Razão de Verossimilhança (LR), que quantifica a probabilidade relativa da evidência sob hipóteses concorrentes de acusação ( $H_p$ ) e defesa ( $H_d$ ). Embora existam métodos de AV baseados em escores, eles tipicamente produzem escores de similaridade não calibrados ou razões de verossimilhança brutas que não refletem de forma confiável as frequências empíricas. Para tornar esses escores interpretáveis como evidência forense válida, é necessária uma separada modelo de calibração — comumente a regressão logística — que exige modelos de calibração. Esse processo de calibração necessita de conjuntos de dados específicos para cada caso (pares de textos de mesma fonte e de fontes diferentes) que são frequentemente difíceis, demorados e caros de compilar. Além disso, a seleção dos dados de calibração envolve decisões subjetivas de especialistas (ex: estratégias de ancoragem) que requerem validação adicional, adicionando complexidade e opacidade ao processo forense.

Metodologia
Este estudo investiga se os escores brutos produzidos pelo LambdaG, um método de AV extrínseco binário de última geração baseado em modelagem de linguagem de n-gramas, podem ser transformados em LRs bem calibrados sem um modelo de treinamento separado. Os autores hipotetizam que o escore bruto do LambdaG ( $\lambda_G$ ) sofre de "inflação de escore" devido à dependência do método na soma de contribuições independentes de nível de token. Essa agregação assume independência condicional entre características, uma suposição que a linguagem natural viola devido à repetição. Consequentemente, textos mais longos ou altamente repetitivos acumulam escores desproporcionalmente altos, superestimando a força da evidência.

Para abordar isso, o artigo propõe duas novas técnicas de normalização que escalam o escore bruto $\lambda_G$ diretamente:

Correção de Raiz Quadrada: Este método escala o escore pela raiz quadrada do número de tokens no documento questionado ( $N(Q)$ ). Ele é fundamentado no princípio estatístico de que a variância em características agregadas frequentemente cresce proporcionalmente a $\sqrt{N}$ . A fórmula é:
$\Lambda_G = \frac{\lambda_G}{\sqrt{N(Q)}}$
Isso visa mitigar a inflação causada pelo comprimento do texto, reconhecendo que tokens adicionais em textos longos contribuem com um peso de evidência independente decrescente.
Correção de Hapax: Este método incorpora uma medida de diversidade lexical e redundância. Ele escala o escore pela razão de hapax legomena (palavras que aparecem exatamente uma vez, $V_1(Q)$ ) em relação ao total de contagem de tokens ( $N(Q)$ ). A fórmula é:
$\Lambda_G = \lambda_G \times \frac{V_1(Q)}{N(Q)}$
Esta correção visa a redundância de padrões repetidos. Em textos com baixa diversidade (alta repetição), a razão é baixa, reduzindo o escore para neutralizar a inflação artificial. Isso se alinha à Lei de Herdan-Heap, que descreve o crescimento sublinear do vocabulário conforme o comprimento do texto aumenta.

Protocolo Experimental
Os autores avaliaram estas correções contra a linha de base padrão de calibração por regressão logística em 15 corpora diversos (incluindo artigos acadêmicos, notícias, blogs, avaliações, fóruns, e-mails, logs de chat e tweets). A avaliação utilizou a métrica de Custo de Log-Likelihood Ratio ( $C_{llr}$ ), onde valores menores indicam melhor calibração e discriminação.

Dados: O estudo incluiu 13.146 problemas de verificação de autoria.
Variáveis: Para um subconjunto de corpora (Avocado, Twitter, Bolt), os autores variaram sistematicamente os comprimentos do texto questionado ( $Q$ ) e do texto de autor conhecido ( $K$ ) de 100 a 9.500 tokens para testar a robustez em diferentes extensões de texto.
Linha de Base: Modelos de regressão logística foram treinados em 40–50% dos dados de cada corpus e testados no restante. As normalizações propostas foram aplicadas diretamente aos escores brutos sem treinamento.

Principais Resultados

Desempenho Geral: Através dos 15 corpora, a Correção de Hapax superou a calibração por regressão logística em 45,4% dos testes. Nos casos restantes onde a regressão logística teve melhor desempenho, o desempenho da Correção de Hapax ficou dentro de 5% da linha de base em 56,91% das instâncias.
Robustez ao Comprimento do Texto:
- Em textos mais longos (ex: Avocado e Twitter com $K > 5.500$ tokens), a regressão logística frequentemente alcançou valores de $C_{llr}$ de pico ligeiramente menores, provavelmente devido à estimativa de parâmetros mais estável com conjuntos de dados maiores. No entanto, a Correção de Hapax produziu consistentemente LRs bem calibrados ( $C_{llr} < 0,1$ ) nessas condições.
- Em textos mais curtos, a Correção de Hapax frequentemente superou a regressão logística, demonstrando maior robustez quando os dados são escassos.
- A Correção de Raiz Quadrada foi geralmente superada tanto pela Correção de Hapax quanto pela regressão logística (perdendo em mais de 70% dos testes), embora ainda oferecesse melhorias sobre os escores brutos.
Anomalias: A calibração por regressão logística ocasionalmente produziu resultados enganosos ( $C_{llr} > 1$ ) em conjuntos de dados com pequenos conjuntos de calibração (ex: Twitter, Avocado), sugerindo sensibilidade ao ruído e overfitting. As normalizações propostas exibiram menor variabilidade e maior estabilidade.
Corpus Bolt (Textos Curtos): No corpus de SMS/Chat com textos muito curtos (100–500 tokens), a Correção de Raiz Quadrada superou a Correção de Hapax em 84% das condições, provavelmente porque a razão de Hapax torna-se ruidosa e pouco confiável em amostras extremamente curtas, onde o crescimento do vocabulário é rápido.

Significância e Alegações
O artigo alega que estas técnicas de normalização oferecem uma alternativa funcionalmente equivalente, porém mais simples, à calibração por regressão logística para o método LambdaG. A principal significância reside na eliminação do modelo de calibração, o que:

Reduz os Requisitos de Dados: Remove a necessidade de grandes conjuntos de treinamento específicos para cada caso, que são difíceis de obter.
Aumenta a Transparência: Substitui a transformação "opaca" da regressão logística por correções matemáticas simples e interpretáveis, fundamentadas em estatística lexical e teoria linguística de uso.
Melhora a Acessibilidade: Simplifica o fluxo de trabalho forense, tornando a derivação de LRs calibrados mais acessível a especialistas e mais fácil de explicar aos decisores jurídicos.

Os autores concluem que, embora a Correção de Hapax não domine universalmente a regressão logística, sua capacidade de manter um desempenho comparável através de diferentes comprimentos de texto e registros — sem os encargos computacionais e de dados do treinamento — apoia sua adoção em ambientes forenses para textos em língua inglesa. O estudo postula que estas correções modelam efetivamente o valor de evidência decrescente de padrões linguísticos repetidos, oferecendo uma abordagem mais cientificamente válida do que a calibração padrão para esta classe específica de métodos de AV.

O Novo Atalho: Duas Fórmulas Mágicas para o LambdaG

O Grande Teste: Eles Funcionam?

Por Que Isso Importa (E O Que Não É)

A Conclusão

Mais como este