Authorship Verification of Transcribed German-Language Videos
本文通过对视频转录文本中的十种方法进行评估，探讨了德语口语作者身份验证这一尚未得到充分研究的挑战，发现传统的字符级和词元级 n-gram 方法的表现优于现代基于 Transformer 的模型，准确率高达 88%。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你是一名正在试图破解谜题的侦探，但你寻找的不是指纹或 DNA，而是寻找一个人写作风格的隐形“指纹”。这个领域被称为作者验证（Authorship Verification）。把它想象成一场文学版的测谎测试：你有两段文本，你的任务是判断：“这两段话是不是同一个人写的？”这有点像是在不知道画作具体内容的情况下，仅凭笔触来判断两幅画是否出自同一位艺术家。虽然这项技术在研究书信和论文多年后已有成熟应用，但一个巨大的疑问仍然存在：这套方法对“说话”也有效吗？而且，它对英语以外的语言也有效吗？这至关重要，因为在现实世界中，人们说话的时间比写字更多。如果我们能仅凭说话时选择词汇的方式（即使我们听不到其声音，只能看到文字）就识别出说话者是谁，这就能帮助抓捕诈骗者、验证在线身份，甚至识破学术造假。但问题在于：当人们说话时，往往会谈论特定的主题（比如修理水槽或解决数学题）。如果计算机只是简单地猜测“这个人喜欢数学”，那它并不是在检测“谁”在说话，而是在检测他们“在谈论什么”。因此，真正的挑战在于如何剥离掉主题，并观察说话者独特的“声音”是否依然存在。
这篇论文深入探讨了这一挑战，但带有一个转折：它专注于德语视频。研究人员 Oren Halvani 和 Sophie Titze 想要看看那些用于识别作者的传统技巧是否适用于人们在视频中说话的转录文本。他们收集了来自 150 位不同说话者的 300 个视频，涵盖了三个完全不同的领域：理财建议、数学辅导和 DIY 家居维修。为了确保计算机不会仅仅通过记忆主题（例如“这个人总是谈论换机油”）来作弊，他们使用了一个巧妙的工具，叫做 POSNoise。想象一下，这是一个神奇的橡皮擦，它抹去了所有“有肉”的词汇（名词、动词、具体事实），只留下了“胶水”词汇（如“the”、“and”、“but”）和标点符号。这就像是拿走了一份食谱中的所有食材，只留下关于如何混合它们的指令。如果计算机在移除主题后，仅凭这些混合指令就能猜出是谁写了这份食谱，那么这就是一次真正的风格匹配。
他们测试了十种不同的计算机方法，从简单的、传统的计数技巧到高级的、现代的 AI 模型（称为 Transformer，通常用于阅读书籍和撰写论文）。结果带来了一个剧情反转。那些通常作为主角的“高级”AI 模型表现得非常糟糕。它们表现不佳，在主题被移除后经常感到困惑。这就像是 AI 模型太习惯于阅读关于特定事物的内容了，以至于当你把故事拿走时，它们就无计可施了。事实上，没有任何一种现代 AI 模型能达到高于 75% 的准确率。
相比之下，传统方法——即那些仅仅统计某些微小的字母或单词组合出现频率的方法——成为了真正的英雄。表现最好的方法叫做 COAV，它在 DIY 视频中的正确率高达 88%，而另一种方法 LambdaG 在一项名为 AUC 的统计得分中达到了 90%。论文指出，这些旧方法之所以效果更好，是因为它们关注的是言语中细微且无意识的习惯：说话者如何使用逗号，在哪里放置“and”或“but”，以及他们特定的节奏。即使在抹去主题后，这些习惯依然存在。研究人员发现，当他们尝试使用高级 AI 模型时，这些模型往往会失败，因为这些模型过度依赖言语的“内容”，而这恰恰是他们试图隐藏的东西。
作者们谨慎地表示，他们的研究结果是基于这些特定的德语单人演讲视频实验，因此在其他语言或不同类型的对话（如多人同时交谈的混乱辩论）中可能不会完全适用。他们还指出，由于其数据集相对较小，虽然传统方法看起来非常有前景，但它们与 AI 模型之间的差距更像是一种强烈的暗示，而非最终的、不可改变的物理定律。然而，传达的信息很明确：在通过转录文本验证说话者身份的世界里，有时最简单的工具——那些关注语法和选词等琐碎细节的工具——依然是房间里最敏锐的侦探。尽管名声显赫，现代复杂的 AI 模型似乎需要接受更多训练，才能处理这种没有主题干扰的、杂乱的语言现实。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。