Normalisation-Based Likelihood Ratio Estimation for Forensic Authorship Verification

背景

作者身份验证（Authorship Verification, AV）是判断两段文本是否出自同一作者之手的一项重要任务，在法医语境下，其证据强度通常通过似然比（Likelihood Ratio）进行量化。传统的 AV 方法大多基于分数（score-based），即先由模型输出一个相似度或差异分数，再通过一个独立的校准模型（如 logistic regression）将该分数转换为可解释的似然比。然而，这种两阶段流程存在显著缺点：校准模型的训练需要额外收集大量与案件相关的背景数据，不仅耗时耗力，而且在很多法医实务中难以获取或准备。此外，校准模型的引入增加了整体流程的复杂性和不透明度，可能影响证据在法庭上的可接受性。因此，若能设计一种无需校准模型即可直接从 AV 方法中导出可靠似然比的技术，将大幅提升法医文本比较的实用性和可推广性。

核心内容

本研究提出两种基于归一化（normalisation）的新技术——平方根校正（Square Root Correction）和 Hapax 校正（Hapax Correction），用于从 LambdaG 作者身份验证方法（Nini 等人，2026）中直接推导似然比，无需独立训练校准模型。LambdaG 是一种基于文本特征（如词频、词汇多样性等）的 AV 方法，其原始输出为某种度量值；本文的校正旨在修正因文本过长或高度重复而导致的证据强度高估问题——这类问题在法医实务中尤为常见（例如，同一作者撰写的大段合同或报告可能包含大量重复性词汇）。

平方根校正通过对 LambdaG 输出的原始度量进行平方根变换来抑制长文本带来的膨胀效应；Hapax 校正则利用文本中仅出现一次的词汇（hapax legomena）的比例来动态调整似然比，以更准确地反映文本内词汇多样性与证据强度之间的关系。

研究在 15 个语料库上进行了系统性评估，覆盖文本长度从 100 个 token 到 9,500 个 token 的广泛范围。性能指标采用对数似然比成本（log-likelihood ratio cost, Cllr），并与经典的逻辑回归校准方法进行对比。结果显示：所提出的两种归一化方法在整体性能上与逻辑回归校准相当，其中 Hapax 校正在大约 45% 的测试中（按语料库加权）表现甚至优于逻辑回归校准；而在 Hapax 校正被逻辑回归超越的那些案例中，其性能差距更经常落在 5% 以内（即非常接近），相比之下，反向情形（逻辑回归被 Hapax 校正超越时）差距则稍大。这表明 Hapax 校正不仅能达到与训练校准模型相近的可靠性，而且具有更强的鲁棒性。

通过消除对校准模型训练的需求，该方法显著降低了法医作者身份验证的数据需求、时间成本和实施复杂性，从而提高了该技术在法律实践中的可访问性和透明度。

关键要点

• 问题定位：法医作者身份验证中，分数型 AV 方法需要额外校准才能得到可靠似然比，且校准数据难以获取。
• 创新方法：提出 Square Root Correction 和 Hapax Correction 两种归一化技术，直接基于 LambdaG 方法输出计算似然比。
• 验证规模：在 15 个语料库、100–9,500 token 文本长度范围内评估，使用 Cllr 指标。
• 性能表现：新方法与逻辑回归校准性能持平，Hapax Correction 在约 45% 的加权测试中更优；被超越时差距多在 5% 以内。
• 实用优势：无需额外校准数据、训练模型和复杂调参，简化流程，提升法医文本比较的透明度和实操性。
• 适用场景：尤其适用于法医实务中常见的长文本或高度重复文本，有效抑制证据强度高估。

意义与影响

本研究对法医语言学和计算文档分析的实践具有重要意义。首先，通过消除校准模型这一瓶颈，该方法使法医专家无需依赖大量案件特定背景数据即可获得统计学上有效的似然比，极大降低了证据准备的时间与成本。其次，归一化技术的简洁性（仅需对 LambdaG 输出进行简单数学变换）增强了过程的可解释性和可重复性，符合法庭科学中对透明度的严格要求。最后，实证表明该方法在多数条件下不逊于甚至优于传统校准方法，为法医作者身份验证提供了一种更易部署、更符合实际需求的替代方案。未来，该技术有望被集成到标准法医文本比对工具中，并推广至其他需要从无校准分数中导出似然比的领域（如笔迹鉴定、语音比对等）。