Authorship Attribution and Optical Character Recognition Errors

Stylometric authorship attribution is a fundamental problem. The basic idea behind the research is that one can determine the authorship of a document on the basis of cognitive and linguistic quirks that uniquely identify a person. In many cases, however, noise in the original documents can make this analysis more difficult and less reliable. We investigate the errors introduced by a typical optical character recognition (OCR) process. Using simulated (random) errors in a standard benchmark corpus, we test to see how sensitive the authorship attribution process is to character mis-recognition. Our results indicate that, while accuracy decreases measurably with noise, the decrease is not substantial. RÉSUMÉ. Le problème de l’attribution stylométrique d’auteur est un problème fondamental. L’idée fondamentale derrière cette recherche est que l’on peut déterminer la paternité d’un document sur la base d’un ensemble de trait cognitifs et linguistiques qui permettent d’identifier de manière unique le style d’écriture d’une personne. Dans de nombreux cas, cependant, le bruit présent dans les documents originaux peut rendre cette analyse plus difficile et moins fiable. Nous étudions les erreurs introduites par un processus typique de reconnaissance optique de caractères (OCR). En utilisant des erreurs simulées (aléatoirement) dans un corpus de référence standard, nous évaluons la sensibilité au bruit du processus d’attribution d’auteur. Nos résultats indiquent que, bien que la précision diminue avec un niveau de bruit, cette baisse n’est pas substantielle.