用途
文体计量指纹（Stylometric Fingerprinting）用于从文本语料中提取作者稳定的写作指纹。它测量功能词频率、句子结构分布和标点模式——这些特征因在无意识中产生，故能跨主题和时间保持一致性。核心原则是：功能词和句法模式比内容词更稳定，因为内容词随主题变化，而功能词反映根深蒂固的语法习惯（Mosteller & Wallace, 1963; Kestemont, 2014）。指纹是一个分布轮廓，而非一组点估计——每个特征由均值、标准差和跨语境稳定性系数来刻画。
研究基础：自《联邦党人文集》归属研究（Mosteller & Wallace, 1963）以来，功能词一直是计算文体计量的支柱。Argamon & Levitan（2005）证明仅功能词频率在跨体裁作者归属中即可达到80%以上准确率。Eder（2011）确立使用100个最高频词进行可靠频率估计需要2500词以上，Stamatatos（2009）表明字符n-gram和功能词分布是跨领域作者识别最稳健的特征之一。
主要能力
- 从作者文本语料中提取稳定的写作签名
- 构建能跨越主题变化的写作声音复刻风格画像
- 定义刻画作者习惯模式的句法约束
- 比较跨语境、时间段或平台的写作风格一致性
- 为作者验证或归属任务创建特征集
- 向人格或原型系统输入稳定的文体计量特征
使用方式
工作流程分为八步：
- 验证语料适用性并切分为样本
- 提取功能词频率轮廓
- 测量句子结构分布
- 计算标点模式轮廓
- 计算补充特征（词长、TTR、可读性）
- 测试所有特征的跨语境稳定性
- 定义稳定指纹和句法约束
- 将发现写入 docs/analysis/18-stylometric-fingerprinting.md
语料适用性检查
- 词数：总计2500词以上；低于2500词应停止并报告数据不足，不计算指纹
- 词数置信度：5000词以上为稳定画像；2500-5000词可继续但所有特征标记为“初步”
- 语言：以单一语言为主；混合语言文本会使功能词频率比较失效，需先按语言切分
- 作者：单一作者；多作者语料产生混合指纹，必须按作者切分
- 样本多样性：来自2个以上语境、主题或时间段；单语境文本可能反映体裁约束而非个人风格，需显著标记
- 编辑程度：自然写作、最少编辑；大量编辑的文本反映编辑过程而非作者习惯，需记录局限
- 文本类型：散文（非诗歌、代码或结构化数据）；非散文文本的功能词分布根本不同
稳定性测试切分
将语料切分为3个以上大致相等的样本，最好沿自然边界（不同线程、时间段、主题）。每段至少800词。若语料太小无法切分，跳过稳定性测试并在报告中标记。
功能词频率轮廓
测量每个功能词占总词数的比例。这是最稳定、最重要的特征类别。核心功能词列表（英语）共50个，源自 Mosteller & Wallace（1963）、Burrows（2002）和 Kestemont（2014）：
- 冠词：a, an, the
- 介词：at, by, for, from, in, of, on, to, with, about, after, between, through, into, over, upon
- 连词：and, but, or, nor, so, yet, although, because, if, than, that, while
- 代词：i, me, my, we, us, our, you, your, he, him, his, she, her, it, its, they, them, their
- 助动词：be, is, am, are, was, were, been, have, has, had, do, does, did, will, would, shall, should, can, could, may, might, must
- 限定词：this, that, these, those, each, every, some, any, no, all, both
- 副词：not, very, also, then, there, here, now, just, only, still, even, already, always, never
解读：功能词密度（功能词总数/总词数）在英语散文中通常为40-60%。密度越高，句法越复杂、连接性越强；密度越低，名词性越强、内容越重。代词比例（第一人称单数 vs. 第一人称复数 vs. 第三人称）分别反映自我聚焦、群体导向和叙事视角。冠词率越高，与名词性、描述性写作及开放性相关（Pennebaker & King, 1999）。连词模式：大量使用“but/although/while”反映对比性思维；大量使用“and/or”反映加合性思维。
句子结构分布
不仅捕捉平均句长，还捕捉完整分布——分布形状比均值更能揭示风格。特征包括：句子数、均值、中位数、标准差、最小值、最大值、偏度、峰度、四分位距、短句比例（≤10词）、中句比例（11-25词）、长句比例（>25词）、疑问句率、感叹句率、陈述句率、高频句首词、长度分布原始数据。
解读：正偏度表示多数句子短、偶有长句（非正式写作常见）；负偏度表示多数句子长、偶有短促句（学术/正式写作常见）。高峰度表示句长紧密聚集于均值（节奏均匀）；低峰度表示句长变化大（节奏多变）。高疑问句率表示疑问风格、寻求互动。高频句首词揭示深层句法习惯。
标点模式轮廓
标点习惯高度个性化且跨语境相对稳定。
关键指标阈值
- 最小语料（基础画像）：2500词（Eder 2011 关于MFW可靠性）
- 最小语料（稳定画像）：5000词以上（Stamatatos 2009、Eder 2011 共识）
- 最优语料：10000词以上、跨5个以上语境（多项研究；超过20000词收益递减）
- 稳定性测试最小样本数：3篇以上独立文本
- 稳定性系数阈值：CV < 0.30 为“稳定”特征
- 功能词数量：50-150个最高频词（Burrows 2002：150 MFW；最低可行：50）
- 句长分布所需句子数：50句以上
- 字符n-gram阶数：2-3个字符
特征类别与稳定性排序
- 功能词（冠词、介词、连词、代词、助动词）：跨语境稳定性最高，无意识、主题无关，可靠估计需2500词以上
- 标点模式：稳定性高，习惯性、体裁敏感，需1500词以上
- 句长分布：稳定性高，反映规划复杂度，需2000词以上（50句以上）
- 词长分布：稳定性中高，需2000词以上
- 类型-标记比（TTR）：稳定性中等，受主题和文本长度影响，需2500词以上（超过5000词用MATTR）
- 词性标注比例：稳定性中等，部分主题敏感，需3000词以上
- 字符n-gram：稳定性高，捕捉形态习惯，需3000词以上
- 可读性指标：稳定性中高，反映复杂度习惯，需2000词以上
适用场景
- 从作者文本语料中提取稳定写作签名
- 构建能跨越主题变化的写作声音复刻风格画像
- 定义刻画作者习惯模式的句法约束
- 比较跨语境、时间段或平台的写作风格一致性
- 为作者验证或归属任务创建特征集
- 向人格或原型系统输入稳定文体计量特征
限制
以下情况不应使用：
- 语料少于2500词（参见数据不足处理）
- 文本被他人大量编辑、机器翻译或代笔（作者信号被稀释）
- 目标是内容分析或主题建模（应改用NMF或LDA）
- 未经个人知情同意对其进行去匿名化或监控
- 在法律或取证语境中未经验证工具就声称确定性作者证明（应使用JGAAP或stylo并进行适当验证）
- 仅用单篇极短文本（少于500词）作为唯一样本
决策流程：文本是否足够（2500词以上）？否→报告数据不足。是→是否有多个样本或语境？否（单语境）→带稳定性警告继续。是→是否涉及监控或去匿名化？是→停止：伦理边界。否→进行完整分析。