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. RESUME. Le probleme de l'attribution stylometrique d'auteur est un probleme fondamental. L'idee fondamentale derriere cette recherche est que l'on peut determiner la paternite d'un do- cument sur la base d'un ensemble de trait cognitifs et linguistiques qui permettent d'identifier de maniere unique le style d'ecriture d'une personne. Dans de nombreux cas, cependant, le bruit present dans les documents originaux peut rendre cette analyse plus difficile et moins fiable. Nous etudions les erreurs introduites par un processus typique de reconnaissance op- tique de caracteres (OCR). En utilisant des erreurs simulees (aleatoirement) dans un corpus de reference standard, nous evaluons la sensibilite au bruit du processus d'attribution d'auteur. Nos resultats indiquent que, bien que la precision diminue avec un niveau de bruit, cette baisse n'est pas substantielle.