Attribution d’auteur : ce que la stylométrie peut vraiment montrer

Deux textes apparaissent côte à côte dans une vidéo. Les mêmes mots sont surlignés, un logiciel affiche une distance, puis vient la conclusion : « C’est la même personne. » Entre le rapprochement et le nom, il manque pourtant plusieurs étapes. L’attribution d’auteur en linguistique légale étudie les habitudes d’écriture et les compare à des explications concurrentes. Pour comprendre son résultat, tu dois savoir ce qui a été mesuré et à quoi le texte a été comparé.

TL;DR

La stylométrie mesure des caractéristiques du style ; elle ne transforme pas toute ressemblance en identité. L’origine des textes, leur genre, leur longueur et les autres auteurs possibles influencent le résultat. Une méthode doit être testée avec des réponses connues et des conditions pertinentes. La probabilité des indices sous deux hypothèses ne donne pas, à elle seule, la probabilité qu’une personne soit l’auteur.

Deux textes proches : proches de quoi ?

Une distance n’a de sens qu’avec ses critères. Deux messages peuvent partager le vocabulaire d’un métier ou reprendre la même consigne. Si le logiciel compte surtout ces mots, il peut rapprocher le sujet des textes plutôt que les habitudes de la personne qui les a composés.

Il faut aussi savoir quelles possibilités ont été proposées. Le plus proche parmi cinq candidats reste le plus proche de ces cinq-là, même si le véritable auteur manque. Le classement ne vérifie pas automatiquement que la liste était complète.

De Molière aux questions d’attribution

Le communiqué du CNRS de novembre 2019 sur Molière présente une comparaison de 37 comédies en vers par Florian Cafiero et Jean-Baptiste Camps. Leur travail examine notamment vocabulaire, grammaire, rimes et mots-outils. Il donne un exemple d’attribution littéraire fondée sur plusieurs familles de caractéristiques.

Cette application aide à comprendre la démarche, sans fournir le taux d’erreur d’une analyse de messages anonymes. Des œuvres longues et une conversation brève offrent des matériaux différents. Le passage de la littérature à une question judiciaire demande de vérifier ce que la méthode conserve de sa pertinence.

Ce que mesure la stylométrie

La stylométrie met en nombres des propriétés de l’écriture : fréquences, structures ou suites de caractères. L’attribution d’auteur utilise ces mesures dans un raisonnement sur l’origine d’un texte. Les deux expressions ne désignent donc pas exactement la même chose.

La linguistique forensique comprend aussi l’interprétation d’un propos et d’autres questions de langage. Établir le sens d’une phrase, son origine et sa véracité nécessite des éléments différents. On peut comprendre ce qu’un message accuse quelqu’un d’avoir fait sans savoir qui l’a formulé.

Le billet de la troupe de théâtre

Prenons une situation inventée. Une troupe reçoit un billet anonyme critiquant la répartition des rôles. Une expression ressemble à celle d’une personne qui écrit les demandes de subvention. Puis on découvre qu’elle figurait dans un dossier diffusé à toute la troupe.

Le rapprochement demeure observable. Son explication change : un document commun suffit à rendre la phrase accessible à plusieurs personnes. Cela ne désigne personne et n’innocente personne à soi seul. Cela retire à la formule une partie de son apparente singularité.

Quand tu cherches à analyser une affaire de true crime, garde cette alternative dans le récit. L’oublier ferait passer une piste à examiner pour une identité déjà établie.

Ce qui entre dans le corpus compte déjà

Le corpus est l’ensemble des textes réunis pour l’étude. Un corpus « connu » doit contenir des écrits dont l’origine est suffisamment établie. Le nom affiché sur un compte ne garantit pas qui a choisi chaque mot : citations, corrections et contributions collectives peuvent s’y mêler.

Il faut ensuite regarder les conditions de production. Un courriel destiné à un organisme financeur et une réponse amicale n’imposent pas les mêmes choix. L’époque, le destinataire et la situation peuvent expliquer une variation chez une même personne. Conserver les versions originales permet de vérifier ce qui a été transformé.

Trois questions que l’on confond sous le mot auteur

L’attribution entre candidats cherche une correspondance parmi des personnes proposées. La vérification examine si deux ensembles peuvent provenir de la même personne. Le regroupement cherche des liens entre textes, sans forcément connaître leurs auteurs.

Ces tâches peuvent se compléter, mais un résultat obtenu pour l’une ne répond pas automatiquement aux autres. Regrouper plusieurs billets ne donne pas le nom de la personne. Sélectionner le meilleur candidat ne démontre pas que l’auteur réel appartenait au groupe proposé.

Les petites habitudes derrière les grands mots

Les articles, prépositions et autres mots fréquents peuvent apporter de l’information au-delà du vocabulaire du sujet. La ponctuation et certaines constructions grammaticales aussi. Des n-grammes de caractères sont des suites d’un nombre fixé de caractères ; leur comptage peut représenter des habitudes d’orthographe ou de ponctuation.

Ces mesures demandent une interprétation. Une formule répétée peut entraîner plusieurs caractéristiques à la fois. Les compter comme autant d’indices indépendants gonflerait leur poids. Le choix des mesures doit être justifié et testé, plutôt que présenté comme une collection de ressemblances impressionnantes.

Ce que douze jeux de données permettent de dire

Dans leur étude publiée en 2026 sur la vérification par la grammaire, Andrea Nini et ses collègues examinent douze jeux de données et sept méthodes de comparaison de référence. Le travail porte entièrement sur l’anglais. Douze jeux ne signifient donc pas douze langues validées.

Les auteurs signalent notamment des limites liées aux genres et au traitement propre à la langue. Ces résultats justifient de poursuivre les tests ; ils ne donnent pas une performance établie pour une lettre française. Il faut garder ensemble ce que l’expérience montre et les conditions qui lui donnent son sens.

Six fois ou dix fois : un exemple à ramener à la même échelle

Pour le billet de la troupe, imaginons une tournure présente au début de six phrases sur 30 dans les écrits connus et de dix sur 50 dans le texte contesté. Les deux calculs donnent 20 % : 6 ÷ 30 × 100 et 10 ÷ 50 × 100. Compter seulement les occurrences aurait fait paraître les textes plus différents.

Ces nombres sont inventés. Même une fréquence égale ne prouve pas une origine commune. Il manque la variation dans d’autres textes, les habitudes d’autres personnes et l’effet du dossier partagé. Le calcul rend le raisonnement visible ; il ne remplace pas l’étude.

Pourquoi le sujet peut prendre la place du style

Deux textes sur le théâtre peuvent parler de scène, de répétition et de distribution. Une mesure sensible à ces mots risque de saisir leur thème commun. Comparer avec des textes de cuisine ne permettrait pas de savoir quelle part du rapprochement vient réellement d’une habitude individuelle.

Ce problème n’interdit pas toute comparaison entre sujets. Il oblige à tester le procédé dans des conditions pertinentes. Une méthode peut mieux résister à certains changements qu’une autre. La démonstration de cette résistance doit porter sur les affirmations que l’on souhaite tirer du résultat.

Comment mesurer les erreurs plutôt que la confiance

Un test utilise des textes dont l’origine est connue par une autre voie. On peut alors examiner les bonnes décisions et les erreurs. Confondre deux personnes et séparer deux textes d’une même personne sont des erreurs différentes ; un pourcentage global ne raconte pas tout.

Les données qui servent à régler un modèle doivent être distinguées de celles qui servent à l’évaluer. Sans cette séparation, une bonne performance peut refléter la familiarité du système avec le matériel. Demande aussi si le procédé peut s’abstenir quand les données ne permettent pas de trancher.

Un rapport de vraisemblance ne donne pas un nom

Le rapport de vraisemblance compare la probabilité des indices observés sous deux hypothèses précisées. Il peut s’agir d’une même personne à l’origine des textes, face à deux personnes différentes dans une population pertinente. Le choix de cette population fait partie du raisonnement.

Ce rapport ne fournit pas seul la probabilité finale d’une identité. Un score de proximité n’est pas non plus un rapport de vraisemblance par défaut. Il faut étudier comment les scores se comportent avec des réponses connues et si la force annoncée correspond à ce fonctionnement.

Le message, sa saisie et son envoi

Quelqu’un peut dicter une phrase, une autre personne la saisir et une troisième l’envoyer depuis un compte commun. Le support et la formulation laissent alors des informations différentes. L’accès à un appareil ne suffit pas à identifier la personne qui a composé les mots.

Cette distinction importe aussi pour un texte copié. Une ressemblance avec une source peut révéler une circulation de contenu. Elle n’établit pas nécessairement qui a sélectionné, adapté ou transmis ce contenu. L’histoire matérielle du message aide à poser la bonne question.

Ce que changent les textes courts et les retouches

Quelques lignes donnent moins d’occasions d’observer des habitudes récurrentes. Elles peuvent conserver des indices, mais aucune longueur universelle ne garantit un résultat. La qualité, la nature des caractéristiques et les comparaisons disponibles restent essentielles.

Les corrections peuvent effacer certains traits. Une traduction ajoute les choix d’une autre personne ou d’un système. Une réécriture par IA peut mélanger plusieurs contributions. Détecter une production automatique et comparer deux auteurs humains sont des tâches distinctes ; un score pour la première ne résout pas la seconde.

Les indices qui résistent à une autre explication

Un indice intéressant doit être confronté à ce qui pourrait l’expliquer autrement. Une phrase rare dans un journal personnel peut être banale dans le milieu concerné. Plusieurs similitudes peuvent découler d’un seul modèle partagé.

À l’inverse, des différences ne démontrent pas toujours deux auteurs : le destinataire et le genre peuvent modifier l’écriture d’une même personne. Une analyse sérieuse prend ces deux directions au sérieux. Elle ne transforme pas chaque détail, concordant ou discordant, en soutien à une conclusion déjà choisie.

Comment lire un rapport sans refaire toute l’analyse

Tu devrais pouvoir comprendre les matériaux étudiés, leur origine, les exclusions et la manière dont les mesures ont été choisies. Le rapport doit préciser les hypothèses, les tests et ce qui reste incertain. Une conclusion limitée peut correspondre exactement à la qualité des données.

Cette traçabilité permet une discussion concrète. Une autre équipe peut examiner le choix des références, le traitement des citations ou le poids attribué à une caractéristique. Le contrôle porte alors sur des décisions vérifiables, pas sur l’assurance de la présentation.

Questions que laisse une démonstration

Une belle visualisation peut faire paraître le résultat immédiat. Elle laisse pourtant ouvertes deux questions qui concernent directement ce que l’on affirme sur une personne et sur les faits.

Peut-on reconnaître quelqu’un à une faute ?

Une faute peut fournir une piste. Il faut étudier sa fréquence, sa stabilité et les possibilités de copie ou d’apprentissage commun. Une occurrence dans chaque texte ne contient pas toute cette information.

Un texte bien attribué est-il forcément vrai ?

Non. L’origine et la véracité sont deux problèmes différents. Une personne peut écrire une erreur, une invention ou un mensonge. Même une attribution solide ne dispense pas de vérifier les événements racontés.

Ce que tu peux retenir d’un rapprochement

Face à deux textes surlignés, commence par demander ce que la proximité décrit, puis quels matériaux et quelles alternatives ont été testés. La réponse doit expliquer pourquoi le résultat dépasse une source commune ou un effet du sujet. C’est ce chemin qui permet de comprendre la portée d’une attribution, bien davantage que la précision apparente d’un score.