SpaceFox à t-il réellement écrit tous ces textes ?

Et s'il avait triché ?

SpaceFox à t-il réellement écrit tous ces textes ?

Si je vous pose la question, vous vous doutez bien que la réponse n’est pas si simple.

Je me suis intéressé à la question d’un point d’un point de vue statistique, sans à priori sur les réponses, et les résultats que j’ai pu obtenir sont plutôt intéressants.

TL; DR

Vous n’aurez la réponse que lorsque vous aurez terminé de lire le billet.

Notre cadre de travail

Comme vous le savez-tous, durant le mois d’octobre, SpaceFox s’est lancé un défi personnel, celui d'écrire trente et une nouvelles, à raison d’une par jour pendant tout le mois d’octobre.

En début novembre il à fait un retour d’expérience/bilan de celui-ci. Il racontait dans son bilan que l’expérience avait été plutôt positive.

Néanmoins, on peut se demander comment c’est possible pour un renard être humain normalement constitué, qui doit certainement avoir un boulot à plein temps de rédiger un texte différent tous les jours.

Deux réponses sont possibles :

  1. Il est fort … très fort
  2. Il triche !

C’est donc à la deuxième question, que nous allons tenter de répondre.

Pour répondre à cette question, nous allons essayer d’identifier le style d’écriture de @SpaceFox, puis comparer son style avec celui de ses textes produits et à partir de là, voir si le style est plutôt uniforme (il a gardé la même façon d’écrire) ou toujours différents (il a essayé de se renouveler chaque jour), ou les deux.

Cherchons le style @SpaceFox

Pour information, nous nous basons sur ses textes qui sont disponibles sur son site internet.

Quel style ?
Quel style ?

Pour trouver son style, nous allons, pour chacun de ses textes identifier les propriétés de chacun de ces textes. Pour cela, nous allons calculer plusieurs éléments :

  • Le nombre de mots dans le texte
  • Le nombre de verbes, noms, adverbes, … utilisés dans le texte
  • La taille moyenne des mots d’une phrase

On va s’aider d’une bibliothèque de traitement automatique du langage naturel entrainée sur des modèles de la langue française pour faire le travail de parsing du texte. On va donc séparer les phrases, faire de l’analyse lexicale, détecter la nature des mots, et calculer les indicateurs ci-dessus.

On obtient donc le tableau suivant :

Numéro du texte AVG_WORD_SIZE COUNT_WORD A ADJ ADJWH ADV ADVWH C CC CL CLO CLR CLS CS DET DETWH ET I N NC NPP P PREF PRO PROREL PROWH PUNC V VIMP VINF VPP VPR VS
1 3.992 658 0 55 0 28 0 3 15 0 4 10 18 7 114 0 3 2 17 122 5 89 0 6 7 0 75 53 0 14 9 2 0
2 3.970 955 0 62 1 74 1 4 29 3 12 17 47 19 135 0 0 0 15 136 6 104 0 17 12 4 120 90 0 30 12 5 0
3 3.938 1060 0 56 1 67 0 4 26 0 16 11 37 14 163 2 0 3 9 185 15 122 0 12 17 2 133 97 0 19 44 4 1
4 4.070 962 0 68 0 47 0 3 24 4 13 12 31 9 149 1 3 2 8 175 7 112 0 18 9 1 130 92 0 14 28 2 0
5 3.666 712 0 64 0 25 0 0 15 1 2 5 10 2 142 0 0 0 34 116 25 101 0 1 5 0 93 30 0 9 28 4 0
6 4.078 663 0 41 1 33 1 1 13 2 6 10 37 17 99 0 0 3 21 108 10 68 0 10 6 1 86 62 0 12 12 1 2
7 3.855 1070 0 63 2 85 2 2 29 8 14 22 55 11 156 0 1 3 16 145 13 112 0 13 10 1 143 106 0 25 27 5 1
8 3.952 1518 0 108 0 74 3 1 44 0 18 18 63 21 236 0 0 2 23 258 14 184 0 15 15 1 206 132 1 35 40 4 2
9 3.581 1268 0 69 0 71 2 3 27 4 23 14 77 10 174 0 2 4 20 168 42 129 0 23 14 1 188 138 1 30 30 2 2
10 4.089 949 0 71 0 57 1 2 25 2 9 9 37 9 154 1 0 1 7 162 9 110 0 17 9 1 124 84 1 22 24 1 0
11 3.924 1202 0 75 0 79 4 9 46 2 16 30 57 17 165 0 1 2 23 161 4 127 0 16 13 0 145 119 0 48 39 3 1
12 3.493 942 0 67 2 63 0 4 28 2 12 10 53 5 123 0 0 2 17 122 17 93 0 21 14 1 148 92 1 21 18 3 3
13 3.905 423 0 37 0 19 0 0 15 2 8 3 18 6 61 0 1 0 6 62 0 42 0 8 6 0 58 41 0 19 10 0 1
14 3.980 1187 0 89 0 60 4 4 31 5 21 9 58 20 173 0 1 3 22 174 8 124 0 25 28 1 153 107 3 28 33 3 0
15 3.699 1147 0 81 0 70 0 1 40 6 22 6 58 13 171 1 1 1 15 167 7 130 0 29 18 1 151 105 5 20 19 1 8
16 4.385 712 0 61 1 40 0 5 26 2 5 6 15 4 107 0 0 0 12 129 15 87 0 9 6 2 83 57 0 14 22 4 0
17 3.916 795 0 46 0 40 1 1 38 0 18 6 29 8 130 0 1 0 4 132 28 99 0 8 10 0 94 68 1 10 19 4 0
18 3.864 701 0 54 0 29 1 3 21 1 3 8 30 12 119 0 0 0 8 129 1 92 0 3 5 0 87 59 2 17 14 3 0
19 3.928 447 0 54 0 26 0 0 13 0 1 2 3 4 78 0 0 0 17 80 3 62 0 5 3 0 61 18 0 6 11 0 0
20 4.534 704 0 69 1 30 0 0 21 0 2 4 3 5 140 1 0 0 16 130 26 105 0 6 13 0 68 36 3 4 19 1 1
21 3.742 457 0 34 0 36 0 5 16 1 6 4 25 4 58 0 0 0 5 61 3 45 0 10 7 0 63 56 0 7 8 3 0
22 4.337 449 0 47 0 21 0 0 24 0 5 8 12 4 59 0 0 1 9 69 11 55 0 1 4 0 63 38 0 11 7 0 0
23 4.035 603 0 51 0 22 0 0 21 1 4 13 13 5 103 0 0 1 6 107 13 78 0 4 5 0 81 48 0 8 18 1 0
24 3.560 812 0 43 0 33 0 4 26 2 26 13 44 9 110 0 1 0 10 113 9 92 0 11 9 0 123 87 1 17 22 4 3
25 4.011 651 0 43 0 46 0 2 10 3 8 3 33 8 91 1 0 4 9 101 9 75 0 9 3 0 96 56 2 23 13 1 2
26 3.052 159 0 4 0 12 0 1 1 1 3 1 11 3 26 0 0 0 0 24 1 15 0 2 1 1 26 21 0 0 4 1 0
27 3.581 1337 0 76 0 115 2 8 44 3 36 8 121 27 148 0 1 2 13 153 18 112 0 31 15 6 182 155 0 27 28 3 3
28 3.953 1825 0 134 2 159 1 25 74 0 35 20 111 45 227 1 0 1 26 242 2 198 0 23 36 0 161 167 0 60 63 2 10
29 3.524 712 0 41 0 41 3 2 22 2 7 7 32 10 104 0 0 7 9 93 11 67 0 27 3 1 105 67 2 29 16 2 2
30 3.590 409 0 18 0 24 0 2 13 1 3 4 17 3 74 0 0 0 14 65 10 46 0 6 5 0 53 35 1 6 8 0 1
31 4.211 469 0 35 0 41 1 4 19 0 11 8 13 7 60 0 0 1 9 69 5 46 0 12 8 0 55 46 0 9 9 0 1

Pour chaque texte (les lignes de notre tableau), on a les différentes caractéristiques.

Il ne nous reste plus qu’à analyser ces résultats pour comprendre si elle se ressemble ou au contraire elles n’ont rien à voir.

Comparons les styles d’écriture

Statistiquement, nous sommes ici en possession de données avec des variables continues, qui ont été normalisées. On peut procéder à une analyse en composantes principales pour visualiser ces résultats sur deux dimensions, afin de juger par nos propres yeux (l’œil humain voit mieux en 2D qu’en 33D) si les textes de @SpaceFox suivent un style particulier.

Attention, l’ACP se contente de recréer 2 dimensions à partir de nos 33 dimensions, en s’assurant que les deux dimensions nouvelles gardent le plus d’information possible.

Pour cela, on va utiliser la bibliothèque scikit-learn couplée à pandas de python pour procéder à cette ACP. Mon code ressemble donc à ceci :

import pandas as pd
from sklearn.decomposition import PCA
from sklearn.preprocessing import normalize

df = pd.read_csv('results.csv')
pca = PCA(n_components=2) # une ACP sur deux dimensions
pca.fit(df)

# notre ACP suit une loi normale
PCA(copy=True, n_components=2, whiten=False)

existing_2d = pca.transform(df)

existing_df_2d = pd.DataFrame(existing_2d)
existing_df_2d.index = df.index
existing_df_2d.columns = ['PC1','PC2']
existing_df_2d.head()

print(pca.explained_variance_ratio_)

Le résultat de ce morceau de code donne :

[0.98615272 0.00731169]

Ce qui nous dit que notre ACP a réussi à créer deux dimensions, dont la première (PC1) porte 98,6 % de l’information de notre tableau.

Autrement dit, la projection sur deux dimensions sera plutôt fidèle. On a perdu très peu d’information.

La réponse à la grande question

Trêve de plaisanterie, est-ce que tu peux nous dire quelle est la réponse ?

Observons les résultats ensemble :

Résultat de l’ACP
résultat des analyses
résultat des analyses

Ce que l’on observe ici c’est que (souvenez-vous que l’axe qui porte le plus d’information est l’axe PC1, celui des abscisses): Le texte N°28 est très différent des autres du point de vue de son style d’écriture.

C’est étonnant, très étonnant.

Ce détachement ne semble pas lié à la longueur du texte, car même après l’application d’une opération de centrage et réduction des données, on retrouve toujours ce texte en électron libre.

Que s’est-il passé ?

Si on remonte quelques semaines plus tôt, le jour de la publication de ce texte, l’auteur @SpaceFox déclarait :

Je ne vous ai pas oubliés, et je compte bien terminer les 31 textes ! Celui du 28 est à la fois le plus long et celui qui a été le plus difficile à écrire, en plus d’être la suite directe du précédent. Place à Le secret le plus intime !

SpaceFox

Pourquoi l’auteur déclare-t-il que ce texte a été le plus difficile à écrire ? Tout porte à croire que ce texte n’a pas été écrit comme les autres, ni par la même personne.

J’ai ma petite idée, mais je laisse l’auteur ou quelqu’un d’autre qui a compris le stratagème nous expliquer tout ça de lui-même.

20 commentaires

Hahahahaha :D

Ce qui est beau avec Willard, c’est qu’en ne postant qu’une fois par an, il arrive quand même à nous faire comprendre qu’il a beaucoup trop de temps libre.

Mes études sont trop loin pour vérifier ses calculs et ses hypothèses – je laisse ça à qui veut. Par contre, je tiens à signaler que son raisonnement et ses métriques sont solides ; en effet :

Le texte n°28 est réellement différent des autres au niveau du style, et c’est volontaire.

Une petite explication du pourquoi du comment : ces textes ont tous été écrits sur le temps libre que me laissait mon travail à plein temps. Concrètement, ça voulait dire entre 1h et 2h30 par texte, maximum, relecture rapide comprise. Ça ne laisse pas le temps de soigner particulièrement quoi que ce soit, en particulier le style.

Le texte n°28 « Le secret le plus intime » est particulier en ce sens qu’il devait avoir un style spécifique, pour une raison que je dévoile ici :

Ce texte devait laisser transparaître dans son écriture l’instabilité mentale de la narratrice, et instiller le doute au lecteur : quelle est la vérité derrière ce texte bizarre ? Lucie est-elle une psychopathe au dernier degré, a-t-elle un problème psychologique d’un autre ordre, est-elle réellement ce qu’elle prétends ?
Le texte devait montrer un état d’esprit suffisamment bancal pour que n’importe laquelle de ces options soit possible. Ce qui impliquait que le style, la façon qu’a la narratrice de coucher ses idées par écrit, reflète ces états d’esprits. Et ça explique la longueur et la difficulté d’écriture auxquelles je faisait mention dans mon annonce du texte.

J’espérais avoir réussi ce changement de style. J’ai maintenant un outil mathématique qui me prouve qu’effectivement, le style est différent : merci @willard !

+27 -0

Ce qui est beau avec Willard, c’est qu’en ne postant qu’une fois par an, il arrive quand même à nous faire comprendre qu’il a beaucoup trop de temps libre.

Pourtant il travaille 364 jours et demie par an.

Mais vu que l’orbite de sa planète est, d’après mes calculs, proche de celle de Jupiter, ça lui en laisse 3640 de libre, à une vache près…

+5 -0

C’est rigolo car pour le coup, l’ACP est étonnamment précise !

Le texte 26 qui est un sujet qui n’inspirait pas du tout notre renard spécial est bien discriminé à cause de sa taille. Les textes 5 et 20 qui ont un style très proche et particulier sont discriminés ensemble. Le texte 8 est particulièrement long et utilise des caractères non français "Thorbjørn" par exemple. Et pour finir les deux textes sur Lucie sont eux aussi séparés de la masse (mais pas mis ensemble pour une raison que SpaceFox explique).

C’est juste un remarque comme ça en passant ^^
Bonne journée à tous \o

+0 -0

\o dab, je sais pas si c’est à moi que tu parles mais c’est un des deux textes sur Lucie. Très sincèrement, je ne saurais expliquer la discrimination, je ne suis pas allez plus loin que « c’est un texte sur Lucie ». C’est Jacquemin qui parle sauf lors des dialogues. On peut noter que Jacquemin à un nom pourrave ainsi que la présence de dialogue courts et sacadés alternés de descriptions. @SpaceFox help ^^"

Edit: J’avais pas encore envoyé mon message mais du coup merci pour le coup de pate :)

+0 -0

Tout porte à croire que ce texte n’a pas été écrit comme les autres, ni par la même personne.

Bien sûr, c’était évident ! Dans le texte du 28, le texte est à la première personne, qui s’appelle Lucie et qui cherche à éradiquer l’humanité.

Or, SpaceFox est un homme et ne cherche pas à éradiquer l’humanité. Enfin je crois.

Nous sachons !

+2 -0

Yop

Ça fait un petit moment que je n’ai pas manipulé de PCA mais vu la valeur « d’explicativité »* du 2e axe, est-ce que c’était vraiment si pertinent de le garder ? Bon ok c’est moins joli d’avoir une simple droite.

Mais du coup, dans l’interprétation de la PCA, 27 et 9 semblent très différents. Ils sont très éloignés sur l’axe des ordonnées, et peu sur l’axe des abscisses. Ici, sont-ils plus ou moins différents que le sont24 et 25, très proches sur l’axe des ordonnées mais un peu éloignés sur l’axe des abscisses ?

J’ai cherché sur ZdS et je n’ai pas vu de cours sur les Analyses en Composantes Principales pour vérifier ça ;) .

*Je ne sais plus comment ça s’appelle, ça représente en gros le % de variance expliquée par l’axe c’est ça ?

Merci à tous

+0 -0
Connectez-vous pour pouvoir poster un message.
Connexion

Pas encore membre ?

Créez un compte en une minute pour profiter pleinement de toutes les fonctionnalités de Zeste de Savoir. Ici, tout est gratuit et sans publicité.
Créer un compte