# Структура презентации Ниже — рекомендуемая последовательность слайдов. Она рассчитана на аудиторию, которая знает базовые понятия машинного обучения, но не знает деталей стилометрии. Формулировки можно сокращать, но логику лучше сохранить. --- ## Слайд 1. Тема и исследовательский вопрос **Заголовок:** Различимы ли речевые маски персонажей Stardew Valley? **Ключевые тезисы:** - 2005 реплик, 34 персонажа, один автор. - Задача — не авторская атрибуция, а классификация речевых масок. - Вопрос: можно ли различить персонажей по стилометрическим признакам отдельных реплик? **Визуализация:** примеры реплик 3–4 контрастных персонажей (Abigail, Jas, Krobus, Wizard). --- ## Слайд 2. Корпус и его ограничения **Ключевые тезисы:** - 2005 реплик, 34 класса, около 38 тыс. словоупотреблений. - Средняя длина — 19 слов, медиана — 17. - Классы неравномерны: 15–139 реплик. - Корпус прошёл ручную фильтрацию коротких и общих фраз; правила не восстановлены. - Точных дублей реплик нет. **Визуализация:** горизонтальная диаграмма распределения классов; гистограмма длин реплик. --- ## Слайд 3. Почему это сложная задача **Ключевые тезисы:** - Один автор → нельзя использовать традиционную авторскую атрибуцию. - Короткие тексты → признаки словарного богатства и читаемости нестабильны. - Дисбаланс → accuracy обманчива, нужна macro-F1. - 34 класса → случайный уровень 2,9%, top-3 — 8,8%. - LSA может выучить тему, а не стиль. **Визуализация:** таблица «случайный уровень vs ожидаемый сигнал». --- ## Слайд 4. Предобработка и NLTK **Ключевые тезисы:** - Нормализация Unicode и плейсхолдеров. - Токенизация, разбиение на предложения, частеречная разметка NLTK. - PTB → Universal POS. - Не удаляем стоп-слова, пунктуацию и короткие реплики: это стилометрический сигнал. - Не лемматизируем по умолчанию: инфлексия — тоже стиль. **Визуализация:** схема «реплика → токены → POS → признаки». --- ## Слайд 5. Стилометрические признаки **Ключевые тезисы:** - 454 ручных признака в 11 группах. - Функциональные слова — ядро классической стилометрии. - POS и символьные n-граммы — устойчивы к теме. - Пунктуация и разговорные маркеры — важны для игровых реплик. - Словарное богатство и читаемость — предварительные признаки. **Визуализация:** таблица групп признаков с примерами; словарь признаков в приложении. --- ## Слайд 6. LSA **Ключевые тезисы:** - LSA = TF-IDF → усечённое сингулярное разложение → L2-нормализация. - Варианты: слова, содержание без стоп-слов, функциональные слова, символьные n-граммы, POS. - Число компонент выбирается по объяснённой дисперсии и внешней метрике. - LSA по всем словам может отражать тему; сравнение с POS/функциональными словами обязательно. - Обучение LSA — только внутри блоков перекрёстной проверки. **Визуализация:** график объяснённой дисперсии; 2D PCA/t-SNE; примеры top-терминов компонент. --- ## Слайд 7. Схема валидации **Ключевые тезисы:** - 5-блочная стратифицированная перекрёстная проверка. - Повторность: 3–5 повторов. - Вложенная настройка гиперпараметров: внешние блоки — оценка, внутренние — настройка. - Все обучаемые преобразования — внутри блоков. - Контроль утечек: TF-IDF, SVD, масштабирование, отбор признаков. **Визуализация:** схема outer/inner CV. --- ## Слайд 8. Метрики **Ключевые тезисы:** - Основная метрика — macro-F1: все 34 класса равноправны. - Дополнительно: сбалансированная доля правильных ответов, MCC, каппа, top-3/top-5. - Accuracy приводится, но не используется как единственная метрика. - 95% бутстрэп-интервалы. - Парные сравнения: Мак-Немар; несколько моделей — Фридман и Холм. **Визуализация:** таблица метрик с формулами в приложении; пример «почему accuracy обманывает» (Dummy: 6,9% accuracy, macro-F1 0,004). --- ## Слайд 9. Классификаторы **Ключевые тезисы:** - Dummy — нижняя граница. - MultinomialNB — быстрый вероятностный baseline. - LogisticRegression — основной кандидат: линейная модель, вероятности, интерпретируемые коэффициенты. - LinearSVC — сильная линейная альтернатива без вероятностей. - RandomForest/ExtraTrees — нелинейная проверка. - kNN — локальный baseline. - Delta Барроуза — классическая стилометрическая проверка. **Визуализация:** таблица «модель — сильная сторона — ограничение». --- ## Слайд 10. Результаты **Ключевые тезисы:** - Предварительные прогоны: macro-F1 около 0,18 для объединённого набора, top-3 около 0,34. - Случайный уровень: macro-F1 0,029, top-3 0,088. - Символьные и POS n-граммы дают основной прирост. - LSA сама по себе слабее; в объединении даёт небольшой прирост. - Редкие классы проваливаются; смотреть F-меру по классам. **Визуализация:** таблица результатов; матрица ошибок; диаграмма F-меры по классам. --- ## Слайд 11. Стиль или тема? **Ключевые тезисы:** - Сравнение `lsa_word`/`lsa_content` с `lsa_pos`/`lsa_fw`/`lsa_char`. - Если word/content значительно лучше — вклад темы велик. - Если POS/FW сопоставимы — стиль и синтаксис информативны. - Маскировка содержательных слов и тематический контроль — следующий шаг. **Визуализация:** сравнительная диаграмма macro-F1 по вариантам LSA. --- ## Слайд 12. Ошибки и интерпретация **Ключевые тезисы:** - Самые частые пары ошибок. - Персонажи с малым support. - Дети, нелюди, персонажи с похожей ролью. - Влияние длины реплик. - Анализ по полу, возрасту, виду. **Визуализация:** самые частые пары ошибок; F-мера по подгруппам. --- ## Слайд 13. Ограничения **Ключевые тезисы:** - Один автор. - Короткие тексты. - Ручная фильтрация корпуса. - Дисбаланс классов. - Нет идентификаторов сцен. - NLTK-теггер ошибается на разговорной речи. - LSA может отражать тему. - Кластеризация и t-SNE — предварительный анализ. --- ## Слайд 14. Выводы и дальнейшая работа **Ключевые тезисы:** - Речевые маски персонажей статистически различимы, но сигнал умеренный. - Основной вклад — символьные и частеречные n-граммы; LSA полезна как дополнение, но требует контроля темы. - Для усиления: больше данных, агрегация реплик в псевдодокументы, тематический контроль, более точный частеречный теггер, учёт сцен. - Воспроизводимость: код, конфигурации, seed, метаданные запусков. **Визуализация:** итоговая таблица «что сделано — что показано — что дальше». --- ## Приложение - Полный словарь признаков. - Формулы метрик. - Сетки гиперпараметров. - Примеры ошибок. - Команды запуска.