% !TeX program = xelatex
% Стилометрическая классификация реплик Stardew Valley — академическая Beamer-презентация.
% Сборка: xelatex stardew_stylometry.tex (два прохода) в каталоге latex/.
\documentclass[aspectratio=169,10pt]{beamer}

\usepackage{fontspec}
\usepackage[russian]{babel}
\babelfont{rm}{Liberation Sans}
\babelfont{sf}{Liberation Sans}
\usepackage{amsmath}
\usepackage{tikz}
\usetikzlibrary{calc}
\usepackage[most]{tcolorbox}
\usepackage{graphicx}

\graphicspath{{../images/}{../generated/}}

% ---------- Цвета: сдержанная академическая гамма ----------
\definecolor{cream}{RGB}{253,246,231}
\definecolor{inkbrown}{RGB}{62,42,26}
\definecolor{accent}{RGB}{140,95,45}

% ---------- Общий вид ----------
\usefonttheme{professionalfonts}
\setbeamertemplate{navigation symbols}{}
\setbeamertemplate{caption}{\raggedright\insertcaption\par}
\setbeamercolor{normal text}{fg=inkbrown}
\setbeamercolor{frametitle}{fg=inkbrown}
\setbeamercolor{structure}{fg=accent}
\setbeamercolor{itemize item}{fg=accent}
\setbeamercolor{itemize subitem}{fg=accent}
\setbeamercolor{itemize/enumerate body}{fg=inkbrown}
\setbeamercolor{enumerate item}{fg=accent}
\setbeamersize{text margin left=0.55cm, text margin right=0.55cm}
\setbeamertemplate{itemize item}{\textbullet}
\setbeamertemplate{itemize subitem}{--}

% ---------- Фон: изображение + маленькая курица на каждом слайде ----------
\usebackgroundtemplate{%
\begin{tikzpicture}[remember picture, overlay]
  \node at (current page.center)
    {\includegraphics[width=\paperwidth,height=\paperheight]{background.jpg}};
  \node[anchor=south east, xshift=-2.5mm, yshift=1.5mm]
    at (current page.south east)
    {\includegraphics[height=0.65cm]{chicken.png}};
\end{tikzpicture}}

% ---------- Заголовок слайда: кремовая полоса во всю ширину ----------
\newlength{\sidemargin}
\setlength{\sidemargin}{0.55cm}
\setbeamertemplate{frametitle}{%
  \nointerlineskip
  \vspace*{-0.2mm}%
  \hspace*{-\sidemargin}%
  \begin{tcolorbox}[enhanced, width=\paperwidth, colback=cream, colframe=cream,
    opacityback=0.90, arc=0mm, boxrule=0pt,
    left=\sidemargin, right=\sidemargin, top=1.2mm, bottom=1.2mm,
    before skip=0pt, after skip=2mm]
    {\usebeamerfont{frametitle}\usebeamercolor[fg]{frametitle}\large\bfseries\insertframetitle}
  \end{tcolorbox}}

% ---------- Кремовые панели для содержимого ----------
\tcbset{panelstyle/.style={enhanced, colback=cream, opacityback=0.90,
  colframe=accent, opacityframe=0.65, boxrule=0.6pt, arc=1.4mm,
  boxsep=1.2mm, top=1.4mm, bottom=1.4mm, left=2.4mm, right=2.4mm,
  before skip=1.6mm, after skip=1.6mm}}
\newtcolorbox{panel}[1][]{panelstyle, #1}

% ---------- Кремовый бокс с изо­бражением ----------
\newtcolorbox{imgbox}[1][]{enhanced, colback=cream, opacityback=0.90,
  colframe=accent, opacityframe=0.65, boxrule=0.6pt, arc=1.4mm,
  boxsep=0.8mm, top=0.8mm, bottom=0.8mm, left=0.8mm, right=0.8mm,
  before skip=1.6mm, after skip=1.6mm, halign=center, #1}

% ---------- Титульный шаблон ----------
\title[Стилометрия реплик Stardew Valley]{Стилометрическая классификация реплик персонажей Stardew Valley}
\author{А.~А.~Аладьина \and В.~Н.~Копнин \and М.~В.~Савостиков}
\institute{ПИЭ-13МО}

\setbeamerfont{note page}{size=\footnotesize}

\begin{document}

% ==================== СЛАЙД: ТИТУЛ ====================
\begin{frame}[plain]
  \begin{tikzpicture}[remember picture, overlay]
    \node at (current page.center)
      {\includegraphics[width=\paperwidth,height=\paperheight]{title.jpg}};
    \node[anchor=south east, xshift=-2.5mm, yshift=1.5mm]
      at (current page.south east)
      {\includegraphics[height=0.65cm]{chicken.png}};
  \end{tikzpicture}
  \vspace*{-2.2cm}
  \begin{center}
    \begin{tcolorbox}[enhanced, width=0.92\paperwidth, colback=cream, opacityback=0.92,
        colframe=cream, boxrule=0pt, arc=2mm, halign=center, boxsep=2mm]
      {\large\bfseries Стилометрическая классификация реплик персонажей Stardew Valley}\\[2mm]
      {\normalsize Можно ли различить голоса персонажей, если все реплики написаны одним автором?}\\[2.4mm]
      \small А.~А.~Аладьина \quad·\quad В.~Н.~Копнин \quad·\quad М.~В.~Савостиков\\[0.8mm]
      \footnotesize ПИЭ-13МО
    \end{tcolorbox}
  \end{center}
  \note{Титул. Представление группы: Аладьина Анна Андреевна, Копнин Владислав
  Николаевич, Савостиков Михаил Викторович, ПИЭ-13МО. Коротко: мы проверяем,
  различимы ли речевые маски персонажей игры по одной реплике. Автор у всех
  реплик один — это ключевой факт всей работы. Далее три блока: задача и
  корпус, методология, результаты.}
\end{frame}

% ==================== БЛОК 1 ====================
\begin{frame}{Блок 1\ \ ·\ \ Задача и корпус}
  \begin{center}
    \begin{tcolorbox}[enhanced, width=0.86\paperwidth, colback=cream, opacityback=0.9,
        colframe=cream, boxrule=0pt, arc=2mm, halign=center, boxsep=3mm]
      {\large Блок 1}\\[1.5mm]
      {\Large\bfseries Решаемая задача и корпус}\\[2mm]
      \small Постановка задачи · сбор и очистка данных · характеристики корпуса\\[2.5mm]
      {\bfseries Докладчик: А.~А.~Аладьина}
    \end{tcolorbox}
  \end{center}
  \note{Блок\,1. Говорит А. А. Аладьина. План блока: что за задача мы решаем,
  её формальная постановка, как собирали и чистили корпус, и какими
  характеристиками он обладает.}
\end{frame}

\begin{frame}{Задача и постановка}
  \begin{columns}[T]
    \begin{column}{0.49\textwidth}
      \begin{panel}
        \textbf{Решаемая задача}
        \begin{itemize}
          \item Дано: 2005 коротких реплик, 34 персонажа, один автор.
          \item Требуется: по одной реплике определить персонажа.
          \item Каждый объект относится ровно к одному из 34 классов.
          \item Это не авторская атрибуция: мы различаем \emph{речевые маски персонажей}, а не авторов.
          \item Проверяется, статистически ли различимы эти маски.
        \end{itemize}
      \end{panel}
    \end{column}
    \begin{column}{0.49\textwidth}
      \begin{panel}
        \textbf{Компактная постановка}\\[1.2mm]
        \centering
        $D=\{(x_i,\,y_i)\}_{i=1}^{n},\quad n=2005,$\\[1mm]
        $x_i$ — реплика, \ $y_i\in Y,\ |Y|=34,$\\[1mm]
        $f\colon \Phi(x_i)\to Y$ — классификатор.\\[1.2mm]
        \raggedright\small Ещё одна запись — критерий качества: усреднённая
        F-мера по классам (macro-F1). Других формул в докладе не будет.
      \end{panel}
    \end{column}
  \end{columns}
  \note{Говорит А. А. Аладьина. Задача — многоклассовая классификация коротких
  текстов: по одной реплике предсказать персонажа из 34 классов. Подчеркнуть:
  это НЕ авторская атрибуция — все тексты написаны одним автором, и мы
  проверяем различимость речевых масок. Формула одна и остаётся единственной
  в докладе.}
\end{frame}

\begin{frame}{Корпус: сбор, разметка, очистка}
  \begin{columns}[T]
    \begin{column}{0.33\textwidth}
      \begin{panel}
        \small\textbf{1. Сбор}
        \begin{itemize}
          \item Реплики из диалогов игры.
          \item Единица анализа — одна реплика.
          \item 34 персонажа, тексты на английском.
        \end{itemize}
      \end{panel}
    \end{column}
    \begin{column}{0.33\textwidth}
      \begin{panel}
        \small\textbf{2. Разметка}
        \begin{itemize}
          \item Метка — имя говорящего персонажа.
          \item Ручная проверка реплики и метки.
          \item Метаданные (пол, возраст, вид) хранятся отдельно.
        \end{itemize}
      \end{panel}
    \end{column}
    \begin{column}{0.33\textwidth}
      \begin{panel}
        \small\textbf{3. Очистка}
        \begin{itemize}
          \item Нормализация Unicode.
          \item Плейсхолдеры заменены нейтральными словами.
          \item Пунктуация и регистр сохранены: это стилометрический сигнал.
        \end{itemize}
      \end{panel}
    \end{column}
  \end{columns}
  \begin{panel}
    \small \textbf{Ограничения данных:} правила ручной фильтрации
    не сохранились; нет идентификаторов сцен.
  \end{panel}
  \note{Говорит А. А. Аладьина. Корпус собран из диалогов игры, разбит на
  реплики, размечен именем говорящего. Очистка минимальная: нормализуем
  символы, заменяем плейсхолдеры вида \texttt{<PLAYER>}, ничего не удаляем из
  стилистических сигналов (пунктуация, регистр оставлены). Честно сказать про
  ручную фильтрацию и отсутствие идентификаторов сцен.}
\end{frame}

\begin{frame}{Персонажи корпуса}
  \begin{center}
    \begin{imgbox}
    \includegraphics[height=0.6\textheight]{characters.png}
    \end{imgbox}
  \end{center}
  \note{Говорит А. А. Аладьина. Все 34 персонажа: подростки и молодые взрослые,
  взрослые, пожилые, дети и нелюди (Dwarf, Krobus, Wizard). Такая структура
  потом поможет объяснить, где модель путается.}
\end{frame}

\begin{frame}{Характеристики корпуса: классы}
  \begin{columns}[T]
    \begin{column}{0.42\textwidth}
      \begin{imgbox}
      \includegraphics[width=\linewidth]{replics-count.png}
      \end{imgbox}
    \end{column}
    \begin{column}{0.57\textwidth}
      \begin{panel}
        \small
        \begin{tabular}{@{}p{3.2cm}p{3.6cm}@{}}
          \textbf{Реплик} & 2005\\[0.8mm]
          \textbf{Персонажей} & 34\\[0.8mm]
          \textbf{Максимум класса} & Abigail, 139\\[0.8mm]
          \textbf{Минимум класса} & Mister Qi, 15\\[0.8mm]
          \textbf{Точные дубли} & 0\\[0.8mm]
          \textbf{Почти-дубли} & 13 пар, только внутри класса\\
        \end{tabular}
      \end{panel}
      \begin{panel}
        \small Дисбаланс почти десятикратный: от 15 до 139 реплик. Поэтому
        доля правильных ответов обманчива; основная метрика — усреднённая
        F-мера по классам.
      \end{panel}
    \end{column}
  \end{columns}
  \note{Говорит А. А. Аладьина. Диаграмма: сколько реплик у каждого персонажа.
  Дисбаланс почти десятикратный (15–139). Точных дубликатов нет, 13 почти-дублей
  — только внутри одного класса, то есть утечки между классами через
  дубликаты нет.}
\end{frame}

\begin{frame}{Характеристики корпуса: длина реплик}
  \begin{columns}[T]
    \begin{column}{0.42\textwidth}
      \begin{imgbox}
      \includegraphics[width=\linewidth]{median.png}
      \end{imgbox}
    \end{column}
    \begin{column}{0.57\textwidth}
      \begin{panel}
        \begin{tabular}{@{}p{4.2cm}p{2.9cm}@{}}
          \textbf{Средняя длина} & 19,1 слова\\[0.8mm]
          \textbf{Медиана} & 17 слов\\[0.8mm]
          \textbf{Диапазон} & 3–78 слов\\
        \end{tabular}
      \end{panel}
      \begin{panel}
        \begin{itemize}
          \item Короткие реплики дают мало стилометрических свидетельств.
          \item Длина сама по себе — сильный, но опасный признак: она может
                подменять «стиль» просто узнаванием персонажа.
          \item Поэтому её вклад проверялся отдельно: с исключением
                признаков длины и по группам длины.
        \end{itemize}
      \end{panel}
    \end{column}
  \end{columns}
  \note{Говорит А. А. Аладьина. Средняя реплика — всего 19 слов, медиана 17,
  диапазон 3–78. На таких коротких текстах признаки словарного богатства и
  читаемости нестабильны — это одна из причин низких абсолютных значений
  качества, о которых расскажет третий докладчик.}
\end{frame}

% ==================== БЛОК 2 ====================
\begin{frame}{Блок 2\ \ ·\ \ Методология}
  \begin{center}
    \begin{tcolorbox}[enhanced, width=0.86\paperwidth, colback=cream, opacityback=0.9,
        colframe=cream, boxrule=0pt, arc=2mm, halign=center, boxsep=3mm]
      {\large Блок 2}\\[1.5mm]
      {\Large\bfseries Методология: как измеряем стиль}\\[2mm]
      \small Признаки · LSA · классификаторы · схема проверки · метрики\\[2.5mm]
      {\bfseries Докладчик: В.~Н.~Копнин}
    \end{tcolorbox}
  \end{center}
  \note{Блок\,2. Говорит В. Н. Копнин. План блока: общая схема конвейера,
  какие признаки строим, как работает LSA, какие модели сравнивали и как устроена
  проверка, чтобы не обмануть себя.}
\end{frame}

\begin{frame}{Общая схема}
  \begin{panel}
    \small
    Реплика (текст персонажа) $\to$ очистка (Unicode, плейсхолдеры)
    $\to$ токены и частеречная разметка (NLTK, Universal POS)
    $\to$ признаки (ручные, n-граммы, LSA)
    $\to$ модель (вероятности по 34 классам)
    $\to$ проверка (5 блоков, повторы, метрики).
  \end{panel}
  \begin{columns}[T]
    \begin{column}{0.49\textwidth}
      \begin{panel}
        \textbf{Что важно про схему}
        \begin{itemize}
          \item Все обучаемые преобразования настраиваются только внутри
                обучающих блоков.
          \item Тестовые блоки не участвуют ни в настройке признаков, ни в
                выборе параметров модели.
        \end{itemize}
      \end{panel}
    \end{column}
    \begin{column}{0.49\textwidth}
      \begin{panel}
        \textbf{Что такое «вектор признаков»}
        \begin{itemize}
          \item Это не «понимание» текста, а числовое описание его
                статистических свойств: длины, частоты, пунктуация, темы.
        \end{itemize}
      \end{panel}
    \end{column}
  \end{columns}
  \note{Говорит В. Н. Копнин. Общий конвейер: текст превращается в цепочку
  преобразований и в конце — в вектор чисел, по которому модель выбирает
  класс. Ключевое правило: всё, что «учится» на данных, учится только на
  обучающей части каждой проверки.}
\end{frame}

\begin{frame}{Признаки: что именно считаем}
  \begin{columns}[T]
    \begin{column}{0.49\textwidth}
      \begin{panel}
        \small\textbf{Ручные признаки (454, в 11 группах)}
        \begin{itemize}
          \item Длина: слова, символы, предложения.
          \item Лексика и орфография: длины слов, апострофы, заглавные буквы.
          \item Словарное богатство: на коротких репликах нестабильно.
          \item Пунктуация: запятые, многоточия, восклицания.
          \item Разговорные маркеры: смех, вежливость, сокращения.
        \end{itemize}
      \end{panel}
    \end{column}
    \begin{column}{0.49\textwidth}
      \begin{panel}
        \small\textbf{Функциональные слова и векторные блоки}
        \begin{itemize}
          \item Функциональные слова: около 150 закрытых слов и 12 категорий;
                местоимения 1-го, 2-го, 3-го лица.
          \item Части речи и синтаксис-прокси: клаузы, союзы, вопросы.
          \item Символьные n-граммы (2–5) и частеречные n-граммы (1–3) с TF-IDF.
          \item LSA: сжатые векторы по словам, содержанию, POS и символам.
        \end{itemize}
      \end{panel}
    \end{column}
  \end{columns}
  \note{Говорит В. Н. Копнин. Два семейства признаков. Первое — 454 ручных
  признака: длины, пунктуация, разговорные маркеры, функциональные слова.
  Второе — автоматические: символьные и частеречные n-граммы и векторные
  блоки LSA. Стоп-слова и пунктуацию специально не удаляли — для стилометрии
  это сигнал, а не шум.}
\end{frame}

\begin{frame}{LSA простыми словами}
  \begin{columns}[T]
    \begin{column}{0.49\textwidth}
      \begin{panel}
        \small\textbf{Идея}
        \begin{itemize}
          \item Строим таблицу «реплика $\times$ слово», взвешиваем
                частоты через TF-IDF.
          \item Сжимаем таблицу до $k$ скрытых осей: каждая реплика
                превращается в короткий вектор.
          \item Оси не обязаны быть «темами»: их порядок и знак произвольны.
        \end{itemize}
      \end{panel}
    \end{column}
    \begin{column}{0.49\textwidth}
      \begin{panel}
        \small\textbf{Варианты LSA}
        \begin{itemize}
          \item \texttt{word} — лексика и тема.
          \item \texttt{content} — содержание без служебных слов.
          \item \texttt{fw} — функциональные слова и синтаксис.
          \item \texttt{char} — морфология и пунктуация.
          \item \texttt{pos} — частеречные последовательности.
        \end{itemize}
      \end{panel}
    \end{column}
  \end{columns}
  \begin{panel}
    $k$ подбирался в диапазоне 50–400; для \texttt{content}-LSA качество
    устойчиво росло до 400.
    Ключевой вопрос: LSA по содержательным словам ловит \emph{тему}, а не
    только стиль.
  \end{panel}
  \note{Говорит В. Н. Копнин. LSA объясняем без формул: таблица частот —
  взвешивание — сжатие до k осей — короткий вектор для каждой реплики.
  Важно ограничение метода: оси формально не интерпретируются, а LSA по
  содержательным словам может кодировать тему. Для этого мы и делали
  несколько вариантов LSA, чтобы сравнить тематический и стилистический
  вклад.}
\end{frame}

\begin{frame}{Классификаторы}
  \begin{columns}[T]
    \begin{column}{0.49\textwidth}
      \begin{panel}
        \small\textbf{Линейные модели}
        \begin{itemize}
          \item Логистическая регрессия: «признак $\times$ вес», затем
                вероятности; редкие классы получают повышенные веса.
          \item Линейный SVM: граница с максимальным зазором; часто силён
                на тексте, но вероятностей не выдаёт.
        \end{itemize}
      \end{panel}
    \end{column}
    \begin{column}{0.49\textwidth}
      \begin{panel}
        \small\textbf{Деревья и ансамбли}
        \begin{itemize}
          \item Случайный лес и ExtraTrees: сотни деревьев; у ExtraTrees
                пороги выбираются случайно — меньше разброс.
          \item Мягкое голосование: усредняем вероятности моделей.
          \item Стековое объединение у нас переобучилось и оказалось хуже.
        \end{itemize}
      \end{panel}
    \end{column}
  \end{columns}
  \begin{panel}
    \small Сравнивали несколько семейств, чтобы вывод не зависел от одного
    алгоритма: близкие результаты у разных моделей делают вывод надёжнее.
  \end{panel}
  \note{Говорит В. Н. Копнин. Логистическая регрессия — интерпретируемая
  линейная база; SVM — сила на текстовых признаках, но без вероятностей;
  деревья ловят нелинейные комбинации («многоточие + короткая реплика»), но
  легко переобучаются на 2005 объектах. Лучший результат дало мягкое
  голосование трёх моделей; стек был хуже — переобучился.}
\end{frame}

\begin{frame}{Как проверяем}
  \begin{columns}[T]
    \begin{column}{0.49\textwidth}
      \begin{panel}
        \textbf{Схема оценки}
        \begin{itemize}
          \item Стратифицированная перекрёстная проверка: 5 блоков, доли
                классов внутри блоков сохраняются.
          \item Повторяем 3–5 раз с разными разбиениями — оцениваем разброс.
          \item Вложенная схема: внешние блоки — оценка, внутренние —
                настройка параметров модели.
          \item Отдельная отложенная выборка 80/20 для финальных кандидатов.
        \end{itemize}
      \end{panel}
    \end{column}
    \begin{column}{0.49\textwidth}
      \begin{panel}
        \textbf{Контроль ошибок исследователя}
        \begin{itemize}
          \item TF-IDF, сжатие и масштабирование обучаются только на
                обучающих блоках — борьба с утечкой данных.
          \item Контроль перестановкой меток дал 0,027–0,028 — воспроизведён
                случайный уровень.
          \item Почти-дубликаты находятся только внутри одного класса и
                не пересекают обучение и тест.
        \end{itemize}
      \end{panel}
    \end{column}
  \end{columns}
  \note{Говорит В. Н. Копнин. Схема: 5-блочная стратифицированная
  перекрёстная проверка с повторами; вложенная — для честной настройки
  параметров; отложенная выборка — дополнительная проверка. Отдельно
  переставляли метки: качество упало до случайного уровня, значит сигнал
  не в «утечке».}
\end{frame}

\begin{frame}{Метрики: что и зачем}
  \begin{panel}
    \small
    \begin{tabular}{@{}p{3.9cm}p{9.6cm}@{}}
      \textbf{Метрика} & \textbf{Что показывает}\\[1mm]
      \textbf{Macro-F1} & Средняя F-мера по 34 классам: каждый персонаж важен одинаково, включая редких. Основная метрика.\\[1mm]
      \textbf{Доля правильных ответов} & Доля совпавших предсказаний; при дисбалансе обманчива: модель, всегда выбирающая частый класс, выглядит неплохо.\\[1mm]
      \textbf{Сбалансированная доля} & Средняя полнота по классам: находит ли модель редких персонажей.\\[1mm]
      \textbf{Тройка лучших (top-3)} & Истинный персонаж оказался в тройке наиболее вероятных ответов.\\[1mm]
      \textbf{MCC / каппа} & Согласие с поправкой на случайное угадывание.\\[1mm]
      \textbf{Матрица ошибок} & Кто с кем путается; подробнее — в блоке 3.\\
    \end{tabular}
  \end{panel}
  \begin{panel}
    Ориентиры при 34 классах: случайный уровень macro-F1 $\approx$ 0,029,
    top-3 $\approx$ 0,088. Выводы опираемся на macro-F1, интервалы и матрицу ошибок.
  \end{panel}
  \note{Говорит В. Н. Копнин. Главная метрика — macro-F1: она равно
  взвешивает все 34 класса, включая редких. Доля правильных ответов
  обманчива при дисбалансе. Смысл всех остальных метрик — словесный, без
  формул. Ориентиры случайного уровня уже озвучены — они пригодятся в
  блоке 3.}
\end{frame}

% ==================== БЛОК 3 ====================
\begin{frame}{Блок 3\ \ ·\ \ Результаты}
  \begin{center}
    \begin{tcolorbox}[enhanced, width=0.86\paperwidth, colback=cream, opacityback=0.9,
        colframe=cream, boxrule=0pt, arc=2mm, halign=center, boxsep=3mm]
      {\large Блок 3}\\[1.5mm]
      {\Large\bfseries Результаты и интерпретация}\\[2mm]
      \small Оценки качества · вклад признаков · матрицы ошибок · ограничения · выводы\\[2.5mm]
      {\bfseries Докладчик: М.~В.~Савостиков}
    \end{tcolorbox}
  \end{center}
  \note{Блок\,3. Говорит М. В. Савостиков. План блока: главные числа, что даёт
  качество, стиль или содержание, кого модель путает, как корректно читать
  оценки, ограничения и выводы.}
\end{frame}

\begin{frame}{Главный результат}
  \begin{columns}[T]
    \begin{column}{0.47\textwidth}
      \begin{panel}
        \small
        \begin{tabular}{@{}p{3.5cm}r@{}}
          \textbf{Мягкое голосование (5 блоков)} & 0,304\\
          \textbf{ExtraTrees, char = 10\,000} & 0,276\\
          \textbf{Вложенный выбор} & 0,275\\
          \textbf{Отложенная выборка} & 0,333\\
          \textbf{Перестановка меток} & 0,029\\
        \end{tabular}
      \end{panel}
      \begin{panel}
        \small Числа — macro-F1. Случайный уровень для 34 классов — 0,029;
        контроль перестановкой меток вышел на этот уровень, значит сигнал
        в данных, а не в утечке.
      \end{panel}
    \end{column}
    \begin{column}{0.52\textwidth}
      \begin{imgbox}
      \includegraphics[width=\linewidth]{model_comparison.png}
      \end{imgbox}
    \end{column}
  \end{columns}
  \note{Говорит М. В. Савостиков. Главная цифра — macro-F1 0,304 для мягкого
  голосования при 5-блочной проверке. Более консервативная оценка — 0,275:
  там конфигурация выбиралась честно, внутри обучающей части каждого блока.
  На отложенной выборке 0,333, но это одно разбиение. Суть: персонажи
  действительно различимы.}
\end{frame}

\begin{frame}{Что добавляет качество}
  \begin{columns}[T]
    \begin{column}{0.52\textwidth}
      \begin{imgbox}
      \includegraphics[width=\linewidth, height=0.55\textheight, keepaspectratio]{feature_progression.png}
      \end{imgbox}
    \end{column}
    \begin{column}{0.47\textwidth}
      \begin{panel}
        \small
        \begin{itemize}
          \item Только длина: 0,035.
          \item Ручные стилометрические признаки: 0,105.
          \item $+$ символьные и частеречные n-граммы: 0,182.
          \item $+$ content-LSA: 0,249.
          \item ExtraTrees, char = 10\,000: 0,276.
          \item Мягкое голосование: 0,304.
        \end{itemize}
        Итого: основной прирост — лексика, n-граммы и content-LSA;
        «чистый синтаксис» (функциональные слова и POS-LSA) сам по себе
        слаб — важный отрицательный результат.
      \end{panel}
    \end{column}
  \end{columns}
  \note{Говорит М. В. Савостиков. Прогрессия: вручную посчитанные признаки
  дают 0,105, добавляются символьные n-граммы — 0,182, LSA по содержанию —
  0,249, лучшая одиночная модель — 0,276, ансамбль — 0,304. Обратный вывод
  важен тоже: признаки «чистого синтаксиса» сами по себе почти ничего не
  дают.}
\end{frame}

\begin{frame}{Стиль или содержание?}
  \begin{columns}[T]
    \begin{column}{0.5\textwidth}
      \begin{imgbox}
      \includegraphics[width=\linewidth, height=0.55\textheight, keepaspectratio]{topic_control.png}
      \end{imgbox}
    \end{column}
    \begin{column}{0.49\textwidth}
      \begin{panel}
        \small
        \begin{itemize}
          \item Проверка: содержательные слова (существительные, глаголы,
                прилагательные, наречия) заменены нейтральным маркером.
          \item Исходный текст: 0,248; после маскирования: 0,113.
          \item Падение более чем вдвое, но остаток 0,113 — в 3,9 раза
                выше случайного уровня.
        \end{itemize}
        \textbf{Вывод контроля:} более половины качества даёт лексическое
        \emph{содержание}; стилевой сигнал сохраняется, но слабее
        тематического.
      \end{panel}
    \end{column}
  \end{columns}
  \note{Говорит М. В. Савостиков. Ключевой эксперимент: заменяем все
  содержательные слова нейтральным маркером. Качество резко падает (0,248
  становится 0,113). Тем не менее остаток — почти в четыре раза выше
  случайного: какой-то стилевой компонент есть. Из этого следует главная
  оговорка работы: мы не можем утверждать, что модель выучила «чистый
  стиль» персонажей — основной вклад даёт тематический профиль.}
\end{frame}

\begin{frame}{Матрица ошибок: как читать}
  \begin{columns}[T]
    \begin{column}{0.55\textwidth}
      \begin{imgbox}
      \includegraphics[width=\linewidth, height=0.66\textheight, keepaspectratio]{confusion_top12.png}
      \end{imgbox}
    \end{column}
    \begin{column}{0.44\textwidth}
      \begin{panel}
        \begin{itemize}
          \item \textbf{Строки} — истинный персонаж, \textbf{столбцы} —
                предсказание; \textbf{диагональ} — верные ответы,
                вне диагонали — ошибки.
          \item Полная матрица 34$\times$34 нечитаема: показываем top-12;
                полная — в приложении. Далее — пары ошибок.
        \end{itemize}
      \end{panel}
      \begin{panel}
        \small\textbf{Что видно:} крупная доля вне диагонали у многих строк —
        редкие классы «утекают» в популярные.
      \end{panel}
    \end{column}
  \end{columns}
  \note{Говорит М. В. Савостиков. Обязательно проговорить, как читать матрицу:
  строка — кто говорил на самом деле, столбец — кого предсказала модель,
  диагональ — верные ответы, всё вне диагонали — ошибки. Полные 34 строки не
  читаются на проекторе, поэтому top-12 + пары + полная матрица в приложении.}
\end{frame}

\begin{frame}{Кого модель путает чаще всего}
  \begin{columns}[T]
    \begin{column}{0.52\textwidth}
      \begin{imgbox}
      \includegraphics[width=\linewidth, height=0.45\textheight, keepaspectratio]{confusion_pairs.png}
      \end{imgbox}
    \end{column}
    \begin{column}{0.47\textwidth}
      \begin{panel}
        \small\textbf{Частые пары ошибок (число перепутанных реплик)}
        \begin{itemize}
          \item Sebastian $\to$ Abigail: 65
          \item Sebastian $\to$ Alex: 61
          \item Abigail $\to$ Sebastian: 59
          \item Abigail $\to$ Alex: 56
        \end{itemize}
        Основной клубок — молодые персонажи: Abigail, Alex, Sebastian,
        Haley, Sam. Один автор и общие сюжетные контексты делают сходство
        голосов ожидаемым: это не разные авторы. Это коллапс редких классов
        в классы-аттракторы, а не «демографическая» путаница.
      \end{panel}
      \vspace{-1mm}
    \end{column}
  \end{columns}
  \note{Говорит М. В. Савостиков. Самые частые пары: Sebastian и Abigail
  путаются в обе стороны (65 и 59), Sebastian и Alex (61), Abigail и Alex
  (56). Ошибки сконцентрированы вокруг группы молодых персонажей. Важно: это
  стягивание предсказаний к популярным классам, а не доказательство, что эти
  персонажи «говорят одинаково» — хотя перекрёстные путаницы Sebastian —
  Abigail — Alex согласуются с их сходными масками.}
\end{frame}

\begin{frame}{Классы-аттракторы}
  \begin{columns}[T]
    \begin{column}{0.47\textwidth}
      \begin{panel}
        \small\textbf{Классы-аттракторы}
        \begin{itemize}
          \item Alex и Abigail собирают заметную долю \emph{чужих}
                предсказаний: на разных повторах Abigail получает
                порядка 10–18\,\% всех ответов при истинной доле
                класса $\approx$ 6,9\,\%.
          \item Коррекция априорных вероятностей классов
                macro-F1 не улучшила и проблему не сняла.
        \end{itemize}
      \end{panel}
    \end{column}
    \begin{column}{0.52\textwidth}
      \begin{imgbox}
      \includegraphics[width=\linewidth, height=0.55\textheight, keepaspectratio]{hub_shares.png}
      \end{imgbox}
    \end{column}
  \end{columns}
  \begin{panel}
    \small Диаграмма — доли предсказаний «аттракторных» классов
    (hub-коллапс: редкие классы забираются популярными).
  \end{panel}
  \note{Говорит М. В. Савостиков. Проблема редких классов: модель
  предсказывает популярные классы слишком часто — Abigail получает десятки
  процентов всех ответов при истинной доле около 7\,\%. Простая коррекция
  приоров не помогла.}
\end{frame}

\begin{frame}{Персонажи: кто различается}
  \begin{columns}[T]
    \begin{column}{0.47\textwidth}
      \begin{panel}
        \small\textbf{Лучшие и худшие по F-мере}
        \begin{itemize}
          \item Лучшие: Evelyn, Willy, Pam, Pierre, Leo.
          \item Худшие: Kent, Wizard, Penny, Mister Qi, Leah, Abigail.
          \item У редких классов — широкие интервалы оценок.
          \item Мягкое голосование улучшает часть редких классов
                (Wizard, Dwarf, Vincent), но Kent остаётся F1 = 0.
        \end{itemize}
      \end{panel}
    \end{column}
    \begin{column}{0.52\textwidth}
      \begin{imgbox}
      \includegraphics[width=\linewidth, height=0.6\textheight, keepaspectratio]{per_class_f1.png}
      \end{imgbox}
    \end{column}
  \end{columns}
  \note{Говорит М. В. Савостиков. Диаграмма: F-мера по каждому персонажу.
  Лучшие — Evelyn, Willy, Pam, Pierre, Leo; худшие — Kent, Wizard, Penny,
  Mister Qi, Leah, Abigail. Редкие классы имеют широкие доверительные
  интервалы: для 15 реплик разброс оценок велик. Ансамбль прибавляет
  отдельным редким классам, но Kent не находит никто.}
\end{frame}

\begin{frame}{Что означают полученные оценки}
  \begin{panel}
    \small
    \begin{itemize}
      \item 0,30 macro-F1 при 34 классах — примерно \textbf{в 10 раз выше
            случайного уровня} 0,029: устойчивый сигнал различимости.
      \item Значение умеренное и это ожидаемо: реплики по $\sim$19 слов,
            дисбаланс классов и общие темы не позволяют «узнать» персонажа
            по одной фразе.
      \item Умеренность объясняется \emph{условиями задачи}, а не тем, что
            автор «не старался»: превышение случайного уровня как раз
            говорит о намеренно созданных речевых масках.
    \end{itemize}
  \end{panel}
  \begin{panel}
    \small
    \begin{itemize}
      \item Мы решаем задачу «\emph{какой персонаж} говорит», а не
            «\emph{он или не он} писал»: автор один.
      \item И о «чистых» идиолектах говорить нельзя: основной вклад дают
            лексико-тематический профиль и символьные n-граммы, а после
            маскирования содержательных слов качество падает.
    \end{itemize}
  \end{panel}
  \note{Говорит М. В. Савостиков — ключевой слайд по интерпретации. Проговорить
  три пункта. (1) 0,304 при случайном 0,029 — это примерно десятикратное
  превышение, то есть сигнал реальный. (2) Абсолютная величина умеренная из-за
  коротких реплик, дисбаланса и общих тем — это свойства задачи, а не
  «автор не пытался»; напротив, различимость масок подтверждает, что автор
  сознательно делал разные голоса. (3) Мы определяем персонажа, а не
  авторскую принадлежность: автор один. И мы не утверждаем, что выучили
  «чистый стиль»: при маскировании содержания качество сильно падает.}
\end{frame}

\begin{frame}{Ограничения}
  \begin{columns}[T]
    \begin{column}{0.49\textwidth}
      \begin{panel}
        \small\textbf{Данные}
        \begin{itemize}
          \item Один корпус, одна игра, один автор; внешняя валидация
                не проводилась.
          \item Короткие реплики и сильный дисбаланс классов.
          \item Ручная фильтрация корпуса невоспроизводима.
          \item Нет идентификаторов сцен и диалогов.
        \end{itemize}
      \end{panel}
    \end{column}
    \begin{column}{0.49\textwidth}
      \begin{panel}
        \small\textbf{Методология}
        \begin{itemize}
          \item Выбор признаков и ансамбля опирался на прошлые серии;
                вложенная проверка снижает этот риск, но не устраняет.
          \item Основной вклад — содержательные слова и тема.
          \item Простая коррекция приоров не помогла редким классам.
          \item Стек переобучается на малой выборке.
        \end{itemize}
      \end{panel}
    \end{column}
  \end{columns}
  \note{Говорит М. В. Савостиков. Ограничения делим на две группы: свойства
  данных (один корпус и один автор, дисбаланс, короткие реплики,
  невоспроизводимая ручная фильтрация, нет сцен) и свойства метода
  (частичный выбор конфигураций по прошлым сериям, тематический сигнал в
  признаках, неудачи простых калибровок). Честное перечисление — часть
  верификации, а не признание провала.}
\end{frame}

\begin{frame}{Выводы}
  \begin{panel}
    \begin{itemize}
      \item \textbf{Персонажи статистически различимы:} лучшая модель — 0,304
            macro-F1, консервативная оценка — 0,275; случайный уровень — 0,029.
      \item \textbf{Основной сигнал — лексико-тематический:} символьные
            n-граммы и content-LSA дают основной прирост; функциональные слова
            и частеречная LSA сами по себе слабы.
      \item \textbf{После замены содержательных слов} качество падает с 0,248
            до 0,113: содержание доминирует, но стилевой сигнал сохраняется.
      \item \textbf{Главная проблема — редкие классы и классы-аттракторы;}
            мягкое голосование помогает, но не решает её полностью.
      \item \textbf{Корректная формулировка результата:} различимы речевые
            маски по лексико-тематическому профилю; утверждение о «чистом
            стиле» требует внешней валидации и тематического контроля.
    \end{itemize}
  \end{panel}
  \note{Говорит М. В. Савостиков. Пять итоговых тезисов. Финальную формулировку
  оставить точной: мы показали статистическую различимость речевых масок по
  лексико-тематическому профилю; для более сильных утверждений — разные идиолекты,
  применимость как инструмент — нужны внешний корпус, тематический контроль
  и разметка сцен.}
\end{frame}

% ==================== ПРИЛОЖЕНИЕ ====================
\begin{frame}{Приложение: полная матрица ошибок 34$\times$34}
  \begin{columns}[T]
    \begin{column}{0.62\textwidth}
      \begin{imgbox}
      \includegraphics[width=\linewidth, height=0.6\textheight, keepaspectratio]{confusion_full34.png}
      \end{imgbox}
    \end{column}
    \begin{column}{0.37\textwidth}
      \begin{panel}
        \small Раздаточный материал. Строки — истинные персонажи, столбцы —
        предсказания; цвет — доля строки; диагональ — верные ответы. Тёмные
        внедиагональные клетки — систематические ошибки (те же пары, что на
        предыдущих слайдах).
      \end{panel}
    \end{column}
  \end{columns}
  \note{Приложение для вопросов и раздаточного материала. Если спросят про
  конкретную пару персонажей — искать её в полной матрице: строки сортированы
  по размеру класса, цвет кодирует долю строки. Кто говорит: отвечает
  М. В. Савостиков (можно подключить В. Н. Копнина по вопросам валидации).}
\end{frame}

\begin{frame}{Спасибо за внимание}
  \begin{columns}[T]
    \begin{column}{0.55\textwidth}
      \begin{center}
        \begin{tcolorbox}[enhanced, width=\linewidth, colback=cream, opacityback=0.9,
            colframe=cream, boxrule=0pt, arc=2mm, boxsep=2.5mm]
          {\large\bfseries Спасибо за внимание}\\[2mm]
          Вопросы, обсуждение и предложения по экспериментам\\[2mm]
          «Один автор — разные голоса»\\[2mm]
          \small А.~А.~Аладьина · В.~Н.~Копнин · М.~В.~Савостиков
        \end{tcolorbox}
      \end{center}
    \end{column}
    \begin{column}{0.44\textwidth}
      \begin{center}
        \begin{imgbox}
        \includegraphics[width=\linewidth, height=0.45\textheight, keepaspectratio]{meme.png}
        \end{imgbox}
      \end{center}
    \end{column}
  \end{columns}
  \begin{tikzpicture}[remember picture, overlay]
    \node[anchor=south east, xshift=-2.5mm, yshift=1.5mm]
      at (current page.south east)
      {\includegraphics[height=0.65cm]{chicken.png}};
  \end{tikzpicture}
  \note{Финальный слайд; мем как пасхалка. Говорят по очереди все:
  А. А. Аладьина благодарит и передаёт слово для вопросов; по вопросам
  корпуса отвечает Аладьина, по методологии — Копнин, по результатам —
  Савостиков.}
\end{frame}

\end{document}