Met technieken voor natuurlijke taalverwerking (NLP) kunnen we teksten analyseren als netwerken, waarbij woorden knooppunten zijn en hun gelijktijdige voorkomen randen. Deze aanpak biedt inzicht in de stijl, het vocabulaire en de inhoudsvoorkeuren van een auteur. Een belangrijke vraag in deze context is:hoeveel woorden zijn voldoende om een ​​auteur te identificeren?

Om deze vraag te beantwoorden, voeren onderzoekers onderzoek naar auteurschapsattributie uit. Deze onderzoeken omvatten doorgaans een dataset van teksten die door verschillende auteurs zijn geschreven, en de taak is om elke tekst correct aan de auteur toe te schrijven op basis van de taalkundige kenmerken ervan. Een veel voorkomende aanpak is het gebruik van een machine learning-algoritme, zoals een support vector machine (SVM) of een neuraal netwerk, om teksten te classificeren op basis van hun woordfrequenties of andere taalkundige kenmerken.

Het aantal woorden dat nodig is voor nauwkeurige auteurschapstoeschrijving hangt af van verschillende factoren, waaronder het onderscheidende vermogen van de schrijfstijl van de auteurs, de lengte van de teksten en de specifieke NLP-technieken die worden gebruikt. Over het algemeen bieden langere teksten meer informatie en vereisen ze dus minder woorden voor een nauwkeurige toeschrijving. Uit een onderzoek van Moschitti en Sebastiani (2006) bleek bijvoorbeeld dat een SVM-classificator een nauwkeurigheid van meer dan 90% kon bereiken bij het toeschrijven van Engelse teksten van 500 woorden of meer aan hun auteurs. Voor kortere teksten, zoals tweets of e-mails, kunnen echter meer woorden nodig zijn voor een betrouwbare toeschrijving.

Een andere factor die van invloed is op het aantal woorden dat nodig is voor auteurschapsvermelding is de taalkundige diversiteit van de auteurs. Als de auteurs zeer vergelijkbare schrijfstijlen hebben, kan het moeilijker zijn om ze van elkaar te onderscheiden, zelfs als er een groot aantal woorden is. Aan de andere kant, als de auteurs verschillende schrijfstijlen hebben, kan zelfs een klein aantal woorden voldoende zijn voor een nauwkeurige toeschrijving.

Samenvattend is het aantal woorden dat nodig is om een ​​auteur te identificeren met behulp van NLP-technieken afhankelijk van verschillende factoren, waaronder de tekstlengte, het onderscheidende vermogen van de schrijfstijl van de auteur en de specifieke NLP-technieken die worden gebruikt. Hoewel langere teksten over het algemeen meer informatie bieden en minder woorden vereisen voor een nauwkeurige toeschrijving, kunnen kortere teksten meer woorden nodig hebben om betrouwbare resultaten te bereiken.