ARC-NLP at PAN 2023: Transition-Focused Natural Language Inference for Writing Style Detection
Aselsan Research Center（阿瑟尔桑研究中心）
ARC-NLP团队将多作者写作风格检测表述为连续段落配对的自然语言推理问题，提出聚焦段落转换并截断输入标记的方法，采用带预热的Transformer编码器，在PAN 2023各难度设置中表现优于基线。
2023-07-27 cs.CL
Social Media Writing Style Fingerprint
基于短文本作者身份验证的最新进展，我们提出了计算机辅助社交媒体文本作者身份归属的方法。我们使用各种自然语言技术来创建单词级和字符级模型，这些模型作为隐藏层来模拟简单的神经网络。每一层中单词级和字符级模型的选择通过验证性能来通知。我们系统的输出层使用未加权的多数投票向量来得出结论。我们还考虑在社交媒体帖子中编写偏见，同时收集我们的训练数据集以提高系统的鲁棒性。我们的系统取得了准确率，召回率和F-措施分别为0.82，0.926和0.869。
2017-12-26 cs.CL
Better Call Claude: Can LLMs Detect Changes of Writing Style?
Center for Artificial Intelligence, Technical University of Applied Sciences Würzburg-Schweinfurt（人工智能中心，应用技术大学Würzburg-Schweinfurt）；Humanities Lab, Faculaty of Arts, Radboud University（人文实验室，艺术学院，拉德博德大学）；LEYA Lab, School of Computer Science, Physics and Technology, HSE University（LEYA实验室，计算机科学、物理与技术学院，俄罗斯高等经济大学）
本研究测试了四款先进大语言模型在PAN 2024/2025多作者写作风格分析数据集上的句子级风格变化检测零样本性能，发现其准确率超越PAN竞赛基线，且对纯风格信号的敏感度高于以往报道。
2025-08-01 cs.CL
Examining Scientific Writing Styles from the Perspective of Linguistic Complexity
Nanjing University of Science and Technology（南京理工大学）；Indiana University（印第安纳大学）；Nanjing University（南京大学）；Wuhan University（武汉大学）；University of Illinois（伊利诺伊大学）
在高影响力的英语期刊上发表文章对世界各地的学者来说都很困难，特别是对于非英语母语的学者（NNEs）来说，他们中的大多数人都在努力提高英语水平。为了揭示母语为英语的学者（NES）和NES之间英语科学写作的差异，我们收集了一个大规模的数据集，包含2006年至2015年期间发表在PLoS上的15万多篇全文文章。根据Ethnea的数据，我们将这些论文按照第一作者和通讯作者的民族背景分为三组，并从语言复杂性的两个方面考察了英语科技写作风格：（1）句法复杂性，包括句子长度和句子复杂性的测量;（2）词汇复杂度，包括词汇多样性、词汇密度和词汇复杂度。观察结果表明，在句法和词汇复杂性组之间的边际差异。
2018-09-13 cs.CL
Effective writing style imitation via combinatorial paraphrasing
Aalto University（阿尔托大学）；University of Waterloo（滑铁卢大学）
Stylometry可以用来根据作者的写作风格对其进行分析或去匿名化。风格转移提供了一种防御。当前技术通常使用编码器-解码器架构或基于规则的算法。至关重要的是，样式转换必须可靠地保留原始语义内容才能实际部署。我们进行了多方面的评估，三个国家的最先进的编码器-解码器风格的传输技术，并表明，所有失败的语义保留。特别是，他们不产生适当的释义，而只是在精确复制文本的琐碎情况下保留原始内容。为了缓解这个问题，我们提出ParChoice：一种基于多个释义算法的组合应用的技术。ParChoice在语义保留方面强于编码器-解码器基线。此外，与实现不可忽略的语义保留的基线相比，ParChoice具有更好的风格迁移性能。我们还将ParChoice应用于多作者风格模仿（以前的工作没有考虑过），在五位作者中，我们实现了高达75%的模仿成功率。此外，当比较两个国家的最先进的基于规则的风格转移技术，ParChoice有显着更好的语义保持。将ParChoice与最佳的基于规则的基线（Mux-X）相结合，在Brennan-Greenstadt和Extended-Brennan-Greenstadt语料库上也达到了最高的风格转换成功率，对原始含义的影响比单独使用基于规则的基线技术时要小得多。最后，我们强调了一个困扰所有当前风格转移技术的关键问题：对手可以使用相同的技术通过对抗训练来阻止风格转移。我们发现，在风格转移…
2020-07-03 cs.CL
Relationship Between Online Harmful Behaviors and Social Network Message Writing Style
Université Laval（拉瓦尔大学）
在本文中，我们探讨了个人的写作风格和他们将从事在线有害行为（如网络欺凌）的风险之间的关系。特别是，我们考虑写作风格的可测量差异是否与不同的人格类型有关，如大五人格特质和黑暗三人格特质所模拟的，并且可以区分是否从事有害行为的用户。我们研究了来自两个在线社区（Twitter和Reddit）的近2,500名用户的消息，发现我们可以从100条推文或40条Reddit帖子的写作风格中衡量常规用户和有害用户之间的显著个性差异，汇总这些值以区分健康和有害社区，并使用风格属性来预测哪些用户会从事有害行为。
2022-12-14 cs.CL cs.SI
Can You Make It Sound Like You? Post-Editing LLM-Generated Text for Personal Style
III University of Maryland（III 马里兰大学）
研究探讨用户通过后编辑LLM生成文本来塑造个人风格的效果，发现后编辑提高了文本与用户自身写作的相似性，但降低了与LLM生成文本的相似性，同时减少了风格多样性。
2026-04-27 cs.CL
Whose story is it? Personalizing story generation by inferring author styles
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of Maryland, College Park（马里兰大学学院公园分校）
本文提出通过推断作者风格实现个性化故事生成，利用作者写作表和定制规则提升生成故事的风格相似性，实验表明其在捕捉作者风格和相似性方面优于基线方法。
2026-01-06 cs.CL
How Do Pedophiles Tweet? Investigating the Writing Styles and Online Personas of Child Cybersex Traffickers in the Philippines
National University Manila（马尼拉国立大学）
每个人最重要的人道主义责任之一是保护我们儿童的未来。这不仅意味着保护儿童的身体健康，而且还意味着保护儿童不受可能影响儿童精神健康的不良事件的影响，如性胁迫和性虐待，在最坏的情况下，这些事件可能导致终身创伤。在这项研究中，我们进行了初步调查，如何儿童色情小贩传播非法色情内容，并针对未成年人的性活动，在菲律宾的Twitter上使用自然语言处理技术。我们的研究结果显示了贩运者用来传播内容的常用词和共同出现的词，以及这些实体在助长该国儿童色情制品扩散方面发挥的四个主要作用。
2021-07-21 cs.CL
Persona-Augmented Benchmarking: Evaluating LLMs Across Diverse Writing Styles
Carnegie Mellon University（卡内基梅隆大学）；Amazon AWS（亚马逊AWS）
本研究通过人物角色提示重写评估提示，发现写作风格显著影响LLM性能，并提出可扩展的基准增强方法以提升评估外部有效性。
2025-09-25 cs.AI cs.CL
Implicit Grading Bias in Large Language Models: How Writing Style Affects Automated Assessment Across Math, Programming, and Essay Tasks
Department of Computer Science（计算机科学系）；Savitribai Phule Pune University（萨维特里·巴伊·普内大学）；Dr. D. Y. Patil School of Science and Technology（D.Y.帕提尔科学与技术学院）
研究探讨了大语言模型在内容正确性不变时，写作风格对评分的隐性偏见，发现作文任务存在显著偏见，而数学和编程任务则无显著偏见。
2026-03-19 cs.CL
Catch Me If You Can? Not Yet: LLMs Still Struggle to Imitate the Implicit Writing Styles of Everyday Authors
Stony Brook University（石英溪大学）；The Pennsylvania State University（宾夕法尼亚州立大学）；Bosch Center for AI（博世人工智能中心）
本文系统评估了大语言模型通过少量示例模仿个人写作风格的能力，发现其在新闻、邮件等结构化文本中表现尚可，但在博客、论坛等非正式写作中仍存在明显不足，并开源数据与代码以推动个性化生成研究。
2025-09-18 cs.AI cs.CL
Investigating Writing Style Development in High School
University of Copenhagen（哥本哈根大学）
本文首次对丹麦高中生的写作风格发展进行了大规模的分析。超过10K的学生超过100K的文章进行了分析。写作风格本身经常在自然语言处理社区中进行研究，但通常的目标是验证作者身份，评估质量或流行程度，或其他类型的预测。在这项工作中，我们分析了写作风格随时间的变化，以检测学生的全球发展趋势，并确定风险学生的目标。我们训练一个连体神经网络来计算两个文本之间的相似度。使用这种相似性的措施，一个学生的新的论文进行比较，他们的第一篇论文，并为学生的写作风格的发展概况。我们聚类这些学生的个人资料，并分析所产生的集群，以检测一般的发展模式。我们评估集群方面的写作风格质量指标，并确定最佳集群，表现出显着改善写作风格，同时也观察次优集群，表现出有限的发展，甚至挫折的时期。此外，我们确定了高中生之间的一般发展趋势，表明随着学生在高中的进步，他们的写作风格偏离，让学生不太相似，当他们完成高中，比当他们开始。
2019-06-04 cs.CL cs.CY cs.LG
Style, Content, and the Success of Ideas
Arizona State University（亚利桑那州立大学）；University of Pennsylvania（宾夕法尼亚大学）；York University（约克大学）
为什么有些东西在思想市场上会成功？虽然有些人认为内容驱动成功，但其他人认为风格或表达想法的方式也起着重要作用。为了提供一个严格的测试风格的重要性，我们检查它的内容应该是至高无上的：学术研究。虽然科学家通常认为写作是一种无私的方式，可以毫无障碍地传达真理，但一项多方法调查表明，写作风格塑造了影响力。将风格与内容分开是很困难的，因为倾向于使用某些语言的论文也可能写某些主题。因此，我们专注于一类与风格有关的独特的词（即，功能词如"and"、"the"和"on"），完全没有内容。自然语言处理对来自一系列学科的近30，000篇文章进行了研究，发现功能词解释了13 - 27%的语言对引文的影响。辅助分析探讨了功能词的具体类别，以表明风格的重要性，突出了写作简单性，个人声音和时间视角的作用。实验进一步强调了风格的因果影响。研究结果表明，如何提高沟通的影响力，并突出自然语言处理的价值，以了解成功的想法。
2022-01-10 cs.CL
GEMINI: Controlling the Sentence-level Writing Style for Abstractive Text Summarization
Zhejiang University（浙江大学）；Westlake University（西湖大学）；Westlake Institute for Advanced Study（西湖高等研究院）
提出自适应摘要模型 GEMINI，通过改写器与生成器动态选择句子改写或抽象生成，在三个基准上优于基线，并表明人类摘要风格可由上下文预测。
2023-12-09 cs.CL
When Writing Style Drifts: Benchmarking Authorship Verification under Distribution Shifts in Genre, Time and the AI-Era
University of Technology Nuremberg (UTN)（纽伦堡工业大学（UTN））
本研究推出首个德语作者验证基准AVShift，对跨体裁、时间及AI时代分布偏移下的作者验证进行基准测试，发现微调LLM跨体裁泛化最佳，时间漂移是影响作者验证的最强因素之一，未观测到可测量的AI时代分布偏移。
2026-08-19 cs.CL
How to Write High-quality News on Social Network? Predicting News Quality by Mining Writing Style
Key Laboratory of Intelligent Information Processing Center for Advanced Computing Research, Institute of Computing Technology, CAS（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；National Tsing Hua University（国立清华大学）
互联网技术的快速发展促使传统报纸在社交网络上进行新闻报道。然而，社交网络上的人们可能有不同的需求，这自然产生了一个问题：我们是否可以自动分析写作风格对新闻质量的影响，并帮助作者提高新闻质量？这是具有挑战性的，因为写作风格和“质量”很难衡量。首先，我们用“受欢迎程度”作为衡量“质量”的标准。这在社交网络上是很自然的，但也带来了新的问题：受欢迎程度也受到事件和发布者的影响。因此我们设计了两种方法来减轻它们的影响。然后，根据八条写作准则，我们提出了八类语言特征（共53个特征），并分析了它们与新闻质量的关系。实验结果表明，这些语言特征对新闻质量有很大的影响。在此基础上，设计了一个基于社会网络的新闻质量评估模型（SNQAM）。SNQAM在预测质量、呈现可解释的质量分数以及根据我们参考的写作指南提供关于如何改进质量分数的可访问建议方面表现出色。
2021-04-21 cs.CL cs.SI
Personalized Scientific Figure Caption Generation: An Empirical Study on Author-Specific Writing Style Transfer
Teamreboott Inc.（Teamreboott公司）；MIRI D.I.H Inc.（MIRI D.I.H公司）
本文在第三届 SciCap 挑战赛中实证研究利用作者档案与元数据实现科学图表标题个性化，证明其可提升多模态大模型风格迁移效果，并指出风格匹配与标题质量间存在权衡。
2025-09-30 cs.CL cs.CV
Towards Improved Model Design for Authorship Identification: A Survey on Writing Style Understanding
Minds, Machines, and Society Group（心智、机器与社会研究组）；Department of Computer Science, Dartmouth College（达特茅斯学院计算机科学系）；Dartmouth College（达特茅斯学院）
作者身份识别一直是自然语言理解研究的一个重要组成部分，它严重依赖于语言风格。虽然基于语言风格理解的其他任务受益于深度学习方法，但这些方法在许多基于作者的任务中表现不如传统的机器学习方法。然而，随着这些任务变得越来越具有挑战性，基于手工特征集的传统机器学习方法已经接近其性能极限。因此，为了激发未来深度学习方法在基于作者的任务中的应用，以有利于提取风格特征，我们调查了基于作者的任务和其他与写作风格理解相关的任务。我们首先描述了我们的调查结果的研究现状，在这两套任务和总结现有的成就和问题，在作者相关的任务。然后，我们描述了在一般风格相关的任务中的优秀方法，并分析了它们如何在性能最好的模型中组合使用。我们对这些模型在基于作者的任务中的适用性持乐观态度，并希望我们的调查有助于推进这一领域的研究。
2020-09-30 cs.CL cs.LG
Overview of PAN 2026: Voight-Kampff Generative AI Detection, Text Watermarking, Multi-Author Writing Style Analysis, Generative Plagiarism Detection, and Reasoning Trajectory Detection
Friedrich Schiller University Jena（耶纳弗里德里希·施勒格尔大学）；University of Applied Sciences BFI（应用科学大学BFI）；Mohamed bin Zayed University of Artificial Intelligence（马尔代夫 bin Zayed 人工智能大学）；University of Kassel（卡塞尔大学）；INSAIT, Sofia University ``St. Kliment Ohridski''（INSAIT，索菲亚大学『圣克莱门特·奥赫里迪斯』）；University of Innsbruck（因斯布鲁克大学）
PAN 2026旨在通过客观评估推进计算风格学和文本取证，涵盖生成式AI检测、文本水印、多作者写作分析、抄袭检测及推理轨迹检测等五个新旧任务。
2026-02-09 cs.CL
Latin writing styles analysis with Machine Learning: New approach to old questions
University of Turin（都灵大学）；Nicolaus Copernicus University of Torun（托伦哥白尼大学）
在中世纪，文本是通过背诵来学习的，并通过口头交流的方式一代一代地传播。对散文和诗歌艺术的改编使许多文学体裁保持了特定的描述和组成特征。考虑到这样一个特定的结构的文学组成的拉丁文，我们可以搜索和指示的概率模式熟悉的来源，具体的叙事文本。考虑到自然语言处理工具，我们可以将文本对象转换为数字对象，然后应用机器学习算法从数据集中提取信息。我们执行的任务包括实际使用这些概念和观察，以创建一个工具，用于分析基于开源数据库的叙事文本。该工具专注于创建特定的搜索工具资源，使我们能够在整个文本中进行详细搜索。这项研究的主要目标考虑到寻找句子之间和文件之间的相似之处。接下来，我们在选定的文本上应用机器学习算法来计算它们的特定特征（例如作者或世纪），并识别一定比例的匿名文本的来源。
2021-09-01 cs.CL
Comparing the writing style of real and artificial papers
Institute of Mathematics and Computer Science（数学与计算机科学学院）；University of São Paulo（圣保罗大学）
近年来，科学领域的竞争日益激烈。在许多情况下，科学家之间的激烈竞争在促进研究质量的同时，也可能引发不道德的科学行为。为了增加发表论文的总数，一些作者甚至求助于软件工具，这些软件工具能够产生语法，但无意义的科学手稿。由于自动生成的论文可能会被误解为真正的论文，因此开发识别这些科学欺诈的方法变得至关重要。在本文中，我设计了一种方法来区分真正的手稿与SCIGen，自动纸张生成器生成的。在将文本建模为复杂网络（CN）后，可以以至少89%的准确率区分真假论文。特征相关性的系统分析表明，可访问性和介数在特定情况下是有用的，即使相关性取决于数据集。这里描述的方法的成功应用表明，作为原理的证明，网络特征可以用于识别科学胡言乱语论文。此外，基于CN的方法可以以简单的方式与传统的统计语言处理方法相结合，以提高识别人工生成的论文的性能。
2015-07-28 cs.CL
Customizing Large Language Model Generation Style using Parameter-Efficient Finetuning
Carnegie Mellon University（卡内基梅隆大学）
本文研究如何用基于低秩适配的PEFT将LLaMA-2定制为十位作者风格，证明其可在词汇、句法和表层特征上对齐目标作者，但内容记忆仍有限。
2024-09-06 cs.CL
Is ChatGPT Transforming Academics' Writing Style?
International School for Advanced Studies (SISSA)（国际高等研究学院（SISSA））；Imperial College London（伦敦帝国学院）
基于100万篇arXiv论文摘要的词频统计分析，评估ChatGPT对学术写作风格的影响，发现计算机科学领域约35%摘要呈LLM风格，并讨论其利弊。
2024-11-08 cs.AI cs.CL cs.DL
Impact of ChatGPT on the writing style of condensed matter physicists
School of Economics and Management, Zhejiang Sci-Tech University（浙江理工大学经济管理学院）；Department of Physics, Zhejiang Normal University（浙江师范大学物理系）
本文利用差分法分析 arXiv 凝聚态物理论文，发现 ChatGPT 发布显著提升了非英语母语作者的英文摘要质量，并改变了词汇使用模式，且该效应在不同语系作者间存在差异。
2024-08-30 cond-mat.dis-nn cond-mat.stat-mech cs.CL
Unsupervised authorship attribution
我们描述了一种技术，用于将书面文本的部分归因于一组未知的作者。没有什么是假定已知的先验的写作风格的潜在作者。我们使用输入文本的多个独立聚类来识别彼此相似和不相似的部分。我们描述了必要的算法，结合成一个有意义的输出的多个聚类。我们展示了该技术在具有多种写作风格的文本上的应用结果。
2015-03-26 cs.CL
Modification of Question Writing Style Influences Content Popularity in a Social Q&A System
Intuit, Inc.（Intuit公司）
TurboTax QuestionerXchange是一个社交问答系统，支持联邦和州纳税申报表的用户。使用2015年的数据，我们证明了内容流行度（或每个QuestionerXchange问题的浏览量）可以根据问题的属性进行合理的准确预测。我们还采用概率主题分析和提升建模来识别对流行度影响最大的问题特征。我们表明，内容的流行程度是由用户的行为属性驱动的，并取决于搜索排名算法，心理语言因素和问题的写作风格之间的复杂的相互作用。我们的研究结果提供了一个合理的使用流行度预测，以指导用户制定更好的问题和编辑现有的。例如，以问题词开始问题标题或向问题添加详细信息可增加每个问题的查看次数。类似的方法可以应用于推广由Google索引的Google Xchange内容，以推动TurboTax的有机流量。
2016-01-15 cs.CL cs.IR cs.SI
Investigating Wit, Creativity, and Detectability of Large Language Models in Domain-Specific Writing Style Adaptation of Reddit's Showerthoughts
Hasso Plattner Institute / University of Potsdam（哈索·普拉特纳研究所/波茨坦大学）
本文研究不同规模LLM在Reddit Showerthoughts创意短文本中模仿人类风格的能力，发现人类评估者虽认为生成文本创意质量略低但无法可靠识别AI生成内容，并发布了相关数据集。
2024-05-02 cs.AI cs.CL
Capturing Classic Authorial Style in Long-Form Story Generation with GRPO Fine-Tuning
School of Computer Science, University of Birmingham, United Kingdom（英国伯明翰大学计算机科学学院）
本文提出两阶段流程，通过GRPO微调8B故事生成器，实现基于风格的可控生成，优于开放模型基线。
2026-04-21 cs.CL
Investigating individual writing style as a contributor to gender gaps in science and technology
Carnegie Mellon University（卡内基梅隆大学）；Coleridge Initiative（科尔里奇倡议）；University of Minnesota（明尼苏达大学）
该研究发现科技领域女性写作风格比男性更具参与性，这种性别化的写作风格差异会影响论文的引用情况，揭示了评价偏见持续存在的微妙渠道。
2026-08-17 cs.CL cs.CY
Can Authorship Representation Learning Capture Stylistic Features?
U.S. Department of Defense（美国国防部）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）；Johns Hopkins University（约翰霍普金斯大学）
针对作者身份表示是否主要编码写作风格的疑问，通过一系列针对性实验验证了该表示对写作风格敏感，为其应对数据偏移及风格迁移等下游应用提供支撑。
2023-08-24 cs.CL cs.LG
The Importance of Suppressing Domain Style in Authorship Analysis
Technical University of Munich（慕尼黑工业大学）；Humboldt-Universität zu Berlin（柏林洪堡大学）；University of Oxford（牛津大学）；Martin-Luther-Universität Halle-Wittenberg（马丁·路德·哈勒-维滕贝格大学）；University of the Aegean（爱琴海大学）；Bauhaus-Universität Weimar（魏玛包豪斯大学）；Leipzig University（莱比锡大学）
许多作者身份分析方法的前提是对写作风格的表征。但是，尽管经过了几十年的研究，仍然不清楚常用和广泛接受的表征（如字符三元组频率）在多大程度上实际上代表了作者的写作风格，而不是更特定于领域的风格成分甚至主题。我们第一次在一个新的实验设置中解决了这个缺点，这个实验设置是固定的作者，但在训练和测试之间交换了域。通过这种设置，我们发现使用字符三元组特征的方法在不关注域的情况下应用时非常容易受到域信息的影响，在域交换下分类准确率下降了55.4个百分点。我们进一步提出了一个新的补救措施的基础上域对抗学习，并比较它的启发式规则的基础上从文献。两者都可以很好地工作，将域交换下的准确性损失分别降低到3.6%和3.9%。
2020-05-29 cs.CL
StyleRec: A Benchmark Dataset for Prompt Recovery in Writing Style Transformation
University of Central Florida（中佛罗里达大学）
本文提出StyleRec基准数据集，研究从LLM输出中恢复风格转换与改写提示的任务，通过多种策略实验发现单样本和微调效果最佳，并指出传统句子相似度评估指标的不足。
2025-04-06 cs.AI cs.CL cs.LG
Low-Resource Authorship Style Transfer: Can Non-Famous Authors Be Imitated?
University of Pennsylvania（宾夕法尼亚大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出低资源作者风格迁移任务，仅用约500词目标风格文本，通过上下文学习技术实现Reddit帖子风格迁移，并首次利用作者表征模型实现自动评估，确立最强基线但尚未完全掌握该任务。
2024-11-04 cs.CL
Embedding Style Beyond Topics: Analyzing Dispersion Effects Across Different Language Models
LIP6, Sorbonne University, CNRS（法国国家科学研究中心-索邦大学LIP6实验室）；Infopro Digital（英富普罗数字公司）
本文研究写作风格对多个最先进语言模型嵌入向量离散度的影响，通过法英双语文学语料库比较模型敏感性，以提升语言模型对风格信息的处理与可解释性。
2025-01-01 cs.AI cs.CL
Personalized Text Generation with Contrastive Activation Steering
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Northeastern University（东北大学）；University of Science and Technology of China（中国科学技术大学）；National University of Singapore（新加坡国立大学）
本文提出无需训练的StyleVector框架，将个性化写作风格表示为LLM激活空间中的向量，在推理时实现风格引导生成，相比PEFT方法提升8%生成效果并降低1700倍存储需求。
2025-03-07 cs.CL
Style-aware Neural Model with Application in Authorship Attribution
University of Central Florida（中佛罗里达大学）
写作风格是与特定作者在不同语言产生水平（包括词汇，句法和结构）相关的一致决定的组合。在本文中，我们引入了一个风格感知的神经模型编码的文档信息从三个风格层次和评估它在域的作者归属。首先，我们提出了一个简单的方法来共同编码句子的句法和词汇表示。随后，我们采用了基于注意力的分层神经网络来编码文档中句子的句法和语义结构，同时奖励那些对捕捉写作风格贡献更大的句子。我们的实验结果，四个基准数据集的基础上，揭示了编码文档信息的好处，从所有三个文体水平相比，在文献中的基线方法。
2019-09-12 cs.CL cs.LG
Pastiche Novel Generation Creating: Fan Fiction You Love in Your Favorite Author's Style
MBZUAI（穆罕默德·本·扎耶德人工智能大学）；Renmin University of China（中国人民大学）；ByteDance Inc.（字节跳动公司）；Xiaomi（小米公司）；Peking University（北京大学）
针对现有小说生成方法依赖粗浅大纲、语言平淡的问题，提出仿作小说生成任务及WriterAgent系统，结合课程学习与WriterLoRA框架，在多语言经典上验证了其在风格、人物、情节上的优势。
2025-02-21 cs.AI cs.CL
Capturing Style in Author and Document Representation
Laboratoire Hubert Curien, UMR CNRS 5516, Saint-Etienne, France（Hubert Curien实验室，CNRS UMR 5516，圣艾蒂安，法国）
针对现有模型未明确捕捉写作风格的问题，提出基于VIB的作者与文档表示架构，通过预定义风格特征提升可解释性，在三个数据集上匹配或超越基线并更准确捕捉作者风格。
2025-06-26 cs.CL cs.LG
Counterfactual LLM-based Framework for Measuring Rhetorical Style
School of Information University of Michigan（信息学院密歇根大学）；CSAIL MIT（MIT计算机科学与人工智能实验室）
本文提出基于LLM的反事实框架，用于量化机器学习论文中的修辞风格，并发现修辞风格显著影响后续关注度，且2023年后修辞强度因LLM写作辅助而显著上升。
2025-12-22 cs.CL cs.CY
Privacy-Preserving Synthetic Review Generation with Diverse Writing Styles Using LLMs
Department of Computer Science and Engineering（计算机科学与工程系）；Santa Clara University（圣克拉拉大学）；eBay（eBay公司）
针对LLM合成评论文本的多样性与隐私风险，本文建立多维评估指标，揭示现有模型局限，并提出基于提示的方法以增强风格多样性并保护隐私。
2025-07-24 cs.CL cs.CR cs.LG
How Well Do LLMs Imitate Human Writing Style?
Lewisburg Area High School, Lewisburg, USA（刘易斯堡区高中）；Bucknell University, Lewisburg, USA（巴克内尔大学）
提出无需训练的作者风格验证框架，并系统评估 Llama、Qwen、Mixtral 在不同提示策略下的风格模仿，揭示风格保真与可检测性可分离。
2025-09-29 cs.CL cs.CY
Writing Style Similarity Reflects Academic Genealogy
RTX BBN Technologies（RTX BBN技术公司）
该研究构建arXiv作者语料库，发现导师与学生、学术兄弟姐妹的写作风格相似性显著高于随机同领域作者，且作者身份归因系统的错误多集中于这类亲属配对。
2026-09-01 cs.AI cs.CL
TOPFORMER: Topology-Aware Authorship Attribution of Deepfake Texts with Diverse Writing Styles
MIT Lincoln Laboratory（麻省理工学院林肯实验室）；Indiana University（印第安纳大学）；The Pennsylvania State University（宾夕法尼亚州立大学）
本文提出 TopFormer，在 Transformer 中融合 TDA 层以同时捕捉上下文语言特征与拓扑结构，用于多类 LLM 深度伪造文本作者归属，并在 3 个数据集上超越基线。
2024-10-02 cs.CL
Stress-testing Machine Generated Text Detection: Shifting Language Models Writing Style to Fool Detectors
Department of Computer Science, University of Pisa（比萨大学计算机科学系）
本研究提出一种流水线，通过直接偏好优化（DPO）微调语言模型，将其生成文本风格向人类书写文本转变，以测试最先进机器生成文本检测器的鲁棒性，发现检测器易被少量样本欺骗，凸显了提升检测方法鲁棒性的重要性。
2025-05-30 cs.AI cs.CL
Can Good Writing Be Generative? Expert-Level AI Writing Emerges through Fine-Tuning on High-Quality Books
Stony Brook University（石溪大学）；University of Michigan（密歇根大学）
通过在高质量书籍上微调，AI在模仿知名作者方面超越人类专家，引发对创作本质和未来劳动的深层思考。
2026-01-26 cs.AI cs.CL cs.HC
Tortured phrases: A dubious writing style emerging in science. Evidence of critical issues affecting established journals
University of Toulouse（图卢兹大学）；CNRS（法国国家科学研究中心）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Grenoble INP（格勒诺布尔国立理工学院）；Yandex（扬德克斯）
十多年来，伪文本生成器一直被用来制作虚假的科学论文。这种无意义的论文很容易被人类和机器检测到。现在，更复杂的人工智能生成技术产生的文本与人类的文本无法区分，并且已经记录了从几个关键字生成科学文本。我们的研究引入了折磨短语的概念：意想不到的怪异短语代替了既定的短语，比如“伪造的意识”代替了“人工智能”。“我们梳理了文献，寻找折磨人的短语，并研究了一份著名的期刊，这些期刊集中在一起。假设使用先进的语言模型，我们运行了一个检测器的摘要，最近的文章，这本杂志和几个控制集。成对比较显示，该杂志中标记为“合成”的摘要集中。我们还强调其运作中的违规行为，例如编辑时间表的突然变化。我们通过分析几篇可疑的文章来证实我们的调查呼吁，强调可疑的特征：折磨人的写作风格，引用不存在的文献，以及未经承认的图像重复使用。令人惊讶的是，一些网站提供免费重写文本，生成充满折磨短语的官样文章。我们相信一些作者用重写的文本来填充他们的手稿。我们希望提高对包含通过（差）同行评审的有问题的AI生成或重写文本的出版物的认识。对合成文本的欺骗威胁着科学文献的完整性。
2021-07-12 cs.CL cs.CY cs.DL
Panza: Design and Analysis of a Fully-Local Personalized Text Writing Assistant
Institute of Science and Technology Austria（奥地利科学技术研究所）；Massachusetts Institute of Technology（麻省理工学院）
本文提出Panza，一个完全本地化的个性化邮件写作助手，结合Reverse Instructions微调与RAG，在极少量数据和有限资源下模仿用户写作风格，并首次系统研究该任务的评估指标，同时揭示少量写作样本即可被用于低成本模仿攻击的安全风险。
2025-02-10 cs.AI cs.CL cs.HC
The Case for Being Average: A Mediocrity Approach to Style Masking and Author Obfuscation
Sofia University “St. Kliment Ohridski”（索非亚大学“圣克莱门特·奥赫里德斯基”）；Qatar Computing Research Institute, HBKU（卡塔尔计算研究所，哈马德·本·哈利法大学）
在网上发帖的用户希望保持匿名，除非他们已经登录，这通常需要他们能够自由地讨论各种话题。保持文本作者的匿名性在其他一些上下文中也很重要，例如，在证人保护或匿名项目中。然而，每个人都有自己的写作风格，可以使用文体学进行分析，因此，即使他/她试图隐藏文本的作者的真实身份，也可以揭示它。因此，设计自动工具可以帮助人们在写作文本时混淆他/她的身份可能是有帮助的。特别是，在这里，我们提出了一种改变文本的方法，使其被推向一些一般的风格特征的平均值，从而使这些特征的使用较少的歧视。该方法包括三个主要步骤：首先，我们计算一些流行的风格度量，可以表明作者的值;然后，我们应用各种变换的文本，使这些指标调整到平均水平，同时保持语义和健全的文本;最后，我们添加随机噪声。事实证明，这种方法非常有效，并在PAN-2016竞赛中的作者混淆任务中取得了最佳表现。
2017-07-28 cs.CL
Disentangling Structure and Style: Political Bias Detection in News by Inducing Document Hierarchy
KAIST AI（韩国科学技术院人工智能学院）；KAIST Moon Soul Graduate School of Future Strategy（韩国科学技术院文术未来战略研究生院）
本文提出一种多头层级注意力模型，通过同时建模句子语义和文档修辞结构，实现与写作风格无关的新闻政治偏见检测，并在稳健性和准确性上优于已有方法。
2023-10-27 cs.CL cs.LG
Automated Focused Feedback Generation for Scientific Writing Assistance
University of Cambridge（剑桥大学）
本文提出自动化聚焦反馈生成任务及工具 SWIF$^{2}$T，利用多个 LLM 组件生成具体可操作的论文修改评论，在 300 篇同行评审数据集上验证其优于其他方法，为 AI 反馈整合提供机会。
2024-06-04 cs.CL
Smells like Teen Spirit: An Exploration of Sensorial Style in Literary Genres
University of Iowa（爱荷华大学）
通过心理学、神经科学和感觉语言学的大量研究，人们已经充分认识到感官知觉和语言是相互联系的。在这样丰富的语境中，我们要问，感觉语言在写作中的使用是否是语言风格的一部分？从文体计量学研究的角度来看，这个问题很重要，因为文体计量学研究已经探索了丰富的语言特征，但对与感官语言相关的特征关注不够。以此为目标，我们从几个角度探讨了词、小说、诗集中的感觉语言和感觉风格。例如，我们发现，个人使用感官语言并不是一种随机现象，很可能涉及到选择。此外，感觉风格通常是稳定的，随着时间的推移-变化是非常小的。此外，风格可以从仅仅几百个含有感官术语的句子中提取出来。我们还确定了每种类型中的代表性和独特性。例如，我们观察到小说集中前6个代表性特征中的4个涉及使用嗅觉语言的个体，而我们期望他们使用非嗅觉语言。
2022-09-26 cs.CL
Narrowing the Gap between Zero- and Few-shot Machine Translation by Matching Styles
Johns Hopkins University（约翰霍普金斯大学）
本研究聚焦零样本与少样本机器翻译的性能差距，发现匹配目标语料写作风格可弥合约70%的差距，还探索了无需平行示例的零样本基线增强方法，为提升翻译指标提供参考。
2023-11-04 cs.CL
What Are LLMs Doing to Scientific Communication? Measuring Changes in Writing Practices and Reading Experience
Institute for Natural Language Processing, University of Stuttgart, Germany（斯图加特大学自然语言处理研究所，德国）
本研究探讨了大型语言模型对科学交流风格的影响，通过分析自然语言处理领域中超过37000篇论文和3000篇人类撰写的文本及其LLM改进版本，发现写作实践和阅读体验发生了显著变化，同时揭示了AI辅助写作对阅读体验的主观影响。
2026-05-19 cs.CL
