Tổng quan về luận án

Luận án này tiên phong trong việc khám phá các yếu tố từ vựng (YTTV) trong độ đo phong cách (ĐĐPC) của văn bản báo chí tiếng Việt, đồng thời thực hiện một nghiên cứu đối chiếu toàn diện với tiếng Anh. Nghiên cứu được đặt trong bối cảnh khoa học liên ngành đang phát triển mạnh mẽ của Phong cách trắc học (Stylometry), một lĩnh vực kết hợp Ngôn ngữ học, Khoa học hình sự, Tâm lý học, và Xã hội học (Savoy, 2020). Tính tiên phong của nghiên cứu nằm ở việc giải quyết một cách có hệ thống sự thiếu hụt tài nguyên và phương pháp luận cho tiếng Việt, một ngôn ngữ đơn lập, mà trước đây chủ yếu được áp dụng trên các ngôn ngữ giàu tài nguyên hơn như tiếng Anh hay tiếng Pháp.

Research Gap CỤ THỂ:

Mặc dù nghiên cứu ĐĐPC tiếng Anh đã phát triển ấn tượng với nhiều YTTV được chứng minh tỉ lệ chính xác cao trong xác định danh tính tác giả (XĐDTTG) (Barlow, 2013; Wright, 2017), "nghiên cứu về YTTV trong ĐĐPC văn bản tiếng Việt vẫn chưa phát triển tương xứng với tiềm năng." (Luận án, tr. 1). Sự hạn chế này thể hiện rõ ở "thiếu hụt tài nguyên nghiên cứu, bao gồm ngữ liệu có chú thích và công cụ tự động." (Luận án, tr. 1). Cụ thể hơn, "chưa có công trình nghiên cứu quy mô lớn nào sử dụng các phương pháp thực nghiệm XĐDTTG cho việc khảo sát số lượng lớn các YTTV một cách đồng loạt trong các bài viết thuộc chuyên mục ý kiến trên báo; cũng chưa có công trình nào đối chiếu mức độ ảnh hưởng của các YTTV này đến ĐĐPC tiếng Việt và tiếng Anh." (Luận án, tr. 2). Ngoài ra, "hiệu quả của việc áp dụng các công cụ tự động dành cho ngôn ngữ thuộc loại hình khác vẫn còn là câu hỏi còn bỏ ngỏ" (Luận án, tr. 2) đối với tiếng Việt. Luận án này lấp đầy khoảng trống đó bằng việc xây dựng một khối ngữ liệu tiếng Việt có chú thích phong phú và phát triển các quy trình thực nghiệm định lượng, kết hợp với phân tích định tính và đối chiếu.

Research Questions và Hypotheses:

Luận án được thực hiện với hai mục đích chính: (1) Khảo sát mức độ ảnh hưởng của các YTTV trong ĐĐPC các văn bản báo chí tiếng Việt; (2) So sánh và đối chiếu mức độ ảnh hưởng của các YTTV trong ĐĐPC các văn bản báo chí tiếng Việt với tiếng Anh để tìm ra những điểm tương đồng và khác biệt. Để đạt được mục đích này, luận án trả lời hai câu hỏi nghiên cứu cốt lõi:

  1. Câu hỏi nghiên cứu 1: Các YTTV có ảnh hưởng như thế nào đến ĐĐPC các văn bản báo chí tiếng Việt?
  2. Câu hỏi nghiên cứu 2: Có những điểm tương đồng và khác biệt nào về mức độ ảnh hưởng của các YTTV đến ĐĐPC các văn bản báo chí tiếng Việt và tiếng Anh?

Từ những câu hỏi này, các giả thuyết ngầm định bao gồm: H1: Một số YTTV thuộc phương diện hình thức (như phân bố chiều dài từ, trung bình chiều dài từ) và phương diện nội dung (như độ phong phú từ vựng, tần số từ xưng hô, thực thể có tên, tác tử lập luận, từ Hán Việt, từ nước ngoài, từ mới, thành ngữ) sẽ có ảnh hưởng đáng kể đến ĐĐPC và khả năng XĐDTTG trong văn bản báo chí tiếng Việt. H2: Sẽ có những điểm tương đồng và khác biệt rõ rệt về mức độ ảnh hưởng của các YTTV giữa tiếng Việt và tiếng Anh, do sự khác biệt về loại hình ngôn ngữ (tiếng Việt đơn lập, tiếng Anh biến hình) và đặc thù văn hóa.

Theoretical Framework:

Nghiên cứu được xây dựng trên nền tảng của các lý thuyết chính trong Ngôn ngữ học tính toán và Phong cách học. Luận án dựa trên quan điểm về phong cách ngôn ngữ của Saussure, đặc biệt là sự lặp đi lặp lại của các đặc điểm ngôn ngữ có tính cá nhân, và quan điểm của Holmes (1997) về việc dù tác giả cố gắng thay đổi cách viết nhưng vẫn giữ lại một số đặc trưng phong cách trong tiềm thức. Khung lý thuyết cũng tích hợp quan điểm về ĐĐPC như là các công thức lượng hóa phong cách viết (Savoy, 2020), và nguyên lý về "từ phổ" (word-spectrum) của Mendenhall (1887) liên quan đến phân bố chiều dài từ. Ngoài ra, các lý thuyết về độ phong phú từ vựng (ví dụ, các chỉ số TTR, W của Brunet (1978), H của Honoré (1979), S của Sichel (1975), K của Yule (1944)) và tần số từ của Smith (1888) hay Ellegard (1962) cũng là nền tảng quan trọng. Nghiên cứu cũng vận dụng lý thuyết về ngữ liệu học (corpus linguistics) của Brezina (2018) và các nguyên lý của Ngôn ngữ học xã hội (Grant, 2010) để giải thích sự khác biệt phong cách dựa trên thông tin xã hội học của tác giả.

Đóng góp đột phá với quantified impact:

  1. Xây dựng bộ chỉ số ĐĐPC tiếng Việt được định lượng hóa và kiểm chứng: Luận án khảo sát 79 yếu tố từ vựng (YTTV) cho tiếng Việt và 10 YTTV đối chiếu với tiếng Anh, là nghiên cứu quy mô lớn đầu tiên thực hiện đồng loạt. Tỉ lệ chính xác của từng YTTV trong nhiệm vụ XĐDTTG được tính toán và đánh giá theo thang độ định lượng (từ 0-25% "Rất thấp" đến 75-100% "Rất cao" - Bảng 0.3, tr. 19), cung cấp một khung tiêu chí đánh giá ảnh hưởng của YTTV cụ thể cho tiếng Việt.
  2. Phát triển quy trình thực nghiệm XĐDTTG có tính tái tạo cao: Luận án đã tiến hành tổng cộng 31.600 lượt thực nghiệm XĐDTTG trên máy vi tính, bao gồm các nhóm tác giả có số lượng khác nhau (10, 5, 3, 2 tác giả) và thông tin xã hội học đa dạng (40% đồng nhất, 60% hỗn hợp) (Bảng 0.2, tr. 15). Điều này đảm bảo độ tin cậy và độ giá trị của kết quả, cho phép các nhà nghiên cứu khác có thể tái tạo.
  3. Xây dựng khối ngữ liệu VVC_Stylometry phong phú và có chú thích chuyên sâu: Ngữ liệu này bao gồm 509 bài viết từ 48 tác giả trên VnExpress, với thông tin siêu dữ liệu chi tiết về giới tính, ngành nghề, độ tuổi của tác giả (Luận án, tr. 8-9). Đây là một tài nguyên quý giá, khắc phục "thiếu hụt tài nguyên nghiên cứu" (Luận án, tr. 1) cho tiếng Việt và đóng vai trò là "ngữ liệu huấn luyện (training corpus) cho các hướng tiếp cận học máy và học sâu" (Luận án, tr. 28) trong tương lai, với tiềm năng tác động đến hàng trăm nghiên cứu tiếp theo.
  4. Kết hợp đột phá phân tích định lượng và ngữ dụng học xã hội: Luận án không chỉ dừng lại ở các con số thống kê mà còn áp dụng phương pháp ngữ dụng học xã hội để "tìm hiểu cách thức mà người viết lựa chọn từ ngữ" và "lý giải sự tương đồng giữa các TG khác ngành nghề, hoặc lý giải sự khác biệt giữa các TG cùng ngành nghề" (Luận án, tr. 13). Cách tiếp cận này cung cấp một cái nhìn sâu sắc, đa chiều, vượt qua hạn chế của các nghiên cứu chỉ tập trung vào định lượng.

Scope và Significance:

Phạm vi nghiên cứu giới hạn ở cấp độ từ vựng trong văn bản báo chí (chuyên mục ý kiến), không khảo sát cấp độ câu hay ngữ pháp (Cao Xuân Hạo, 2017). Ngữ liệu tiếng Việt (VVC_Stylometry) bao gồm 509 bài viết của 48 tác giả, được đăng tải từ năm 2014 đến 2023. Ngữ liệu tiếng Anh đối chiếu (Telegraph Columnist Corpus) gồm 1600 bài viết của 40 tác giả, giai đoạn 2000-2005 (Grieve, 2007). Sự tương đồng về thể loại và mục đích giao tiếp của hai khối ngữ liệu đảm bảo tính đối sánh. Luận án có ý nghĩa khoa học sâu sắc khi đưa ra "cơ sở lý thuyết cho việc phân tích phong cách viết của TG bằng các phương pháp thực chứng dựa trên ngữ liệu lớn" (Luận án, tr. 27), đóng góp cho Ngôn ngữ học tội phạm và Ngôn ngữ học xã hội. Về ý nghĩa thực tiễn, nghiên cứu này là "một trong những đóng góp đầu tiên cho việc xây dựng quy trình thực nghiệm XĐDTTG cho văn bản tiếng Việt" (Luận án, tr. 28), cung cấp công cụ và phương pháp cho công tác điều tra và giải quyết tranh chấp nguồn tác giả, với tiềm năng áp dụng trong các vụ án pháp lý.

Literature Review và Positioning

Phần tổng quan nghiên cứu này tổng hợp các luồng nghiên cứu chính về yếu tố từ vựng trong độ đo phong cách, tập trung vào tiếng Anh và tiếng Việt, nhằm định vị khoảng trống và đóng góp của luận án.

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể:

Nghiên cứu về ĐĐPC đã trải qua một quá trình phát triển lâu dài, bắt đầu từ những năm 1851 khi nhà toán học Augustus de Morgan đề xuất việc sử dụng Trung bình chiều dài từ (TBCDT) để đặc tả phong cách tác giả (Schaalje và cộng sự, 2012). Mendenhall (1887, 1901) là người tiên phong khẳng định Phân bố chiều dài từ (PBCDT) có thể cho thấy dấu ấn phong cách độc đáo của một tác giả, thậm chí gọi đó là "từ phổ" (word-spectrum), với các nghiên cứu so sánh tác phẩm của Dickens, Thackeray hay Shakespeare. Các công trình sau này như của Brinegar (1963) đã ứng dụng phương pháp của Mendenhall để giải quyết các vụ án tranh chấp tác giả như thư Snodgrass.

Về TBCDT, sau de Morgan, các nghiên cứu của Foster (1989) và Forsyth và cộng sự (1999) đã khẳng định TBCDT là một yếu tố đánh dấu nguồn tác giả hiệu quả. Holmes (1985) đã đánh giá nhiều phương pháp phân tích phong cách và kết luận Độ phong phú từ vựng (ĐPPTV) rất hiệu quả trong việc phân biệt phong cách viết. Ông cùng với Dalen-Oskam và Zundert (2007) đã sử dụng các chỉ số như H của Honoré, S của Sichel, và K của Yule để đo ĐPPTV, chứng minh khả năng phân lớp văn bản và xác định điểm chuyển giao tác giả. Harris (2010) còn khảo sát ĐPPTV trong ngữ liệu Rongorongo để làm rõ sự khác biệt giữa các loại văn bản như phả hệ, liệt kê, tường thuật, và bài hát.

Tần số từ khi tính theo thống kê cơ bản được Smith (1888) áp dụng sớm nhất, ông tập trung vào hư từ vì chúng ít bị ảnh hưởng bởi chủ đề. Tuy nhiên, Ellegard (1962) lại thành công khi sử dụng tần số thực từ để xác định tác giả cho The Junius Letters, biện giải rằng các từ thông dụng (kể cả thực từ) được sử dụng đồng đều giữa các tác giả. Công trình kinh điển của Mosteller và Wallace (1963, 1964, 1984) đã sử dụng tần số các từ thông dụng như "may", "also", "an", "his" để giải quyết tranh chấp tác giả Federalist Papers, kết luận các văn bản tranh chấp do Madison viết. Về tần số từ khi tính theo kiểm định thống kê, McMenamin (2002) nhấn mạnh tầm quan trọng của các phép kiểm định thống kê trong đánh giá mối quan hệ giữa các yếu tố ngôn ngữ. Yang và Pedersen (1997) đã sử dụng năm phép tính kiểm định thống kê để tìm ra các yếu tố phù hợp cho phân lớp văn bản. Binongo và Smith (1999b) đã dùng kiểm định t mẫu độc lập để xác định các từ ý nghĩa nhất cho tác phẩm của Shakespeare và Wilkins. Kiểm định chi-squared cũng được Grieve (2007) sử dụng để đo tỉ lệ chính xác, mặc dù những nghiên cứu gần đây thường chuyển sang phân tích tương ứng để cho kết quả chính xác hơn (Mealand, 1995; Barlow, 2013; Oakes, 2014; Brezina, 2018).

Tại Việt Nam, các nghiên cứu về phong cách ngôn ngữ bắt đầu từ Phong cách học với các định nghĩa của Phan Ngọc (1985) về phong cách là "sự lặp đi lặp lại của một chùm nét khu biệt" hay Đào Thanh (1986) về "những nét biến hóa riêng của tác giả". Cù Đình Tá (1983) đã miêu tả các phương tiện diễn đạt và lý giải sự kiện phong cách tiếng Việt, nhưng chủ yếu tập trung vào tu từ và phong cách chức năng. Đến nửa cuối thế kỷ XX, các phương pháp định lượng bắt đầu được vận dụng trong ngôn ngữ học (Nguyễn Đức Dân, 2018), hình thành Ngôn ngữ học thống kê và Ngôn ngữ học ngữ liệu. Nguyễn Đức Dân và Đặng Thái Minh (1999) đã khảo sát phong cách tác giả theo phương pháp định lượng trên một số truyện ngắn Việt Nam. Gần đây, Hồ Ngọc Lâm và cộng sự (2020) đã sử dụng đường cong Mendenhall, kiểm định chi-squared và Delta để XĐDTTG cho tiếng Việt, đạt kết quả cao với chi-squared nhưng hạn chế với Delta.

Contradictions/debates với ít nhất 2 opposing views:

  1. Hư từ vs. Thực từ trong XĐDTTG: Smith (1888) lập luận rằng hư từ (function words) hiệu quả hơn trong việc xác định tác giả vì chúng "cấu thành nên lời nói, trải rộng và lan ra toàn bộ ngôn ngữ của một người" và ít bị ảnh hưởng bởi chủ đề. Ngược lại, ông cho rằng thực từ (content words) "chắc chắn sẽ thay đổi theo chủ đề văn bản" (Smith, 1888, tr. 454, dẫn theo Grieve, 2002). Tuy nhiên, Ellegard (1962) lại chứng minh rằng tần số thực từ vẫn có thể hiệu quả, dựa trên quan điểm rằng "Những từ thường được sử dụng trong ngôn ngữ... được sử dụng với mức độ đồng đều nhau, bất kể TG văn bản là ai đi nữa" (Ellegard, 1962, tr. 15-16, dẫn theo Grieve, 2005). Nghiên cứu kinh điển của Mosteller và Wallace (1963, 1964, 1984) cũng sử dụng các từ thông dụng, bao gồm cả thực từ, để xác định tác giả.
  2. Định tính vs. Định lượng trong phân tích phong cách: Một bên cho rằng phân tích phong cách có thể thực hiện theo hướng định tính trên số lượng văn bản không quá lớn, thậm chí là một tác phẩm. Ngược lại, các nhiệm vụ như XĐDTTG đòi hỏi số lượng văn bản lớn và phương pháp định lượng, vì "ngữ liệu lớn giúp ta phát hiện được những quy luật sử dụng ngôn ngữ có thể bị ẩn đi nếu chỉ sử dụng hướng tiếp cận định tính." (Luận án, tr. 1). Luận án này giải quyết mâu thuẫn bằng "phương pháp luận hỗn hợp (mixed methodology), kết hợp các ưu điểm của cả hướng tiếp cận định tính lẫn định lượng." (Luận án, tr. 12).

Positioning trong literature với specific gap identified:

Luận án này định vị mình là một nghiên cứu đột phá trong lĩnh vực ĐĐPC tiếng Việt bằng cách giải quyết một số khoảng trống quan trọng trong tài liệu hiện có. Các công trình trước đây về tiếng Việt chủ yếu tiếp cận theo hướng Phong cách học truyền thống hoặc ứng dụng các thuật toán học máy và học sâu mà thiếu đi nền tảng thực nghiệm định lượng sâu rộng về các YTTV cụ thể. Đặc biệt, "chưa có công trình nghiên cứu quy mô lớn nào sử dụng các phương pháp thực nghiệm XĐDTTG cho việc khảo sát số lượng lớn các YTTV một cách đồng loạt trong các bài viết thuộc chuyên mục ý kiến trên báo; cũng chưa có công trình nào đối chiếu mức độ ảnh hưởng của các YTTV này đến ĐĐPC tiếng Việt và tiếng Anh." (Luận án, tr. 2). Trong khi Hồ Ngọc Lâm và cộng sự (2020) đã sử dụng kiểm định chi-squared và Delta, nghiên cứu của họ còn hạn chế trong việc phân tích ngữ dụng học xã hội để lý giải sự khác biệt phong cách. Luận án này không chỉ mở rộng quy mô khảo sát lên 79 YTTV mà còn kết hợp chặt chẽ phân tích định lượng với ngữ dụng học xã hội, cung cấp một cách tiếp cận toàn diện hơn.

How this advances field với concrete contributions:

Luận án tiến bộ hóa lĩnh vực ĐĐPC tiếng Việt bằng cách:

  • Thiết lập các tiêu chí định lượng: Cung cấp "các tiêu chí đánh giá ảnh hưởng của các YTTV đến phong cách viết của TG trong tiếng Việt" (Luận án, tr. 27), điều mà trước đây thiếu vắng.
  • Phát triển ngữ liệu và quy trình chuẩn: Ngữ liệu VVC_Stylometry và quy trình thực nghiệm XĐDTTG 6 bước có tính tái tạo cao đặt nền móng vững chắc cho các nghiên cứu tương lai về tiếng Việt, vốn bị "thiếu hụt tài nguyên nghiên cứu" (Luận án, tr. 1).
  • Khám phá hiệu quả của YTTV trong ngôn ngữ đơn lập: Nghiên cứu này trực tiếp giải quyết "hiệu quả của việc áp dụng các công cụ tự động dành cho ngôn ngữ thuộc loại hình khác vẫn còn là câu hỏi còn bỏ ngỏ" (Luận án, tr. 2) đối với tiếng Việt, cung cấp bằng chứng thực nghiệm về các YTTV hiệu quả.
  • Tích hợp đa phương pháp: Sự kết hợp giữa Ngôn ngữ học tính toán, Ngữ liệu học và Ngữ dụng học xã hội mang lại một mô hình nghiên cứu toàn diện, có khả năng lý giải sâu sắc các hiện tượng ngôn ngữ cá nhân.

So sánh với ÍT NHẤT 2 international studies:

  1. So sánh với Grieve (2007) và Telegraph Columnist Corpus: Nghiên cứu của Grieve (2007) đã xây dựng Telegraph Columnist Corpus (1600 bài viết, 40 tác giả) và sử dụng kiểm định chi-squared để đo tỉ lệ chính xác của các yếu tố ngôn ngữ. Luận án này cũng sử dụng khối ngữ liệu Telegraph Columnist Corpus để đối chiếu (Bảng 0.4, tr. 10). Tuy nhiên, trong khi Grieve tập trung vào tiếng Anh và các yếu tố ngôn ngữ tổng quát, luận án này mở rộng ra tiếng Việt, một ngôn ngữ đơn lập, với 79 YTTV cụ thể, và sử dụng thêm phân tích tương ứng (correspondence analysis) - một phương pháp tiên tiến hơn chi-squared để "cho thấy bức tranh toàn diện hơn về mối quan hệ giữa các biến" (Brezina, 2018, tr. 202) và trực quan hóa kết quả.
  2. So sánh với Mosteller và Wallace (1963, 1964, 1984) về Federalist Papers: Công trình của Mosteller và Wallace là kinh điển trong việc XĐDTTG bằng phương pháp thống kê tần số từ thông dụng. Họ đã giải quyết một vấn đề tranh chấp tác giả phức tạp kéo dài hàng thập kỷ. Luận án này kế thừa nguyên tắc sử dụng tần số từ để XĐDTTG nhưng mở rộng phạm vi YTTV không chỉ là từ thông dụng mà còn bao gồm các lớp từ chuyên biệt như từ xưng hô, thực thể có tên, tác tử lập luận, từ Hán Việt, từ nước ngoài, từ mới và thành ngữ, đồng thời áp dụng các phương pháp phân tích tiên tiến hơn như phân tích tương ứng và ngữ dụng học xã hội để cung cấp lý giải sâu sắc hơn cho các phát hiện.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này mở rộng và thách thức một số lý thuyết hiện có trong Ngôn ngữ học và Phong cách học, đặc biệt là trong bối cảnh các ngôn ngữ không thuộc loại hình biến hình.

  • Extend/challenge WHICH specific theories (name theorists):

    • Lý thuyết "Từ phổ" của Mendenhall (1887, 1901): Mendenhall khẳng định PBCDT có thể cho thấy dấu ấn phong cách tác giả và là "bất biến trong cả cuộc đời của TG đó" (Luận án, tr. 32) đối với tiếng Anh. Luận án này kiểm chứng mức độ ổn định của PBCDT (tính theo ký tự và âm tiết) trong tiếng Việt, một ngôn ngữ có cấu trúc từ khác biệt. Nó mở rộng ứng dụng của lý thuyết này cho tiếng Việt và khám phá liệu "từ phổ" có thực sự bất biến trong bối cảnh văn bản báo chí hiện đại với các yếu tố xã hội học khác nhau của tác giả (giới tính, ngành nghề, độ tuổi). Các phát hiện về sự biến thiên trong cách sử dụng YTTV của cùng một tác giả (ví dụ, TG 49 trong Hình 0.4a và 0.4b, tr. 24, 26) cho thấy tính "bất biến" này có thể không hoàn toàn đúng trong mọi ngữ cảnh và đòi hỏi giải thích ngữ dụng học.
    • Lý thuyết về ĐPPTV của Holmes (1985), Honoré (1979), Sichel (1975), Yule (1944): Các chỉ số ĐPPTV như TTR, W, H, S, K được chứng minh là hiệu quả trong tiếng Anh. Luận án này ứng dụng và đánh giá hiệu quả của chúng trong tiếng Việt, góp phần xác định liệu các công thức này có tính phổ quát qua các loại hình ngôn ngữ hay không. Nghiên cứu cung cấp bằng chứng thực nghiệm về độ tin cậy của các chỉ số này trong việc XĐDTTG tiếng Việt.
    • Quan điểm về hư từ và thực từ trong XĐDTTG của Smith (1888) và Ellegard (1962): Luận án không chỉ khảo sát các YTTV thuộc loại "hư từ" (từ xưng hô, tác tử lập luận) mà còn "thực từ" (thực thể có tên, từ Hán Việt, từ nước ngoài, từ mới, thành ngữ), cung cấp bằng chứng thực nghiệm cho tiếng Việt về hiệu quả tương đối của từng loại, qua đó làm sâu sắc thêm tranh luận giữa Smith và Ellegard về tính hiệu quả của các loại từ trong XĐDTTG.

  • Conceptual framework với components và relationships: Khung khái niệm của luận án bao gồm các thành phần chính:

    1. Đặc điểm tác giả (Authorial Characteristics): Giới tính, ngành nghề, độ tuổi (metadata từ VVC_Stylometry).
    2. Đặc điểm văn bản (Textual Characteristics): Thể loại (báo chí ý kiến), thời gian viết.
    3. Yếu tố từ vựng (Word-Level Features - YTTV): 79 yếu tố chia thành 5 nhóm ĐĐPC: PBCDT, TBCDT (phương diện hình thức), ĐPPTV, Tần số từ thống kê cơ bản, Tần số từ kiểm định thống kê (phương diện nội dung).
    4. Độ đo phong cách (Stylometric Measures - ĐĐPC): Các công thức lượng hóa phong cách.
    5. Xác định danh tính tác giả (Authorship Attribution - XĐDTTG): Tỉ lệ chính xác của các thực nghiệm. Các mối quan hệ được kiểm chứng:
    • YTTV -> ĐĐPC: Mỗi YTTV được tính toán để tạo ra một giá trị ĐĐPC.
    • ĐĐPC -> XĐDTTG: Các giá trị ĐĐPC được so sánh để dự đoán tác giả, từ đó tính tỉ lệ chính xác XĐDTTG.
    • Đặc điểm tác giả & Đặc điểm văn bản -> YTTV/ĐĐPC: Các yếu tố xã hội học của tác giả và bối cảnh văn bản ảnh hưởng đến sự lựa chọn và tần số sử dụng YTTV, từ đó ảnh hưởng đến ĐĐPC.
    • Ngữ dụng học xã hội: Giải thích các mối quan hệ trên một cách định tính.

  • Theoretical model với propositions/hypotheses numbered: Mô hình lý thuyết đề xuất rằng phong cách viết cá nhân là một dấu ấn ngôn ngữ ổn định, có thể được lượng hóa thông qua các YTTV, và hiệu quả của các YTTV này có thể khác nhau giữa các ngôn ngữ và các nhóm tác giả. P1: Các YTTV thuộc phương diện hình thức (PBCDT, TBCDT) sẽ có mức độ ảnh hưởng đáng kể đến ĐĐPC trong văn bản báo chí tiếng Việt. P2: Các YTTV thuộc phương diện nội dung (ĐPPTV, tần số TXH, TTCT, TTLL, từ Hán Việt, từ nước ngoài, từ mới, thành ngữ) sẽ có mức độ ảnh hưởng đáng kể đến ĐĐPC trong văn bản báo chí tiếng Việt. P3: Mức độ ảnh hưởng của các YTTV đến ĐĐPC sẽ khác nhau tùy thuộc vào loại hình ngôn ngữ (tiếng Việt so với tiếng Anh). P4: Các đặc điểm xã hội học của tác giả (giới tính, ngành nghề, độ tuổi) sẽ điều chỉnh mức độ ảnh hưởng của các YTTV đến ĐĐPC. P5: Sự kết hợp của nhiều nhóm ĐĐPC sẽ cho tỉ lệ chính xác XĐDTTG cao hơn so với việc sử dụng một nhóm ĐĐPC đơn lẻ.

  • Paradigm shift với EVIDENCE từ findings: Luận án không đề xuất một sự thay đổi hoàn toàn về paradigm, nhưng nó thúc đẩy sự chuyển dịch từ cách tiếp cận truyền thống thiên về định tính và ngữ pháp sang một cách tiếp cận tích hợp, thực chứng, dựa trên dữ liệu lớn và Ngôn ngữ học tính toán cho tiếng Việt. Sự "thay đổi" này được thể hiện qua việc luận án "đưa ra một cơ sở lý thuyết cho việc phân tích phong cách viết của TG bằng các phương pháp thực chứng dựa trên ngữ liệu lớn" (Luận án, tr. 27). Nó cung cấp bằng chứng rằng các phương pháp định lượng và công cụ tự động, vốn được phát triển mạnh mẽ cho các ngôn ngữ giàu tài nguyên, hoàn toàn có thể được điều chỉnh và ứng dụng hiệu quả cho tiếng Việt, tạo ra "những sản phẩm nghiên cứu có tầm ảnh hưởng lớn về mặt học thuật" (Luận án, tr. 27).

Khung phân tích độc đáo

Luận án này mang đến một khung phân tích độc đáo thông qua sự kết hợp của các lý thuyết, phương pháp tiếp cận mới và các đóng góp khái niệm cụ thể.

  • Integration của theories (name 3+ specific theories): Khung phân tích tích hợp sâu sắc:

    1. Lý thuyết về ĐĐPC (Stylometric Measures): Từ các công thức của Mendenhall (PBCDT), de Morgan (TBCDT), Honoré, Sichel, Yule (ĐPPTV) đến tần số từ của Smith và Ellegard.
    2. Lý thuyết Ngữ liệu học (Corpus Linguistics): Với việc xây dựng VVC_Stylometry theo tiêu chuẩn của Brezina (2018) về chất lượng, kích cỡ và cấu trúc, bao gồm chú thích siêu dữ liệu.
    3. Lý thuyết Ngôn ngữ học xã hội (Sociolinguistics): Được áp dụng thông qua phương pháp ngữ dụng học xã hội của Grant (2010) để giải thích sự khác biệt phong cách dựa trên giới tính, ngành nghề, độ tuổi của tác giả.
    4. Lý thuyết về Ngôn ngữ học tính toán (Computational Linguistics): Ứng dụng các ngôn ngữ lập trình Python và R để xử lý dữ liệu tự động và trực quan hóa kết quả.

  • Novel analytical approach với justification: Điểm mới lạ trong phương pháp phân tích là sự kết hợp chặt chẽ giữa phân tích định lượng dựa trên thực nghiệm với giải thích ngữ dụng học xã hội, vượt ra ngoài các nghiên cứu đơn thuần về tần số hoặc chỉ tập trung vào học máy. Cụ thể, sau khi tính toán tỉ lệ chính xác của 79 YTTV thông qua 31.600 lượt thực nghiệm XĐDTTG trên máy tính, luận án sử dụng "phương pháp phân tích ngữ dụng học xã hội" (Luận án, tr. 12) để "tìm hiểu cách thức mà người viết lựa chọn từ ngữ trong các bài viết thuộc chuyên mục ý kiến" và "lý giải sự tương đồng/khác biệt giữa các TG" (Luận án, tr. 13). Việc này được chứng minh là một cải tiến so với nghiên cứu trước đó của Hồ Ngọc Lâm và cộng sự (2020), vốn "chưa đi sâu vào phân tích các khía cạnh ngữ dụng học xã hội".

  • Conceptual contributions với definitions: Luận án đóng góp các khái niệm đã được định nghĩa rõ ràng:

    • Độ đo phong cách (ĐĐPC): "những công thức dùng để lượng hóa phong cách viết của TG và từ đó xác định danh tính tác giả" (Luận án, tr. 1).
    • Yếu tố từ vựng (YTTV): Các đặc trưng ngôn ngữ ở cấp độ từ vựng được sử dụng để đo lường phong cách, bao gồm PBCDT, TBCDT, ĐPPTV, và tần số các lớp từ cụ thể.
    • Ngữ liệu VVC_Stylometry: Một "khối ngữ liệu chuyên biệt" (Luận án, tr. 8) được xây dựng cho tiếng Việt, bao gồm 509 bài viết của 48 tác giả với siêu dữ liệu chi tiết, đại diện cho "ngôn ngữ cá nhân" của từng tác giả.
    • Quy trình thực nghiệm XĐDTTG tái tạo được: Một chuỗi 6 bước được tiêu chuẩn hóa để đánh giá mức độ ảnh hưởng của YTTV, đảm bảo "tính nhất quán (consistent) và tính tái tạo (replicable)" (van Peer và cộng sự, 2012, dẫn tại Luận án, tr. 14).

  • Boundary conditions explicitly stated: Luận án xác định rõ ràng các điều kiện biên của nghiên cứu:

    • Phạm vi cấp độ ngôn ngữ: Nghiên cứu giới hạn ở cấp độ từ vựng, không đi sâu vào ngữ âm hay ngữ pháp ở cấp độ câu (Cao Xuân Hạo, 2017).
    • Ngữ cảnh văn bản: Chỉ tập trung vào văn bản báo chí thuộc chuyên mục ý kiến, vốn có tính cá nhân cao, không đại diện cho tất cả các thể loại văn bản tiếng Việt.
    • Thời gian ngữ liệu: VVC_Stylometry từ 2014-2023 và Telegraph Columnist Corpus từ 2000-2005, được xem xét trong quan điểm đồng đại ("đầu thế kỷ 21") (Mai Ngọc Chừ, Vũ Đức Nghiệu, Hoàng Trọng Phiến, 2008, tr. 33), không nghiên cứu sự thay đổi phong cách theo thời gian (lịch đại).
    • Giới hạn về tài nguyên: Mặc dù đã xây dựng ngữ liệu mới, luận án thừa nhận "khối ngữ liệu vẫn còn một số điểm cần phải hoàn thiện và cập nhật, cả về số lượng lẫn chất lượng thông tin" (Luận án, tr. 11), và không hoàn toàn kế thừa được tài nguyên sẵn có như các ngôn ngữ giàu tài nguyên khác.

Phương pháp nghiên cứu tiên tiến

Luận án áp dụng một phương pháp nghiên cứu tiên tiến, kết hợp chặt chẽ các yếu tố định tính và định lượng với độ chặt chẽ cao, đảm bảo tính tin cậy và giá trị khoa học.

Thiết kế nghiên cứu

  • Research philosophy (positivism/interpretivism/critical realism): Luận án tuân theo một triết lý nghiên cứu thực dụng (Pragmatism), kết hợp các yếu tố của chủ nghĩa thực chứng hậu (Post-positivism) và giải thích luận (Interpretivism). Nó sử dụng "phương pháp luận hỗn hợp (mixed methodology), kết hợp các ưu điểm của cả hướng tiếp cận định tính lẫn định lượng" (Luận án, tr. 12).

    • Các phương pháp định lượng (thống kê mô tả, phân tích tương ứng) phản ánh yếu tố Post-positivism, tìm kiếm quy luật, đo lường khách quan và kiểm chứng giả thuyết về các YTTV ảnh hưởng đến ĐĐPC.
    • Phương pháp ngữ dụng học xã hội phản ánh yếu tố Interpretivism, nhằm giải thích sâu sắc hành vi ngôn ngữ của tác giả trong ngữ cảnh xã hội, tìm hiểu "cách thức mà người viết lựa chọn từ ngữ" (Luận án, tr. 13).

  • Mixed methods với SPECIFIC combination rationale: Sự kết hợp giữa định lượng và định tính là then chốt. Luận án sử dụng "phương pháp thống kê mô tả", "phân tích tương ứng" để "khám phá các đặc trưng cơ bản của dữ liệu và các hiện tượng được khảo sát" (Luận án, tr. 12) và "do khoảng cách giữa VBÂD với các văn bản đã biết TG" (Luận án, tr. 12). Sau đó, "phương pháp phân tích ngữ dụng học xã hội được sử dụng để tìm hiểu cách thức mà người viết lựa chọn từ ngữ" và "lý giải sự tương đồng/khác biệt giữa các TG" (Luận án, tr. 13). Sự kết hợp này được lý giải bởi nhu cầu không chỉ xác định cái gì (YTTV nào ảnh hưởng) mà còn tại sao (giải thích ngữ dụng học) các yếu tố đó ảnh hưởng, đặc biệt trong các trường hợp "điểm dữ liệu bất thường" (Luận án, tr. 23).

  • Multi-level design với levels clearly defined: Thiết kế nghiên cứu đa cấp được áp dụng để khảo sát các YTTV ở các cấp độ khác nhau, đảm bảo sự toàn diện:

    • Cấp độ 1: Yếu tố từ vựng (Word-level features): Bao gồm 79 YTTV chi tiết (Bảng 0.1, tr. 7), từ các đặc tính hình thức (chiều dài từ) đến nội dung (tần số các lớp từ).
    • Cấp độ 2: Nhóm độ đo phong cách (Stylometric measure groups): 5 nhóm ĐĐPC khác nhau (Nhóm 1-5, tr. 5-6), đảm bảo khảo sát "trên một khía cạnh ngôn ngữ, chưa khảo sát những khía cạnh khác trong ngôn ngữ của TG" (Luận án, tr. 6).
    • Cấp độ 3: Ngữ liệu cá nhân và nhóm (Individual and group corpora): Ngữ liệu VVC_Stylometry được chia thành 48 khối ngữ liệu cá nhân và 8 khối ngữ liệu nhóm (dựa trên giới tính, ngành nghề, độ tuổi của tác giả), cho phép phân tích sự khác biệt phong cách theo từng cá nhân và theo nhóm xã hội học.

  • Sample size và selection criteria EXACT:

    • Ngữ liệu tiếng Việt (VVC_Stylometry): Gồm 509 bài viết, được viết bởi 48 tác giả, thuộc chuyên mục Góc nhìn của báo trực tuyến VnExpress, đăng tải từ năm 2014 đến 2023. Tiêu chí chọn tác giả là "có càng nhiều bài viết càng tốt" (Luận án, tr. 9), trong đó có những tác giả chỉ có hai bài viết để đối sánh.
    • Ngữ liệu tiếng Anh (Telegraph Columnist Corpus): Gồm 1600 bài viết, của 40 tác giả, thu thập từ chuyên mục Opinion của nhật báo Daily Telegraph ở London, Anh Quốc, giai đoạn 2000-2005 (Grieve, 2007). Ngữ liệu này được chọn vì "các văn bản trong cả hai khối ngữ liệu này đều cùng một thể loại văn bản (bài viết đăng trên báo quốc gia), cùng mục đích giao tiếp (thể hiện góc nhìn và bày tỏ quan điểm), và được đăng tải trong quãng thời gian ngắn (dưới 10 năm)" (Luận án, tr. 10).

Quy trình nghiên cứu rigorous

  • Sampling strategy với inclusion/exclusion criteria: Chiến lược lấy mẫu được thiết kế để tối đa hóa tính tin cậy và giá trị.

    • Inclusion criteria:
      • Các bài viết thuộc chuyên mục ý kiến báo chí để đảm bảo tính cá nhân hóa cao trong văn phong.
      • Các tác giả có số lượng bài viết đủ lớn để XĐDTTG (từ 2 bài trở lên, "càng nhiều bài viết càng tốt" - Luận án, tr. 9).
      • Văn bản có đầy đủ siêu dữ liệu về tác giả (giới tính, ngành nghề, độ tuổi).
      • YTTV phải "có thể được tính toán trong bất kỳ văn bản nào" và "có mặt trong gần như tất cả các văn bản của TG đang xét" (Luận án, tr. 6).
    • Exclusion criteria:
      • Văn bản thuộc các thể loại khác không phải ý kiến.
      • Các từ có "độ phủ rất hẹp và tần số rất thấp" (ví dụ: "mặc dầu" - Luận án, tr. 6) vì chúng "khiến cho kết quả XĐDTTG giảm độ tin cậy." (Luận án, tr. 6).

  • Data collection protocols với instruments described: Dữ liệu được thu thập từ các báo trực tuyến và được số hóa.

    • VVC_Stylometry: Được lưu trữ trên Google Drive (https://drive.com/drive/folders/1yOgRAZBd_wfs6ql1g--ZkbBzZwZObpplc?usp=sharing), phiên bản 2014-2023. Các thông tin xã hội học của tác giả được lấy từ phần giới thiệu tác giả trên VnExpress (Luận án, tr. 8).
    • Telegraph Columnist Corpus: Khối ngữ liệu đã được Grieve (2007) xây dựng.
    • Các công cụ tự động được sử dụng để tiền xử lý ngữ liệu (ví dụ: tách từ, gán nhãn từ vựng cho khối ngữ liệu LGU - Luận án, tr. 4), tính toán các giá trị ĐĐPC.

  • Triangulation (data/method/investigator/theory):

    • Methodological Triangulation: Kết hợp phương pháp định lượng (thống kê mô tả, phân tích tương ứng) và định tính (ngữ dụng học xã hội).
    • Data Triangulation: Sử dụng hai khối ngữ liệu từ hai ngôn ngữ khác nhau (tiếng Việt và tiếng Anh) và các phân nhóm tác giả khác nhau (theo giới tính, ngành nghề, độ tuổi).
    • Theoretical Triangulation: Vận dụng các lý thuyết từ nhiều lĩnh vực (Phong cách học, Ngữ liệu học, Ngôn ngữ học xã hội, Ngôn ngữ học tính toán) để hiểu và giải thích các hiện tượng.

  • Validity (construct/internal/external) và reliability (α values):

    • Construct Validity: Các YTTV được lựa chọn dựa trên cơ sở lý thuyết vững chắc từ các nghiên cứu trước đây (Mendenhall, de Morgan, Holmes, Smith, Ellegard, v.v.), đảm bảo rằng các yếu tố đo lường thực sự phản ánh "phong cách viết" của tác giả.
    • Internal Validity: Quy trình thực nghiệm XĐDTTG 6 bước được thiết kế chặt chẽ, bao gồm việc che giấu danh tính tác giả của văn bản ẩn danh (VBÂD) và so sánh các giá trị ĐĐPC, tính tỉ lệ chính xác. Việc thực hiện 31.600 lượt thực nghiệm giúp giảm thiểu sai số ngẫu nhiên.
    • External Validity: Bằng cách sử dụng ngữ liệu lớn và đa dạng (48 tác giả, 509 bài viết), và tiến hành các thực nghiệm trên các nhóm tác giả có thông tin xã hội học khác nhau (40% đồng nhất, 60% hỗn hợp), luận án hướng tới khả năng khái quát hóa kết quả.
    • Reliability: Luận án nhấn mạnh "Độ tin cậy là tính nhất quán (consistent) và tính tái tạo (replicable) của các độ đo được sử dụng" (van Peer và cộng sự, 2012, dẫn tại Luận án, tr. 14). Quy trình thực nghiệm XĐDTTG được mô tả chi tiết để "có thể tái tạo kết quả nghiên cứu" (Luận án, tr. 14). Mặc dù giá trị alpha Cronbach (α) không được đề cập trực tiếp trong đoạn trích, sự nhấn mạnh vào tính tái tạo và nhất quán của các độ đo là minh chứng cho nỗ lực đảm bảo độ tin cậy.

Data và phân tích

  • Sample characteristics với demographics/statistics:

    • VVC_Stylometry: 509 bài viết của 48 tác giả. Các tác giả được phân nhóm theo: giới tính (nam/nữ), ngành nghề (nhà báo/nhà nghiên cứu), độ tuổi (sinh trước/sau năm 1975). Ví dụ, một nhóm là "Nữ_Nhà báo (< 1975)" có 3 tác giả, trong khi "Nữ_Nhà báo (> 1975)" có 9 tác giả (Bảng 0.0, tr. 9).
    • Telegraph Columnist Corpus: 1600 bài viết của 40 tác giả.
    • Dữ liệu được lưu trữ ở dạng số hóa (JSON, XML - Hình 1.3, 1.4, tr. 57-58) để phục vụ xử lý tự động.

  • Advanced techniques (SEM/multilevel/QCA etc.) với software:

    • Thống kê mô tả (Descriptive statistics): Sử dụng để mô tả các đặc trưng cơ bản của 46 YTTV (phân bố chiều dài từ, trung bình chiều dài từ, độ phong phú từ vựng, tần số từ thống kê cơ bản) (Luận án, tr. 12).
    • Phân tích tương ứng (Correspondence Analysis - CA): Một phương pháp khám phá trực quan được sử dụng cho 33 YTTV thuộc nhóm tần số từ khi tính theo kiểm định thống kê. CA giúp "do khoảng cách giữa VBÂD với các văn bản đã biết TG" (Luận án, tr. 12) và "cho thấy bức tranh toàn diện hơn về mối quan hệ giữa các biến, gồm cả những điểm tương đồng lẫn khác biệt" (Brezina, 2018, tr. 202). CA dựa trên kiểm định chi-squared nhưng cung cấp biểu diễn trực quan (đồ thị tương ứng) về mối quan hệ giữa các văn bản và YTTV.
    • Software:
      • Python: Dùng để tạo ra các đường cong Mendenhall biểu diễn PBCDT tính theo ký tự và âm tiết. Luận án đã tạo ra tổng cộng 106 đường cong Mendenhall (Phụ lục C1-C10). Môi trường Google Colab được sử dụng để xử lý các đoạn mã Python, với thư viện NLTK (Natural Language Toolkit) hỗ trợ xử lý ngôn ngữ tự nhiên (Luận án, tr. 19-20).
      • R: Một ngôn ngữ lập trình hàm cấp cao và môi trường thống kê, được sử dụng để tạo ra các đồ thị tương ứng (correspondence plot). Luận án đã tạo ra 528 đồ thị tương ứng (Phụ lục D) bằng cách nhập 528 dòng lệnh khác nhau (Luận án, tr. 22). RStudio là môi trường phát triển được sử dụng.

  • Robustness checks với alternative specifications: Để đảm bảo độ tin cậy, luận án tiến hành các kiểm tra mạnh mẽ thông qua việc thực nghiệm XĐDTTG trên nhiều trường hợp khác nhau:

    • Số lượng tác giả ứng viên: Khảo sát trên 10 TG, 5 TG, 3 TG, hoặc 2 TG ứng viên (Luận án, tr. 14).
    • Tính đồng nhất xã hội học của nhóm: 40% lượt thực nghiệm trên các nhóm TG đồng nhất thông tin xã hội học, 60% trên các nhóm TG hỗn hợp (Luận án, tr. 15). Điều này cho phép đánh giá xem hiệu quả của YTTV có thay đổi khi tác giả có các đặc điểm xã hội học tương đồng hoặc khác biệt.
    • Phân tích định tính bổ sung: Trong trường hợp kết quả định lượng cho thấy "điểm dữ liệu bất thường (outliers)" hoặc kết quả dự đoán không chính xác (ví dụ, ví dụ về VBÂD được dự đoán là TG 342 nhưng thực tế là TG 49 - Hình 0.4b, tr. 26), luận án sử dụng "phân tích ngữ dụng học xã hội" để tìm hiểu nguyên nhân (Luận án, tr. 13, 27).

  • Effect sizes và confidence intervals reported: Mặc dù đoạn trích không cung cấp trực tiếp các giá trị effect sizes hoặc confidence intervals cụ thể, luận án báo cáo "tỉ lệ chính xác" của mỗi YTTV (ví dụ: 77% được đánh giá "Rất cao" - Luận án, tr. 18) và "tỉ lệ phần trăm của Dim1 và Dim2 giải thích mức độ biến thiên" trong phân tích tương ứng (ví dụ: tổng 79,85% cho ví dụ TXH - Luận án, tr. 23). Các giá trị này đóng vai trò tương tự như effect sizes, cho biết mức độ ảnh hưởng và khả năng giải thích của các YTTV. Việc sử dụng "kiểm định thống kê chi-squared" (Luận án, tr. 12) ngụ ý rằng các p-values được tính toán để xác định ý nghĩa thống kê của các mối quan hệ.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đưa ra những phát hiện đột phá về ảnh hưởng của các yếu tố từ vựng trong độ đo phong cách của văn bản báo chí tiếng Việt và so sánh chúng với tiếng Anh.

  • 4-5 findings với SPECIFIC EVIDENCE từ data:

    1. Phân bố chiều dài từ (PBCDT) và Trung bình chiều dài từ (TBCDT) cho thấy dấu ấn phong cách rõ rệt: Các đường cong Mendenhall biểu diễn PBCDT tính theo ký tự và âm tiết cho thấy sự ổn định trong văn phong của từng tác giả. "Đường cong đặc trưng cho chiều dài từ của TG chính xác đến mức nó là bất biến trong cả cuộc đời của TG đó" (Mendenhall, 1887, dẫn tại Luận án, tr. 32). Tuy nhiên, nghiên cứu cũng chỉ ra rằng các yếu tố này không hoàn toàn bất biến, với các trường hợp "đường cong PBCDT của TG 890 và X1" (Bảng 2.2, tr. 85) hay sự khác biệt giữa các nhóm TG (nam/nữ, nhà báo/nhà nghiên cứu), cho thấy mức độ ảnh hưởng của chúng có thể khác nhau tùy thuộc vào ngữ cảnh. TBCDT cũng được khẳng định là yếu tố đánh dấu nguồn TG hiệu quả, tương tự như các nghiên cứu của Foster (1989) và Forsyth và cộng sự (1999) cho tiếng Anh.
    2. Độ phong phú từ vựng (ĐPPTV) là yếu tố quan trọng trong XĐDTTG tiếng Việt: Các chỉ số ĐPPTV như TTR, W, H, S, K cho thấy mức độ ảnh hưởng đáng kể. Ví dụ, Bảng 3.2 (tr. 11) cho thấy độ phong phú từ vựng của các tác giả có sự khác biệt rõ rệt. Phát hiện này củng cố quan điểm của Holmes (1985) về vai trò của ĐPPTV trong việc phân biệt phong cách viết. "Tỉ lệ chính xác của DPPTV" (Bảng 3.3, tr. 11) cung cấp bằng chứng định lượng về hiệu quả này.
    3. Tần số các từ xưng hô (TXH), thực thể có tên (TTCT), và tác tử lập luận (TTLL) có mức độ ảnh hưởng cao và biến động theo nhóm xã hội học: Các thực nghiệm cho thấy tần số các lớp từ này là những chỉ báo mạnh mẽ cho phong cách cá nhân. Ví dụ, "Tỉ lệ chính xác của tần số TXH1 khi tính theo thống kê cơ bản" (Bảng 3.5, tr. 15) và "TXH của các nhà báo nữ, sinh từ 1975 trở về trước" (Hình 0.4a, tr. 24) cho thấy các điểm dữ liệu đại diện cho bài viết của một TG có xu hướng gom nhóm lại với nhau, minh chứng cho tính nhất quán trong cách sử dụng TXH của TG đó. Tuy nhiên, sự biến đổi trong việc sử dụng TXH của TG 49 (Luận án, tr. 25) cũng cho thấy sự phức tạp, đòi hỏi phân tích ngữ dụng học.
    4. Tần số từ Hán Việt, từ nước ngoài, từ mới và thành ngữ cũng góp phần định hình phong cách: Các nhóm từ này thể hiện đặc trưng văn hóa và sự đổi mới trong ngôn ngữ tiếng Việt. "Tỉ lệ chính xác của tần số từ Hán Việt khi tính theo thống kê cơ bản" (Bảng 3.8, tr. 25) và các bảng tương tự cho thấy các yếu tố này có giá trị trong việc phân biệt tác giả, làm sâu sắc thêm hiểu biết về ảnh hưởng của các lớp từ vựng đặc thù trong tiếng Việt.
    5. Sự tương đồng và khác biệt trong mức độ ảnh hưởng của YTTV giữa tiếng Việt và tiếng Anh: Nghiên cứu so sánh cho thấy các YTTV hoạt động hiệu quả khác nhau giữa hai ngôn ngữ. Ví dụ, "Tỉ lệ chính xác của phân bố chiều dài từ theo ký tự trong tiếng Việt và tiếng Anh" (Bảng 4.1, tr. 50) cung cấp bằng chứng định lượng trực tiếp về sự khác biệt này. Các yếu tố như độ phong phú từ vựng (Bảng 4.3, tr. 56) có thể duy trì hiệu quả cao ở cả hai, trong khi các yếu tố khác như tần số từ Hán Việt rõ ràng là độc đáo của tiếng Việt.

  • Statistical significance (p-values, effect sizes): Mặc dù p-values cụ thể không được trích dẫn, luận án sử dụng "kiểm định thống kê chi-squared" (Luận án, tr. 12) và "phân tích tương ứng" dựa trên kiểm định này, cho phép xác định "sự khác biệt đó nằm ở đâu" (Brezina, 2018, tr. 202) và ý nghĩa thống kê của các mối quan hệ. Tỉ lệ phần trăm giải thích của các chiều (dimensions) trong phân tích tương ứng (ví dụ: "tổng 79,85% mức biến thiên trong dữ liệu, giá trị này là rất cao và đáng tin cậy" - Luận án, tr. 23) có thể được xem xét như các chỉ số về effect size.

  • Counter-intuitive results với theoretical explanation: Một phát hiện đôi khi đi ngược trực giác là khi "VBÂD được dự đoán là TG 342, nhưng khi tra thông tin từ ngữ liệu, TG thực sự của VBÂD là TG 49" (Luận án, tr. 26). Điều này có vẻ mâu thuẫn với nhận định "TG 342 là người có cách sử dụng TXH ổn định nhất" (Luận án, tr. 25). Giải thích lý thuyết cho kết quả này có thể là:

    • Ảnh hưởng của bối cảnh/chủ đề: Mặc dù một tác giả có thể có phong cách ổn định nói chung, nhưng trong một số văn bản cụ thể, tác giả có thể điều chỉnh phong cách do chủ đề, đối tượng độc giả hoặc mục đích giao tiếp (như Mendenhall đã phát hiện với bài diễn văn của Edward Atkinson - Luận án, tr. 33), dẫn đến các "điểm dữ liệu bất thường (outliers)" (Luận án, tr. 23).
    • Giới hạn của YTTV đơn lẻ: "Việc sử dụng một nhóm ĐĐPC chưa đủ sức thuyết phục để khái quát phong cách viết của một TG" (Luận án, tr. 6). Trường hợp này nhấn mạnh sự cần thiết của việc kết hợp nhiều YTTV và phân tích ngữ dụng học xã hội để lý giải các biến thiên phức tạp trong văn phong.

  • New phenomena với concrete examples từ data: Nghiên cứu khám phá một hiện tượng mới trong ĐĐPC tiếng Việt là vai trò của các lớp từ vựng đặc thù như từ Hán Việt, từ nước ngoài, từ mới và thành ngữ trong việc xác định danh tính tác giả. Ví dụ, bảng "Tỉ lệ chính xác của tần số từ Hán Việt khi tính theo thống kê cơ bản" (Bảng 3.8, tr. 25) cung cấp bằng chứng cụ thể về ảnh hưởng của các yếu tố này, vốn ít được hoặc không được khảo sát trong các nghiên cứu ĐĐPC cho tiếng Anh.

  • Compare với prior research findings:

    • Phù hợp với Mendenhall (1887) và Brinegar (1963): Phát hiện về PBCDT và TBCDT là yếu tố đánh dấu phong cách mạnh mẽ cho tiếng Việt tương đồng với các nghiên cứu kinh điển này cho tiếng Anh.
    • Củng cố Holmes (1985) và Dalen-Oskam & Zundert (2007): Vai trò của ĐPPTV trong XĐDTTG tiếng Việt cũng được xác nhận, tương tự như các phát hiện của họ cho tiếng Anh.
    • Mở rộng tranh luận Smith (1888) vs. Ellegard (1962): Nghiên cứu cung cấp dữ liệu thực nghiệm mới cho tiếng Việt về hiệu quả của hư từ (TXH, TTLL) và thực từ (TTCT, từ Hán Việt, v.v.) trong ĐĐPC, góp phần làm phong phú thêm cuộc thảo luận này.
    • Vượt qua Hồ Ngọc Lâm và cộng sự (2020): Luận án cung cấp lý giải ngữ dụng học xã hội cho các phát hiện, điều mà nghiên cứu trước đó còn thiếu, và mở rộng quy mô YTTV khảo sát lên 79 yếu tố.

Implications đa chiều

Các phát hiện của luận án có ý nghĩa sâu rộng trên nhiều khía cạnh.

  • Theoretical advances với contribution to 2+ theories: Luận án đóng góp vào lý thuyết ĐĐPC bằng cách cung cấp bằng chứng thực nghiệm mạnh mẽ về hiệu quả của các YTTV trong tiếng Việt, một ngôn ngữ đơn lập, qua đó mở rộng tính phổ quát của các công thức ĐĐPC vốn chủ yếu được phát triển cho tiếng Anh. Nó làm phong phú thêm lý thuyết về "từ phổ" của Mendenhall (1887) bằng cách kiểm chứng mức độ ổn định của nó trong các ngữ cảnh xã hội học khác nhau và chỉ ra các yếu tố có thể gây biến đổi. Ngoài ra, luận án đóng góp cho Ngôn ngữ học xã hội bằng cách chứng minh cách các yếu tố xã hội học của tác giả (giới tính, ngành nghề, độ tuổi) tác động đến lựa chọn từ ngữ và phong cách viết (Grant, 2010), đặc biệt thông qua phân tích ngữ dụng học xã hội.

  • Methodological innovations applicable to other contexts: Quy trình thực nghiệm XĐDTTG 6 bước chi tiết và có tính tái tạo cao được đề xuất là một đổi mới phương pháp luận. Quy trình này, cùng với phương pháp luận hỗn hợp và việc sử dụng các công cụ Python/R để trực quan hóa dữ liệu (đường cong Mendenhall, đồ thị tương ứng), có thể được áp dụng rộng rãi cho các nghiên cứu ĐĐPC trong các ngôn ngữ thiếu tài nguyên khác. Cách tiếp cận xây dựng ngữ liệu có chú thích siêu dữ liệu cũng là một mô hình hữu ích.

  • Practical applications với specific recommendations:

    • Trong công tác điều tra và pháp lý: Luận án cung cấp "những YTTV trong văn bản tiếng Việt có thể giúp XĐDTTG đạt tỉ lệ chính xác cao" (Luận án, tr. 1). Các cơ quan điều tra có thể sử dụng các YTTV được chứng minh là hiệu quả (với tỉ lệ chính xác trên 75%) để "giải quyết hầu hết các vụ việc tranh chấp nguồn TG" (Grieve, 2007, dẫn tại Luận án, tr. 18), như tìm tác giả thư nặc danh, tài liệu có tranh chấp nguồn gốc, hay tác phẩm văn học an danh.
    • Xác định tranh chấp nguồn TG: Kết quả có thể áp dụng trực tiếp để giải quyết các trường hợp "một văn bản có trong khối ngữ liệu VVC_Stylometry tranh chấp nguồn TG, ví dụ như trường hợp một bài viết bị sao chép mà không ghi nguồn TG hoặc sai nguồn TG" (Luận án, tr. 28).

  • Policy recommendations với implementation pathway:

    • Phát triển tài nguyên ngôn ngữ quốc gia: Các phát hiện về sự thiếu hụt ngữ liệu có chú thích cho tiếng Việt cần thúc đẩy các chính sách đầu tư vào việc xây dựng các khối ngữ liệu lớn, đa dạng và được chú thích kỹ lưỡng, đặc biệt cho các mục đích nghiên cứu ĐĐPC và Xử lý ngôn ngữ tự nhiên.
    • Hỗ trợ ứng dụng công nghệ trong pháp lý: Chính phủ và các cơ quan tư pháp nên xem xét việc tích hợp các phương pháp ĐĐPC và XĐDTTG dựa trên bằng chứng khoa học vào quy trình điều tra, đào tạo chuyên gia về Phong cách trắc học để ứng dụng hiệu quả.

  • Generalizability conditions clearly specified: Kết quả của luận án có thể khái quát hóa trong các điều kiện sau:

    • Ngữ cảnh văn bản: Áp dụng tốt nhất cho các văn bản mang tính cá nhân cao, tương tự thể loại báo chí ý kiến.
    • Ngôn ngữ: Chủ yếu cho tiếng Việt. Khi áp dụng cho các ngôn ngữ khác, cần có các nghiên cứu đối chiếu tương tự để điều chỉnh YTTV và độ đo.
    • Dữ liệu đủ lớn: Hiệu quả của các YTTV được chứng minh trên ngữ liệu lớn (509 bài của 48 tác giả) và thông qua hàng chục nghìn lượt thực nghiệm. Việc áp dụng cho ngữ liệu nhỏ hơn có thể cần điều chỉnh kỳ vọng về tỉ lệ chính xác.
    • Bối cảnh pháp lý: Các kết quả được trình bày rõ ràng, trực quan giúp "hội đồng xét xử hiểu được bản chất của kết quả" (Luận án, tr. 2).

Limitations và Future Research

Nghiên cứu này đã đạt được những thành tựu đáng kể, nhưng cũng tồn tại những giới hạn nhất định, mở ra nhiều hướng phát triển cho tương lai.

  • 3-4 specific limitations acknowledged:

    1. Hạn chế về tài nguyên ngữ liệu tiếng Việt: Mặc dù đã xây dựng khối ngữ liệu VVC_Stylometry, "khối ngữ liệu vẫn còn một số điểm cần phải hoàn thiện và cập nhật, cả về số lượng lẫn chất lượng thông tin" (Luận án, tr. 11). Số lượng 48 tác giả tuy lớn cho tiếng Việt nhưng vẫn có thể được mở rộng hơn.
    2. Giới hạn về phạm vi YTTV và cấp độ ngôn ngữ: Nghiên cứu chỉ tập trung vào cấp độ từ vựng, bỏ qua các yếu tố ngữ pháp, ngữ nghĩa ở cấp độ câu hay đoạn văn. Điều này có thể bỏ sót những đặc điểm phong cách quan trọng khác.
    3. Giới hạn về loại hình văn bản và bối cảnh: Nghiên cứu chỉ tập trung vào văn bản báo chí ý kiến, có tính cá nhân cao. Việc khái quát hóa kết quả cho các thể loại văn bản khác (ví dụ: văn học, văn bản hành chính, tin tức khách quan) có thể không chính xác hoàn toàn.
    4. Tính đồng đại của nghiên cứu: Nghiên cứu tiếp cận theo quan điểm đồng đại, không khảo sát sự thay đổi phong cách của tác giả theo thời gian (lịch đại), ví dụ như sự thay đổi trong cách dùng từ của cùng một tác giả trong các giai đoạn khác nhau của cuộc đời hoặc sự nghiệp.

  • Boundary conditions về context/sample/time: Các kết quả được chứng minh là có giá trị trong bối cảnh văn bản báo chí ý kiến của tiếng Việt giai đoạn đầu thế kỷ 21 (2014-2023) và so sánh với tiếng Anh cùng thể loại (2000-2005). Việc áp dụng cho các thể loại khác, các giai đoạn lịch sử khác hoặc các ngôn ngữ có loại hình khác cần được kiểm chứng lại. Các đặc điểm xã hội học của tác giả (giới tính, ngành nghề, độ tuổi) là yếu tố quan trọng trong ngữ liệu này.

  • Future research agenda với 4-5 concrete directions:

    1. Mở rộng ngữ liệu và cải thiện chú thích: Tiếp tục xây dựng và mở rộng VVC_Stylometry, cả về số lượng bài viết, số lượng tác giả và độ sâu của chú thích siêu dữ liệu (ví dụ: trình độ học vấn, vùng miền).
    2. Khảo sát YTTV ở các cấp độ ngôn ngữ khác: Mở rộng nghiên cứu sang các yếu tố ngữ pháp (cấu trúc câu, độ phức tạp cú pháp), ngữ nghĩa (trường nghĩa, từ đồng nghĩa), hoặc các đặc điểm ngữ âm (trong văn bản nói hoặc văn bản viết có yếu tố biểu cảm).
    3. Áp dụng các phương pháp học máy và học sâu: Sử dụng VVC_Stylometry làm ngữ liệu huấn luyện (training corpus) cho các mô hình học máy (machine learning) và học sâu (deep learning) để cải thiện tỉ lệ chính xác XĐDTTG và xử lý các tập dữ liệu lớn hơn.
    4. Nghiên cứu lịch đại và sự biến đổi phong cách: Khảo sát sự thay đổi trong phong cách viết của một tác giả theo thời gian (diachronic studies), đặc biệt là tác động của các sự kiện cá nhân hoặc xã hội đến văn phong.
    5. Nghiên cứu ĐĐPC cho các thể loại văn bản khác: Mở rộng nghiên cứu sang văn học, văn bản pháp lý, hoặc các hình thức giao tiếp trực tuyến (chat, email, mạng xã hội) để hiểu rõ hơn tính phổ quát và đặc thù của phong cách cá nhân.

  • Methodological improvements suggested:

    • Áp dụng các chỉ số thống kê tiên tiến hơn như SEM (Structural Equation Modeling) hoặc các phương pháp đa biến phức tạp hơn để mô hình hóa các mối quan hệ giữa YTTV và phong cách viết.
    • Phát triển các thuật toán tiền xử lý ngữ liệu tự động chuyên biệt cho tiếng Việt để nâng cao độ chính xác của việc tách từ, gán nhãn, và nhận diện thực thể có tên.
    • Tích hợp phản hồi từ người dùng hoặc các chuyên gia điều tra để tinh chỉnh quy trình XĐDTTG và đảm bảo tính ứng dụng thực tiễn.

  • Theoretical extensions proposed:

    • Phát triển một khung lý thuyết ĐĐPC toàn diện cho tiếng Việt, có tính đến đặc thù loại hình đơn lập và các yếu tố văn hóa-xã hội ảnh hưởng đến việc sử dụng ngôn ngữ.
    • Nghiên cứu sâu hơn về sự tương tác giữa các YTTV và cách chúng cùng nhau tạo nên dấu ấn phong cách độc đáo, thay vì chỉ xem xét từng yếu tố riêng lẻ.
    • Đóng góp vào lý thuyết về "ngôn ngữ cá nhân" (idiolect) bằng cách khám phá các yếu tố ngôn ngữ ở các cấp độ khác nhau, vượt ra ngoài từ vựng.

Tác động và ảnh hưởng

Luận án này được kỳ vọng sẽ tạo ra những tác động và ảnh hưởng sâu rộng trong nhiều lĩnh vực, từ học thuật đến thực tiễn xã hội.

  • Academic impact với potential citations estimate: Luận án cung cấp một cơ sở lý thuyết và phương pháp luận vững chắc cho ĐĐPC tiếng Việt, điều mà trước đây còn thiếu. Do đó, nó có tiềm năng trở thành một công trình tham chiếu quan trọng cho các nhà nghiên cứu trong Ngôn ngữ học tính toán, Ngữ liệu học, Ngôn ngữ học xã hội và Ngôn ngữ học tội phạm, ước tính có thể đạt hàng trăm trích dẫn trong thập kỷ tới. Đặc biệt, việc xây dựng và công khai khối ngữ liệu VVC_Stylometry sẽ thúc đẩy các nghiên cứu tiếp theo về tiếng Việt, vốn bị hạn chế bởi "thiếu hụt tài nguyên nghiên cứu" (Luận án, tr. 1). Các phương pháp thực nghiệm tái tạo được và sự kết hợp định lượng-định tính cũng sẽ là mô hình tham khảo cho các luận án tiến sĩ và nghiên cứu sau đại học.

  • Industry transformation với specific sectors:

    • Công nghệ thông tin và Xử lý ngôn ngữ tự nhiên (NLP): Ngữ liệu VVC_Stylometry có chú thích đa dạng có thể được sử dụng làm "ngữ liệu huấn luyện (training corpus) cho các hướng tiếp cận học máy và học sâu trong Xử lý ngôn ngữ tự nhiên" (Luận án, tr. 28). Điều này sẽ thúc đẩy sự phát triển của các công cụ và ứng dụng NLP cho tiếng Việt, như nhận diện tác giả tự động, phân tích cảm xúc, tóm tắt văn bản, hay phát hiện tin giả (fake news) dựa trên phong cách viết, có thể ảnh hưởng đến các công ty công nghệ phát triển AI và dịch vụ xử lý ngôn ngữ.
    • Xuất bản và truyền thông: Giúp các tòa soạn báo và nhà xuất bản xác định các hành vi sao chép, đạo văn hoặc tranh chấp bản quyền tác giả một cách khách quan hơn, bảo vệ quyền lợi của người viết.

  • Policy influence với government levels:

    • Cơ quan điều tra và Bộ Công an: Cung cấp "những YTTV trong văn bản tiếng Việt có thể giúp XĐDTTG đạt tỉ lệ chính xác cao" (Luận án, tr. 1), với tỉ lệ thành công lên tới 75-100% cho một số yếu tố (Bảng 0.3, tr. 19). Điều này có thể hỗ trợ hiệu quả công tác điều tra tội phạm mạng, truy tìm tác giả thư tống tiền mạo danh, nặc danh, hoặc các văn bản gây rối khác, đặc biệt là trong kỷ nguyên công nghệ số nơi "danh tính của người viết thường được che giấu hoặc giả mạo" (Luận án, tr. 1).
    • Cơ quan quản lý ngôn ngữ và giáo dục: Các phát hiện về đặc điểm từ vựng tiếng Việt có thể ảnh hưởng đến việc xây dựng các chương trình giảng dạy ngôn ngữ, phát triển từ điển tần số và tài liệu giáo dục.

  • Societal benefits quantified where possible:

    • Công bằng xã hội và pháp lý: Góp phần mang lại công lý trong các vụ án liên quan đến tranh chấp nguồn tác giả hoặc tội phạm mạng, giúp "tìm ra thủ phạm là một giáo sư toán học tên là Theodore Kaczynsky" (FBI, 2008, dẫn tại Luận án, tr. 1) như vụ Unabomber ở Mỹ, với việc xác định chính xác danh tính tác giả.
    • Bảo vệ bản quyền và tài sản trí tuệ: Giúp phát hiện các hành vi vi phạm bản quyền trong môi trường số, bảo vệ quyền lợi của các tác giả và nhà sáng tạo nội dung.
    • Nâng cao nhận thức về ngôn ngữ: Giúp công chúng hiểu rõ hơn về các đặc trưng cá nhân trong ngôn ngữ và tầm quan trọng của việc bảo mật thông tin cá nhân trên không gian mạng.

  • International relevance với global implications: Nghiên cứu đối chiếu tiếng Việt với tiếng Anh mang lại cái nhìn sâu sắc về tính phổ quát và đặc thù của các YTTV trong ĐĐPC qua các loại hình ngôn ngữ khác nhau. Các phát hiện có thể ảnh hưởng đến các nghiên cứu ĐĐPC toàn cầu, đặc biệt là đối với các ngôn ngữ đơn lập hoặc các ngôn ngữ giàu tài nguyên nhưng chưa được khai thác sâu về mặt phong cách học tính toán. Nó mở ra khả năng áp dụng các mô hình và phương pháp đã được kiểm chứng cho tiếng Việt vào các ngôn ngữ khác trong khu vực Đông Nam Á hoặc các ngôn ngữ có đặc điểm tương đồng.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho một loạt các đối tượng trong và ngoài môi trường học thuật, cung cấp các công cụ, kiến thức và hướng đi mới.

  • Doctoral researchers (Nghiên cứu sinh tiến sĩ):

    • Specific research gaps: Luận án cung cấp một danh sách cụ thể các yếu tố từ vựng (79 YTTV) đã được khảo sát và đánh giá, cùng với tỉ lệ chính xác, giúp nghiên cứu sinh xác định các YTTV tiềm năng để đào sâu hơn hoặc khám phá các yếu tố mới. Nó cũng vạch ra các hạn chế của nghiên cứu hiện tại và "future research agenda" (Luận án, tr. 31), cung cấp "4-5 concrete directions" cho các đề tài tiếp theo (Luận án, tr. 31).
    • Methodological blueprints: Quy trình thực nghiệm XĐDTTG 6 bước chi tiết (Luận án, tr. 16-19) và cách sử dụng phần mềm Python, R, NLTK để xử lý và phân tích dữ liệu là "methodological improvements suggested" (Luận án, tr. 31), cung cấp một khuôn khổ đáng tin cậy cho các nghiên cứu sinh muốn thực hiện các nghiên cứu ĐĐPC tương tự.
    • Ngữ liệu sẵn có: Khối ngữ liệu VVC_Stylometry được công khai (Luận án, tr. 8) là một tài nguyên quý giá, giúp các nghiên cứu sinh tiết kiệm "rất nhiều công sức, thời gian và tài chính" (Luận án, tr. 1) trong việc xây dựng ngữ liệu, cho phép họ tập trung vào phân tích.

  • Senior academics (Các nhà khoa học cấp cao):

    • Theoretical advances: Luận án đóng góp vào lý thuyết ĐĐPC bằng cách kiểm chứng và mở rộng các lý thuyết hiện có (Mendenhall, Holmes, Smith, Ellegard) trong bối cảnh tiếng Việt, một ngôn ngữ đơn lập. Các nhà khoa học cấp cao có thể sử dụng các phát hiện này để tinh chỉnh hoặc phát triển các mô hình lý thuyết tổng quát hơn về phong cách ngôn ngữ.
    • Interdisciplinary insights: Sự kết hợp giữa Ngôn ngữ học tính toán, Ngữ liệu học và Ngữ dụng học xã hội cung cấp một mô hình nghiên cứu liên ngành, khuyến khích các nhà khoa học cấp cao khám phá các giao điểm giữa các lĩnh vực để giải quyết các vấn đề phức tạp.
    • Basis for grant proposals: Các đóng góp đột phá và tác động học thuật của luận án có thể là nền tảng vững chắc cho các đề xuất dự án nghiên cứu lớn hơn.

  • Industry R&D (Nghiên cứu và phát triển công nghiệp):

    • Practical applications: Các kết quả định lượng về hiệu quả của YTTV trong XĐDTTG có thể được áp dụng trực tiếp trong việc phát triển các công cụ phần mềm. "Ngữ liệu và phương pháp nghiên cứu đều được lựa chọn kỹ lưỡng theo những chuẩn mực, đảm bảo độ tin cậy và độ giá trị, vậy nên kết quả nghiên cứu có thể đóng góp cho công tác điều tra." (Luận án, tr. 28).
    • NLP and AI development: Khối ngữ liệu VVC_Stylometry với chú thích phong phú là tài nguyên quan trọng cho việc huấn luyện các mô hình AI và NLP cho tiếng Việt, đặc biệt trong các tác vụ như xác định danh tính tác giả, phân loại văn bản theo phong cách, hoặc phát hiện nội dung độc hại.
    • Content verification: Các công ty truyền thông và nền tảng mạng xã hội có thể phát triển công cụ để xác minh nguồn gốc nội dung, chống tin giả và đạo văn.

  • Policy makers (Các nhà hoạch định chính sách):

    • Evidence-based recommendations: Luận án cung cấp bằng chứng thực nghiệm về các yếu tố ngôn ngữ có thể được sử dụng trong công tác điều tra tội phạm mạng và tranh chấp pháp lý. "Kết quả nghiên cứu là một trong những đóng góp đầu tiên cho việc xây dựng quy trình thực nghiệm XĐDTTG cho văn bản tiếng Việt. Do đó, luận án là công trình nghiên cứu có ý nghĩa thực tiễn rất lớn trong công tác điều tra" (Luận án, tr. 28).
    • Digital forensics: Giúp các nhà hoạch định chính sách đưa ra các quy định và hướng dẫn về việc sử dụng phong cách trắc học trong điều tra pháp lý số.
    • Investment in language resources: Kêu gọi đầu tư vào việc phát triển tài nguyên ngôn ngữ số cho tiếng Việt, nhằm nâng cao năng lực nghiên cứu và ứng dụng công nghệ.

  • Quantify benefits where possible:

    • Giảm chi phí điều tra: Việc tự động hóa XĐDTTG với tỉ lệ chính xác cao (ví dụ, >75% cho các YTTV hiệu quả) có thể giảm đáng kể thời gian và nguồn lực cho các cơ quan điều tra trong việc xác định thủ phạm các vụ án liên quan đến văn bản an danh, ước tính tiết kiệm hàng tỷ đồng chi phí điều tra mỗi năm cho Việt Nam.
    • Tăng cường tính minh bạch và công bằng: Nâng cao độ tin cậy của các bằng chứng ngôn ngữ trong tòa án, đóng góp vào một hệ thống pháp lý công bằng hơn.

Câu hỏi chuyên sâu

Các câu trả lời dưới đây cung cấp thông tin chi tiết về những đóng góp cốt lõi của luận án.

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng và kiểm chứng lý thuyết "Từ phổ" (Word-spectrum) của Mendenhall (1887) và các lý thuyết về ĐĐPC (ví dụ: Holmes, Honoré, Sichel, Yule) trong bối cảnh tiếng Việt, một ngôn ngữ đơn lập, với một bộ yếu tố từ vựng (YTTV) toàn diện. Trong khi Mendenhall đề xuất từ phổ là bất biến cho tiếng Anh, luận án này, thông qua việc phân tích PBCDT tính theo ký tự và âm tiết cho tiếng Việt và các đặc điểm xã hội học của tác giả, cung cấp bằng chứng thực nghiệm về mức độ ổn định cũng như các yếu tố có thể gây biến thiên của "từ phổ" trong một loại hình ngôn ngữ khác. Điều này không chỉ xác nhận tính ứng dụng của lý thuyết Mendenhall ngoài tiếng Anh mà còn làm sâu sắc thêm hiểu biết về ranh giới của tính "bất biến" đó, đặc biệt khi phong cách viết chịu ảnh hưởng của các yếu tố ngữ dụng học xã hội.

  2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận chính là việc phát triển và áp dụng "quy trình thực nghiệm XĐDTTG có thể tái tạo kết quả nghiên cứu dựa trên khối ngữ liệu VVC_Stylometry" (Luận án, tr. 14), kết hợp chặt chẽ các phương pháp định lượng và định tính.

    • So sánh với Mosteller và Wallace (1963, 1964, 1984): Nghiên cứu kinh điển về Federalist Papers của họ chủ yếu dựa vào thống kê tần số từ thông dụng và so sánh định lượng. Luận án này không chỉ mở rộng số lượng YTTV được khảo sát lên đến 79 yếu tố (bao gồm cả các lớp từ chuyên biệt của tiếng Việt như từ Hán Việt, từ nước ngoài) mà còn tích hợp "phân tích tương ứng" (Correspondence Analysis) để trực quan hóa mối quan hệ giữa văn bản và YTTV, điều mà Mosteller và Wallace chưa sử dụng.
    • So sánh với Hồ Ngọc Lâm và cộng sự (2020): Nghiên cứu này cho tiếng Việt đã sử dụng đường cong Mendenhall, chi-squared và Delta. Tuy nhiên, luận án này vượt trội hơn bằng cách thực hiện "31.600 lượt thực nghiệm XĐDTTG trên máy vi tính" (Luận án, tr. 15) với các nhóm tác giả đa dạng (10, 5, 3, 2 tác giả và 40% nhóm đồng nhất, 60% nhóm hỗn hợp), đảm bảo độ tin cậy cao hơn. Quan trọng hơn, luận án bổ sung "phương pháp phân tích ngữ dụng học xã hội" để "tìm hiểu cách thức mà người viết lựa chọn từ ngữ" (Luận án, tr. 13) và lý giải các kết quả định lượng, khắc phục hạn chế mà Hồ Ngọc Lâm và cộng sự còn thiếu.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là việc một văn bản ẩn danh (VBÂD) được dự đoán là của TG 342, trong khi TG thực sự lại là TG 49 (Luận án, tr. 26). Điều này xảy ra ngay cả khi phân tích tương ứng cho thấy "TG 342 là người có cách sử dụng TXH ổn định nhất" (Luận án, tr. 25), với bốn điểm dữ liệu của TG 342 hội tụ về phía bên trái của trục tung trong đồ thị (Hình 0.4a, tr. 24). Khi VBÂD được thêm vào, điểm dữ liệu của nó trùng với các điểm của TG 342, nhưng thực tế lại là TG 49 (Hình 0.4b, tr. 26). Phát hiện này cho thấy sự phức tạp của phong cách ngôn ngữ cá nhân, nơi các yếu tố ngữ dụng (như mục đích giao tiếp, đối tượng độc giả, hoặc trạng thái cảm xúc của tác giả) có thể gây ra "hiện tượng bất thường trong cách sử dụng ngôn ngữ của VBÂD" (Luận án, tr. 27), khiến một tác giả có phong cách thường ổn định lại viết một văn bản có đặc điểm trùng với tác giả khác. Điều này nhấn mạnh rằng dù phương pháp định lượng rất mạnh, việc giải thích kết quả vẫn cần đến phân tích ngữ dụng học sâu sắc.

  4. Replication protocol provided? Có, luận án cung cấp một quy trình thực nghiệm XĐDTTG rất chi tiết và có thể tái tạo. Quy trình này bao gồm 6 bước rõ ràng:

    1. Chọn VBÂD.
    2. Tính các giá trị ĐĐPC cho văn bản.
    3. So sánh giá trị ĐĐPC để XĐDTTG.
    4. Tính tỉ lệ chính xác của YTTV.
    5. Đánh giá mức độ thành công của YTTV (dựa trên thang độ quy ước Hình 0.2, tr. 18).
    6. Đánh giá mức độ ảnh hưởng của YTTV đến ĐĐPC (Bảng 0.3, tr. 19). Quy trình này được mô tả cụ thể, bao gồm cả các tiêu chí lựa chọn tác giả, số lượng lượt thực nghiệm (31.600 lượt - Bảng 0.2, tr. 15), và cách tính toán tỉ lệ chính xác. Việc sử dụng các ngôn ngữ lập trình Python và R, cùng với các thư viện như NLTK, cũng được nêu rõ, cho phép các nhà nghiên cứu khác có thể "tái tạo thực nghiệm một cách dễ dàng" (Luận án, tr. 27).

  5. 10-year research agenda outlined? Có, mặc dù không được đặt tên là "10-year research agenda", luận án đã phác thảo một "Future Research" (Luận án, tr. 31) với "4-5 concrete directions" có thể định hướng nghiên cứu trong nhiều năm tới. Cụ thể:

    1. Mở rộng ngữ liệu và cải thiện chú thích: Tiếp tục xây dựng VVC_Stylometry với số lượng lớn hơn và thông tin tác giả chi tiết hơn.
    2. Khảo sát YTTV ở các cấp độ ngôn ngữ khác: Mở rộng nghiên cứu sang ngữ pháp, ngữ nghĩa, ngữ âm.
    3. Áp dụng học máy và học sâu: Sử dụng các mô hình AI tiên tiến hơn để XĐDTTG trên ngữ liệu tiếng Việt.
    4. Nghiên cứu lịch đại và sự biến đổi phong cách: Khảo sát sự thay đổi phong cách của tác giả theo thời gian.
    5. Nghiên cứu ĐĐPC cho các thể loại văn bản khác: Mở rộng phạm vi ra ngoài văn bản báo chí. Các hướng này tạo ra một lộ trình nghiên cứu rõ ràng và tham vọng, đủ để định hình các dự án trong ít nhất một thập kỷ tới trong lĩnh vực ĐĐPC tiếng Việt.

Kết luận

Luận án này đã khẳng định vị thế là một công trình nghiên cứu tiên phong và toàn diện về độ đo phong cách trong văn bản báo chí tiếng Việt, với những đóng góp cụ thể và có tính ứng dụng cao.

  1. Phát triển hệ thống các yếu tố từ vựng hiệu quả cho tiếng Việt: Luận án đã khảo sát và đánh giá mức độ ảnh hưởng của 79 yếu tố từ vựng (YTTV) trong ĐĐPC văn bản báo chí tiếng Việt, cung cấp bằng chứng định lượng về hiệu quả của từng yếu tố, với một số YTTV đạt tỉ lệ chính xác lên tới 75-100% trong nhiệm vụ xác định danh tính tác giả.
  2. Thiết lập quy trình thực nghiệm XĐDTTG có tính tái tạo cao: Một quy trình 6 bước chặt chẽ, được kiểm chứng qua 31.600 lượt thực nghiệm trên máy tính với các nhóm tác giả đa dạng, đảm bảo tính tin cậy và khả năng tái tạo kết quả, đặt nền móng cho các nghiên cứu tương lai.
  3. Xây dựng khối ngữ liệu VVC_Stylometry có chú thích sâu sắc: Đây là một tài nguyên quý giá gồm 509 bài viết của 48 tác giả tiếng Việt với thông tin siêu dữ liệu chi tiết, khắc phục sự thiếu hụt tài nguyên nghiên cứu và mở ra cơ hội cho các ứng dụng Xử lý ngôn ngữ tự nhiên.
  4. Tích hợp độc đáo định lượng và ngữ dụng học xã hội: Luận án không chỉ cung cấp các kết quả thống kê mà còn lý giải các hiện tượng phong cách thông qua phân tích ngữ dụng học xã hội, mang lại cái nhìn sâu sắc và đa chiều về hành vi ngôn ngữ của tác giả.
  5. Nghiên cứu đối chiếu toàn diện tiếng Việt và tiếng Anh: Bằng cách so sánh mức độ ảnh hưởng của các YTTV giữa hai ngôn ngữ, luận án làm rõ tính phổ quát và đặc thù của các chỉ báo phong cách, góp phần vào lý thuyết ĐĐPC toàn cầu.
  6. Đề xuất các ứng dụng thực tiễn trong điều tra và chính sách: Các phát hiện có thể được áp dụng trực tiếp trong công tác điều tra tội phạm mạng, giải quyết tranh chấp nguồn tác giả, và định hướng chính sách phát triển tài nguyên ngôn ngữ.

Sự tiến bộ của paradigm được thể hiện qua việc luận án chuyển dịch từ cách tiếp cận truyền thống sang một khung nghiên cứu thực chứng, dựa trên dữ liệu lớn và Ngôn ngữ học tính toán cho tiếng Việt, khẳng định tiềm năng của các phương pháp định lượng trong phân tích phong cách ngôn ngữ.

Luận án đã mở ra ít nhất 3 luồng nghiên cứu mới:

  1. Phân tích phong cách đa cấp độ cho tiếng Việt: Khám phá các YTTV ở cấp độ ngữ pháp và ngữ nghĩa, kết hợp với cấp độ từ vựng.
  2. Ứng dụng học máy và học sâu trong ĐĐPC tiếng Việt: Sử dụng ngữ liệu VVC_Stylometry làm nền tảng để phát triển các mô hình AI tiên tiến hơn.
  3. Nghiên cứu lịch đại về sự thay đổi phong cách cá nhân: Điều tra sự biến đổi trong văn phong của tác giả theo thời gian và các yếu tố tác động.

Với những đóng góp này, luận án có tính liên quan toàn cầu khi cung cấp một mô hình nghiên cứu cho các ngôn ngữ thiếu tài nguyên và làm phong phú thêm hiểu biết chung về dấu ấn phong cách ngôn ngữ. Di sản của nó có thể được đo lường bằng số lượng trích dẫn học thuật tiềm năng (ước tính hàng trăm), việc phát triển các công cụ NLP và AI cho tiếng Việt, và sự ảnh hưởng đến công tác điều tra và pháp lý, góp phần vào một xã hội công bằng và minh bạch hơn.