An n-gram based approach to the automatic classification of schoolchildren’s writing

Abstract

This article focuses on the analysis of schoolchildren’s writing (throughout the whole primary school period) using sets of morphological labels (n-grams). We analyzed the sets of bigrams and trigrams from a group of literary texts written by Catalan schoolchildren in order to identify which bigrams and trigrams can help discriminate between texts from the three cycles into which the Spanish primary education system is divided: lower cycle (6- and 7-year-olds), middle cycle (8- and 9-year- olds) and upper cycle (10- and 11-year-olds). The results obtained are close to 70% of correct classifications (77.5% bigrams and 68.6% trigrams), making this technique useful for automatic document classification by age.

Do boys and girls write the same? Analysis of n-grams of morphological categories (¿Niños y niñas escriben igual? Análisis de n-gramas de categorías morfológicas)

“…In this way, we compared more homogeneous texts, and on average the percentage of correct classifications was higher than 70% in both the original classifications and the cross-validation (Table 19). This percentage of correct classifications is similar to the one found to group together texts according to the age of their authors (Cicres & Queralt, 2019).…”

“…In this study, we explored the efficiency of using n-grams (specifically bigrams and trigrams) of morphological categories to determine the sex of children between the ages of seven and 12 who wrote a version of the story Little Red Riding Hood in Catalan. In previous studies, n-grams of morphological categories have proven useful in characterizing the age of children (Cicres & Queralt, 2019), as well as for determining the authors of the written texts (in this case, texts written by adults) within the context of forensic linguistics (Diederich et al, 2000;Kulmizev et al, 2017).…”

“…palabras, desde el campo de la lingüística forense se ha visto que las categorías morfológicas son más eficientes para la determinación de la autoría de los textos, puesto que su uso es más inconsciente y, por lo tanto, más difícil de modificar voluntariamente (Holmes, 1994;Nini, 2019;Turell, 2010). También en el ámbito del análisis de la escritura infantil, el uso de n-gramas de categorías morfológicas se ha demostrado útil para discriminar textos escolares según la edad de los niños (Cicres & Queralt, 2019). Finalmente, el presente artículo se centra en el sexo biológico de los niños.…”

“…En este estudio, exploramos la eficiencia del uso de n-gramas (en concreto biy trigramas) de categorías morfológicas para determinar el sexo de los niños de entre siete y 12 años que han escrito una versión del cuento de La Caperucita Roja en catalán. En estudios previos, los n-gramas de categorías morfológicas han demostrado ser útiles también para caracterizar la edad de los niños (Cicres & Queralt, 2019), así como para determinar la autoría de textos escritos (en este caso, por adultos) en el contexto de la lingüística forense (Diederich et al, 2000;Kulmizev et al, 2017). Los datos obtenidos permiten validar las dos hipótesis planteadas: existen combinaciones de categorías morfológicas (bi-y trigramas) que permiten caracterizar los textos de niños y niñas (hipótesis 1); además, es posible clasificar nuevos textos según el sexo de su autor (hipótesis 2).…”

“…Even though words were initially used in this type of analysis, the field of forensic linguistics has found that morphological categories are more efficient to determine the authorship of texts, given that they are used more unconsciously (Holmes, 1994; Nini, 2019; Turell, 2010). When analysing schoolchildren’s writing, the use of n-grams for morphological categories has proven useful in discriminating school texts according to the children’s age (Cicres & Queralt, 2019).…”