Teste final Coursera

Desafio

https://www.coursera.org/learn/ciencia-computacao-python-conceitos/programming/oUnlk/programa-completo-similaridades-entre-textos-caso-coh-piah

Introdução

Manuel Estandarte é monitor na disciplina Introdução à Produção Textual I na Universidade de Pasárgada (UPA). Durante o período letivo, Manuel descobriu que uma epidemia de COH-PIAH estava se espalhando pela UPA. Essa doença rara e altamente contagiosa faz com que indivíduos contaminados produzam, involuntariamente, textos muito semelhantes aos de outras pessoas. Após a entrega da primeira redação, Manuel desconfiou que alguns alunos estavam sofrendo de COH-PIAH. Manuel, preocupado com a saúde da turma, resolveu buscar um método para identificar os casos de COH-PIAH. Para isso, ele necessita da sua ajuda para desenvolver um programa que o auxilie a identificar os alunos contaminados.

Detecção de autoria

Diferentes pessoas possuem diferentes estilos de escrita; por exemplo, algumas pessoas preferem sentenças mais curtas, outras preferem sentenças mais longas. Utilizando diversas estatísticas do texto, é possível identificar aspectos que funcionam como uma “assinatura” do seu autor e, portanto, é possível detectar se dois textos dados foram escritos por uma mesma pessoa. Ou seja, essa “assinatura” pode ser utilizada para detecção de plágio, evidência forense ou, neste caso, para diagnosticar a grave doença COH-PIAH.

Funcionamento do programa

Neste exercício utilizaremos as seguintes estatísticas para detectar a doença:

• Tamanho médio de palavra: Média simples do número de caracteres por palavra.

• Relação Type-Token: Número de palavras diferentes utilizadas em um texto divididas pelo total de palavras.

• Razão Hapax Legomana: Número de palavras utilizadas uma única vez dividido pelo número total de palavras.

• Tamanho médio de sentença: Média simples do número de caracteres por sentença.

• Complexidade de sentença: Média simples do número de frases por sentença.

• Tamanho médio de frase: Média simples do número de caracteres por frase.

A partir da assinatura conhecida de um portador de COH-PIAH, seu programa deverá receber diversos textos e calcular os valores dos diferentes traços linguísticos desses textos para compará-los com a assinatura dada. O grau de similaridade entre dois textos, a e b, é dado pela fórmula:

S_{ab} = ((∑{i=1 6}) * ∣∣f_{i,a} - f_{i,b}∣∣) / 6

S_{ab} é o grau de similaridade entre os textos a e b; f_{i,a} é o valor de cada traço linguístico i no texto a; f_{i,b} é o valor de cada traço linguístico i no texto b; Perceba que quanto mais similares a e b forem, menor S_{ab}será. Para cada texto, você deve calcular o grau de similaridade com a assinatura do portador de COH-PIAH e, no final, exibir qual texto mais provavelmente foi escrito por algum aluno infectado (ou seja, o texto com assinatura mais similar à assinatura dada).