通过LLM提示的作者身份冒充无法规避作者身份验证方法
计算与语言
2026-04-01 v1
摘要
作者身份验证（AV）是判断疑似文本是否由特定个体所撰写的任务，属于司法语言学中的关键环节。虽然人为的作者身份冒充由犯罪者长期以来已被广泛认识，但近期大型语言模型（LLM）的进步带来新挑战，作为对手方可能利用这些工具来冒充他人撰写。本研究检验是否可以通过提示式LLM生成令人信服的作者身份冒充文本，以及此类输出是否能规避现有司法AV系统。我们以GPT-4o作为对手模型，在四种提示条件下生成冒充文本，涵盖电子邮件、短信和社交媒体帖子三种体裁。随后，我们在似然比框架内对这些输出进行评估，分别针对非神经网络AV方法（n-gram追踪、基于排序的冒充者方法、LambdaG）和神经网络方法（AdHominem、LUAR、STAR）。结果表明，LLM生成的文本未能充分复制作者个性化特征，以通过既定的AV系统。我们也观察到，某些方法在拒绝冒充文本方面甚至比拒绝真实的负样本更高精度。总体而言，这些发现表明，尽管LLM高度可及，当前的AV系统在多个体裁下仍对基础级的冒充尝试保持鲁健性。此外，我们证明了这一反直觉的韧性至少部分源于LLM生成文本所固有的更高词汇多样性和熵值。
引用
@article{arxiv.2603.29454,
title = {Authorship Impersonation via LLM Prompting does not Evade Authorship Verification Methods},
author = {Baoyi Zeng and Andrea Nini},
journal= {arXiv preprint arXiv:2603.29454},
year = {2026}
}
备注
11 pages, 3 figures