本研究提出了一种任务指导的反课程学习方案，通过调整掩码比例和选择掩盖词汇，改善掩码语言模型的训练过程。结果表明，该方法在情感分析、主题分类和作者归属等任务中显著提升了模型性能。

该研究探讨了作者归属和验证方法，评估了多种模型的表现。传统Ngram模型在AA任务中表现最佳，而BERT模型在AV任务中更优。提出的作者语言模型（ALMs）在Blogs50数据集上达到83.6%的准确率，优于其他方法。研究还分析了大型语言模型在文本创作中的应用及其对教育和学术诚信的影响。