مؤسسة إعداد النصوص في التاريخ

ويواجه تاريخ العمل مع المحفوظات الرقمية مفارقة في الوفرة، إذ أن ملايين الكتب والصحف والرسائل الشخصية متاحة الآن على نقر واحد، ومع ذلك فإن القدرة البشرية على قراءتها وتوليفها لا تزال محدودة، فتجهيز اللغة الطبيعية سيوفر طريقا من خلال هذا الوفرة، وبتطبيق أساليب حسابية على النصوص التاريخية المتطورة، يمكن للباحثين تحديد الأنماط.

إن تجهيز اللغات الطبيعية هو فرع من أجهزة الاستخبارات الاصطناعية يركز على التفاعل بين الحواسيب واللغة البشرية، ويتمثل هدفه الرئيسي في تعليم الآلات القراءة والتفسير وتلقي المعنى من النص بطريقة تتسم بالقوة الإحصائية والإدراك السياقي، وفي سياق البحوث التاريخية، يعني ذلك تحويل الوثائق الهشّة والمزعجة والمتغيرة للغاية - من المخطوطات العصورية الوسطى إلى برقية مصممة حسب المركز العشرين.

فالطرق التاريخية التقليدية تعتمد اعتمادا كبيرا على القراءة الدقيقة: تحليل تفسيري عميق لعدد صغير من الوثائق، وهذا النهج يولد أفكارا ثرية ومسياقية، ولكنه يعاني من قضايا التصعيد، ولا يمكن أن يقرأ التاريخ إلا عددا كبيرا من الصفحات، ويدخل مفهوم " القراء القريبة من الأرض " ، ويستخدم مصطلحا يُستخدم في قراءة مصورة مصورة متبادلة، ويستخدم في قراءة النصوص الباحثة الفرنسية المفرغة.

العناصر الأساسية لخط الأنيسول للتاريخ

ولفهم كيفية عمل برنامج العمل الوطني على الوثائق التاريخية، من المفيد كسر خط التجهيز الموحد، وكل خطوة تحول النص الخام إلى شكل قابل للقراءة آليا:

  • Tokenization:] Splitting a stream of text into individual words, punctuation marks, or sentences. This seems simple, but historical texts with irregular spacing, archaic punctuation, and use of the long ‘s’ character (which resembles an ‘f’) can trip up modern tokener researchizers.
  • (أ) توسيم " توسيم " () يلصق كل كلمة بدورها الجزئي (العلن، الفعل، الحقن، العرف) وهذا أمر أساسي لتضليل معنى غامض، فعلى سبيل المثال، يمكن أن تكون كلمة " الضوء " علامة (مصدراً للتضليل) أو موضوعاً عارضاً (غير مؤثر).
  • ]Lemmatization and Stemming:] Reducing words to their base or dictionary form. “Running” becomes “run”; “better” becomes “good.” For historical texts, this helps aggregate variants of a word across a corpus. However, a lemmatizer trained on modern English may fail to recognize archaic forms like
  • (أ) تحديد وتصنيف الأسماء الصحيحة في فئات محددة مسبقاً مثل أسماء الأشخاص والمنظمات والمواقع والتواريخ والقيم النقدية، وهذا أحد أكثر الأدوات فائدة على الفور بالنسبة إلى المؤرخين، ويمكن لباحث يحلل قرناً من المراسلات الدبلوماسية أن يستخدم جهاز NER لاستخراج كل إشارة إلى تاريخ أو إلى تاريخ آخر من المعاهدات أو إلى المدن.

التطبيقات الرئيسية في البحوث التاريخية

ويعيد تطبيق نظام " ن.ب " على المواد التاريخية تشكيل عدة مجالات للتحقيق، ولم يعد الباحثون مقتصرين على طرح أسئلة بسيطة بشأن النصوص التي تقول؛ ويمكنهم الآن أن يطرحوا أسئلة معقدة عن كيفية أداء اللغات في جميع أنحاء الزمان والمكان، بل إن التطبيقات الأكثر بروزا، وكلها تتضمن أمثلة ملموسة.

Distant Reading and Macroanalysis

ويتيح القراء المتفرقة للباحثين تحليل الاتجاهات عبر قرن من النشر في عصر واحد، حيث يمكن للباحثين، من خلال حساب تواتر كلمات أو مواضيع محددة على مر الزمن، أن يتتبعوا ارتفاع وسقوط الأفكار، ومن ذلك مثلاً، تتبع استخدام مصطلحات مثل " الليبرة " أو " الكتابة " أو " الكتابة " في الصحف ذات القرن الثامن عشر، توفر كمية من الخطاب العام.

النمذجة

فالنموذج الموضعي هو أسلوب غير مشرف للتعلم الآلي يمسح مجموعة من الوثائق ويكتشف تلقائيا مجموعات الكلمات التي كثيرا ما تظهر معا، وهذه المجموعات، أو " الطوابع " تمثل مواضيع متأخّرة داخل المجموعة، ويمكن أن يستخدم تاريخ العمل مع الخطب البرلمانية فيكتوريا نموذجا للتعبير عن موضوع واحد يطبع بصورة متسقة كلمات مثل " الطريق " ، و " الإنتاج الفكري " ، و " التركيب " ، و "

المقاييس والسندات

ويستخدم التجميل تحليل إحصائي لتحديد نوع الكتابة التي يفرد بها صاحب البلاغ، إذ يمكن للباحثين، من خلال قياس خصائص مثل طول مدة العقوبة، والغنى الفيزيائي، وتواتر كلمات المهام (مثل " و " و " من " )، أن يميزوا بين المؤلفين بدقة عالية، وهذا مفيد بوجه خاص لحل مسائل الحيازة المتنازع عليها في الوثائق التاريخية، من الورقات الاتحادية إلى " المقاييس " .

تحليل الاستشعار والقوس الاجرامي

إن تحليل الحساسية يُحاول قياس النبرة العاطفية أو الاستقطابية للنص )الافتراضي والسلبي والمحايد( وعندما يُطبق على النصوص التاريخية، فإن ذلك يتطلب معايرة دقيقة، إذ أن تطبيق أسلوب جديد للمشاعر على رواية القرن التاسع عشر من شأنه أن يؤدي إلى نتائج مضللة بسبب معنى الكلمات التي تتغير، ولكن عندما يقوم الباحثون بصنع مواصفات أخلاقية محددة لفترة محددة من قبل القامسين المعاصريين المعاصريين أو من قبل الخبراء.

تحليل الشبكة للأرقام التاريخية

ومن خلال استخراج كيانات مسمّاة من مجموعة رسائل أو سجلات دبلوماسية، يمكن للباحثين بناء شبكات معقدة من العلاقات، وهذا معروف باسم تحليل الشبكة التاريخية، فعلى سبيل المثال، يمكن أن يستخرج خط الأنابيب من كل شخص مذكور في مراسلات جون آدمز، ثم يقوم مؤرخ برسم خريطة لمراسلاته، وكان يُستشهد به على أنه تأثير، وكيف تغيرت هذه الشبكات على مسار حياته المهنية، مما يحول النص الثابت إلى خريطة اجتماعية دينامية.

الجغرافيا والتاريخ المكاني

كما أن هناك مجالا فرعيا متزايدا من مجالات " عدم الانتشار " ، وهو " التلاعب بالجوازات " ، وهو ما يُعتبر ملامح غامضة، ويُعتبر كذلك أن البيانات المتعلقة بالطرق الجغرافية، وتُعدّ مقارنات بين تاريخية وتاريخية، هي التي تُعدّ " بيانات هامشية " ، ويُعتبر الاختبارات الجغرافية، التي تُظهر في كثير من الحالات.

مواجهة تحديات البيانات التاريخية

ومن الصعب بما فيه الكفاية تطبيق نظام التخطيط الوطني على المواد الإخبارية المعاصرة، إذ أن تطبيقه على المخطوطات القديمة القرون يستحدث مجموعة محددة من التحديات التقنية والتفسيرية التي يجب التصدي لها لكي تكون النتائج صحيحة، ويمكن أن يؤدي تجاهل هذه التحديات إلى ترابطات راقية ومطالبات تاريخية غير صحيحة.

مخالفات غير مشروعة

ومعظم النصوص التاريخية التي يتم تدريبها على مسح الصفحات المادية وإجراؤها بواسطة برامجيات " أوكتيكي " (OF-R) التي تُجرى في تاريخها، والتي تكافح بواسطة أجهزة تقويمية ذات طابع آلي (مثل تلك التي تعمل في إطارها على أساس الحساسية) وتُعدل من نوعها وتُلزم بشدة النص الغامض بالقرب من العمود الفقري، وغالباً ما يُبطل الناتج الناتج الناتج.

الفرق التاريخي

وقبل توحيد التهجئة الانكليزي في أواخر القرن الثامن عشر، كثيرا ما ينطق الكتاب كلمات هاتفية أو وفقا لاتفاقية إقليمية. وقد يبدو " المجيد " على أنه " مبدئي " ، أو " عالمي " أو " تحليل عالمي " ، أو " غير معتاد " ، أو على أن يكون هذا الشكل مختلفا تماما.

Smantic Shift and Anachronism

فالكلمات ليست كيانات مستقرة؛ وتمتد معانيها بمرور الوقت، فكلمة " غاي " في الـ 1830 تعني بـ " بـلاغ " ، و " بـدغـة " ، و " بـدغـة " ، و " بـدغـة " ، و " بـ " بـدغـاء " ، و " ، و " ، و " ، و " ، و " ، و " ، و " ، و " ، و " بـيـ " ، و " ، و " ، و " ، و " بـيـ " ، و " بـ " بـ " بـ " ، و " ، و " بـتـ " ، و " ، و " ، و " ، و " ، و " ، و " بـ "

البيانات: التفاوت والتجزؤ

وعلى عكس مجموعات البيانات الحديثة، فإن المستودعات التاريخية غير كاملة، ولا يمكن إلا أن ينجو جزء من ما كتب حتى اليوم، بل إن جزءا أصغر منه قد تم رقمنة، مما يؤدي إلى تحيز للناجين يمكن أن يشوه النتائج، إذ أن تحليل الاتجاهات الطويلة الأجل يجب أن يُعزى إلى أن البيانات المستمدة من القرن التاسع عشر أكثر طفحا من البيانات الواردة من السادس عشر.

تدفقات العمل العملية والأدوات الخاصة بعلماء التاريخ

ولا يحتاج التاريخيون إلى أن يكونوا مبرمجين خبراء لإدماج برنامج العمل الوطني في بحوثهم، فهناك مجموعة من الأدوات تتراوح بين واجهات بيانية رفيعة المستوى ومكتبات برمجة منخفضة المستوى، ويتوقف الاختيار على الراحة التقنية للباحث وتعقيد الأسئلة المطروحة.

مجموعة أدوات التحليل السريع

وللباحثين الذين يرغبون في البدء بسرعة دون وضع مدونة للكتابة، توجد عدة منابر تحليلية قوية للنص. Voyant Tools) هو تطبيق قائم على شبكة الإنترنت يسمح للمستعملين بتحميل النصوص وتوليد سحابات فورية وقوائم للكلمات ورسوم بيانية وعارضات للموضوعات، وهو مجاني ولا يتطلب تركيباً، مما يجعله مثالياً لاستخدامه أو تحليله.

برمجة مع بايتون وR

For more rigorous, reproducible, and customized research, historians are increasingly turning to scripting languages. Python is the dominant language for NLP, with Library such as ]Natural Language Toolkit (NLTK:3], simCy, and Genil

بناء كوربو

وتتمثل الخطوة الأولى في أي مشروع من مشاريع النظام في إنشاء مجموعة كبيرة الجودة، ومن الأهمية بمكان أن تُجمع النصوص من المحفوظات الرقمية الموثوقة.

  • HathiTrust Digital Library]:] مستودع ضخم للكتب الرقمية من مكتبات البحوث الرئيسية، يعرض البحث الكامل والتنزيل للأعمال العامة.
  • Chronicling America:] A searchable database of historic American newspapers from 1777 to 1963, provided by the Library of Congress.
  • Old Bailey Online]:] A fully searchable edition of the proceedings of the Central Criminal Court in London, spanning 1674 to 1913. It includes detailed trial transcripts rich in social and linguistic data.
  • ]Project Gutenberg]:] A volunteer effort to digitize and archive cultural works, largely limited to public domain texts. While useful for literary analysis, it often lacks the metadata and quality control of academic archives.

وبعد تجميع جثة ما، يجب تنظيفها وتجهيزها مسبقاً، ويشمل ذلك إزالة مرؤوسي البيانات الوصفية والقدمين، وتوحيد فترات الاستراحة، وتحويل الأقزام (مثلاً، " منصفة " إلى " في " )، وتطبيق أي تصويبات ضرورية على النص، بل إن كمية صغيرة من التنظيف يمكن أن تحسن بشكل كبير دقة مهام المشروع الوطني.

الاتجاهات المستقبلية: نماذج اللغات الكبيرة والتاريخ الرقمي

إن الانفجار الأخير لنموذج اللغة الكبيرة مثل GPT-4، و Claude، والبدائل المفتوحة المصدر مثل Llama و Mistral-represents a paradigm shift for text analysis, these models are capable of summarizing, translating, and generating human-quality text.

غير أن الآليات المحلية تنطوي على مخاطر كبيرة بالنسبة للبحوث التاريخية، وهي عرضة لـ الهلوسة ، مما يعني أنها ستولد بثقة معلومات كاذبة - اختراعاً، أو تضليلاً خاطئاً، أو أحداثاً مُختلقة، كما أنها مدربة على توليد بيانات ضخمة وغير دقيقة تفتقر إلى السياق التاريخي.

دور التحليل المتعدد الوسائط

ويكمن مستقبل تحليل النصوص التاريخية في تجاوز النص النقي، فالوثائق التاريخية ليست مجرد كلمات؛ فهي أشياء مادية ذات طابع تخطيطي، ومثالي، ومهميش، وملزم.

المسائل الإنسانية، الأدوات الحاسوبية

إن إدماج عملية تجهيز اللغات الطبيعية في البحوث التاريخية لا يتعلق بتأهيل مؤرخ من العمل، بل يتعلق بتوسيع نطاق ما يمكن أن يعرفه المؤرخون، فالناتج الحاسوبي السريع ليس حججا تاريخيا منتهيا؛ بل هو دليل يتطلب تفسيرا نقديا، ويجب على مؤرخ أن يسأل: لماذا ظهر هذا النمط؟ وما هي أوجه التحيز التي تجسدت في مواد المصدر أو الألي؟

ويمكن للباحثين، بتقنية هذه الأدوات، أن يبحروا في محفوظات القرن الحادي والعشرين الرقمية الواسعة بثقة، ويمكنهم اختبار الافتراضات على نطاق واسع، وكشف أنماط النفوذ الخفية، وطرح أسئلة دقيقة عن اللغة والثقافة والسلطة عبر الزمن، والتحول الرقمي للتاريخ ليس تهديدا للانضباط، بل فرصة لصقل أساليبنا وتعميق فهمنا للماضي.