Bridging History and Data Science

وقد اعتمدت دراسة الحركات السكانية التاريخية على قوائم الفرز المجزأة، ومظاهر السفن، والسجلات الضريبية، والرسائل، وقد قام المؤرخون وأخصائيو الآثار بتجميع هذه الشظايا لإعادة بناء ازدهار وتدفق المجتمعات البشرية، غير أن الحجم الكبير للسجلات التاريخية الرقمية وتعقيد السلوك البشري قد فتح الباب أمام النهج الحسابية.

وقد تسارعت عملية رقمنة المحفوظات التاريخية إلى حد كبير خلال العقد الماضي، إذ أن ملايين الصفحات من عمليات العودة إلى التعداد، وسجلات الأبرشية، والسجلات الضريبية أصبحت الآن قابلة للقراءة الآلية، ومع ذلك فإن البيانات الأولية وحدها لا تشكل معرفة، وأن أنماط تنقل البشر غير واضحة: فقد تؤدي المجاعة إلى هجرة جماعية في منطقة ما، بينما تظل المناطق المجاورة مستقرة بسبب شبكات التقارب أو إمكانية الحصول على بيانات تجارية.

وتستكشف هذه المادة كيفية تطبيق التعلم الآلاتي للتنبؤ بالحركات السكانية التاريخية، والبيانات والتقنيات المعنية، والتحديات التي يواجهها الباحثون، والإمكانيات التحويلية للمنح الدراسية التاريخية والسياسة المعاصرة معا، وندرس دراسات الحالة الحقيقية، بدءا من التوسع النيولي إلى أوروبا إلى هجرة البومة الأمريكية، ونوفر أفكارا عملية للباحثين الذين يتطلعون إلى اعتماد هذه الأساليب.

لماذا تعلم الآلات للديموغرافية التاريخية؟

فالتاريخ الديمغرافي التقليدي يعتمد في كثير من الأحيان على تحليل سردي وعلى الروابط الإحصائية الأساسية، إذ يوسع نطاق التعلم في مجال الآلات هذه القدرات عن طريق التعامل مع العلاقات غير الخطية والتفاعلات الرفيعة المستوى، مثلاً، قد يعتمد قرار الهجرة على مزيج من غلة المحاصيل، وعدم الاستقرار السياسي، والأعباء الضريبية، وشبكات القرابة، ويكافح نموذج تراجع خطي لالتقاط مثل هذه النماذج، ولكن يمكن أن يُستخدم في شكل شبكة غير كاملة.

وقد أظهر المُتبنى المبكرون للميل في التاريخ أن هذه النماذج يمكن أن تفوق الأساليب التقليدية، وقد استخدمت دراسة أجريت في عام 2020 من قبل الباحثين في جامعة كامبريدج الغابات العشوائية للتنبؤ بمواقع المستوطنات النيويليسية في أوروبا التي تتسم بدقة 80 في المائة، وتعتمد فقط على المتغيرات البيئية، وقد قام فريق آخر في معهد ماكس بلانك بتطبيق التعلم العميق على بيانات مهر السفن الرومانية على الطرق التجارية الدنيا وإعادة توزيع السكان عبر البحر الأبيض المتوسط.

وبالإضافة إلى التنبؤ، فإن القانون النموذجي يتيح شيئاً ربما يكون أكثر قيمة للتاريخ: القدرة على قياس عدم اليقين كمياً، وكثيراً ما تكون الحجج التاريخية احتمالية - ومن المرجح أن ينتقل السكان غرباً بسبب استنفاد التربة - ولكن نادراً ما يربط بين فترات الثقة الواضحة.

كما أن المصالح الاقتصادية والإنسانية هامة أيضاً، إذ يمكن فهم دوافع الهجرة التاريخية أن يسترشد بها في السياسة الحديثة المتعلقة باللاجئين في مجال المناخ والتخطيط الحضري والتصدي للكوارث، وعلى سبيل المثال، إذا أظهرت النماذج أن الهجرة التاريخية قد سبقت بصورة مستمرة مزيج من الجفاف واضطرابات الطرق التجارية، فإن نظم الإنذار المبكر يمكن تصميمها لكشف هذه السلائف اليوم، ويصبح الماضي، من هذا المنطلق، مختبراً لاختبار النظريات السببية التي تنطبق على الحاضر.

تطور علوم البيانات التاريخية

ولم تظهر علوم البيانات التاريخية بين عشية وضحاها، إذ ركزت الجهود المبكرة في الستينات والسبعينات على بطاقات الكمي التي تستخدم التاريخ والكميات الرئيسية لتحليل بيانات التعداد، كما أن المقاييس، كما يسمى، تواجه مقاومة من المؤرخين التقليديين الذين اعتبروا القياس الكمي كميضاً، وقد أدى ارتفاع نظم المعلومات الجغرافية في التسعينات إلى إضافة بُعد مكاني يتيح للباحثين تحديد الظروف التي يُحتمل أن تتغير فيها السكان بمرور الوقت.

إن تعلم الآلات يمثل الخطوة المنطقية التالية، حيث يجيب نظام المعلومات الجغرافية على "حيث" يجيب "لماذا" و"ماذا لو" وتوافر المكتبات الحاسوبية السحابية المفتوحة المصدر مثل السكيت-التعلم وتينسور فلو، والأشكال الموحدة للبيانات قد خفضت من الحاجز أمام الدخول، ولا يحتاج التاريخون إلى أن يكونوا مبرمجين محترفين لتطبيق هذه التقنيات، بل يمكنهم التعاون مع علماء الحاسوب أو استخدام منابر سهلة الاستعمال.

مصادر البيانات: المادة الخام من الإدمان

ولا يصلح أي مشروع للتعلم الآلي إلا بقدر ما تكون بياناته، وبالنسبة للحركات السكانية التاريخية، يجب على الباحثين أن يجمعوا مجموعات بيانات غير متجانسة من تخصصات متعددة، وتشمل المصادر الأكثر شيوعا ما يلي:

  • Demographic records:] National censuses, parish registers, tax rolls, and military conscription lists. These provide population counts, age distributions, and household structures at specific time points.
  • Migration logs:] Ship passenger lists, border crossing records, and internal passport systems. These capture individual moves and can be aggregated to flow matrices.
  • Environmental archives:] Tree-ring chronologies, ice cores, lake sediment records, and paleoclimate model outputs. These reconstruct temperature, precipitation, and agricultural productivity.
  • Archaeological data:] Site locations, radiocarbon dates, pottery typologies, and DNA Old ancestry samples. These provide evidence for movements that predate written records.
  • Historical GIS:] Digitized maps of historical roads, ports, and urban centers. These define the physical infrastructure that shaped mobility.

(ب) إن إعداد البيانات أمر بالغ الأهمية، وكثيراً ما تتضمن السجلات التاريخية تناقضات في اتفاقيات التسمية، وصيغ التأريخ، والوحدات الجغرافية، فعلى سبيل المثال، قد يكون اسم القرية قد تغير من التهجئة على مدى قرون، أو قد يكون تعداداً قد غفل بعض المجموعات الإثنية، ويشمل تنظيف البيانات توحيد أسماء الأماكن باستخدام المعجمات، ورسم التواريخ المفقودة، وتجميع متغيرات واضحة مثل " تركيب " أو " مجموعة واعدة " .

معالجة بيانات بياس وفات

ونادراً ما تكون السجلات التاريخية كاملة، فالسكان الأميين أو البدو أو المهمشين كثيراً ما يكونون ناقصي التمثيل، وقد يُظهر نموذج للتعلم الآلي الذي يُدرَّب فقط على بيانات التعداد الرسمي أن يُبالغ في تقدير تحركات أصحاب الأراضي الأغنياء بينما يفتقدون هجرة الشعوب المستعبدة أو العمال الموسميين، ويجب على الباحثين أن يُحسبوا هذه التحيزات من خلال بيانات مرجحة، أو باستخدام تقنيات التنبؤ متعددة، أو إدراج متغيرات المحتملة(22).

وثمة جانب آخر حاسم هو الرعي المؤقت، إذ كثيرا ما تتراكم البيانات التاريخية على مدى عقود أو حتى قرون، في حين أن أحداث الهجرة الفعلية قد تكون قد حدثت في انفجارات قصيرة، وقد يفوت التعداد الذي يجري كل عشر سنوات موجة من الهجرة التي حدثت بين الباحثين، ويمكنهم معالجة ذلك باستخدام تقنيات الاستقطاب أو بالتركيز على الأحداث ذات القرار الزمني الأعلى، مثل قوائم ركاب السفن أو تسجيل مخيمات اللاجئين، ويتضح أن النتائج الرئيسية هي اختبارات قوية.

Feature Engineering for Historical Migration

وتمثل هندسة المعالم عملية تحويل البيانات الخام إلى متغيرات يمكن أن يستخدمها نموذج التعلم الآلي بفعالية، وبالنسبة للحركات السكانية التاريخية، يتطلب ذلك معرفة النطاقات بما أدى إلى الهجرة في مختلف العهود والمناطق.

  • Environmental stress indices:] Combining temperature, precipitation, and soil quality into a single measure of agricultural viable. A drought index, for instance, can be calculated from tree-ring data.
  • Economic push-pull factors:] Wage differentials between origin and destination, land prices, tax rates, and the availability of common lands. These can be reconstructed from historical ledgers and price series.
  • Social network variables:] The presence of prior migrants from the same village at the destination, linguistic similarity, and shared religious institutions. These capture the well-documented phenomenon of chain migration.
  • Politicallitical and institutional factors:] Border changes, conscription laws, religious persecution, and inheritance rules. These are often categorical and require careful encoding.
  • Distance and accessibility:] Euclidean distance, travel time along historical roads, port access, and the presence of navigable rivers. These define the cost of moving.

واختيار الأعضاء هو أمر مهم بنفس القدر، حيث أن التفوق في الملاءمة مع عشرات أو مئات من التنبؤات المحتملة يشكل خطرا حقيقيا، فتقنيات مثل القضاء على السمات التصحيحية، وتراجع نظام أمريكا اللاتينية للتكامل، وسجلات الأهمية الخاصة من النماذج القائمة على الأشجار تساعد على تحديد المتغيرات الأكثر استنارة، والهدف ليس إدراج كل شيء سوى الإمساك بالمحركات الرئيسية مع الحفاظ على إمكانية الترجمة الشفوية.

تقنيات التعلم الآلاتي المصممة للتاريخ

ولا يناسب جميع خوارزميات حركة تحرير الكونغو البيانات التاريخية، ويتوقف الاختيار على نوع التنبؤ (تصنيف حلقات الهجرة ضد تراجع عدد السكان)، وحجم مجموعة البيانات، والحاجة إلى الترجمة الشفوية.

التعليم الإشرافي: التعلم من الهجرة المعروفة

وعندما يكون للباحثين أمثلة تاريخية واضحة للهجرة (مثل هجرة الباتو الآيرلندية، والهجرة الكبرى في الولايات المتحدة)، يمكن أن يستخدموا التعليم الخاضع للإشراف، وقد يكون النموذج مدرَّباً على سمات مثل المسافة، والأورام المناخية، والأرقام القياسية الاقتصادية، مع وجود متغير مستهدف يتمثل في ما إذا كان حدث هجرة قد حدث.

ويمكن للشبكات العصبية، ولا سيما الملامح المتعددة الطوابق، أن تلتقط تفاعلات أكثر تعقيداً، ولكن بتكلفة الترجمة الشفوية، وهي أفضل ملاءمة لمجموعات بيانات كبيرة ذات سمات عديدة، وقد طبقت الشبكات العصبية الثورية على الصور التاريخية لاستخراج أنماط الاستيطان، بينما يمكن للشبكات العصبية المتكررة أن تُعدّ نماذج متسلسلة زمنياً لتدفقات الهجرة، ويتوقف الاختيار بين هذه النماذج على البيانات.

التعلم غير المشرف: الكشف عن أنماط الاحتجاز المخفية

عندما لا توجد أحداث هجرة مسمّاة، يمكن للتعلم غير المشرف أن يجمّع السكان استناداً إلى الخصائص المشتركة - الأسر التي لا تعرف معنىها، أو ممارسات الدفن، أو العلامات الوراثية. K-means clustering و]DBSCAN قد استُخدِمت لتحديد مستوطنات مبتكرة في البحر الأبيض المتوسط.

كما أن تقنيات الحد من الأخلاق، مثل التحليل الرئيسي للمكونات، والتى-SNE، لها قيمة أيضاً في تصور البيانات التاريخية العالية الأبعاد، فعلى سبيل المثال، يمكن للتقديرات المسبقة عن علم التي تطبق على عينات الحمض النووي القديمة أن تكشف عن مجموعات تتناسب مع موجات الهجرة، بينما يمكن للشبكة أن تبين مدى ارتباط مختلف السكان ببعضهم البعض في الفضاء الوراثي، وكثيراً ما تولد هذه الصور افتراضات يمكن اختبارها بأساليب أكثر صرامة.

تعزيز التعلم: تبسيط حركة العناصر الفاعلة

إن التعلم من أجل تعزيز التنمية أقل شيوعاً ولكن كسباً، ففي جمهورية صربسكا، يتعلم " العاشق " (الذي يمثل مجموعة من الناس) سياسة بشأن متى ينتقل على أساس المكافآت البيئية (توافر الأغذية، والسلامة، والروابط الاجتماعية) ويمكن للباحثين، عن طريق تحفيز آلاف العملاء على عدة أجيال، أن يختبروا افتراضات بشأن عوامل الدفع والسحب، مثلاً، يمكن أن يبين نموذج نقل الملكية إلى المناطق الريفية كيف يمكن أن يحدث تغيراً صغيراً في المتوسط في درجات الحرارة.

The advantage of RL over traditional agent-based models is that agents learn opt strategies rather than following fixed rules. this allows for emergent behavior that can be compared with archaeological evidence. If the simulated population distribution matches the archaeological record, it suggests that the reward structure embedded in the model captures the actual decision-making process of historical people. The FimlySTearch

Case Study: Predicting Migration from the Dust Bowl

ويوفر مجلس الدوق الأمريكي في الثلاثينات حدثا تاريخيا موثقا جيدا يمكن أن يُمثله القانون النموذجي، وباستخدام بيانات التعداد على مستوى المقاطعات، وخرائط تآكل التربة، وسجلات المناخ، درب الباحثون على تصنيف مزود بمحرومات من الدرجة الأولى للتنبؤ بالمدن التي ستشهد هجرة صافية، وقد حقق النموذج أكثر من 85 في المائة من الدقة في اختبارات النقل المحتفظ بها، ومن المهم أنه في حين أن الجفاف هو العامل الرئيسي في الوصول إلى المدن.

كما توضح قضية دببة الدوق أهمية الديناميات الزمنية، ولم تحدث الهجرة في آن واحد، بل في موجات توازي فشل المحاصيل المتعاقبة، ونموذج من سلسلة زمنية يتضمن متغيرات مُعلّمة مثل تهيّج العام الماضي، وتوقعات العام الماضي المُتعدّدة، أفضل من النموذج الثابت، وهذا يشير إلى أن الهجرة التاريخية تعتمد على المسار:

دراسة حالة: التوسع في أوروبا

إن انتشار الزراعة من الشرق الأدنى إلى أوروبا قبل نحو 000 8 سنة هو أحد أكثر الحركات السكانية دراسة في علم الآثار، وعادة ما يُنظر إليه على أنه إما هجرة الناس (النشر الديمغرافي) أو اعتماد أفكار (النشر الثقافي) وقد وفر التعلم من الآلات دليلا جديدا على نموذج الانتشار الديمغرافي، حيث تم تدريب حرج عشوائي على تواريخ الكربون، وأنواع التربة، ومعدلات إعادة البناء المناخية.

كما حدد النموذج المناطق التي توقف فيها التوسع أو انعكست، مثل جبال الألب وسواحل البلطيق، وهذه " الاختناق " تتطابق مع المناطق التي تعاني من فقر التربة أو من المناخات القاسية، مما يشير إلى أن العوامل البيئية أكثر أهمية من المقاومة الثقافية.() وقد أشارت دراسة 2022 PNAS إلى بيانات جينية مضافة سابقة إلى النموذج، تبين أن وصول المزارعين إلى منطقة ما هو نوع واحد.

التحديات والحدود: كهف التاريخ

ورغم وعدها بأن تطبيق القانون النموذجي على الحركات السكانية التاريخية محفوفة بالأخشاب، الأول هو ] الإكمال والتحيز ، الذي سبق ذكره، والثاني هو ] المتغيرات المعاصرة في التجميع : كثيراً ما تكون السجلات التاريخية للهجرة الإجمالية على مدى عقود، بينما تصادف نماذج الهجرة السنوية أو الشهرية

Another major issue is interpretability]. A deep neural network that predicts migration with 90% accuracy might be a black box. Historians need to understand ]why a prediction was made to trust it. Techniques like SHAP (Shapley additive explanations).

وهناك أيضا خطر " الإصدار " ].() ويجري تدريب نماذج التعلم في اليوم الحالي أو البيانات التاريخية الأخيرة، ولكن العوامل التي أدت إلى الهجرة في الماضي البعيد قد تكون مختلفة اختلافا جوهريا، فعلى سبيل المثال، تتأثر الهجرة الحديثة تأثرا شديدا بحدود الدول القومية ونظم جوازات السفر التي لم تكن موجودة في فترة القرون الوسطى الوسطى العامة.() وقد تكون البيانات النموذجية التي تم تدريبها في القرن العشرين غير صالحة.

الاعتبارات الأخلاقية

كما أن استخدام التعلم الآلي لدراسة الحركات السكانية التاريخية يثير أسئلة أخلاقية، ويمكن إساءة استخدام النماذج الافتراضية لتبرير سياسات الهجرة التقييدية أو الوصمة لبعض الفئات بأنها " هجرة تاريخية " ، ويتحمل المؤرخون مسؤولية إبلاغ النتائج التي توصلوا إليها بدافع من السخرية والتأكيد على أن العلاقة لا تساوي السبب، وعلاوة على ذلك، فإن خصوصية البيانات هي شاغل لدى العمل مع السجلات التاريخية الأخيرة التي قد تتضمن معلومات عن الأفراد الأحياء أو عن أقربائهم.

كما أن خطر presentism] حقيقي، ومن المغري استخدام نماذج تاريخية لجرائم التحرير في التنبؤ بالهجرة في المستقبل، ولكن الماضي ليس دليلاً مثالياً، فالتغير المناخي، والتغير التكنولوجي، والتحولات الجيوسياسية تهيئ ظروفاً جديدة قد لا تكون لها سوابق تاريخية، ولا يمكن التنبؤ بالمستقبل بل الاستفادة من الدروس المستفادة في الماضي بشروطها الخاصة،

الاتجاهات المستقبلية: نهج أكثر تكاملا

ومستقبل [الحركة] في مجال رسم الخرائط التاريخية يكمن في عدة اتجاهات متطابقة، أولاً، لا يزال رقمنة المحفوظات يتسارع: فقاعدة بيانات البحث الأسري تضم الآن أكثر من خمسة بلايين سجلاً رقمياً، والكثير منها بيانات جغرافية مدمجة.

وثمة تطور مثير آخر هو استخدام نماذج للإثبات - نماذج كبيرة للتدريب السابق يمكن تكييفها لأداء مهام تاريخية محددة، فعلى سبيل المثال، يمكن تكييف نموذج لغة يتم تدريبه على ملايين الوثائق التاريخية لاستخراج المعلومات المتصلة بالهجرة من نص غير منظم، وبالمثل، فإن نموذجا للرؤية يتم تدريبه على الخرائط التاريخية يمكن أن يكشف تلقائيا عن المستوطنات والطرق والحد من الوقت الممكن لهذه النماذج التأسيسية.

وأخيراً، هناك احتمال مثير لـ ] فرز التاريخ ] من خلال ML. By training a model on historical data and then altering an input (e.g., what if the Silk Road had not declined?) researchers can generate alternative scenarios. While obviously speculative, these exercises can highlight causal relationships and test the robusten value of historical pories.

كما أن إدماج التكنولوجيا في التكنولوجيا مع التوائم الرقمية هو أيضاً في الأفق، كما أن التوأم الرقمي لرسم الخرائط التاريخية التي تجمع بين المنطقة والاقتصاد والبيئة والهياكل الأساسية يمكن استخدامه لحفز تحركات السكان في سيناريوهات مختلفة، مما سيتيح للتاريخ إجراء تجارب افتراضية مستحيلة في العالم الحقيقي، ولكن الآثار الأخلاقية والوبائية المحتملة هي أيضاً.

وفي الختام، فإن التعلم الآلي لا يتعلق بالاستعاضة عن التاريخيين بالخرافيزمات، بل هو وسيلة مكملة قوية لتقريب الرؤية البشرية عبر القرون والقارات، وعند تطبيقه الفكري، يمكن أن يكشف عن أنماط كانت موجودة دائما في البيانات، ولكنها غير مرئية للعين المجردة، والتنبؤ بحركات السكان التاريخية هو أحد أكثر الحدود واعدة في هذا التاريخ الرقمي الجديد، والعمل بدأ للتو.