למידת מכונה, תת-קבוצה של אינטליגנציה מלאכותית, הפכה שדות הרחק מעבר למדע המחשב וההנדסה.אחד הגבולות המרגשים ביותר הוא יישום של למידת מכונה למחקר היסטורי, שבו היכולת לעבד נתונים עצומים וחשיפת דפוסים מאוחרים מציעה היסטוריונים, ארכיאולוגים ומחנכים דרכים חסרות תקדים לחקור את העבר.על ידי הכשרת אלגוריתמים על טקסטים, תמונות, וחומרים ארכיוניים אחרים, החוקרים יכולים לזהות מערכות יחסים בלתי אפשריות עבור בני אדם, לא פחות אופנים, אלא רק לכדי למערכות יחסים מודרניות, לא רק, אלא לכדי למערכות יחסים, אלא לכדי למערכות אלגוריתמיות, אלא רק לכדי אלגוריתמיות, אלא רק לשיטות מתקדמות, בין כלי אלגוריתמיות, בין האוטומציה המודרנית, הוא רק לכדי אלגוריתמיות, הוא רק אלגוריתמיות, אלא רק אלגוריתמיות, בין כלי אלגוריתמיות, בין האוטומציה מודרנית, בין כלי אלגוריתמיות, באמצעות אלגוריתמיות, לא ניתן לכדי אלגוריתמיות, באמצעות אלגוריתמיות, באמצעות אלגוריתמיות, באמצעות אלגוריתמיות, באמצעות אלגוריתמיות, באמצעות אלגוריתמיות, באמצעות אלגוריתמיות, באמצעות אלגוריתמיות, באמצעות אלגוריתמיות, באמצעות אלגוריתמיות, באמצעות אלגוריתמיות, באמצעות אלגוריתמיות, באמצעות אלגוריתמיות,

הבנה של Machine Learning in Historical Context

בליבתו, למידת המכונה כוללת תכנון אלגוריתמים של מידע כדי ליצור תחזיות או לזהות דפוסים מבלי להיות מתוכנת במפורש לכל כלל. במחקר היסטורי, הנתונים עשויים להיות כתבי יד דיגיטליים, רשומות אתר ארכיאולוגי, טבלאות מפקדים, או אפילו תמונות לוויין של חורבות עתיקות.הטכניקות הנפוצות ביותר כוללות למידה מבוקרת (שם האלגוריתם מאומן על דוגמאות מתויגות), למידה לא מבוססת (שם הוא מוצא טבעי בגרסאות למידה ולמידה), במיוחד של תמונות מורכבות), כגון תמונות חזותיות (באמצעות תמונות).

אלגוריתמים אלה דורשים נתונים גדולים ואיכותיים לביצוע היטב.היסטוריונים משתפים פעולה עם מדעני נתונים כדי לנקות ולאטוט משאבים, להבטיח שהקלט משקף את קצבאות חומר המקור.התפוקה אינה תשובה סופית אלא הצעה פרובביליסטית שיש לפרש עם מומחיות בתחום. לדוגמה, מודל המזהההה במכתבים מהמאה ה-19 עשוי להיות דגל כמו "היסטוריון שלילי", אך לעתים קרובות ידוע כי הוא בעל משקל רגשי.

הרחבת יישומים של Machine Learning ב-Ancitology Recognition

הטווח המקורי של יישומים - ניתוח טקסט, זיהוי תמונה וחיזוי טרנד - רק שרטט את פני השטח.היסטוריונים של היום פונים ל-ML לאתגרים מגוונים, כל אחד הדורש גישות מותאמות.

ניתוח טקסט מעבר ל Sentiment

מודלים של למידת מכונות יכולים לבצע חנינה בכתב על ידי ניתוח טביעות אצבע סגנוניות כגון אורך המשפט, תדירות מילה ודפוסי טיהור.במקרים כמו ה- הפדרליסטים Papers, שבו המחברת הייתה שנויה במחלוקת בין המילטון לבין מדיסון, מודלים מודרניים סטיילולומטרי אישרו את התגמולים עם דיוק גבוה, הנקרא זיהוי ישות (NER) ממצה אנשים, מקומות, תאריכים מאלפי מסמכים, המאפשרים לחוקרים מודרניים לטיפוס של קווי זמן לאומנים או בינוניים ב-19 שפות על פני כדוריות.

פרויקט בולט אחד הוא (FLT:0)CulturomicsveFLT:1), אשר משתמש ב-Google Books corpus כדי לעקוב אחר תדרי השימוש במילה מאות שנים אחורה.על ידי יישום מודלים סטטיסטיים, החוקרים צפו מגמות תרבותיות כמו מהירות אימוץ טכנולוגי או העיוות של כלי מלאכה מסורתיים.דוגמה נוספת היא FLT:2 מילא יכול לעבור את פרויקט ה-DLT3 של אוניברסיטת הקוונטים, אשר ניתחן על פני 100,000 אזרחים מנוסים בלבד.

תמונה: Recognition and Visual Culture

מודלים ראיית מחשב שהוכשרו על אלפי תמונות היסטוריות יכולים לצאת תמונות על ידי גילוי שינויים בבגדים, אדריכלות, או אפילו חתימה על לוחיות.ה-FLT:0Photo SleuthveFLT:1 פרויקט משתמש זיהוי פנים כדי לזהות חיילים לא ידועים בתמונות מלחמת האזרחים, עיגולים-referencing מדים ו insignia. in Art, למידת סייעה לציורים ספציפיים על ידי ניתוח תבניות צבע דחוסות כגון קידודים ב-Rijks.

Geospatial וארכיאולוגיה

תמונות לוויין ונתוני לידר מעובדים באמצעות רשתות עצביות מהפכתיות (Agorithms) יכולים לזהות וריאציות עדינות בצמחייה המסתתת מבנים קבורים, מה שמוביל לגילוי של התנחלויות לא ידועות בעבר באמזון, קמבודיה, והגבול הרומי.The FLT:0Venice Time MachineFLT:1 נועד לדגום מילוני של ארכיונים ומכונה ללמידה מחדש של העיר, החפירה חברתית, בדומה לדגמיית, מודלים ארכיאולוגיים, אשר בקושי, מודלים, כמו גם על בסיס נתונים בלתי-מדומים, על בסיס נתונים ארכיאולוגיים, מודלים.

ניתוח רשת ויחסים היסטוריים

רשתות עצביות מאפשרות להיסטוריונים לבנות רשתות חברתיות מורכבות מרשומות לא שלמות, כגון רשתות התכתבויות של פילוסופים נאורים או מבני הקוויריות של הdynasties מימי הביניים.על ידי ניתוח מטא-נתונים כמו תאריכים ומיקומים, ML יכול למלא קישורים חסרים ולהציע אינטראקציות סבירות.גישה זו שימשה כדי למפות את התפשטות הידע המדעי במהלך המהפכה המדעית ולעקוב אחר הפצת טקסטים דתיים לאורך נתיבי מסחר.

עמוק עמוק לתוך Case Studies

כדי להעריך את ההשפעה הבטונית, אנו בודקים שלושה מחקרים מפורטים שבהם למידת מכונה יש פרשנות היסטורית בצורת מחדש.

מקרה מחקר: לפענח את משקעים ים המלח עם NLP

משקעים ים המלח, המורכב אלפי שברים מ-900 כתבי יד, יש חוקרים מאתגרים ארוכים. Paleography - המחקר של כתב יד עתיק - משמש בדרך כלל עד כה ולארגן את הטקסטים, אבל ניתוח ידני הוא איטי וסובייקטיבי. בשנת 2017, צוות מאוניברסיטת גרטינגן החל לכתוב יד מואצת ואלגוריתם ממין טקסט כדי להרכיב את המגילות עצביות ידועות על תמונות מפורטות של פורמט זה, אך לא רק של מסמכים חדשים של כתיבה, אלא גם לא ניתן לאבחון.

מחקר: ארגון מחדש של משחקים יווניים אבודים

הספרות הקלאסית סובלת מאובדן מסיבי – רק חלק מהטרגדיות היווניות העתיקות שרדו.באמצעות רשתות עצביות חוזרות המאומנים על יצירות ששרדו, חוקרים במכון של אוקספורד לחקר העולם העתיק ניסו לשחזר סצנות חסרות של מחזות אבודים כמו אוריגס'ודס'פל:0 (OedipusFLT:1) המודלים לומדים דפוסים של דיאלוג, מטר, ובחירה מהכתובת המאולתרת של מאובנים, אפילו לא ניתן היה לתאר את הדמויות המופרכותרות, אם לא ידועות, או ליצור טקסט לא ניתן לתאר, אם הם נראים על ידי שימושים, או לא ניתן לתארים, אם הם נראים על ידי דמויות מרשימות, אם הם לא ניתן לתארים, אם הם לא ניתן לתארים, אם הם נראים כמו שעדיין לא ניתן לתאר את הגרסאות טקסט מפוזרים, או לא ניתן לתארים, או לפסלים, אם הם נראים על ידי דמויות טקסט מפוזרים, אם הם לא ניתן לשנות את הגרסאות של מפוזרים, אם הם נראים על ידי שימושים, אם הם לא ניתן לתאר, אם הם נראים על ידי שימושים, אם הם נראים על ידי שימושים, אם הם לא ניתן לשנות את הגרסאות של טקסט מפוזרים, אם הם לא ניתן לשנות את הגרסאות טקסט מפוזרים, אם הם

מקרה מחקר: ממפה את התפשטות המוות השחור באמצעות Bayesian ML

הבנת איך המוות השחור (1346-1353) הופץ ברחבי אירופה מורכבת מרשומות היסטוריות לא אחידות - אזורים מסוימים שמרו על רולי מוות קפדניים, בעוד אחרים עזבו רק כרוניקה מעורפלת. חוקרים השתמשו במודלים של למידת מכונות Bayesian כדי לשלב מקורות נתונים מגוונים: תאריכים, זמני נסיעה, צפיפות האוכלוסייה וקווי מסחר.המודל חזה את נתיבי השידור המשתנים והזההההההההה של בקבוקי קירבים הגיאוגרפיים האטה את התקדמותם, כגון האלפים, כמו גם את הדמויות של הדמויות, אשר התפשטו של הדמויות של הדמויות, כמו גם את הדמויות של כדור הארץ, אשר התפשטו, כמו גם כן, כמו גם את המודל ההיסטורי של לונדון, כמו גם על פני כדור הארץ, אשר התפשטו, אשר התפשטו, כמו גם על פני כדור הארץ, כמו גם על פני כדור הארץ, אשר התפשטו, בהשוואה לדגימה, אשר התפשטו, אשר התפשטו, כמו גם על פני כדור הארץ, כמו גם על פני כדור הארץ, אשר התפשטו, בין השנים, כמו גם על פני כדור הארץ, כמו גם על פני כדור הארץ, אשר התפשטו, כמו גם על פני כדור הארץ, לדוגמה, לדוגמה, אשר לעתים קרובות, כמו גם על פני כדור הארץ

אתגרים ושיקולים אתיים

למידת מכונות מציעה כלים חזקים, אך היישום שלה להיסטוריה הוא בעייתי עם אתגרים הדורשים ניווט זהיר.

איכות נתונים, ספרסיות ו-Bas

נתונים היסטוריים הם לעתים רחוקות prise. Handwritten מסמכים סובלים משגיאות OCR, במיוחד עבור תסריטים ישנים יותר כמו Fraktur הגרמני או קיצורי ימי הביניים. רשומות ספורדות - שבו מסמכים אבדו או נהרסו - יכול להוביל להתאמה יתר על נתונים זמינים, נטייה לעבר אזורים עשירים יותר ששמרו על ארכיונים נוספים. Algorithms מאומן על עיתונים דיגיטליים, לדוגמה, ישקף את הטיה המקורית של חוקרים תחת פיקוח על רקע ביקורת חוצה.

מודלים של Black-Box

רשתות עצביות עמוקות הן לעתים קרובות ⁇ – קבלת ההחלטות הפנימית שלהן קשה לבדוק.זה יוצר מתח עם מתודולוגיה היסטורית, אשר ערכים חשיבה שקופה וראיות. מודל המזהה דפוס (למשל, "שני הטקסטים אלה נכתבו על ידי אותו המחבר") מבלי להסביר אילו תכונות הובילו את המסקנה הוא פחות שימושי מאשר אחד מהם מדגיש אפשרויות מילים ייחודיות או מבנים סינתיים.

מידות אתיות: פרטיות ורגישות תרבותית

החלת למידת מכונה למכתבים אישיים, נתונים של מפקד האוכלוסין, או רשומות גנאלוגיות מעלה חששות לפרטיות, במיוחד עבור ההיסטוריה האחרונה שבה צאצאים עשויים להיות בחיים.השימוש בזיהוי פנים על אנשים שנפטרו בתצלומים ארכאולוגיים גם מעורר דיונים אתיים על הסכמה וכבוד.בנוסף, אלגוריתמים עשויים שלא להסיט באופן בלתי נמנע את ההטיות התרבותיות של ארגונים - למשל, לפרש אובייקטים טקסיים כחפצים לאמצעים קדושים ולא פריטים מקודשים.

כלים ופלטפורמות ללמידה היסטורית

מערכת אקולוגית הולכת וגוברת של תוכנה ופלטפורמות הופכת את למידת המכונה לנגישה להיסטוריונים ללא מיומנויות תכנות עמוקות.הדברים הבאים רלוונטיים במיוחד למחקר זיהוי דפוס.

  • (ב) ויקרא: ויקרא י"א): "ה' (ב') ויקרא י' (ב) ויקרא י') ו'[[המאה ה']]' (ב[[1924]], [[1924]]]], [[1924]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]]]]]]]]]] ו[[1924]], [[1924]]]]]]]]]]]]]]]]]]]], [[1924]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]], [[1924]], [[1924]], [[[[1924]]]]]]]], [[1924]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]], [[[[1924]]]]]], [[[[1924]]]]]]]] [[[[[[1924]]]]
  • (FLT:0) דומיין-פיקו פלטפורמה: ההרחבה של JSTOR מאפשרת ניתוח טקסט של מאגר גדול של מאמרים אקדמיים.היוזמה האירופית של מכונת הזמן מספקת כלים להכרה בתבניות גיאו-סאטליות וזמניות לאורך ההיסטוריה האירופית.
  • (ב) ,0) , ⁇ (Collaborative Repositories: ⁇ FLT:1 ; GitHub מארח פרויקטים רבים כמו FLT:0 ו-FLT:1, בעוד הוגינג Face מציע מודלים מאומנים מראש עבור שפות ותסריטים היסטוריים.

כיוונים עתידיים: בללינג Machine Learning withמסורתיים

ככל שהאלגוריתמים הופכים ליותר מתוחכמים והיסטוריים, שילוב למידת המכונה יעמיק.מגמה מרכזית היא התפתחות של זרימת עבודה מקצה לקצה המשלבת מודלים רבים של בינה מלאכותית: מודל חזון לקרוא כתב יד, מודל NLP לתרגם אותו, ומודל רשת לקשר אותו לטקסטים עכשוויים. צינור זה יאפשר להיסטוריונים לחקור שאלות כמו "איך עשה את הרעיון של שינוי בין 1800 ל -10 מדינות במקום שעות של חומר?"

דרך מרגשת נוספת היא AI חדשנית לשיקום היסטורי.מודלים כמו GPT-4o יכולים ליצור דיאלוגים סבירים עבור דמויות היסטוריות המבוססות על כתביהם הידועים, סיוע בחוויות חינוכיות immersive. עם זאת, זה מעלה חששות לגבי דיוק היסטורי ואת הסיכון של בדיוניזציה.מחנכים מפתחים מסגרות לשימוש בכלים כאלה ביקורתיים - למשל, המבקשים סטודנטים להשוות בינה מלאכותית-generated עם מקורות מקוריים וזיהוי.

פרויקטים של מדע אזרחי (למשל, FLT:0ZooniverseFLT:1) הם גם שילוב של ML כדי לסווג תמונות, כך מתנדבים יכולים להתמקד במקרים המתפתלים ביותר. שיתוף פעולה בין אדם לAI היה בשימוש כדי לנטר את רשומות החרם האוסטרלי לזהות מוטיבים ציפורים עתיקות על סירקט יווני.

בסופו של דבר, העתיד המבטיח ביותר הוא אחד שבו למידת מכונה משמשת כעוזר מחקר אי פעם - לעולם לא להחליף את השיפוט של ההיסטוריון, אלא מגביר אותו על ידי טיפול ברדיפט, חשיפת קשרים נסתרים, ויצר השערות ניתנות לבדיקה. עבור מחנכים, כלים אלה יכולים להפוך את שיעורי ההיסטוריה מזיכרון פסיבי לתוך חקירה פעילה, מונחה חקירה, שבו התלמידים מנתחים נתונים כדי ליצור ולהגן על טיעונים היסטוריים.

מסקנה

למידת מכונות אינה מעצימת שיטות היסטוריות מסורתיות; היא מעשירה אותן.על ידי כך שהיא מאפשרת זיהוי דפוס בקנה מידה בין טקסטים, תמונות, נופים ורשתות, היא מאפשרת להיסטוריונים ולמחנכים לשאול שאלות עמוקות יותר וחשיפת סיפורים שאחרת יישארו קבורים. כמו בכל כלי רב עוצמה, שימוש אחראי דורש תשומת לב לאיכות נתונים, שקיפות מודל והקשר אתי.כאשר נעשה שימוש בחשיבה, למידה הופכת לעדשה כי אם תבהיר את ההיסטוריה – לא רק על ידי כך שתצמצם את ההתנסות האנושית.