עתיד קליאומטריס: אינטגרציה של אינטליגנציה מלאכותית ולמידה של מכונות

התפתחות ההיסטוריה החדשה של קוונטין

המחקר של ההיסטוריה הכלכלית כבר זמן רב מונע על ידי נרטיב, פרשנות איכותית, ומחקר ארכיוני קפדני.עם זאת, במשך עשרות שנים, קבוצה ייעודית של חוקרים זכתה בגישה כמותית יותר המכונה FLT:0cliometrics ⁇ FLT:1 - היישום של תיאוריה כלכלית, שיטות סטטיסטיות, מודלים רשמיים של נתונים היסטוריים.

כיום אנו עומדים בקדמת הטרנספורמציה השנייה.הה מהירה של ההרחבה:0(a בינה מלאכותית FLT:1) ו-FLT:2machine LearningFLT:3 (ML) מציעה ל-Cliometricians ללא תקדים להתמודד עם נתונים היסטוריים מסיביים, מבולגנים, ולפתח מודלים דינמיים יותר של כלכלות קודמות, היכן שחוקרים בעלי ערך עצבי ומעבדים יכולים לחדור לארכיון כלכלי, כדי לטפל בארכיון רציני, כדי לטפל במאגרי מידע היסטורי, לחץ דם עצביים, ולפתח אידיאולוגי, ולפתח מודלים היסטוריים חזקים יותר של טכנולוגיות אידיאולוגיות, ומעבדות, ומעבדות, כלומר, אידיאולוגיות, לארכיון רציניות, אידיאולוגיות, לארכיון אלקטרונים, לארכיון טבעי, כדי לארכיון, לאימון, לשיטות עיבוד, לשיטות עיבוד, אידיאולוגיות, לשיטות למידה, ומעבדות, ומעבדות, לשיטות עיבוד אינטנסיביות, לשיטות למידה, ומעבדות, לשיטות למידה, ומעבדות, לשיטות אבטחה, יכולות עיבוד אינטנסיביות, לשיטות למידה, לשיטות למידה, לשיטות למידה, לשיטות אבטחה, לשיטות למידה, לשיטות למידה, לשיטות למידה, לשיטות למידה, לשיטות עיבוד אינטנסיביות, ל

הבנת Cliometrics: מ-Comutation to Digital Archives

כדי להעריך את היקף הטרנספורמציה המונעת על ידי AI, מומלץ לזכור את השיטות והמגבלות של cliometrics.המונח עצמו משלב FLT:0ClioveFLT:1, את השימוש של ההיסטוריה, עם (FLT:2metricsFLT 3:2metricsFLT 3:measurement.) מוקדם cliometricians לפני השערה מפורשת, נגד-למעשה, שימוש בתיאוריה ההיסטורית של המחקר, על פני ההיסטוריה, על ידי מחקרים מתקדמים.

עם זאת, האתגרים בנתונים היו חמורים.מרבית הרשומות ההיסטוריות התקיימו רק בצורת נייר – מיצגי צנזורה, מתגאות, רולי מס, יומנים אישיים וחשבונות עסקיים. החוקרים בילו שנים תוך כדי העברת נתונים באמצעות פורמטים קריאים למכונה.גדלים מדגם היו לעתים קרובות קטנים, וטכניקות סטטיסטיות היו מוגבלות על ידי כוח מחשוב זמין.

ארכיונים דיגיטליים החלו כבר להקל על צווארי הבקבוקים הללו, כמו ה-FLT:0 National Bureau of Economic Research's Development of the American Economy Program of the American Economy, and theFLT:2Economy History Association of Economic History Association of Economic Research, ואילו פרויקטים כגון ה-FLT:4U.

בעיית סקאביה ב-Cyometrics המסורתית

cliometrics מסורתיים פועל על קטן יחסית, ניקוי נתונים.מחקר טיפוסי עשוי להשתמש כמה אלפי תצפיות על שכר, מחירים או פלט.אבל היסטוריה כלכלית כוללת מיליארדים של רשומות בודדים: כל אדם שנכלל במפקד, כל מטען ספינה המופיעה ברישום מכס, כל עסקה אדמה שנרשמה במעשים. עיבוד ידני אינו יכול בקנה מידה לרמה זו.

התפקיד של בינה מלאכותית ולמידה של מכונות ב-Cyometrics

AI ו-ML מציעים ערכת כלים אשר מתייחסת ישירות למשימות הליבה של cliometrics: איסוף נתונים, ניקוי, דפוס, גילוי, מודלים וסימולציה. להלן, אנו בודקים את היישומים המשפיעים ביותר.

הסרת נתונים אוטומטית ו- Digitization

(אולי השימוש הטרנספורמציה ביותר ב-AI ב- cliometrics הוא FLT:0) (השימוש המוציא נתונים מופרש ב-GoogleFLT:1 ). רשומות היסטוריות עשירות אך לא בנויות.מפקדים כתובים בכתב יד, למשל, מכילים שמות, גילים, עיסוקים וערכי רכוש - לעיתים קרובות בתסריטים החלילים, אשר נמצאים על ידי LTN, מופיעים באופן שלילי על ידי מסמכים כאלה.

מעבר להכרה בכתב יד, מודלים של NLP כגון bert (Bidirectional Encoder Representations from Transformers) יכולים לחלץ נתונים מהתכתבות דיפלומטית, דיונים פרלמנטריים, או חוזים מסחריים.חוקרים יכולים להכשיר מודלים לזהות ישויות ספציפיות - מחירים בינוניים, שיעורי ריבית, כרכים מסחריים - ולהמיר אותם לתוך מסדי נתונים של זמן.

זיהוי וזיהוי אנומליות

ההיסטוריה הכלכלית לעתים קרובות מנסה לזהות דפוסים מחזוריים, הפסקות מבניות, או אירועים נדירים. Machine Learning מצטיין במציאת דפוסים מורכבים, לא ליניאריים במאגרי נתונים עצומים.טכניקות בלתי מבוקרות כמו ניתוח רכיב ראשי (PCA), t-SNE, או autoencoders יכולים לחשוף אשכולות מוסתרים בנתונים היסטוריים - לדוגמה, זיהוי "משטרים" מובהקים של אינפלציה או אינטגרציה סחר על פני מאות שנים.

מחקר שפורסם בשנת [[1924]] בשנת [[1924]], שפורסם ב[[1924]], [[1924]], [[1924]], [[1924]], [[1924]], [[1924]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]] [[1924]]]]]]]]]]]] [[1924]]]]]]]] [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]] [[1924]]]]]]]]]]]]]]]]]]]]]]]], [[1966]], [[1924]]]]]], [[1924]]]]]] [[1966]]]]]]]], [[1966]]]]]] [[1966]]]]]]]], [[1924]]]]]]]] [[1924]]]]]]]]]] [[1966]] [[1966]]]] [[1966]]]]]]]]

מודלים חיזויים של כלכלה היסטורית

בעוד cliometrics מתמקדת באופן מסורתי להסביר את העבר, מודלים חיזוי יכול לבדוק את העקביות של נרטיבים היסטוריים.אם מודל יכול לחזות במדויק את התוצאות הקודמות (למשל, יבולים, זרימת סחר, דפוסים הגירה), אשר מציע את המשתנים המתבקשים ללכוד מנגנונים סיבתיים אמיתיים, אפילו חוקרים קצריכים: 0 ⁇ מגבירים מכונות 1FLT:1 (XGBO, אור) או חיזוי שנתי (Fneur) ל-pneural) ל- 18 חודשים ל-L) ל-D2 יחידות של השפעות טקטיקות של כדוריות של כדוריות של כדוריות (pLT) ל-Climate טמפרטורה) ל-FLT) ל-Climate אפקטים טקטיקות אוויריות (pLT) לחיזוי אוויריות של זמן קצר.

מודלים חיזוייים גם ניתוח נגד עובדות.על ידי סימול תרחישים (למשל, "מה אם תעלת ארי לא נבנתה?"), ההיסטוריונים יכולים לכמת את ההשפעה האמיתית של אירועים היסטוריים. ML מאפשר ניגודים מציאותיים יותר כי זה יכול להתמודד עם אינטראקציות בין עשרות משתנים ללא התאמה יתר.

סימבול של סקרנייוריו הכלכליים: Agent- Based and System Dynamics

בינה מלאכותית אינה מוגבלת ללמידה סטטיסטית; היא גם מאפשרת LT:0 simulationFLT:1 .FLT:2Agent-based Modeling (ABM)PROLT 3 בשילוב עם למידה חיזוק מאפשר לחוקרים ליצור חברות מלאכותיות של שחקנים היסטוריים.כל אחד "מרוץ" (מעם, סוחר, בנקאי) מתוכנת עם כללים בעלי ערך - חלקם נתונים היסטוריים, אחרים לומדים באמצעות שיטות מסחר פורמליות, במיוחד, כגון מאקרו-מסחר).

יתרונות פוטנציאליים עבור היסטוריונים כלכליים וקובעי מדיניות

שילוב של AI ו-ML לתוך cliometrics מניב יתרונות מוחשיים על פני מחקר, חינוך ומדיניות ציבורית.

יעילות מוגברת ויציבות

AI מפחית באופן דרמטי את הזמן בילה על משימות שגרתיות. שבו סטודנט לתואר שני ישקיע חודשים לנקות את נקודת נתונים אחת, צינור ML יכול לעבד terabytes של נתונים עם פחות שגיאות. יתר על כן, אלגוריתמים AI יכולים לדגל חוסר עקביות - לדוגמה, לזהות טעות בתעתיק סביר כאשר חווה משפחתית פתאום מראה עלייה של מאה כפולת ב acreage.זה מאפשר להיסטוריונים להתמקד בפרשנות ובבניה, הליבה של כלי המלאכה שלהם.

מידע היסטורי רב-ממדי, Sparse Historical Data

נתונים היסטוריים הם לעתים קרובות ספאר: שנים רבות חסרות תצפיות, ומשתנים עשויים לא להיות רשומים באופן אחיד.טכניקות אקולוגיות מסורתיות נאבקות עם מחסור וממדליות גבוהה. שיטות למידה מכונה, במיוחד מגרות ו autoencoders, יכול למנוע ערכים חסרים על ידי למידה דפוסים מאוחרים. לדוגמה, אם נתוני שכר זמינים רק כמה ערים בתוך כמה שנים, מודל יכול להעדיף שכר על בסיס קורלציה על בסיס מקבילה, עם מחירים פשוטים, מאשר מודלים.

גילוי של מגמות תת-החלל, טרנדים ארוכי-טווח ושחיתות

אנליסטים אנושיים מתמקדים באופן טבעי בתנודות לטווח קצר ואירועים מרכזיים.למידה מכונה, לעומת זאת, יכולים לזהות מגמות המתפרשות לאורך מאות שנים. שקולות אי שוויון ארוך: באמצעות רשת עצבית עמוקה על ממציאי נדל"ן מחמש מדינות אירופיות בחמש מאות שנים, החוקרים זיהו דפוס איטי בצורת U בריכוז, עם שיאים במאה ה-14 והמאה ה-21, דפוס זה היה מעורפל במחקרים קודמים שבחנו רק 100 שנים של חלונות איטיים יכולים להיות "ל" כדי לפתח שיטות איטיות" מסורתיות.

פיתוח מודלים כלכליים היסטוריים נוספים

מודלים קליאומטריים מניחים לעתים קרובות מערכות יחסים ליניאריות וגאוגניות לאורך זמן ומרחב.AI יכול להירגע הנחות אלה, המאפשרים הפסקות מבניות, אפקטים סף והתנהגות מתפתלת משטר:0andom ForestFLT:1 ו-FLT:2 ⁇ שיפור יעילות של מערכת ההפעלה 3FLT 3D באופן אוטומטי ללכוד אינטראקציות לא לינאריות.

אתגרים ושיקולים אתיים ב-AI-Cliometrics

למרות ההתרגשות, הנישואים של AI ו- cliometrics עומדים בפני מכשולים חמורים.אלה חייבים להיות מול ראש אם השדה הוא לשמור על אמינותו.

איכות המידע והשלמות: בעיית Garbage-In-Garbage-Out

נתונים היסטוריים הם מסיסים מטבעם.רשומות עלולות להיאבד, פגועות או מפציפיות במכוון.מודלים של AI הם מילה במילה-על-שם כך שהטיות בנתונים מוגדלות.אם מודל מאומן על נתונים של מפקדים ממחוזות עשירים, משום שהרשומות שרדו טוב יותר, הפלטים שלו יהיו מקודדים באופן דומה, שגיאות OCR יכולות להציג רעש שתבניות זיהוי שגויות צריכות להשקיע בטכניקות של חוסר יציבות, באמצעות מודלים רבים, באמצעות מודלים של חוסר ודאות, באמצעות מודלים.

אלגורית ביסאס והדלפק ההיסטורי שלה

ההטיות ההיסטוריות – גזע, מין, מעמד – מוטבעות ברשומות AI צורכת.לדוגמה, במאיות עסקיות מהמאה ה-19 בעיקר גברים לבנים; מודל שהוכשר רק על המדריכים הללו ינציח את חוסר היכולת של נשים ומיעוטים.

חששות אתיים: פרטיות וייצוג

אפילו נתונים היסטוריים יכולים להעלות את בעיות הפרטיות.חלק מהרשומות (למשל, החזרי מפקד, רשימות מס) מכילים מידע על אנשים מזהים.בעוד שרבים מהם מתים, צאצאים עשויים להתנגד לשימושים מסוימים.טכניקות בינה מלאכותית כמו פרטיות שונה יכולות להוסיף רעש לתוצאות מצטברות, אך ההיסטוריונים חייבים גם לשקול את האתיקה של מינוף נתונים אלה למטרות רווח או מעקב נוסף, קיים סיכון כי ניתוחי בינה מלאכותית יכולים להוסיף רעש לתוצאות איכותיות, אך היסטוריונים חייבים לשקול גם גישות היסטוריות שאינן דורשות.

בעיות בין-סיכויים ובעיית "הקופסא השחורה"

מודלים רבים של בינה מלאכותית - רשתות עצביות עמוקות, ⁇ חיזוק האנסמבלים - הם האופיק. A cliometrician עשוי למצוא כי התחזיות של המודל הן מדויקות מאוד, אך לא יכול להסביר את ה-FLT:0.0.0.10.מדוע הדבר בעייתי עבור משמעת שערכי הבנה נרטיבית והיגיון גורםני להפוך ל- FLT:2interpretable LTPal Reductions: 3: טכניקות אלה, לדוגמה, כלומר, תכונות היסטוריות (למשל, תכונות) לאפקטים (אפקטים) לאפקטים מתקדמים (אפקטים)

תחזית העתיד: ניתוח בזמן אמת, סינרגיות בין-תחומיות ואפקטי מדיניות

במבט קדימה, שילוב של AI ו cliometrics צפוי להאיץ, מונע הן על ידי התקדמות טכנולוגית וצרכים מחקריים עמוקים.

היסטוריה כלכלית בזמן אמת ושילוב נתונים דינמי

דמיינו כלי שמציין מקורות חדשים דיגיטליים כפי שהם הופכים לזמינים – למשל, ארכיון של עיתונים בריטיים מהמאה ה-18 – ומעדכן באופן מתמיד מודל של מגמות מחירים או רגשניים.זה יאפשר להיסטוריונים לעבוד בצורה דינמית, לזהות אנומליות ולבחון את השערות כמעט בזמן אמת.מערכות כאלה כבר קיימות לשווקים פיננסיים; להסתגל אליהן להקשרים היסטוריים הן צעד טבעי הבא.

כלי חינוך אישיים לסטודנטים

AI יכול גם לחולל מהפכה בהוראה של ההיסטוריה הכלכלית.פלטפורמות למידה הסתגלותיות יכולות להנחות את התלמידים באמצעות שיטות cliometric, המציע משוב מיידי על ניתוחי רגרסיה שלהם או מפרט מודל.סימולציות אינטראקטיביות, המופעלות על ידי נתונים היסטוריים, יאפשר לתלמידים להתנסות עם תרחישים מדיניות (למשל, "מה אם תקן הזהב ננטש בשנת 1890?").

שיתוף פעולה בין-תחומי

קליאומטרי כבר יושב בצומת של כלכלה, היסטוריה, סטטיסטיקה ומדע מחשב. AI מעמיק את הקישוריות הזו. מצפה פרויקטים משותפים יותר עם מדענים סביבתיים (מודל אינטראקציות אקולוגיות), בלשנות (ניתוח שיח היסטורי), ומהנדסי נתונים (פלטפורמות מתפתחות) מימון סוכנויות כמו FLT:0 National Science Foundation’s Harnessing the Data Revolution) של תוכנית LTFal Data, 1-Riversation עבודה דיסציפלינרית שכזו.

יצירת מדיניות עכשווית

הבנה מבוססת היטב של ההיסטוריה הכלכלית היא חיונית עבור קובעי מדיניות. AI-enhanced cliometrics יכול לספק ראיות לוויכוחים על אי שוויון, אבטלה טכנולוגית, רפורמה מוסדית, וקיימות פיסקלית.לדוגמה, ניתוח למידת מכונה של התערבויות בריאות הציבור ההיסטורי יכול לעזור לתגובות עיצוב למגפות.או מודל מבוסס סוכן של רשתות מסחר עתיקות יכול להודיע על עמידות אספקה מודרנית על ידי מדיניות מבוססת קרקעית, ככל הנראה, כדי להרחיב את ה- AIF: 1.

מסקנה: AI-Emresponsible Cliometrics

העתיד של cliometrics הוא בהיר, ואינטליגנציה מלאכותית היא מנוע מרכזי של טרנספורמציה זו.מפרוטוקול אוטומטי להכרה דפוס עמוק, מהפרעה סיבתית לסימולציה מבוססת הסוכן, AI מעצימה את החוקרים לשאול שאלות גדולות יותר, לעבוד עם נתונים עשירים יותר, לייצר תשובות קפדניות יותר.אבל יש להשתמש בכוח זה עם טיפול. Scholars חייב להישאר ערניים על איכות נתונים, הטיה, ופירושיות.

הליוסקטריסטים הטובים ביותר של העשור הבא יהיו אלה המשלבים ידע עמוק בהיסטוריה הכלכלית עם שטף בשיטות בינה מלאכותית – ואשר מטפחים תרבות אתית, שיתופית.אם נצליח, cliometrics לא רק יאיר את העבר אלא גם יספקו בסיס אמפירי עשיר יותר לעיצוב העתיד.