La pratica della storia sta subendo una trasformazione strutturale, dove gli storici si affidavano interamente al setaccio manuale attraverso gli archivi fisici, oggi affrontano un paesaggio ricco di sorgenti digitalizzate, strumenti algoritmici e piattaforme interattive. Questa convergenza dei metodi quantitativi e dell'indagine umanistica è solitamente classificata sotto due quadri sovrapposti: la storia computazionale e le scienze umane digitali (DH).

Storia computazionale: formalizzare lo studio del passato

La storia computazionale applica tecniche di modellazione quantitativa, algoritmica e formale alla ricerca storica, trasformando l'archivio in un dataset e la narrazione in un'ipotesi testable. Questo approccio permette agli storici di porre domande a scala impossibile da affrontare attraverso una lettura da sola. Un ricercatore può tracciare la diffusione di idee scientifiche attraverso secoli di corrispondenza, misurare l'impatto delle rese meteorologiche utilizzando registri parrocchiali, o simulare il crollo di una catena di approvvigionamento durante la guerra.

I risultati del suo studio sono basati sull'eredità della cliometria degli anni '60 ma si sono espansi drammaticamente a causa della digitalizzazione.Gli storici computazionali moderni impiegano regolarmente l'elaborazione del linguaggio naturale (NLP) per analizzare il sentimento negli archivi di giornale, l'analisi della rete per studiare i gruppi di lobbying nei registri parlamentari, e la modellazione basata su tutorial per comprendere i modelli di migrazione.

Tuttavia, la storia computazionale non è un positivismo ingenuo. Il miglior lavoro nel campo rimane profondamente critico delle proprie fonti. I dati non sono mai crudi; è raccolto, pulito, e etichettato secondo scelte specifiche che incorporano particolari visioni del mondo. Come gli studiosi al Mining the Dispatch] progetto dimostrato, la modellazione di argomenti può rivelare solo le questioni di fondo dell'archivio di Civil Warmondase

Umanità digitali: Infrastrutture, Accesso e Interpretazione

L'integrazione di un'immagine globale [LT] è un'esperienza di sviluppo di un'organizzazione di studio, che offre un'ampia e diversificata struttura di ricerca e sviluppo di un'organizzazione di studio, un'organizzazione di studi e una formazione di base.

Un progetto tipico riguarda gli storici, i bibliotecari, gli sviluppatori di software, i progettisti di UX e le parti interessate della comunità. Questo approccio basato su team riflette la complessità della costruzione di risorse digitali durevoli. Le scelte fatte su schemi di istanza di metadati, formati di file e progettazione di interfaccia hanno implicazioni di lunga durata per come il materiale storico può essere utilizzato.

Il modo in cui una mappa è stratificato, una linea temporale è tracciata, o un documento è trascritto influenze che cosa gli utenti possono chiedere. Il [[LT:0]Mapping the Republic of Letters progetto a Stanford non ha solo visualizzare le reti di corrispondenza; ha progettato interfacce interattive che hanno permesso agli studiosi di filtrare per data, corrispondente, e la profondità di archivio, trasformando

L'intersezione produttiva

La ricerca più emozionante oggi vive all'incrocio tra storia computazionale e progetti DH. che combinano infrastrutture robuste con algoritmi rigorosi possono rispondere a domande che nessun campo potrebbe affrontare da solo. La sinergia non è semplicemente additiva; crea un loop di feedback in cui l'infrastruttura DH consente il calcolo e i risultati computazionali informano la raffinatezza delle infrastrutture.

Testo a grande scala Mining e Corpus Linguistica

La storia computazionale si basa su grandi corporazioni di testo; DH fornisce gli standard di digitalizzazione e i metadati che rendono questi corpi utilizzabili. Il Viral Texts] progetto presso la Northeastern University usato algoritmi di rilevamento del testo per tracciare come i giornali del XIX secolo copiato e circolato contenuti negli Stati Uniti. Questa ricerca è stata possibile solo perché la Biblioteca del Congresso e NEHling America ha costruito

Modelli spaziali e temporanei

I progetti DH come il Great Britain Historical GIS] assemblano vaste quantità di dati del censimento, registri dell'uso del suolo e cambiamenti di confine.Gli storici computazionali poi applicano la regressione spaziale, la stima della densità del kernel e l'analisi delle serie temporali a questi strati.

Case study: La Pandemica dell'influenza del 1918

Collegando i record ospedalieri digitalizzati (un DH erogabile) con i modelli statistici spaziali (un metodo di storia computazionale), i ricercatori hanno potuto tracciare l'impatto degli interventi di sanità pubblica durante la pandemia del 1918. I risultati hanno dimostrato che gli interventi non farmacologici - chiusure scolastiche, bandi di raccolta della febbre pubblica - la mortalità significativamente ridotta, ma solo se attuata in anticipo e stratificata.

Analisi di rete delle Comunità sociali e intellettuali

L'analisi di rete è diventata uno strumento standard nella storia computazionale, usato per studiare tutto dalle rotte commerciali alla corrispondenza scientifica. I progetti DH forniscono spesso i dati grezzi: chi ha scritto a chi, quando e da dove. Progetti come il Six Degrees of Francis Bacon] hanno usato la visualizzazione di rete per ricostruire i social network dei primi moderni intellettuali britannici.

Sfide durature all'Intersezione

Nonostante la promessa, combinando la storia computazionale e le umanità digitali, presenta ostacoli significativi che il campo sta ancora imparando a navigare, che non sono solo tecnici, ma sono epistemologici, istituzionali ed etici.

Qualità dei dati, Bias e Provenance

Le fonti digitalizzate non sono pulite, complete o neutrali. Il riconoscimento dei caratteri ottico (OCR) introduce errori che variano tra font, linguaggi e layout di pagina. Un corpus che è 80% esatto potrebbe essere sufficiente per la ricerca full-text ma disastroso per analisi di NLP finemente radicate come il riconoscimento delle entità. Inoltre, gli sforzi di digitalizzazione hanno storicamente priorità occidentale, elite e materiali stati-prodotti.

Bias algoritmico

Anche se i dati sono puliti, gli algoritmi portano le proprie biasi. I modelli di embedding di parole formati su giornali storici riprodurranno fedelmente i pregiudizi razziali, di genere e di classe di quelle fonti. Un'analisi ingenua potrebbe confondere la bias storica con il fatto oggettivo. Gli storici computazionali devono costantemente convalidare i loro modelli contro i contesti storici noti e essere trasparenti sui limiti dei loro metodi.

Sostenibilità delle infrastrutture digitali

Molti progetti DLT sono basati su finanziamenti a breve termine. Una volta che la sovvenzione termina, le mappe interattive, database e strumenti possono smettere di lavorare. Il problema della putrefazione del software è acuto. Uno storico computazionale che costruisce un'analisi della rete su un database specifico DH può trovare il database offline o rotto entro un decennio.

Credito, Lavoro e Cultura Accademica

I progetti DH sono intrinsecamente collaborativi, ma i sistemi di ricompensa accademici ancora privilegiano monografie autorizzate. Gli studiosi che costruiscono l'infrastruttura - i metadati bibliotecari, gli sviluppatori di software, i project manager - spesso ricevono meno riconoscimento accademico rispetto agli storici che utilizzano i dati per produrre articoli.

Comunicazione interdisciplinare

Gli storici computazionali possono mancare di formazione in scienze della biblioteca, mentre i professionisti del DH non possono capire le ipotesi statistiche dietro un modello computazionale. La costruzione di un vero intersezione richiede una collaborazione intenzionale, spesso attraverso laboratori comuni, corsi co-didatta, e vocabulari condivisi.

Traiettorie future

La prossima ondata di innovazione approfondirà l'integrazione tra analisi computazionali e infrastrutture umanistiche, e diverse tendenze emergenti promettono di rimodellare il paesaggio nel prossimo decennio.

AI generativo e la consapevolezza ermeneutica

I modelli di linguaggio (LLM) offrono nuove potenti capacità. Possono riassumere i documenti, tradurre le lingue arcaiche e e estrarre i dati strutturati dal testo non strutturato.

Linked Open Data e il Web Semantic

I progetti DH maturano, la tendenza è verso una maggiore interoperabilità. Linked Open Data (LOD) permette a una persona menzionata in un registro censuale di essere automaticamente collegata alla loro corrispondenza in un archivio epistolario. Piattaforme come Wikidata]] servono come hub per la riconciliazione dell'entità.

Umanità digitali globali e partecipative

Molti strumenti di DH sono stati costruiti in Europa e Nord America, ma le fonti di archiviazione più ricche sono distribuite in tutto il mondo. Progetti come Mukurtu] autorizzano comunità indigene a gestire il loro patrimonio culturale sui loro termini, incorporando protocolli per l'accesso e l'uso che rispettano le conoscenze tradizionali.

Conclusioni

DH fornisce l'infrastruttura essenziale, gli archivi digitalizzati, gli standard di metadati e le piattaforme collaborative, che rende possibile l'analisi computazionale, a sua volta, dimostra il valore di tale infrastruttura producendo nuove conoscenze sul passato.