Faida:
- Uwezo wa kutoa muundo kutoka kwa seti kubwa za maandishi kwa kutumia mbinu kama vile NER, uchimbaji wa uhusiano, kalenda ya matukio na uchambuzi wa mtandao.
- Kuwa na uwezo wa kuona muundo kama dhahania badala ya ushahidi, kuunganisha vyombo na chanzo na kuvirekebisha kwa idhini ya mwanadamu.
- Uwezo wa kuelewa jinsi nambari zinavyoweza kupotosha kwa sababu ya kukosa data na upendeleo wa sampuli, na kuzuia uhusiano uliotungwa na mpangilio wa nyakati.
Utafiti wa kihistoria sio tu kusoma hati za mtu binafsi; mara nyingi hutafuta mifumo katika seti kubwa za nyaraka. Je, jina fulani huonekana katika mazingira gani kwa miaka mingi? Ni watu gani wanaohusishwa na makazi? Mada inabadilikaje kwa wakati? Nani analingana na nani? Maswali kama haya yanahitaji kutazama sio hati moja, lakini mamia ya hati kwa pamoja. Hii mara nyingi huitwa ubinadamu wa kidijitali—utumiaji wa mbinu za kukokotoa kwa nyanja kama vile historia na fasihi.
AI ina nguvu katika kutoa maelezo yaliyopangwa kutoka kwa seti kubwa za maandishi. Katika kitengo hiki, utajifunza NER (utambuzi wa huluki uliopewa jina), muundo na uchimbaji wa uhusiano, mantiki ya uundaji wa mada na uundaji wa kalenda ya matukio; lakini pia tutajadili mtego hatari zaidi wa mbinu hizi—AI inayojionyesha kama "imepata" muundo ambao haupo.
Mbinu za kimsingi
- NER (Utambuzi wa Huluki Unaoitwa): Utoaji wa kiotomatiki wa huluki kama vile mtu, mahali, taasisi, tarehe kutoka kwa maandishi. Inatoa orodha kama "Majina yote ya mahali yaliyotajwa katika hati hizi 500" kwa dakika.
- Maoni ya uhusiano: Kuashiria uhusiano kati ya huluki ("Mtu X mahali Y", "A inalingana na B").
- Uundaji wa mada: Kutafuta kitakwimu makundi ya mada zinazojirudia katika seti kubwa ya maandishi. Inaonyesha ni mada zipi zimejikita katika kipindi gani.
- Makisio ya kalenda ya matukio: Kupanga matukio ya tarehe katika hati kwa mpangilio wa matukio.
- Uchanganuzi wa mtandao: Kutazama mahusiano baina ya watu/taasisi kama mtandao (ambaye ndiye kitovu, ambaye ni mahali pa kuunganisha).
Lengo la pamoja la haya yote ni kufichua miundo ambayo haionekani katika hati moja lakini inaonekana katika mkusanyiko wote. Mbinu hizi hufanya mifumo inayoonekana ambayo kamwe isingeweza kuonekana kupitia kusoma pekee. Lakini kila mmoja wao ni "ishara", sio "ushahidi"; Ni muhimu kuthibitisha kile kinachopatikana katika hati asili.
Dhana inayotumika mara kwa mara katika uwanja huu ni tofauti kati ya usomaji wa karibu (kusoma maandishi kwa kina, mstari kwa mstari) na usomaji wa mbali (kuangalia mamia/maelfu ya maandishi kwa pamoja, kitakwimu). AI hufanya iwezekane kusoma kwa mbali: unaona ruwaza katika kundi kubwa la kutosha kudumu maisha ya mwanadamu mmoja. Lakini wakati usomaji wa mbali unaonyesha muundo, ni muhimu kurudi kusoma kwa karibu, yaani, kwa hati ya awali, ili kuifanya. Mbinu hizo mbili hazibadiliki; Moja inaonyesha muundo, nyingine inatoa maana yake. Utafiti thabiti zaidi hutumia zote mbili pamoja.
Kidokezo: Tumia uchanganuzi wa muundo kama jenereta dhahania: "AI imeona mchoro hapa, ni kweli?" Kisha angalia muundo huo kwenye hati moja baada ya nyingine. Mchoro ndio mwanzo wa utafiti wako, sio matokeo.
Mtiririko wa kazi: hatua kwa hatua
1. Bainisha swali. "Ni watu gani wanaoonekana pamoja mara nyingi zaidi katika mkusanyiko huu?" Swali la muundo wazi kama.
2. Tayarisha na uweke lebo data. Panga maandishi kwa kutumia marejeleo ya chanzo ili mali yoyote inayopatikana iweze kuunganishwa kwenye hati.
3. Chombo/muundo unaonekana. Tengeneza NER, uhusiano au ratiba ya matukio na AI.
4. Weka kawaida. Changanya tahajia tofauti za mtu/mahali sawa ("Istanbul / Istanbul / Kostantiniyye" mahali pamoja?). Hatua hii ni muhimu; Ikiwa imeachwa, muundo utaanguka.
5. Thibitisha katika hati. Angalia hati halisi kwa ruwaza zozote muhimu ambazo zimealamishwa. Hakikisha AI haiongezi kiungo kilichoundwa.
6. Maoni. Nini maana ya muundo ni hukumu ya mwanahistoria; AI inaashiria tu muundo.
Nambari na mtego wa takwimu
Uchambuzi wa muundo mara nyingi hutoa nambari: "jina X hutokea mara 47", "mandhari hii iko katika 30% ya nyaraka". Nambari hizi zinaonekana kuwa na lengo lakini zinaweza kupotosha:
- Data inayokosekana: Ikiwa mkusanyiko tayari haujakamilika (nyaraka zimepotea, kikundi hakijawahi kurekodiwa), nambari inaonyesha hati zilizobaki, sio ukweli.
- Hitilafu ya urekebishaji: Iwapo mtu yule yule ameandikwa tofauti na kuhesabiwa kando, nambari itakuwa si sahihi.
- Kupoteza muktadha: "hutokea mara 47" haisemi chochote; Jinsi inavyopitishwa (chanya/hasi, somo/kitu) ni muhimu.
pato la muundo
maana dhahiri
hatari halisi
"X hutokea mara 47"
mtu muhimu
Mkusanyiko usio kamili, tofauti za tahajia
"Mandhari 30%"
mada kuu
upendeleo wa sampuli
"A-B mara nyingi pamoja"
uhusiano wa karibu
Sadfa, muktadha unaokosekana
"muda"
kronolojia kamili
Hati zisizo na tarehe, agizo la uwongo
kesi tatu ndogo
Kesi ya 1 - Uchambuzi wa mtandao ulifichua mpatanishi aliyefichwa. Mtafiti alichunguza mkusanyiko wa barua 800. Na AI, ambaye aliandika kwa nani aliyedhamiriwa na mtandao ukaundwa. Mtandao ulionyesha kuwa mtu anayeonekana kuwa mdogo kwa mtazamo wa kwanza kwa kweli alikuwa sehemu kuu ya mawasiliano kati ya vikundi viwili. Mtafiti alizingatia barua za mtu huyu na kufikia matokeo mapya. Lakini kwanza alithibitisha viungo vyote kwenye hati.
Kesi ya 2 - Hitilafu ya urekebishaji iliharibu nambari. Mwanafunzi aliwaagiza kuhesabu mara ambazo mahali palionekana kwenye hati. Kwa kuwa AI ilihesabu tahajia tatu tofauti za sehemu moja kando, nambari hiyo iligeuka kuwa theluthi moja ya nambari halisi. Tahajia zilipounganishwa, mahali palikuwa katika nafasi ya tatu inayotokea mara kwa mara. Somo: bila kuhalalisha nambari haiwezi kuaminiwa.
Kesi ya 3 - Ratiba ya matukio iliyoundwa. Mtafiti aliunda kalenda ya matukio kutoka kwa hati zisizo na tarehe. AI ilipanga matukio yasiyojulikana kwa mpangilio "wa kimantiki" na kuwasilisha mpangilio sahihi wa matukio. Walakini, mlolongo huu haukuwa kwenye hati, AI ilikuwa imeifanya. Somo: ratiba ya matukio imeundwa tu kutoka kwa matukio ambayo yana tarehe katika hati; iliyobaki inabaki kuwa "ya tarehe".
Violezo vinne vinavyoweza kunakiliwa
1) NER (maelekezo ya chombo):
Watu, maeneo, taasisi na tarehe zilizotajwa katika hati zilizo hapa chini zinaonekana kama orodha TENGE. Onyesha ni hati gani (rejeleo) kila chombo kimetajwa. Chukua tu kile ambacho kimesemwa KWA UWAZI katika maandishi; ongeza kwa kubahatisha. Weka alama [?] kama huna uhakika wa matamshi. Nyaraka: [hapa]
2) Urekebishaji wa chombo:
Katika orodha ya huluki iliyo hapa chini, panga tahajia tofauti ambazo zinaweza kuwa mtu/mahali sawa (k.m. "Istanbul / Kostantiniyye"). Pendekeza umbizo la kawaida linalowezekana kwa kila kikundi LAKINI usilazimishe mchanganyiko halisi; Ongeza kidokezo "labda sawa, wacha watu wathibitishe". Wacha ikiwa huna uhakika. Orodha: [hapa]
3) Muhtasari wa uhusiano / mtandao:
Toa viungo vya "nani anahusiana na nani" kutoka kwa seti ifuatayo ya mawasiliano/nyaraka. Kwa kila kiungo, onyesha ni hati gani (rejeleo) inategemea. IMEUNDA uhusiano ambao hauko WAZI kwenye hati. Weka alama kwenye viungo visivyoeleweka [visivyoeleweka]. Nyaraka: [hapa]
4) Ratiba ya tarehe:
Orodhesha kwa mpangilio wa matukio tu matukio yaliyotajwa KWA UWAZI katika hati zifuatazo; Unganisha kila tukio na chanzo chake. Orodhesha matukio yenye tarehe zisizo na uhakika kando chini ya kichwa "yaliyowekwa tarehe", USIYAweke kwa mpangilio. USITENGE tarehe iliyokadiriwa. Nyaraka: [hapa]
Mwongozo dhaifu / Mwongozo thabiti
Dhaifu:
Changanua hati hizi na utoe ruwaza muhimu, mahusiano na ratiba za matukio.
"Nyoa ruwaza muhimu" husukuma AI kuvumbua miunganisho isiyokuwepo na mpangilio sahihi wa nyakati, ikiwasilisha nambari bila kusawazisha.
Nguvu:
Hutoa mtu/mahali/taasisi kutoka kwa hati zifuatazo kwa kuunganisha kila moja na kumbukumbu ya hati. Tia alama tahajia tofauti ambazo zinaweza kuwa sawa na "zinaweza kuunganishwa", lakini usiunganishe. Mahusiano ambayo hayajaelezwa kwa uwazi katika hati na matukio yenye tarehe zisizo uhakika HAYAFIKI; watenganishe wasio na tarehe. Nyaraka: [hapa]
Tofauti: maelezo ya chanzo, kuacha urekebishaji kwa wanadamu, kupiga marufuku uhusiano/historia ya uwongo, na utenganisho wa matukio ambayo hayana tarehe hufanya muundo huo utetewe.
Makosa ya kawaida
- Kupotosha muundo kwa ushahidi. Muundo ni dhana; imethibitishwa katika hati.
- Kuruka kuhalalisha. Tahajia tofauti za huluki moja hupotosha nambari na mtandao.
- Uaminifu wa kipofu katika idadi. Ukusanyaji usio kamili na upendeleo wa sampuli hufanya nambari kupotosha.
- Ratiba ya matukio iliyoundwa. Matukio yasiyo na tarehe hayajajumuishwa katika mpangilio wa matukio.
- Kupuuza muktadha. Sio "ni mara ngapi ilipitishwa", lakini "jinsi ilivyopitishwa" ambayo ni muhimu.
Kwa muhtasari
Uchanganuzi wa maudhui na ugunduzi wa muundo ni sehemu yenye nguvu ambapo AI hutengeneza miundo inayoonekana ambayo haitaonekana kupitia usomaji pekee: uchimbaji wa huluki, mitandao ya uhusiano, nguzo za mada, kalenda za matukio. Lakini kila muundo ni hypothesis, sio ushahidi. Unganisha mali kwenye chanzo, rekebisha kwa uangalifu na kwa uthibitisho wa kibinadamu, uliza nambari kwa kukosa data na upendeleo, epuka uhusiano uliotungwa na mpangilio wa matukio. AI inaashiria muundo; Maana yake na kama ni kweli ni hukumu ya mwanahistoria.
Jukumu la maombi
Kusanya angalau vipande 15 vya hati (pamoja na marejeleo). Chapa mtu na uweke huluki kwa kiolezo cha "NER". Kisha panga tahajia tofauti na "urekebishaji wa chombo" na uthibitishe vikundi mwenyewe. Hatimaye, endesha kiolezo cha "ratiba ya tarehe" na uone ni matukio mangapi yatakayosalia "yakiwa na tarehe." Linganisha ni viungo vingapi vilivyotungwa au mpangilio wa nyakati ambazo AI inaweza kutoa kwa msukumo mbaya.
orodha ya ukaguzi
- [ ] Nimefafanua wazi swali langu la muundo.
- [ ] Nina kila huluki iliyounganishwa na kumbukumbu ya hati.
- [ ] Nilirekebisha uchapaji wa huluki na kuuchanganya na idhini ya mwanadamu.
- [ ] Nilihoji nambari kwa kukosa data na upendeleo.
- [ ] Sikuweka matukio ambayo hayana tarehe katika mpangilio wa matukio, niliyaweka tofauti.