Mga nadagdag:
- Kakayahang i-set up ang HTR at transliterasyon na daloy ng trabaho at ipaliwanag kung bakit ang raw draft ay nangangailangan ng ekspertong pagsuri sa bawat linya
- Kakayahang protektahan ang mga lugar na hindi nababasa sa pamamagitan ng paghingi ng mga alternatibo sa halip na magpataw ng isang tumpak na pagbabasa kung sakaling magkaroon ng kalabuan ng patinig/titik sa Ottoman Turkish
- Kakayahang paghiwalayin ang orihinal na transliterasyon mula sa isang hiwalay na layer ng pagpapasimple, na pinapanatili ang pangwakas na pang-agham na responsibilidad sa paleographer
Marahil ang pinaka-hinihingi na bahagi ng makasaysayang pananaliksik ay ang pag-transcribe ng mga manuskrito at lumang nakasulat na mga dokumento sa nababasang teksto. Ang isang liham, isang kuwaderno, isang talaan ng hukuman o isang dokumento ng Ottoman ay magiging mahahanap lamang pagkatapos itong ma-transcribe. Ang transkripsyon ay ang pagkilos ng paglilipat ng mga nilalaman ng isang dokumento (kadalasan ay sulat-kamay o sinaunang script) sa isang nakasulat, nababasang teksto. Sa kaso ng Ottoman, ito ay madalas na sinasamahan ng transliterasyon: paglilipat ng teksto sa mga titik ng Arabe sa alpabetong Latin na may katumbas na titik-por-titik.
Gumamit kami ng OCR para sa mga naka-print na teksto; Ang sulat-kamay ay nangangailangan ng ibang teknolohiya: HTR (Handwritten Text Recognition). Ang HTR ay isang teknolohiyang katulad ng OCR ngunit mas mahirap na nagko-convert ng mga sulat-kamay na dokumento sa machine text. Sa unit na ito makikita natin kung paano gamitin ang HTR at AI sa Ottoman at transkripsyon ng manuskrito, ang mga margin ng error at kung bakit mas kritikal dito ang pag-verify.
Bakit napakahirap ng sulat-kamay?
Ang sulat-kamay ay higit na nagbabago kaysa sa naka-print na teksto: ang bawat manunulat ay may natatanging kamay, ang mga titik ay pinagsama-sama, ang mga pagdadaglat at mga espesyal na palatandaan ay ginagamit, ang tinta ay dumudugo, ang papel ay napuputol. Sa Ottoman Turkish ang kahirapan ay pinarami:
- Mga anyo ng liham ayon sa konteksto: Ang parehong letra ay nakasulat nang iba sa simula, gitna at dulo ng salita.
- Hindi sumusulat ng mga patinig: Ang mga maikling patinig ay kadalasang hindi isinusulat; kinukumpleto ng mambabasa mula sa konteksto. Lumilikha ito ng mga kalabuan tulad ng "pagtanggap o pagtanggi?"
- Iba't ibang istilo ng pagsulat: Mayroong iba't ibang istilo ng sulat-kamay gaya ng rik'a, divani, ta'lik; Ang bawat isa ay nangangailangan ng ibang kadalubhasaan sa pagbabasa.
- Bokabularyo ng Ottoman: Mga salita mula sa Arabic at Persian na wala sa Turkish ngayon.
Samakatuwid, gumagana ang HTR at AI na may mas mataas na margin ng error sa Ottoman Turkish kaysa sa pag-print ng OCR. Ang mata ng isang ekspertong paleographer (paleography - ang agham ng pagbabasa ng mga sinaunang kasulatan) ay hindi isang kasangkapan dito, ngunit isang pangangailangan.
Daloy ng Trabaho: hakbang-hakbang
1. Ihanda ang kalidad ng dokumento. Tulad ng OCR, ang mataas na resolution at magandang contrast ay mahalaga. Ito ay mas kritikal sa sulat-kamay.
2. Piliin ang HTR model. Ang mga modelong Ottoman, Arabic handwriting, o HTR na partikular na sinanay para sa isang partikular na panahon ay mas matagumpay kaysa sa mga pangkalahatang modelo. Subukan kung aling modelo ang gumagana nang maayos para sa isang panahon at istilo ng pagsulat.
3. Bumuo ng raw transcription. Ang modelo ng HTR ay gumagawa ng isang balangkas. Sa Ottoman Turkish, ang draft na ito ay isang simula na puno ng mga error na dapat suriing mabuti ng isang may karanasang mata.
4. Pagpapabuti ng konteksto gamit ang AI. Maaari kang magkaroon ng mga hindi pagkakapare-pareho ng flag ng AI, posibleng mga alternatibo sa pagbabasa, at mga kahina-hinalang lokasyon sa raw na output. Ngunit ang "pagwawasto" ng AI ay partikular na mapanganib dito: maaari itong magmungkahi ng isang gawa-gawang pagbabasa.
5. Transliterasyon at pagpapasimple (layered). Ang transliterasyon ng teksto sa mga titik na Arabe sa mga letrang Latin, na sinusundan ng pinasimpleng pagbasa nito sa Turkish ngayon, ay ginawa bilang magkahiwalay na mga layer. Ang orihinal ay hindi kailanman nasisira.
6. Pagpapatunay ng eksperto. Ang huling transkripsyon ay inaprubahan ng isang dalubhasa na may kaalaman sa paleograpiya at panahon sa pamamagitan ng paghahambing nito sa dokumento.
Pansin: Sa Ottoman Turkish, kapag "hulaan" ang isang salita na may hindi nakasulat na patinig mula sa konteksto, ang AI ay maaaring gumawa ng ganap na maling pagbabasa at ipakita ito sa isang tiwala na wika. Ang pagkakaiba sa mga titik, tulad ng "kabul" sa halip na "kabil" o "alem" sa halip na "alim", ay ganap na nagbabago sa kahulugan. Ang bawat hindi tiyak na pagbasa ay dapat iharap sa mga alternatibo, at walang solong tiyak na pagbasa ang dapat ipataw.
Mga layer at responsibilidad na may isang talahanayan
layer
Nilalaman
Papel ng AI
Papel ng dalubhasa
Imahe
orihinal na dokumento
—
Pinagmulan
draft ng HTR
Pagbabasa ng raw machine
gumagawa
Kontrolin mula simula hanggang matapos
transliterasyon
transposisyon ng letrang Latin
iminumungkahi ng draft
Itinutuwid, itinutuwid
Mga tala ng kawalan ng katiyakan
[?] at mga alternatibo
mga palatandaan
nagpapasya
Pagpapasimple
Turkish ngayon
iminumungkahi ng draft
Mga pag-apruba
publikasyong siyentipiko
Panghuling teksto + mga tala
—
Expert lang
tatlong mini case
Case 1 — Pinabilis ng HTR ang unang draft ng 5x. Ang isang mag-aaral ng doktor ay magsasalin ng isang 200-pahinang Ottoman notebook. Ang buong manu-manong transkripsyon ay tinatantya sa 60 araw ng negosyo. Sa isang modelo ng HTR na sinanay para sa panahon, ang raw draft ay lumabas sa loob ng ilang oras; Itinama ng estudyante ang draft na ito at binawasan ang trabaho sa 12 araw ng trabaho. Ngunit kailangan niyang ikumpara ang bawat pahina sa dokumento, linya sa linya; Humigit-kumulang 30% ng draft ay mali.
Case 2 — Isang letra, isang kahulugan. Isang mananaliksik ang umasa sa isang salitang binasa ng AI bilang "gobernador." Sa ilalim ng kontrol ng dalubhasa, naunawaan na ang salita ay talagang "tagapag-alaga" (responsable para sa isang bata/tao), at dahil hindi minarkahan ang patinig, mali ang hula ng AI. Ang legal na kahulugan ng dokumento ay ganap na nagbabago. Aralin: Sa Ottoman Turkish, ang isang pagkakaiba ng titik/patinig ay nagiging dahilan upang mabigyang-kahulugan ang dokumento mula sa simula; kailangan ng eksperto.
Kaso 3 — Nilikhang pagkumpleto. Sa isang linya na ang tinta ay naubos at isang salita na hindi nababasa, pinunan ng AI ang puwang ng isang "lohikal" na salita. Napagtanto ng eksperto na ang agwat na iyon ay talagang isang pangalan ng lugar at ang AI ay nabuo ito. Naiwan ang espasyo bilang [illegible]. Aralin: hindi napupunan ang hindi nababasang espasyo, ito ay minarkahan.
Apat na maaaring kopyahin na mga template
1) Transliterasyon na nagpapanatili ng kalabuan:
Nasa ibaba ang HTR raw na output/transliteration ng isang Ottoman na dokumento. Ang iyong gawain ay suriin ang teksto at i-flag ang mga posibleng error sa pagbabasa. Mga Panuntunan: (1) Mag-alok ng 2-3 posibleng alternatibo sa pagbabasa para sa bawat salita na hindi ka sigurado, huwag magpataw ng isa. (2) Iwanan ang [illegible] sa mga illegible na lugar, huwag punuin. (3) DAGDAG ng mga salita na wala sa teksto. (4) Magpakita ng mga kahalili sa mga salitang may malabo na patinig. Teksto: [dito]
2) Layered na pagbabasa (orihinal + pagpapasimple):
Bumuo ng DALAWANG column para sa sumusunod na na-verify na transliterasyon ng Ottoman: (1) Orihinal na transliterasyon (pindutin), (2) Pinasimpleng pagbabasa sa Turkish ngayon. PAGDAGDAG ng kahulugan, pagdaragdag ng interpretasyon sa pagpapasimple; update lang ng language. Markahan ang mga lugar na may malabong kahulugan[indistinct]. Pagsasalin: [dito]
3) Pagkuha ng termino at tao:
Ang mga personal na pangalan, pangalan ng lugar, pamagat at pana-panahong termino na binanggit sa transkripsyon sa ibaba ay lumilitaw sa magkakahiwalay na listahan. Kunin lamang ang mga MALIWANAG na binanggit sa teksto; Huwag magdagdag sa pamamagitan ng paghula. Markahan ng [?] kung hindi ka sigurado sa pagbigkas. Teksto: [dito]
4) Kahina-hinalang read control:
Isang may karanasan na controller ng paleography sa papel. Sa transkripsyon sa ibaba, markahan ang mga salitang hindi magkatugma sa kahulugan, hindi akma sa panahon o hindi akma sa konteksto, at isulat kung bakit sila ay kahina-hinala. Pagpapataw ng tiyak na pagwawasto; Bumuo ng listahan ng mga hinala na ihahambing ng dalubhasa ng tao sa dokumento. Teksto: [dito]
Mahinang prompt / Malakas na prompt
mahina:
Basahin itong Ottoman text at ibigay sa akin ang pagsasalin nito.
Itinulak nito ang AI upang makagawa ng isang solong, tiyak na pagbabasa, pagtatago ng mga kalabuan at pag-angkop sa mga puwang. Sa Ottoman Turkish, ito ay halos isang garantisadong pagkakamali.
malakas:
Tingnan ang Ottoman transliteration sa ibaba. Isang tiyak na pagbasa: IMPOSITION. Magbigay ng mga posibleng alternatibo para sa bawat hindi malinaw na salita, iwanan ang mga bahaging [illegible], huwag magdagdag ng anumang wala sa teksto. Ibigay ang pinasimpleng pagbabasa sa Turkish ngayon sa isang hiwalay na column, ngunit panatilihin ang orihinal. Markahan ang anumang bagay na hindi ka sigurado sa [?] upang maihambing ito ng eksperto sa dokumento. Teksto: [dito]
Ang pagkakaiba: mahigpit na pagbabawal sa pagbabasa, paghiling ng mga alternatibo, pagpapanatili ng whitespace, at layered na output ay nagbibigay-daan sa pag-verify ng eksperto.
Mga karaniwang pagkakamali
- Napagkakamalang tama ang draft ng HTR. Sa Ottoman Turkish, marami sa raw draft ay maaaring hindi tumpak; Linya sa pamamagitan ng linya kontrol ay isang kinakailangan.
- Ang tanging tiyak na pagbabasa ay ang magpataw. Kung ang mga alternatibo ay nakatago sa mga salita na ang mga patinig ay hindi nakasulat, ang maling kahulugan ay itatala.
- Pagpuno sa hindi nababasang lugar. Dapat itong protektahan ng whitespace [illegible], hindi gawa-gawa.
- Paghahalo ng orihinal na may pagpapagaan. Ang pagpapasimple ay dapat na isang hiwalay na layer; Ang orihinal na transliterasyon ay hindi dapat baluktot.
- Hindi pagpapagana sa eksperto. Nang walang kaalaman sa paleography at panahon, ang pagbabasa ng AI ay isang hula na walang pang-agham na halaga.
Sa buod
Ang transkripsyon ng Ottoman at manuskrito ay maaaring lubos na mapabilis sa yugto ng raw draft gamit ang HTR at AI; Makakakuha ka ng unang output na nagpapababa ng mga araw ng trabaho sa mga oras. Ngunit ito ay tiyak sa lugar na ito na ang isang solong titik, isang solong patinig na pagkakaiba ay nagbabago ng kahulugan; May posibilidad na itago ng AI ang kawalan ng katiyakan at punan ang mga puwang. Ang tamang paraan ay layered: raw outline, alternatibong mga tala ng kalabuan, isang hiwalay na layer ng pagpapasimple at, higit sa lahat, line-by-line na pag-verify ng dokumento ng isang ekspertong pamilyar sa paleography. Pinapabilis ng AI ang paunang pagbabasa; Ang pang-agham na responsibilidad ay pag-aari ng eksperto.
Gawain ng aplikasyon
Kumuha ng transliterasyon ng isang Ottoman o manuskrito na dokumento (iyong sariling produksyon o isang nai-publish na kopya). Humingi sa AI ng isang alternatibong pagbabasa gamit ang template na "ambiguity-preserving transliteration". Pagkatapos ay buuin ang layer ng pagpapasimple nang hiwalay gamit ang "layered reading". Ihambing ang bawat salitang malabo na minarkahan sa isang ekspertong pinagmulan o diksyunaryo; Tandaan kung gaano karaming mga error ang magagawa ng AI kung magpapataw ito ng isang pagbabasa.
checklist
- [ ] Gumamit ako ng HTR/modelo na angkop sa panahon at istilo ng pagsulat.
- [ ] Humingi ako sa AI ng mga alternatibo sa eksaktong pagbabasa.
- [ ] Pinoprotektahan ko ang mga hindi nababasang bahagi ng [hindi nababasa].
- [ ] Pinananatiling hiwalay ko ang orihinal na transliterasyon mula sa pagpapasimple.
- [ ] Pinatunayan ko ang huling teksto ng isang eksperto/dokumentaryo na nakakaalam ng paleography.