OCR-Based Field Extraction for Archaeological Pottery Metadata: The CENTURIA Dataset
تقدم الورقة البحثية CENTURIA، وهي مجموعة بيانات تضم 507 سجلاً مكتوباً بخط اليد للفخار الروماني، وتثبت أن الضبط الدقيق لنماذج التعرف الضوئي على الحروف (OCR) الحديثة باستخدام مجموعة دنيا من 57 عينة فقط مشروحة يعمل بفعالية على سد الفجوة بين المجالات، محولاً البيانات الوصفية الأرشيفية غير القابلة للوصட்டு إلى بيانات مهيكلة وقابلة للبحث بدقة عالية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
غالبًا ما تتحدث إلينا العصور التاريخية من خلال الأشياء التي تركها الناس وراءهم، ولكن بالنسبة لعلماء الآثار، فإن القرائن الأكثر حيوية غالبًا ما تكون مخبأة في وضح النهار داخل أرشيفاتهم الخاصة. تُعد كسر الفخار، المكسورة والمبعثرة عبر المواقع الأثرية القديمة، الوسيلة الأساسية التي يفهم من خلالها الباحثون الحياة اليومية، وطرق التجارة، والجداول الزمنية للمجتمعات الماضية. ولأن الطين يصمد أمام النار والزمن بشكل أفضل من أي شيء آخر تقريبًا، فإن هذه الشظايا تعمل كلغة عالمية للماضي. ومع ذلك، فإن القصة التي ترويها غالبًا ما تكون محبوسة في تنسيق لا تستطيع الحواسيب قراءته. فعلى مدى عقود، سجل علماء الآثار هذه الاكتشافات يدويًا، عبر رسم شكل الإناء المكسور وتدوين تفاصيله في دفاتر ملاحظات أو بطاقات. وتحتوي هذه الملاحظات المكتوبة بخط اليد على البيانات الجوهرية: أين عُثر على القطعة، وما نوع الإناء، وما حجمه. وبينما قد يتم مسح الرسومات الفيزيائية ضوئيًا وإدخالها إلى الحاسوب، يظل النص المكتوب بخط اليد مجرد صورة، غير مرئية لمحركات البحث وقواعد البيانات التي يمكن أن تساعد المؤرخين في ربط النقاط ببعضها عبر آلاف السنين.
يكمن التحدي في تعليم الحاسوب كيفية قراءة هذه الملاحظات المحددة وغير المنتظمة. فخلافًا للكتب المطبوعة أو الوثائق المطبوعة، تمتلئ هذه السجلات الأثرية باختصارات فريدة، ورموز غريبة، وخطوط يد تختلف من عالم آثار لآخر. وغالبًا ما تكون الملاحظات مبعثرة عبر الصفحة، دون ترتيب واضح للقراءة، كما يمكن أن يكون الحبر باهتًا أو مشطوبًا. لفترة طويلة، كانت الطريقة الوحيدة لجعل هذه المعلومات مفيدة للبحوث الحديثة هي استئجار أشخاص لطباعة كل ملاحظة يدويًا في حاسوب، وهي عملية بطيئة ومكلفة تركت مجموعات هائلة من التاريخ غير قابلة للوصاء. وكان السؤال الذي واجهه الباحثون هو ما إذا كان الذكاء الاصطناعي الحديث يمكنه تعلم قراءة هذه الأرشيفات الصعبة المكتوبة بخط اليد بمفرده، وتحويل صورة ثابتة لرسم تخطيطي إلى قائمة حقائق قابلة للبحث.
وضع فريق من الباحثين من جامعة فيينا التقنية والمعهد النمساوي للآثار خطة لحل هذه المشكلة من خلال إنشاء أداة جديدة واختبار جديد لهذه التكنولوجيا. فقد ركزوا على المجموعة الضخمة من سجلات الفخار من "كارنونتوم"، وهي مستوطنة رومانية رئيسية تقع فيما يعرف الآن بالنمسا. يضم هذا الموقع وحده حوالي 70,000 سجل تناظري (analog)، وهو كنز دفين من التاريخ ظل غير قابل للبحث بواسطة الحاسوب إلى حد كبير. جمع الفريق 507 سجلًا من هذه السجلات المكتوبة بخط اليد لبناء مجموعة بيانات أطلقوا عليها اسم "سنتوريا" (CENTURIA). وقد تم فحص كل سجل في هذه المجموعة وتصنيفه بعناً من قبل خبراء بشريين، مما خلق "مفتاح إجابة" مثاليًا يمكن للحاسوب التعلم منه. تضمنت مجموعة البيانات هذه المسوحات الأصلية، والنص الصحيح المكتوب بواسطة البشر، وخريطة هيكلية توضح بالضبط أي جزء من النص ينتمي إلى أي فئة، مثل موقع العثور على القطعة أو نوع الفخار.
بعد ذلك، اختبر الباحثون خمسة نماذج مختلفة من الذكاء الاصطناعي لمعرفة ما إذا كان بإمكانها قراءة هذه الوثائق دون أي مساعدة. هذه النماذج هي نفس نوع التكنولوجيا المستخدمة لقراءة خط اليد في مجالات أخرى، ولكن عندما أطلق الفريق العنان لها للتعامل مع سجلات الفخار دون أي تدريب، كانت النتائج سيئة. فقد ارتكبت الحواسيب أخطاء في كل سجل تقريبًا، حيث أخطأت في قراءة الحروف والأرقام لدرجة أنها لم تستطع استخراج المعلومات الصحيحة. كان معدل الخطأ مرتفعًا جدًا لدرجة أن الآلات كانت تخمن فعليًا، ففشلت في التعرف على الاختصارات والرموز المحددة التي يستخدمها علماء الآثار يوميًا. وقد أكد هذا أن مجرد تطبيق التكنولوجيا الحالية على هذه المشكلة لم يكن كافيًا؛ إذ كانت الحواسيب بحاجة إلى تعلم لغة علماء الآثار الخاصة.
ولإصلاح ذلك، جرب الفريق طريقة تسمى "الضبط الدقيق" (fine-tuning)، وهي تشبه إعطاء الحاسوب دورة مكثفة قصيرة في موضوع محدد. فبدلاً من عرض آلاف الأمثلة على الآلة، وهو أمر قد يستغرق سنوات لإعداده، عرضوا عليها 57 مثالاً فقط من سجلات الفخار التي تم تصحيحها بالفعل من قبل البشر. قاموا بتعديل الإعدادات الداخلية للحاسوب بشكل طفيف لمساعدته على فهم خط اليد والاختصارات الفريدة الموجودة في هذه الأرشيفات. كان التغيير دراماتيكيًا؛ فبعد هذا التدريب القصير، توقفت النماذج عن التخمين وبدأت في القراءة بدقة عالية. انخفض معدل الخطأ من أكثر من 30 بالمائة إلى أقل من 2 بالمائة. وأصبح بإمكان الحواسيب الآن تحديد موقع العثور على القطعة، ونوع الإناء، والقياسات بنسبة نجاح تقترب من 90 بالمائة.
كما استكشفت الدراسة كيفية جعل هذه العملية موثوقة بما يكفي للاستخدام في العالم الحقيقي. نظرًا لأن الحواسيب ليست مثالية، طور الباحثون نظامًا حيث يقرأ نموذجان مختلفان نفس الوثيقة ويقارنان إجاباتهما. إذا اتفق النموذجان على معلومة ما، يقبل النظام تلك المعلومة كإجابة صحيحة. سمحت هذه المراجعة البسيطة للفريق بالوثوق تلقائيًا بالنتائج لأكثر من نصف الوثائق، مع وضع علامات على الحالات الصعبة القليلة لمراجعتها من قبل البشر. يعني هذا النهج أن فريقًا صغيرًا من الخبراء يمكنه الآن معالجة أرشيف ضخم في جزء بسيط من الوقت الذي قد يستغرقه القيام بذلك يدويًا. وجد الباحثون أنه مع قدر ضئيل جدًا من وقت الخبراء لإنشاء أمثلة التدريب الأولية، استطاعوا فتح أبواب عقود من السجلات المكتوبة بخط اليد.
تظهر النتائج أن العائق أمام رقمنة هذه الأرشيفات ليس نقص التكنولوجيا، بل نقص بيانات التدريب المتخصصة. ومن خلال إثبات أن مجموعة صغيرة ومنسقة بعناية من الأمثلة كافية لتعليم الحاسوب كيفية قراءة هذه الملاحظات المتخصصة، فتح الباحثون الباب أمام الأرشيفات حول العالم لتصبح قابلة للبحث. توفر مجموعة بيانات "سنتوريا" والأساليب التي تم تطويرها في هذه الدراسة مخططًا لتحويل أكوام من الرسومات اليدوية القديمة إلى قاعدة بيانات حية وقابلة للبحث. وهذا يعني أن المؤرخين سيتمكنون قريبًا من طرح أسئلة معقدة حول الماضي، مثل كيفية تغير أنماط الفخار بمرور الوقت أو كيف تغيرت طرق التجارة، والحصول على إجابات من خلال البحث في ملايين السجلات التي كانت محبوسة سابقًا في الحبر والورق. إن هذا العمل يثبت أنه مع النهج الصحيح، يمكن أخيرًا سماع القصص المخبأة في خط اليد من الماضي بواسطة آلات المستقبل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.