JoinFinder: A Multi-Modal Architecture for Historical Manuscript Page Identification
يُعد JoinFinder إطار عمل للتعلم العميق متعدد الوسائط يستفيد من هوية المخطوطة كوسيط إشرافي قابل للتوسع لتعلم تمثيلات غنية (embeddings) قوية لتحديد واسترجاع قطع المخطوطات التاريخية، محققاً أداءً فائقاً في اكتشاف الوصلات المحتملة عبر مجموعة مخطوطات "جنيزا القاهرة" دون الحاجة إلى تسميات توضيحية صريحة للوصلات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 يُكتب التاريخ في شكل شظايا. فلقد قضى الباحثون لقرون في تجميع المخطوطات القديمة عبر مطابقة الحواف الممزقة فعليًا أو مقارنة أساليب الكتابة، وهي عملية مضنية تعتمد على عين وخبرة الخبراء وحدسهم. وعندما يتوزع كتاب واحد بين مكتبات مختلفة، أو عندما تتضرر صفحة لدرجة تصبح معها غير قابلة للتمييز، تصبح مهمة العثور على أجزائه المفقودة شبه مستحيلة. ويتجلى هذا التحدي بوضوح في "جنيزا القاهرة"، وهي مجموعة ضخمة من شظايا المخطوطات اليهودية المخزنة في "الجنيزا" (غرفة تخزين) في أحد المعابد اليهودية بالقاهرة. وعلى مدار القرن الماضي، تشتتت هذه الشظايا في مؤسسات حول العالم، وغالبًا ما تم فهرستها بشكل منفصل دون أي إشارة إلى أنها كانت تنتمي في الأصل إلى الكتاب نفسه. إن الحجم الهائل للمواد — مئات الآلاف من الصفحات — يجعل إعادة التجميع اليدوي أمرًا غير ممكن، مما يترك عددًا لا يحصى من الروابط التاريخية مخفية في وضح النهار.
ولحل هذه المعضلة، يحتاج الباحثون إلى وسيلة لتعليم الحواسيب كيفية التعرف على "بصمة" المخطوطة الفريدة. وهذه البصمة ليست مجرد النص المكتوب على الصفحة، بل هي الخصائص الفيزيائية للوثيقة نفسها: ملمس الورق، وتخطيط الأسطر، والشكل المحدد للحروف، وطريقة استقرار الحبر على السطح. وبينما أصبحت الحواسيب بارعة في قراءة النصوص، إلا أنها واجهت صعوبة في فهم هذه القرائن البصرية والهيكلية الدقيقة، خاصة عندما تكون الوثائق قديمة أو تالفة أو مكتوبة بلغات مختلفة. والهدف هو إنشاء نظام يمكنه النظر في شظية ما والعثور فورًا على الشظايا الأخرى التي تشاركها تاريخها، حتى لو كانت مخزنة في بلد آخر أو تبدو مختلفة قليًا بسبب التقادم أو الإضاءة.
قام فريق من الباحثين في جامعة تل أبيب بتطوير نهج جديد لهذه المشكلة يسمى "JoinFinder". وبدلاً من محاولة تعليم الكمبيوتر البحث عن "وصلات" أو روابط محددة بين الصفحات — وهي مهمة تفتقر إلى أمثلة كافية للتعلم منها — قاموا بتعليمه التعرف على هوية المخطوطات بأكملها. لقد استخدموا مجموعة كبيرة من المخطوطات المعروفة كساحة للتدريب، حيث عرضوا على الكمبيوتر آلاف الصفحات وطلبوا منه تجميعها بناءً على الكتاب الذي تنتمي إليه. ومن خلال تعلم التمييز بين مخطوطة وأخرى، تعلم النظام ضمنيًا التفاصيل البصرية والهيكلية الدقيقة التي تجعل كل مخطوطة فريدة من نوعها. وبمجرد تدريبه، يمكن تطبيق النظام على مجموعة جديدة تمامًا من الشظايا التي لم يسبق له رؤيتها، للبحث عن المطابقات بناءً على الأنماط التي تعلمها.
لقد بنى الباحثون نظامًا ينظر إلى صفحة المخطوطة من ثلاث زوايا مختلفة في آن واحد. أولاً، يفحص المظهر العام للصفحة، باحثًا في التخطيط، وكثافة الكتابة، وملمس المادة. ثانيًا، يركز على الحروف الفردية، محللًا الأشكال والضربات المحددة التي تميز خط اليد. ثالثًا، يقرأ النص نفسه، باستخدام التعرف الضوئي على الحروف لفهم الكلمات وترتيبها. ولا يعامل النظام هذه المصادر الثلاثة للمعلومات كمتساوية؛ بل يزنها بناءً على مدى موثوقيتها. فإذا كانت الصفحة تالفة للغاية بحيث يصعب قراءة النص بوضوح، يعتمد النظام بشكل أكبر على شكل الحروف أو المظهر العام للصفحة. وتسمح هذه المرونة للنظام بالتعامل مع الواقع الفوضوي وغير المكتمل للوثائق التاريخية.
تم اختبار نتائج هذا النهج على مجموعة ضخمة من شظايا الجنيزا. وعندما طُلب من النظام العثور على صفحات تنتمي إلى نفس المخطوطة، نجح في وضع المطابقة الصحيحة ضمن أفضل عشر نتائج في نصف الاستعلامات تقريبًا. وعندما بحث الباحثون عن صفحات تشترك في نفس رقم الفهرس أو موقع الرف، ارتفع معدل النجاح إلى أكثر من 60 بالمائة. والأهم من ذلك، أن النظام وجد روابط فاتته الفهارس الموجودة؛ فقد حدد أزواجًا من الشظايا من مكتبات مختلفة تشترك في نفس خط اليد والتخطيط، مما يشير إلى أنها كانت في السابق جزءًا من كتاب واحد. وقد أكد الخبراء البشريون هذه الاكتشافات، مما أثبت أن الكمبيوتر قد عثر على روابط تاريخية حقيقية لم تكن معروفة سابقًا.
كما كشét الدراسة أن النظام يعمل حتى عندما تتغير الظروف بشكل جذري. فقد نجح في مطابقة صور المخطوطات بالأبيض والأسود، رغم أنه تم تدريبه أساسًا على الصور الملونة. كما وجد صلات في مخطوطات عربية، رغم أنه صُمم مع التركيز على الحروف العبرية. وهذا يشير إلى أن النظام قد تعلم اللغة البصرية الأساسية للمخطوطات — الطريقة التي يتدفق بها الحبر، وإيقاع الأسطر، وبنية الصفحة — بدلاً من مجرد حفظ حروف أو ألوان محددة. ووجد الباحثون أن أهم القرائن جاءت من أشكال الحروف والتخطيط العام للصفحة، بينما قدم محتوى النص دعمًا مفيدًا ولكنه ثانوي.
يمثل هذا العمل خطوة هامة للأمام في إعادة البناء الرقمي للتاريخ. فمن خلال استخدام هوية المخطوطة كوسيط للتعلم، ابتكر الباحثون أداة يمكنها التوسع لتشمل ملايين الصفحات، وهي مهمة قد تستغرق من العلماء البشر قرونًا لإنجازها. إن هذا النظام لا يحل محل الخبير، بل يعمل كمرشح قوي، يغرب الأرشيفات الضخمة ليقدم أكثر المرشحين واعدًا للمراجعة البشرية. إنه يحول المهمة المستحيلة المتمثلة في البحث عن إبرة في كومة قش إلى عملية بحث يمكن إدارتها، مما يسمح للعلماء بالتركيز على الروابط الأكثر احتمالًا. ويشير نجاح "JoinFinder" إلى أنه مع النهج الصحيح، يمكن إعادة تجميع شظايا الماضي المبعثرة، لتكشف عن القصص الكاملة التي كانت ترويها ذات يوم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.