Which papyrus HTR is good enough? Character-error-rate tolerance of four papyrological tasks on Greek texts
تحدد هذه الدراسة عتبات محددة لمعدل خطأ الحروف لأربع مهام برديات على النصوص اليونانية، مظهرةً أنه في حين تتباين متطلبات الدقة حسب المهمة (تتراوح بين 3% و20%)، فإن إعادة تدريب النماذج على بيانات مشوشة تخفف بشكل كبير من تدهور الأداء وتجعل أنظمة التعرف الضوئي على النصوص المكتوبة بخط اليد غير المثالية مفيدة عملياً.
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
تركت لنا عالم البحر الأبيض المتوسط القديم مكتبة شاسعة وصامتة من شظايا البردي، مبعثرة في المتاحف والمجموعات في أكثر من مليون قطعة. ومعظم هذه القصاصات لم تُقرأ قط؛ فهي مكتوبة بخط يد مسترسل ومنساب دون مسافات بين الكلمات، وغالبًا ما تكون تالفة بفعل الزمن، ومليئة باختصارات لا يستطيع فك رموزها إلا خبير متخصص. لأكثر من قرن، عكف الباحثون بصبر على نسخ هذه الوثائق يدويًا، وهي عملية قد تستغرق أيامًا أو أسابيع لنص واحد. ولأن الكثير منها ظل غير مقروء، فإن غالبية هذه السجلات التاريخية غير مرئية للأدوات الرقمية الحديثة؛ إذ لا يستطيع الباحث ببساطة البحث في قاعدة بيانات عن اسم معين أو عبارة محددة للعثور على وثيقة جديدة، لأن النص لم يوجد بعد في شكل قابل للقراءة آليًا.
ولإحداث تغيير في هذا الوضع، لجأ الباحثون إلى تقنية تسمى "التعرف على النصوص المكتوبة بخط اليد"، وهي شكل من أشكال الذكاء الاصطناعي يمكنه النظر إلى صورة لكتابة قديمة وتحويلها إلى حروف رقمية. ومع ذلك، فإن هذه الأنظمة ليست مثالية؛ فهي ترتكب أخطاء، مثل إساءة قراءة حرف هنا أو تخطي كلمة هناك. ولسنوات، ركز المجال على جعل هذه الأنظمة أكثر دقة، عبر الإبلاغ عن عدد المرات التي تصيب فيها الحرف أو تخطئ. لكن سؤالًا جوهريًا ظل دون إجابة: ما مدى الدقة التي يجب أن يتمتع بها النظام ليكون مفيدًا حقًا؟ قد لا يحتاج الباحث إلى نسخ مثالي ليعرف ما إذا كانت الوثيقة عقدًا قانونيًا أم قطعة شعرية، لكنه قد يحتاج إلى دقة تقارب الكمال لتحديد زمن كتابتها بالضبط. وبدون معرفة الإجابة على هذا السؤال، يستحيل معرفة ما إذا كانت التكنولوجيا الحالية جاهزة للمساعدة في فتح أبواب الغالبية غير المقروءة من البرديات.
لقد شرع فريق من الباحثين في البحث عن الإجابة من خلال اختبار كيفية تأثير مستويات الأخطاء المختلفة على أربع مهام محددة يقوم بها علماء البرديات يوميًا. لم ينتظروا ظهور آلة مثالية، بل بدأوا بآلاف النصوص المحررة بالفعل وأدخلوا عليها أخطاءً متعمدة لمحاكاة ما قد تنتجه آلة معيبة. أخذوا هذه النسخ غير المكتملة وأجروا عليها نماذج حاسوبية مصممة لتحديد نوع الوثيقة، وتقدير عمرها، والتمييز بين السجلات الرسمية والأعمال الأدبية، والبحث عن كلمات محددة. ومن خلال زيادة عدد الأخطاء بشكل منهجي من صفر وصولاً إلى وجود خطأ في نصف النص، قاموا بقياس اللحظة التي بدأت فيها كل مهمة في الفشل.
وكشفت النتائج أن التسامح مع الأخطاء يعتمد كليًا على ما يحاول الباحث القيام به. فبعض المهام متينة بشكل مثير للدهشة؛ فعلى سبيل المثال، يعد التمييز بين وثيقة بيروقراطية وقطعة أدبية أمرًا سهلاً بالنسبة للحاسوب، حتى عندما يكون النص فوضويًا للغاية. استطاعت النماذج تحديد النوع بدقة عالية حتى عندما احتوى النص على عشرين بالمائة من الأخطاء، وذلك لأن الأسلوب العام والمفردات الخاصة بالوثائق القانونية تختلف بشدة عن الشعر، مما يسمح للحاسوب بتمييز النمط رغم الضجيج. وبالمثل، يظل البحث عن عبارات طويلة أو صيغ محددة موثوقًا به حتى مع وجود تلف كبير، بشرط أن تكون مصطلحات البحث طويلة بما يكفي.
ومع ذلك، فإن مهام أخرى تعد أكثر هشاشة. فقد ثبت أن تحديد التاريخ الدقيق للوثيقة هو الأكثر حساسية تجاه الأخطاء؛ حيث لم تتمكن النماذج من الحفاظ على دقتها إلا عندما ظلت نسبة الخطأ منخفضة جدًا، في حدود ثلاثة بالمائة تقريبًا. وبمجرد أن تجاوزت الأخطاء هذا الحد الصغير، انهارت القدرة على تحديد القرن أو حتى العقد الذي ينتمي إليه النص. ويشير هذا إلى أن جودة النسخ أمر بالغ الأهمية لتحديد التاريخ، وأن الأنظمة الحالية قد تحتاج إلى تحسن كبير قبل أن يمكن الوثوق بها في هذه المهمة المحددة. كما أن تحديد النوع الفرعي للوثيقة، مثل التمييز بين إيصال وطلب، تطلب أيضًا معيارًا أعلى من الدقة، حيث انخفض الأداء بشكل ملحوظ بمجرد وصول الأخطاء إلى خمسة بالمائة.
وكان الاكتشاف الحاسم في الدراسة هو أن الطريقة التي تُدرب بها النماذج تغير كل شيء. فعندما درب الباحثون حواسيبهم على نصوص نظيفة ومثالية ثم اختبروها على نصوص فوضوية مليئة بالأخطاء، انخفض الأداء بشكل حاد مع زيادة الأخطاء. ومع ذلك، عندما أعادوا تدريب النماذج باستخدام نصوص تحتوي بالفعل على نفس أنواع الأخطاء المتوقع رؤيتها، أصبحت الأنظمة أكثر مرونة. فالتراجع الحاد في الأداء الذي يحدث عادةً عندما تتجاوز الأخطاء خمسة عشر بالمائة قد تلاشى إلى حد كبير. وبعبارة أخرى، فإن الحاسوب الذي تعلم قراءة النصوص الفوضوية هو أفضل بكثير في قراءة النصوص الفوضوية من ذلك الذي لم يرَ سوى الأمثلة المثالية. وهذا يعني أنه حتى مع التكنولوجيا غير الكاملة المتاحة اليوم، لا يزال بإمكان الباحثين استخدام هذه الأدوات بفعالية إذا تم تدريبها على بيانات واقعية ومشوشة بدلاً من انتظار آلة خالية من العيوب.
كما سلطت الدراسة الضوء على أهمية حجم الشظية؛ إذ يمكن للحاسوب غالبًا تخمين نوع وثيقة طويلة بشكل صحيح حتى لو احتوت على العديد من الأخطاء، لأنه يمتلك سياقًا كافيًا لرؤية الصورة الكبيرة. ولكن بالنسبة للشظايا القصيرة جدًا، يمكن حتى لبعض الأخطاء أن تفسد التحليل. علاوة على ذلك، وجد الباحثون أن فقدان سطر كامل من النص أقل ضررًا من قراءة الحروف بشكل خاطئ؛ ففقدان جزء من النص هو فجوة معروفة، بينما يمكن لسلسلة من الحروف الخاطئة أن تخدع الحاسوب وتجعله يرى أنماطًا غير موجودة.
وفي الختن، توفر الدراسة مجموعة واضحة من الأهداف لمستقبل علم البرديات الرقمي. فهي تظهر أننا لسنا بحاجة إلى نظام نسخ مثالي للبدء في فتح كنوز البرديات غير المقروءة. فبالنسبة للعديد من المهام، مثل تصنيف الوثائق حسب النوع أو البحث عن موضوعات عامة، فإن التكنولوجيا الحالية "جيدة بما يكفي" بالفعل، خاصة إذا تم تدريب الأدوات للتعامل مع الأخطاء الحتمية. أما بالنسبة للمهام الأكثر دقة مثل تحديد التاريخ، فإن المعايير أعلى، ويجب أن تتحسن التكنولوجيا. إن المسار للمضي قدمًا ليس انتظار الكمال، بل بناء أنظمة قوية بما يكفي للعمل مع الواقع غير المكتمل للكتابة القديمة المتضررة. ومن خلال فهم مقدار الخطأ الذي يمكن لكل مهمة تحمله، يمكن للباحثين الآن تطبيق هذه الأدوات على المجموعات الهائلة غير المقروءة، وتحويل الشظايا غير المرئية إلى تاريخ قابل للبحث.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.