Computational History and Heritage: New Enquiries Through Synthesis
Dieses Paper argumentiert, dass computergestützte Methoden, einschließlich Modellierung, Simulation und maschinellem Lernen, essenziell sind, um riesige multidimensionale Datensätze zu synthetisieren, um die traditionelle historische Analyse zu transzendieren, wodurch es Gelehrten ermöglicht wird, vergangene Umwelten systematisch zu rekonstruieren, Hypothesen zu testen und komplexe soziokulturelle Dynamiken zu erforschen, um eine ganzheitlichere Erzählung der Menschheitsgeschichte zu erschließen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen, das vor tausenden von Jahren geschah. In der Vergangenheit mussten Detektive jedes einzelne Tagebuch, jeden Brief und jede Steintafel, die sie finden konnten, einzeln lesen und mit ihrem eigenen Verstand die Geschichte zusammensetzen. So funktionierte die Geschichts- und Kulturerbe-Forschung früher: sorgfältig, langsam und begrenzt durch das, was ein Mensch lesen oder sich merken konnte. Aber dann bekamen wir Computer. Zuerst nutzten wir Computer nur, um digitale Kopien dieser Dinge zu erstellen, wie zum Beispiel das Scannen eines Buches, damit man es auf einem Bildschirm lesen kann. Dies war die „digitale“ Ära – sie war großartig, um Dinge zu bewahren und mehr Menschen den Zugang zu ermöglichen, aber im Grunde war es nur eine schicke Bibliothek.
Jetzt treten wir in eine neue Phase namens „Computational History and Heritage“ (Computergestützte Geschichte und Kulturerbe) ein. Betrachten Sie dies nicht als eine Bibliothek, sondern als einen riesigen, superintelligenten Simulator. Anstatt nur eine Geschichte zu lesen, nutzt dieser neue Ansatz leistungsstarke Mathematik und künstliche Intelligenz, um Modelle der Vergangenheit zu bauen. Er kann Millionen winziger Hinweise – wie Pollen aus antikem Boden, die Form einer zerbrochenen Schale und die Worte in einem vergessenen Brief – zusammenführen und zusammenschlagen, um Muster zu erkennen, die kein menschliches Auge jemals entdecken könnte. Es ist, als würde man Millionen verstreuter Puzzleteile nehmen und einen Roboter nutzen, der sie sofort zusammensetzt, um ein Bild zu enthüllen, von dem man gar nicht wusste, dass es existiert. Das ist wichtig, weil es uns ermöglicht, „Was wäre wenn“-Fragen über unsere Vorfahren zu stellen und Ideen darüber zu testen, warum Zivilisationen aufstiegen oder untergingen, auf eine Weise, die zuvor unmöglich war.
Die Arbeit: Eine neue Art, auf die Vergangenheit zu blicken
Diese Arbeit, geschrieben von Eugene Ch'ng und seinem Team, ist im Grunde eine Landkarte dieses neuen Territoriums. Sie wollten genau sehen, wohin sich das Feld der Geschichte und des Kulturerbes bewegt. Um dies zu tun, haben sie nicht einfach geraten; sie begaben sich auf eine massive Datensuche. Sie erfassten die Titel von über 22.000 Forschungsartikeln von Google Scholar und nutzten eine spezielle Art von KI, um sie danach zu gruppieren, worüber sie tatsächlich sprechen. Sie behandelten diese Artikeltitel wie ein riesiges Jigsaw-Puzzle und suchten nach Clustern von Wörtern, die gemeinsam auftauchten, um zu sehen, welche Themen schnell wachsen und welche gleich bleiben.
Die große Entdeckung: Zwei Geschwindigkeiten des Wachstums
Die Autoren fanden etwas wirklich Interessantes heraus: Das Feld bewegt sich mit zwei unterschiedlichen Geschwindigkeiten.
Auf der einen Seite gibt es die Archäologie und das Kulturerbe. Dies sind die „Anker“ des Feldes. Sie sprinten voran! Die Arbeit zeigt, dass die Forschung in diesen Bereichen mit einer Rate von 5,2 % bis 5,6 % pro Jahr wächst. Das ist genauso schnell wie oder sogar schneller als der Rest der „harten“ Wissenschaften wie Physik oder Chemie. Warum? Weil diese Felder hervorragend darin sind, Computer zu nutzen, um 3D-Modelle zu bauen, antike Ruinen zu scannen und zu simulieren, wie sich Menschen in der Vergangenheit bewegten. Sie verwandeln physische Objekte in digitale Zwillinge, die getestet und „bespielt“ werden können.
Auf der anderen Seite gibt es einen „stagnierenden“ Bereich: die Historiographie (was im Grunde die Untersuchung dessen ist, wie wir Geschichte schreiben und verstehen). Die Arbeit fand heraus, dass wir zwar immer besser darin werden, das Zeug der Vergangenheit zu rekonstruieren (wie Gebäude und Werkzeuge), aber nicht besser darin werden, die Geschichten und Ideen dahinter computergestützt zu verstehen. Die Wachstumsrate für diese theoretischen Themen ist flach oder sogar leicht negativ. Die Autoren vermuten, dass dies daran liegt, dass es viel schwieriger ist, einem Computer beizubringen, menschliche Emotionen, komplexe Ursachen und das chaotische „Warum“ der Geschichte zu verstehen, als ihm beizubringen, eine Ziegelwand zu erkennen.
Was dieser Ansatz ist (und was er nicht ist)
Die Arbeit stellt sehr klar, was „Computational History“ nicht ist. Es ist nicht nur eine schicke Suchmaschine, die Fakten für Sie findet. Es ist nicht nur das Durchsuchen von Daten, um eine verborgene Zahl zu finden. Und es ist definitiv nicht nur das schnellere Lesen einer Menge alter Bücher.
Stattdessen definieren die Autoren es als Synthese. Stellen Sie sich vor, Sie haben eine Box mit Millionen winziger, farbiger Kacheln (Tesserae). Für sich genommen sind sie nur zufällige Farbpunkte. Aber wenn Sie einen Computer nutzen, um sie alle gleichzeitig anzuordnen, erscheint ein wunderschönes Mosaikbild. Dieses Bild ist das „neue Wissen“. Der Computer nimmt verschiedene Arten von Daten – wie Klimatests, DNA aus alten Knochen und alte Texte – und mischt sie, um verborgene Regeln und Verbindungen aufzudecken, die zuvor unsichtbar waren.
Die Werkzeuge des Fachs
Die Arbeit hebt hervor, dass die Magie durch neue Werkzeuge wie Deep Learning und 3D-Rekonstruktion geschieht.
- 3D-Rekonstruktion: Sie sprechen darüber, wie wir früher Kameras und Mathematik nutzten, um 3D-Modelle von Ruinen zu bauen. Jetzt können neue KI-Tools (wie etwas namens „Gaussian Splatting“) diese Modelle noch schneller und mit mehr Details erstellen, selbst auf glänzenden oder glatten Oberflächen, die Computer früher verwirrten.
- Deep Learning: Dies ist die Gehirnschmalz hinter den Kulissen. Es ermöglicht dem Computer, aus massiven Datenmengen zu „lernen“, um Muster zu erkennen. Zum Beispiel kann er tausende alter Texte betrachten und feststellen, wie sich die Sprache im Laufe der Zeit verändert hat, oder simulieren, wie eine ganze Stadt auf eine Dürre reagiert hätte.
Die Lücke, die wir füllen müssen
Das wichtigste Fazit der Arbeit ist, dass wir eine Lücke zu füllen haben. Wir sind derzeit exzellent darin, Computer zu nutzen, um die Beweise der Vergangenheit zu rekonstruieren (das physische Zeug). Aber wir haben immer noch Schwierigkeiten, Computer zu nutzen, um die Geschichte zu schreiben (die Geschichten und Erklärungen).
Die Autoren schlagen vor, dass die Zukunft nicht nur darin besteht, bessere 3D-Modelle zu erstellen oder mehr Daten zu finden. Es geht um Synthese. Wir müssen die physischen Daten (wie Ruinen) mit den abstrakten Daten (wie Ideen und sozialen Regeln) kombinieren, um ein vollständiges Bild zu schaffen. Sie glauben, dass wir, sobald wir dies tun können, nicht nur in der Lage sein werden, alte Fragen zu beantworten; wir werden in der Lage sein, völlig neue Fragen zu stellen, an die wir bisher gar nicht gedacht haben.
Kurz gesagt: Die Arbeit argumentiert, dass wir erfolgreich den Motor gebaut haben (die digitalen Werkzeuge und Daten), aber jetzt müssen wir den Fahrer bauen (die neuen Denkweisen), um uns auf die nächste Ebene des Verständnisses unserer menschlichen Geschichte zu bringen. Wir bewegen uns von der bloßen Betrachtung der Vergangenheit hin zur Simulation und zum Verständnis derselben.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.