Computational History and Heritage: New Enquiries Through Synthesis
Cet article soutient que les méthodes computationnelles, incluant la modélisation, la simulation et l'apprentissage automatique, sont essentielles pour synthétiser de vastes ensembles de données multidimensionnelles afin de transcender l'analyse historique traditionnelle, permettant ainsi aux chercheurs de reconstruire systématiquement les environnements passés, de tester des hypothèses et d'explorer des dynamiques socio-culturelles complexes pour déverrouiller un récit plus holistique de l'histoire humaine.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous soyez un détective essayant de résoudre un mystère survenu il y a des milliers d'années. Dans le passé, les détectives devaient lire chaque journal, chaque lettre et chaque tablette de pierre qu'ils pouvaient trouver, un par un, en utilisant leur propre cerveau pour reconstituer l'histoire. C'est ainsi que fonctionnaient l'histoire et les études patrimoniales : avec soin, lentement, et limitées par ce qu'un humain pouvait lire ou mémoriser. Mais ensuite, nous avons eu les ordinateurs. Au début, nous utilisions simplement les ordinateurs pour faire des copies numériques de ces objets anciens, comme scanner un livre pour pouvoir le lire sur un écran. C'était l'ère « Numérique » : c'était génial pour sauvegarder les choses et permettre à plus de gens de les voir, mais c'était principalement une bibliothèque sophistiquée.
Nous entrons maintenant dans une nouvelle phase appelée « Histoire et Patrimoine Computationnels ». Ne voyez pas cela comme une bibliothèque, mais comme un simulateur géant et super intelligent. Au lieu de simplement lire une histoire, cette nouvelle approche utilise des mathématiques puissantes et l'intelligence artificielle pour construire des modèles du passé. Elle peut prendre des millions de petits indices — comme du pollen provenant d'un sol ancien, la forme d'un pot brisé et les mots d'une lettre oubliée — et les fusionner pour détecter des motifs qu'aucend'œil humain ne pourrait jamais repérer. C'est comme prendre un million de pièces de puzzle éparpillées et demander à un robot de les assembler instantanément pour révéler une image que vous ne saviez même pas exister. Cela importe car cela nous permet de poser des questions de type « et si » sur nos ancêtres, testant des idées sur les raisons pour lesquelles les civilisations ont prospéré ou chuté, d'une manière qui était auparavant impossible.
L'article : Une nouvelle façon de regarder le passé
Cet article, écrit par Eugene Ch'ng et son équipe, est essentiellement une carte de ce nouveau territoire. Ils voulaient voir exactement où se dirige le domaine de l'histoire et du patrimoine. Pour ce faire, ils ne se sont pas contentés de deviner ; ils sont partis en une immense chasse aux données. Ils ont récupéré les titres de plus de 22 000 articles de recherche sur Google Scholar et ont utilisé un type spécial d'IA pour les regrouper selon leur sujet réel. Ils ont traité ces titres d'articles comme un immense puzzle, cherchant des grappes de mots qui apparaissaient ensemble pour voir quels sujets progressaient rapidement et lesquels stagnaient.
La grande découverte : Deux vitesses de croissance
Les auteurs ont trouvé quelque chose de vraiment intéressant : le domaine évolue à deux vitesses différentes.
D'un côté, vous avez l'Archéologie et le Patrimoine. Ce sont les « ancres » du domaine. Elles sont en pleine accélération ! L'article montre que la recherche dans ces domaines progresse à un taux de 5,2 % à 5,6 % par an. C'est aussi rapide, voire plus rapide, que le reste des sciences « dures » comme la physique ou la chimie. Pourquoi ? Parce que ces domaines sont excellents pour utiliser les ordinateurs afin de construire des modèles 3D, scanner des ruines anciennes et simuler la façon dont les gens se déplaçaient dans le passé. Ils transforment les objets physiques en jumeaux numériques qui peuvent être testés et manipulés.
De l'autre côté, il y a une zone « stagnante » : l'Historiographie (qui est essentiellement l'étude de la manière dont nous écrivons et comprenons l'histoire). L'article a constaté que, bien que nous devenions incroyables pour reconstruire les choses du passé (comme les bâtiments et les outils), nous ne nous améliorons pas davantage pour comprendre computationnellement les récits et les idées qui les sous-tendent. Le taux de croissance de ces sujets théoriques est plat ou même légèrement négatif. Les auteurs suggèrent que c'est parce qu'il est beaucoup plus difficile d'apprendre à un ordinateur à comprendre les émotions humaines, les causes complexes et le « pourquoi » désordonné de l'histoire qu'il ne l'est d'apprendre à reconnaître un mur de briques.
Ce que cette approche est (et ce qu'elle n'est pas)
L'article est très clair sur ce que l'« Histoire Computationnelle » n'est pas. Ce n'est pas seulement un moteur de recherche sophistiqué qui trouve des faits pour vous. Ce n'est pas seulement fouiller dans les données pour trouver un chiffre caché. Et ce n'est certainement pas seulement lire un tas de vieux livres plus rapidement.
Au lieu de cela, les auteurs la définissent comme une synthèse. Imaginez que vous ayez une boîte de millions de minuscules tesselles colorées. Seules, elles ne sont que des fragments de couleur aléatoires. Mais si vous utilisez un ordinateur pour les disposer toutes à la fois, une magnifique mosaïque apparaît. Cette image est le « nouveau savoir ». L'ordinateur prend différents types de données — comme des enregistrements climatiques, l'ADN d'ossements anciens et de vieux textes — et les mélange pour révéler des règles et des connexions cachées qui étaient invisibles auparavant.
Les outils du métier
L'article souligne que la magie opère grâce à de nouveaux outils comme le Deep Learning (apprentissage profond) et la reconstruction 3D.
- Reconstruction 3D : Ils expliquent comment nous utilisions autrefois des caméras et des mathématiques pour construire des modèles 3D de ruines. Désormais, de nouveaux outils d'IA (comme quelque chose appelé « Gaussian Splatting ») peuvent construire ces modèles encore plus vite et avec plus de détails, même sur des surfaces brillantes ou lisses qui confusaient autrefois les ordinateurs.
- Deep Learning : C'est la puissance cérébrale en coulisses. Cela permet à l'ordinateur d'« apprendre » à partir de quantités massives de données pour repérer des motifs. Par exemple, il peut examiner des milliers de textes anciens et comprendre comment le langage a évolué au fil du temps, ou simuler la façon dont une ville entière aurait pu réagir à une sécheresse.
Le fossé que nous devons combler
Le point le plus important de l'article est qu'il y a un fossé à combler. Nous sommes actuellement excellents pour utiliser les ordinateurs afin de reconstruire les preuves du passé (les choses physiques). Mais nous avons encore du mal à utiliser les ordinateurs pour écrire l'histoire (les récits et les explications).
Les auteurs suggèrent que l'avenir ne consiste pas seulement à créer de meilleurs modèles 3D ou à trouver plus de données. Il s'agit de synthèse. Nous devons combiner les données physiques (comme les ruines) avec les données abstraites (comme les idées et les règles sociales) pour créer une image complète. Ils pensent qu'une fois que nous pourrons faire cela, nous ne serons pas seulement capables de répondre aux vieilles questions ; nous serons capables de poser de nouvelles questions que nous n'avions même pas imaginées.
En résumé, l'article soutient que nous avons réussi à construire le moteur (les outils numériques et les données), mais que nous devons maintenant construire le conducteur (les nouvelles façons de penser) pour nous emmener au niveau supérieur de compréhension de notre récit humain. Nous passons du simple fait de regarder le passé à celui de le simuler et de le comprendre.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.