Technische Samenvatting: Naar Computationele Chinese Paleografie

1. Probleemstelling

De Chinese paleografie, de studie van oude Chinese schriftvormen (variërend van orakelbotinscripties tot de klerikale schriften van de Han-dynastie), staat voor een "gouden tijdperk"-paradox: een explosie in de hoeveelheid opgegraven materialen heeft de capaciteit van traditionele handmatige wetenschap ingehaald. Het veld wordt gekenmerkt door drie primaire knelpunten:

• Schaal en Fragmentatie: Opgegraven artefacten zijn vaak fysiek gefragmenteerd, incompleet en ruisachtig. De enorme hoeveelheid materiaal maakt uitgebreide collatie, het herverbinden van fragmenten en transcriptie via handmatige weg steeds minder praktisch.
• Complexiteit van Deciphering (Ontcijfering): De kern van de intellectuele uitdaging ligt in het ontcijferen van niet-ontcijferde tekens. In tegenstelling tot fonografische schriften, waarbij restauratie kan worden geformuleerd als sequentiemodellering, is het oude Chinees een logografisch (morfemisch-syllabisch) systeem. Ontcijfering vereist een holistische synthese van grafische vorm, fonologische eigenschappen, semantische betekenis en contextueel gebruik.
• Dataschaarste en Disbalans: Bestaande datasets zijn zwaar scheefgetrokken naar orakelbotinscripties (OBI), waardoor bronzen en bamboe/zijde-schriften onderbediend blijven. Bovendien volgt de datadistributie een long-tail patroon waarbij veel tekens slechts één of twee keer voorkomen, en hoogwaardige, gestandaardiseerde, multimodale datasets (die afbeeldingen, transcripties en semantische analyse koppelen) zijn schaars.

Het artikel betoogt dat het veld een "computationele wending" ondergaat, evoluerend van geïsoleerde taakautomatisering (bijv. eenvoudige karakterherkenning) naar de creatie van geïntegreerde digitale ecosystemen die complexe wetenschappelijke onderzoek ondersteunen kunnen.

2. Methodologie en Technische Pipeline

Het artikel structureert het computationele landschap in een methodologische pipeline die voortgang boekt van fundamentele visuele analyse naar geavanceerde redenering:

A. Fundamentele Visuele Analyse

• Beeldbewerking: Technieken variëren van traditionele filters (K-SVD, anisotrope diffusie) tot deep learning-modellen zoals Structure-Texture Separation Networks (STSN) en OBIFormer (met behulp van kanaalsgewijze zelf-aandacht) om inktafdrukken te denoisen en beschadigde streken te herstellen. Generatieve modellen (GANs, Diffusiemodellen zoals Diff-Oracle) worden ingezet voor data-augmentatie om schaarste aan te pakken.
• Teken Detectie & Herkenning: Het veld is verschoven van handmatige kenmerken (SIFT, HOG, topologische grafen) naar deep learning. De huidige state-of-the-art maakt gebruik van Convolutionele Neurale Netwerken (CNN's) versterkt met aandachtmechanismen, en Transformers (bijv. QBSC Transformer voor Qin-stroken). Een duidelijke trend is radicaal-gebaseerde herkenning, waarbij modellen tekens ontleden in constituerende componenten om zero-shot learning te ondersteunen en structurele varianten te verwerken.

B. Contextuele Analyse

• Artefact Herverbinding: Computationele methoden automatiseren het matchen van gefragmenteerde artefacten (bijv. orakelbotten, bamboestroken) door fysieke breukcontouren en karaktersequenties te analyseren. Benaderingen omvatten Siamese netwerken, het SUM-algoritme (hellingshoek van contouren) en natuurkundig gedreven deep learning-modellen (WisePanda).
• Deduplicatie: AI-modellen identificeren duplicaten van dezelfde inscriptie door inscripties te behandelen als visuele patronen in plaats van tekst, wat de ontdekking van duplicaten mogelijk maakt, zelfs wanneer de tekstuele inhoud licht varieert.
• Periodisering en Classificatie: Deep learning-modellen (bijv. recurrente grafische neurale netwerken) worden gebruikt voor lettertypeclassificatie en automatische datering van artefacten. Sommige frameworks (bijv. BIRD) maken gebruik van tekstuele inhoud en glyph-biased sampling om bronzinscripten te dateren, waarbij een hoge nauwkeurigheid wordt bereikt in fijnmazige classificatietaken.
• Segmentatie en Taalmodellering: Inspanningen omvatten component-niveau segmentatie voor orakelbotten en de ontwikkeling van multimodale tokenizers voor bamboestroken. Taalmodellen worden aangepast voor oude teksten, waarbij vaak gebruik wordt gemaakt van transfer learning van ontvangen teksten of het construeren van gespecialiseerde corpora (bijv. OracleCS) met deskundige annotaties.

C. Geavanceerde Redenering en Kennissystemen

• Geautomatiseerde Deciphering (Ontcijfering): Dit wordt gedefinieerd als meer dan enkel herkenning, maar als het wetenschappelijke proces van het interpreteren van onontcijferde tekens (kao shi). Benaderingen omvatten:
  • Generatieve Methoden: Het gebruik van diffusiemodellen om plausibele moderne karaktervormen of "semantische typografie" te generen vanuit oude glyphs.
  • Compositionele Methoden: Het behandelen van ontcijfering als een "puzzel" (bijv. Puzzle Pieces Picker, CoLa) waarbij tekens worden gedeconstrueerd in radicalen of latente componenten en vervolgens gereconstrueerd.
  • Cross-Referentie: Het ophalen van vergelijkbare tekens over verschillende historische schriften (Cross-Font Image Retrieval) of het gebruik van Large Vision-Language Models (LVLMs) om visuele vorm en semantische betekenis te overbruggen.
• Mens-AI Collaboratie: Het artikel benadrukt een verschuiving van volledige automatisering naar mens-AI synergie. Systemen zoals Ithaca (voor Grieks) en opkomende Chinese tools (bijv. RejoinX, GenOV) fungeren als intelligente assistenten die computationeel intensieve taken afhandelen (bijv. breukmatching), terwijl complexe integratieve redenering wordt overgelaten aan menselijke experts.
• Knowledge Graphs: Multimodale kennisgrafen worden geconstrueerd om heterogene data (vorm, radicaal, semeem, vocabulaire) te verenigen en relaties te modelleren, zoals sociale netwerken van diviners of inscriptie-lay-outs.

3. Belangrijkste Bijdragen

Het artikel levert drie primaire bijdragen aan het veld:

1. Een Probleemgerichte Pipeline-analyse: Het brengt het volledige spectrum van computationele paleografie in kaart, van fundamentele visuele taken (beeldrestauratie, herkenning) naar contextuele analyse (herverbinding, datering) en culmineert in geavanceerde redenering (ontcijfering, kennisgrafen). Het benadrukt de cruciale verschuiving van geïsoleerde karakterdatasets naar volledige document- en multimodale bronnen.
2. Mapping van de Technologische Trajectorie: Het volgt de evolutie van klassieke feature engineering naar moderne deep learning, waarbij specifiek wordt geanalyseerd hoe architecturen (CNN's, Transformers, Diffusiemodellen) worden aangepast aan de unieke logografische aard van het Chinese schrift. Het belicht de opkomst van methoden die geworteld zijn in radicaal-gebaseerde redenering en compositionele analyse.
3. Synthese van Uitdagingen en Toekomstige Agenda: Het identificeert kernobstakels — specifelijk dataschaarste, modaliteitsimbalans en de kloof tussen de focus van AI op grafische vorm en de holistische aard van humanistisch onderzoek. Het pleit voor een toekomstige onderzoeksagenda gericht op multimodale, few-shot en mensgerichte systemen die ontworpen zijn om wetenschappelijke expertise aan te vullen in plaats van te vervangen.

4. Resultaten en Huidige Staat

Het artikel synthetiseert bestaande literatuur om te rapporteren over de huidige staat van het veld:

• Dataset Landschap: Er is een proliferatie van datasets, voornamelijk voor orakelbotinscripties (bijv. HUST-OBS, Oracle-50K, OBC306). Hoewel datasets voor bronzen en bamboe-schriften in opkomst zijn (bijv. CHUBS, BIRD), blijven ze minder uitgebreid. Multimodale datasets (bijv. OBIMD) die afbeeldingen koppelen aan transcripties en semantische annotaties zijn cruciaal maar nog steeds beperkt.
• Prestatie Benchmarks: Recente benchmarks (bijv. OBI-Bench) geven aan dat huidige grote multimodale modellen nauwelijks het niveau bereiken van een ongetraind mens in complexe ontcijferingstaken. Hoewel modellen een hoge nauwkeurigheid bereiken in specifieke sub-taken (bijv. 89,8% nauwkeurigheid in grove datering van bronzen vaten), worstelen ze met het open-set probleem van onontcijferde tekens en de "long-tail" distributie van zeldzame glyphs.
• Collaboratieve Successen: Pilotstudies in mens-AI samenwerking (bijv. artefact herverbinding) laten zien dat het delegeren van "simpele natuur"-taken (breukmatching) aan AI, terwijl "complexe natuur"-taken (stijlkenmerken) voor mensen worden behouden, succesvolle nieuwe ontdekkingen oplevert.

5. Betekenis en Claims

Het artikel positioneert zichzelf als een uitgebreide survey en een oproep tot actie voor het veld van de Computationele Chinese Paleografie. De betekenis ligt in:

• Definiëren van de Discipline: Het articuleert de transitie van "paleografische digitalisering" (het creëren van infrastructuur) naar "computationele paleografie" (het integreren van computationele methoden in de kernlogische keten van onderzoek).
• Benadrukken van de Logografische Uitdaging: Het benadrukt dat de unieke aard van het Chinese schrift (logografisch, morfemisch-syllabisch) een multimodale aanpak vereist die niet uitsluitend kan vertrouwen op sequentiemodellering of tekst-alleen representaties. Visuele informatie is onmisbaar voor taken zoals herverbinding en ontcijfering.
• Pleiten voor Mensgerichte AI: Het artikel stelt dat het uiteindelijke doel niet volledige automatisering is, maar de creatie van een intelligente wetenschappelijke infrastructuur. Het stelt dat de toekomst van het veld afhangt van de ontwikkeling van systemen die fungeren als intellectuele partners, waarbij gebruik wordt gemaakt van few-shot learning en multimodale fusie om wetenschappers te helpen hun cognitieve bottlenecks te overwinnen en grootschalige historische patronen te ontdekken die bij handmatige inspectie onzichtbaar blijven.

Het artikel concludeert dat hoewel technische innovatie essentieel is, het succes van dit veld afhangt van een diepe, respectvolle integratie van computationele methoden met de rijke tradities van het humanistisch onderzoek, wat een geest van interdisciplinaire samenwerking tussen computerwetenschappers en paleografen vereist.