Машинное обучение для древних языков: обзор
Machine Learning for Ancient Languages: A Survey
2023-01-01
SCID: 54.1/2f48vcet
Discuss with AI
древние текстыатрибуция авторствадешифровкамашинное обучениевосстановление текстов
Figures from the paper
Abstract (AI)
Древние языки сохраняют культуры и историю прошлого. Однако их изучение сопряжено со значительными трудностями, и специалисты должны решать широкий спектр сложных текстовых задач — от дешифровки утраченных языков и восстановления повреждённых надписей до установления авторства литературных произведений. Технологические средства уже давно используются в изучении древних текстов, однако в последние годы достижения в области искусственного интеллекта и машинного обучения сделали возможным проведение анализов в масштабах и с уровнем детализации, которые меняют гуманитарные науки, подобно тому как микроскопы и телескопы способствовали развитию естественных наук. Цель данной статьи — представить всесторонний обзор опубликованных исследований, в которых машинное обучение применяется для изучения древних текстов, написанных на любых языках, системах письма и носителях и охватывающих более трёх с половиной тысячелетий цивилизаций древнего мира. Для анализа релевантной литературы мы предлагаем таксономию задач, основанную на этапах изучения древних документов: оцифровке, восстановлении, атрибуции, лингвистическом анализе, текстологической критике, переводе и дешифровке. Эта работа вносит три основных вклада: во-первых, очерчивает междисциплинарную область, сформировавшуюся благодаря синергии гуманитарных наук и машинного обучения; во-вторых, подчёркивает, что активное сотрудничество специалистов обеих областей является ключом к созданию значимых и убедительных научных результатов; в-третьих, обозначает перспективные направления дальнейших исследований в этой области. Таким образом, работа способствует поддержанию и развитию дальнейшего сотрудничества между гуманитарными науками и машинным обучением.
Key Findings
1
Активное сотрудничество специалистов по древним текстам и машинному обучению необходимо для создания значимых научных результатов; также обозначены перспективные направления дальнейших исследований.
2
Поле исследований разделено на семь категорий задач: оцифровка, восстановление, атрибуция, лингвистический анализ, текстологическая критика, перевод и дешифровка.
3
Машинное обучение позволяет анализировать древние тексты в масштабах и с уровнем детализации, меняющими гуманитарные исследования.
4
Обзор охватывает исследования с применением машинного обучения к древним текстам на разных языках, письмах и носителях, охватывая более трёх с половиной тысячелетий цивилизаций.
5
Обзор систематизирует междисциплинарную область, сформированную взаимодействием гуманитарных наук и машинного обучения.
Research Object
древние тексты и документы, написанные на любых языках, любыми системами письма и на любых носителях
Research Subject
применение машинного обучения и исследовательские задачи, связанные с оцифровкой, восстановлением, атрибуцией, лингвистическим анализом, текстологической критикой, переводом и дешифровкой древних текстов
Publication Details
Publication Date
2023-01-01
Journal
Publisher
ISSN
Cited by
108
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai9
Глубокое остаточное обучение для распознавания изображений2016
Распределённые представления слов и фраз и их композиционность2013
Генеративно-состязательные сети2020
Руководящие принципы FAIR для управления научными данными и их сопровождения2016
Обучение «последовательность-в-последовательность» с помощью нейронных сетей2014
Обучение представлений: обзор и новые перспективы2013
Эмпирическая оценка управляемых рекуррентных нейронных сетей для моделирования последовательностей2014
PaLM: Масштабирование языкового моделирования с помощью Pathways2022
Восстановление и атрибуция древних текстов с помощью глубоких нейронных сетей2022