Статья посвящена дискуссионной проблеме применения искусственного интеллекта в исторических исследованиях. Во введении кратко рассматривается история возникновения «искусственного интеллекта» (ИИ) как направления в информатике, эволюция этого определения и взглядов на области применения ИИ; анализируется место методов искусственного интеллекта на разных этапах конкретно-исторических исследований. В основной части статьи на основе анализа историографических источников и собственного опыта участия в зарубежных проектах автор анализирует практику реализации проектов распознавания рукописного текста с помощью различных информационных технологий и методов ИИ, в частности, описываются и обосновываются требования к созданию электронных копий распознаваемых источников, необходимость учета фактуры носителей информации, писчих материалов, техники и технологии создания текста; разновидности и способы создания палеографических, кодикологических, дипломатических наборов данных, историко-лексикологических словарей, возможности использования больших языковых моделей и т. п. В качестве методологической основы автор использовал системный подход, историко-сравнительный, историко-хронологический и описательный методы, а также анализ историографических источников. Учитывая то, что в российской исторической науке применение технологий и методов искусственного интеллекта является довольно редким явлением, анализ опыта осуществления подобных зарубежных проектов весьма актуален, так же как и характеристика профильных научных ассоциаций, научных и научно-вспомогательных ресурсов (порталов и сайтов с наборами данных и исследовательским инструментарием), размещенных в сети Интернет, и сборников научных трудов по изучаемой проблематике, неизвестных в России, о которых идет в речь в статье. В заключение делается вывод перспективности применения технологий искусственного интеллекта не только в качестве вспомогательного инструментария, но и как исследовательских методов, помогающих в установлении авторства исторических источников, уточнении их датировки, выявления подделок и т. п., а также в создании новых видов научно-справочных поисковых систем архивов и библиотек. Вместе с тем, использование технологий искусственного интеллекта отличается большой затратностью и капиталоемкостью, что является серьезным препятствием для широкого внедрения данных технологий в практику исторических исследований.
Предпросмотр статьи
Идентификаторы и классификаторы
- УДК
- 93/94. История
Заданная редакцией журнала «Историческая информатика» тема очередного выпуска «Искусственный интеллект в исторических исследованиях и образовании», на наш взгляд, предполагает необходимость уточнения двух понятий: «искусственный интеллект» и «этапы исторического исследования».
Список литературы
1. Minsky M. A Neural-Analogue Calculator Based upon a Probability Model of Reinforcement. Harvard University Psychological Laboratories. Cambridge, Massachusetts. January 8, 1952 // Selected Publications of Marvin Minsky. URL: https://www.mit.edu/~dxh/marvin/web.media.mit.edu/~minsky/Bibliography.html.
2. The Dartmouth AI archives // Ray Solomonoff’s Home Page. URL: https://raysolomonoff.com/dartmouth/dart.html.
3. Newell A., Simon H. A. The Logic Theory Machine. A complex information processing system. 12 July 1956. // RAND Corporation. 1956. Архивная копия от 17 октября 2014 на Wayback Machine. URL: https://archive.org/details/bitsavers_randiplP86ineJul56_3534001/mode/2up.
4. John McCarthy’s Home Page // URL: https://www-formal.stanford.edu/jmc.
5. Rosenblatt F. The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain // Psychological Review. November, 1958. Vol. 65. Pp. 386-408. Lancaster, PA and Washington, DC: American Psychological Association, 1958. Архивная копия от 17 октября 2014 на Wayback Machine. URL: https://web.archive.org/web/20080218153928/http://www.manhattanrarebooks-science.com/rosenblatt.htm.
6. Samuel A. L. Some studies in machine learning using the game of checkers // IBM Journal of Research and Development. Jan. 2000. Vol. 44. No. 1.2. Pp. 206-226. DOI: 10.1147/rd.441.0206
7. McCarthy J. Recursive functions of symbolic expressions and their computation by machine // Communications of the ACM. April 1960. Архивная копия от 17 октября 2014 на Wayback Machine. URL: https://web.archive.org/web/20131006003734/http://www-formal.stanford.edu/jmc/recursive.html.
8. A chess playing program for the IBM 7090 computer // URL: https://dspace.mit.edu/handle/1721.1/17406.
9. Killgrove K. “ELIZA”, the world’s 1st chatbot, was just resurrected from 60-year-old computer code // Live Science. 18 Jan. 2025. URL: https://www.livescience.com/technology/eliza-the-worlds-1st-chatbot-was-just-resurrected-from-60-year-old-computer-code.
10. Lane R., Hay A., Schwarz A., Berry D. M., Shrager J. ELIZA Reanimated: The world’s first chatbot restored on the world’s first time sharing system // 12 Jan. 2025. URL: https://arxiv.org/abs/2501.06707.
11. Моисеев Н. Н. Математика ставит эксперимент. М.: Наука, 1979. 223 с.
12. Гусейнова А. С., Павловский Ю. Н., Устинов В. А. Опыт имитационного моделирования исторического процесса // Под ред. и со вступ. ст. Н. Н. Моисеева. М.: Наука, 1984. 157 с.
13. Когнитивные методы за рубежом. Методы Искусственного Интеллекта в моделировании политического мышления. [Сб. ст.] / АН СССР, Ин-т США и Канады; [Отв. ред. В. М. Сергеев]. М.: Ин-т США и Канады, 1990. 148 с.
14. Луков В. Б., Сергеев В. М. Опыт моделирования мышления исторических деятелей: Отто Фон Бисмарк, 1866-1876 гг. // Вопросы кибернетики. Логика рассуждений и её моделирование. [Сб. статей] / Под ред. Поспелова Д. А. М.: Науч. совет по комплекс. пробл. “Кибернетика” АН СССР, 1983. С. 149-172.
15. Бокарёв Ю. П. Социалистическая промышленность и мелкое крестьянское хозяйство в СССР в 20-е годы: источники, методы исследования, этапы взаимоотношений / Отв. ред. И. Д. Ковальченко; АН СССР, Ин-т истории СССР. М.: Наука, 1989. С. 148-166.
16. Бородкин Л. И. Что сделали ЭВМ для исторической науки // Арзамас. URL: https://arzamas.academy/materials/2284.
17. Храмов Ю. Е. ГИДРОНИМИКОН - экспертная система по гидронимии Восточно-Европейской равнины // Информационный Бюллетень Комиссии по применению математических методов и ЭВМ в исторических исследованиях. 1992. № 5.
18. Kismet // 17 Oct. 2000. Архивная копия от 17 октября 2014 на Wayback Machine. URL: http://www.ai.mit.edu/projects/humanoid-robotics-group/kismet/kismet.html.
19. Kaplan A., Haenlein M. “Siri, Siri in my Hand, who’s the Fairest in the Land?” On the Interpretations, Illustrations and Implications of Artificial Intelligence // Business Horizons. 2018. Vol. 62. Pp. 15-25. DOI: 10.1016/j.bushor.2018.08.004
20. ГОСТ Р 59895-2021 Технологии искусственного интеллекта в образовании. Общие положения и терминология // М.: ФГБУ “РСТ”, 2021.
21. Колганов А. А. Эволюция применения искусственного интеллекта в Государственном Архиве РФ (2021-2024 годы) // Информационный бюллетень Ассоциации “История и компьютер”. № 51, специальный выпуск, ноябрь 2024 г. Материалы международной научной конференции “Современная историческая информатика: Аналитика данных в исторических исследованиях” и XIX конференции Ассоциации “История и компьютер”. Москва, 15-17 ноября 2024 г. М., 2024. С. 7. [Электронное издание].
22. Юмашева Ю. Ю. Цифровая трансформация вспомогательных исторических дисциплин. Современные неинвазивные методы изучения исторических артефактов [Видеолекция] // Международная летняя школа молодых ученых “Историческая информатика - 2022”. 15.07.2022. URL: https://www.youtube.com/watch?v=jWUw8fWMcqw.
23. Юмашева Ю. Ю. Цифровая трансформация вспомогательных исторических дисциплин [Видеолекция] // Международная летняя школа молодых ученых “Историческая информатика - 2023”. 30.06.2023. URL: https://www.youtube.com/watch?v=4HQezjps7ig.
24. International Conference on Document Analysis and Recognition (ICDAR) // URL: https://www.icdar.org/; http://www.iapr-tc11.org/mediawiki/index.php/Conferences.
25. International Conference on Frontiers in Handwriting Recognition (ICFHR) // URL: http://www.iapr-tc11.org/mediawiki/index.php/Conferences.
26. International Conference on Pattern Recognition Systems (ICPRS) // URL: https://www.icprs.org.
27. International Conference on Pattern Recognition and Artificial Intelligence (IEEE PRAI) // URL: https://www.prai.net.
28. Artificial Intelligence and Pattern Recognition (AIPR) // URL: https://www.aipr.net.
29. Japan-International Conference on Machine Learning and Pattern Recognition // URL: https://www.mlpr.org.
30. International Association for Pattern Recognition // URL: https://iapr.org.
31. History of IAPR // International Association for Pattern Recognition. URL: https://iapr.org/about-us/history-of-iapr.
32. IAPR Newsletter // International Association for Pattern Recognition. URL: https://iapr.org/articles/newsletter.
33. International Journal on Document Analysis and Recognition (IJDAR) // Springer-Verlag GmbH Germany. URL: https://www.springer.com/journal/10032.
34. Антонов Д. Н. Источниковедческие подходы к формированию базы данных метрических книг с целью оптического распознавания рукописного текста: Круглый стол “Практические задачи внедрения технологий ИИ в деятельность архивов” от 10 апреля 2023 г. // YouTube канал ВНИИДАД. М., 2023. URL: https://www.youtube.com/watch?v=KHzhpS42vqk&t=12179s.
35. Шабанов А. В. Факторы, влияющие на выбор технологии оцифровки русских старопечатных и рукописных книг // Библиосфера. 2008. № 4. С. 46-48.
36. Impedovo S. Fundamentals in Handwriting Recognition // North Atlantic Treaty Organization. Scientific Affairs Division. NATO Advanced Study Institute on Fundamentals in Handwriting Recognition (NATO ASI Series). Berlin: Springer-Verlag, 1994. URL: https://link.springer.com/book/. DOI: 10.1007/978-3-642-78646-4
37. The memory of paper // URL: https://memoryofpaper.eu/BernsteinPortal/appl_start.disp.
38. Муратова А., Гудков А. Бумага и бумажное производство в средние века и ранее новое время // Рукописная книга: традиция и современность. URL: https://manuscriptcraft.com/article_11.
39. Есипова В. А. Бумага как исторический источник (по материалам Западной Сибири XVII-XVIII вв.). / Под ред. А. Н. Жеравиной. Томск: Изд-во Том. ун-та, 2003. 290 с.
40. ARCHiOx: seeing the unseen. Digitising objects in 3D will give more than the ability to zoom in and examine historical objects in detail // URL: https://oxford.shorthandstories.com/digital-archiox/index.html?fbclid=IwAR2LM19j6iFh1NUgEBddBmU0oZotufAEEs8G0vn2FzF97_dFd2c-TUUwGBs.
41. Brown N. Collection Care welcomes a new multispectral imaging system // UK National Archives Blog, 2019. URL: https://blog.nationalarchives.gov.uk/collection-care-welcomes-a-new-multispectral-imaging-system.
42. Миклас Х., Бреннер С., Саблатниг Р. Мультиспектральная съемка для цифровой реставрации древних рукописей: устройства, методы и практические аспекты // Историческая информатика. 2017. № 3. С.116-134. URL: https://nbpublish.com/library_read_article.php?id=23697. DOI: 10.7256/2585-7797.2017.3.23697
43. Sánchez-DelaCruz E., Loeza-Mejía C. I. Importance and challenges of handwriting recognition with the implementation of machine learning techniques: a survey // Applied Intelligence. The International Journal of Research on Intelligent Systems for Real Life Complex Problems. 2024. Vol. 54. Pp. 6444-6465. DOI: 10.1007/s10489-024-05487-x
44. MNIST // Modified National Institute of Standards and Technology. URL: http://yann.lecun.com/exdb/mnist/; https://docs.ultralytics.com/ru/datasets/classify/mnist.
45. MPS - Medieval Paleographic Scale - The University of Groningen research portal // URL: https://research.rug.nl/en/datasets/mps-medieval-paleographic-scale.
46. Житинева А. М. Палеография и эпиграфика: две дисциплины или одна? (К вопросу о палеографической классификации письменных источников X-XVII вв.) // URL: https://spbiiran.ru/paleografiya-i-epigrafika-dve-disczipliny-ili-odna-k-voprosu-o-paleograficheskoj-klassifikaczii-pismennyh-istochnikov-x-xvii-vv-doklad-a-m-zhitenevoj-na-zasedanii-drevneruss.
47. Leuven Database of Ancient Books // Portal Trismegistos. URL: https://www.trismegistos.org/ldab.
48. Papyri.info // URL: https://papyri.info.
49. Kölner Papyri (Fayum papyri) // URL: https://papyri.uni-koeln.de.
50. Stutzmann D. Dated and Datable Manuscripts: dataset // 2022. DOI: 10.5281/zenodo.6507965
51. Clélice T. et al. CATMuS Medieval: A Multilingual Large-Scale Cross-Century Dataset in Latin Script for Handwritten Text Recognition and Beyond // Lecture Notes in Computer Science. 2024. Pp. 174-194. DOI: 10.1007/978-3-031-70543-4_11
52. DigiPal // URL: http://www.digipal.eu.
53. Italian Paleography // URL: https://italian.newberry.t-pen.org.
54. DIVAHisDB Dataset of Medieval Manuscripts // University of Fribourg. URL: https://www.unifr.ch/inf/diva/en/research/software-data/diva-hisdb.html.
55. HisDoc III Digital Analysis of Syriac Handwriting (DASH) // URL: http://dash.stanford.edu.
56. Fischer A., Bunke H., Naji N., Savoy J., Baechler M., Ingold R. The HisDoc Project. Automatic Analysis, Recognition, and Retrieval of Handwritten Historical Documents for Digital Libraries. // In: Internationalität und Interdisziplinarität der Editionswissenschaft. DOI: 10.1515/9783110367317.91
57. French Renaissance. Paleography // URL: https://french.newberry.t-pen.org.
58. France-England: medieval manuscripts between 700 and 1200 // URL: https://manuscrits-france-angleterre.org/polonsky/en/content/accueil-en?mode=desktop.
59. Scottish Handwriting // Scotland’s People URL: https://www.scotlandspeople.gov.uk/scottish-handwriting.
60. Al-Furqan’s E-Database // Al-Furqan Islamic Heritage Foundation. URL: Al-Furqan Islamic Heritage Foundation.
61. Hentaigana // URL: https://alcvps.cdh.ucla.edu/support.
62. KuLA (九郎) // URL: https://apps.apple.com/us/app/kula/id1076911000.
63. MOJIZO (もじぞう: 文字の記録) // URL: https://aimojizo.nabunken.go.jp.
64. Юмашева Ю. Ю. Автоматизированное распознавание рукописных текстов с помощью алгоритмов искусственного интеллекта: российский и зарубежный опыт // Цифровое востоковедение. 2023. Vol. 3. No. 1-2. DOI: 10.31696/S278240120026084-5
65. Shakespeare Documented // URL: https://shakespearedocumented.folger.edu/resource/family-legal-property-records.
66. Тарасова Н. А. Новые методы изучения рукописного наследия Ф. М. Достоевского. Отчет о НИР (итоговый) // Федеральное государственное бюджетное учреждение науки Институт русской литературы (Пушкинский Дом) Российской академии наук, г Санкт-Петербург. 2021-2023. РНФ. Грант: 21-18-00333.
67. Mains d’éru-dits (XVIe-XXe siècles) // Bibale. URL: https://mainsderudits.irht.cnrs.fr.
68. Peer M., Kleber F., Sablatnig R. Towards Writer Retrieval for Historical Datasets // In: Fink G. A., Jain R., Kise K., Zanibbi R. (eds). Document Analysis and Recognition - ICDAR 2023. Lecture Notes in Computer Science. 2023. Vol. 14187. Springer, Cham. DOI: 10.1007/978-3-031-41676-7_24
69. Christlein V., Marthot-Santaniello I., Mayr M., Nicolaou A., Seuret M. Writer Retrieval and Writer Identification in Greek Papyri. // In: Carmona-Duarte C., Diaz M., Ferrer M. A., Morales A. (eds). Intertwining Graphonomics with Human Movements. IGS 2022. Lecture Notes in Computer Science. 2022. Vol. 13424. Springer, Cham. DOI: 10.1007/978-3-031-19745-1_6
70. Fiel S., Sablatnig R. Writer Identification and Retrieval Using a Convolutional Neural Network // In: Azzopardi G., Petkov N. (eds). Computer Analysis of Images and Patterns. CAIP 2015. Lecture Notes in Computer Science. 2015. Vol. 9257. Springer, Cham. DOI: 10.1007/978-3-319-23117-4_3
71. Dhali Maruf A., Sheng He, Popovic M., Tigchelaar E., Schomaker L. A Digital Palaeographic Approach towards Writer Identification in the Dead Sea Scrolls // International Conference on Pattern Recognition Applications and Methods. 2017. DOI: 10.5220/0006249706930702
72. Волчкова М. А. Опыт персонификации писцов “Соборного уложения 1649 г”. с применением цифровых технологий. Отчет о НИР/НИОКР (итоговый). 2015. Частное учреждение культуры Музей классического и современного искусства “Бурганов-Центр”. Российский гуманитарный научный фонд. Грант: 14-01-00304.
73. Cha S. H., Tappert C. C. Automatic detection of handwriting forgery // Proceedings Eighth International Workshop on Frontiers in Handwriting Recognition. IEEE, 2002. С. 264-267.
74. Carrière G., Nikolaidou K., Kordon F., Mayr M., Seuret M., Christlein V. Beyond Human Forgeries: An Investigation into Detecting Diffusion-Generated Handwriting // In: Coustaty M., Fornès A. (eds). Document Analysis and Recognition - ICDAR 2023 Workshops. Lecture Notes in Computer Science. 2023. Vol. 14193. Springer, Cham. DOI: 10.1007/978-3-031-41498-5_1
75. Anmol H., Bibi M., Moetesum M., Siddiqi I. Deep Learning Based Approach for Historical Manuscript Dating // 2019 International Conference on Document Analysis and Recognition (ICDAR), 2019. Pp. 967-972. DOI: 10.1109/ICDAR.2019.00159
76. Madi B., Atamni N., Tsitrinovich V., Vasyutinsky-Shapira D., El-Sana J., Rabaev I. Automated Dating of Medieval Manuscripts with a New Dataset // In: Document Analysis and Recognition - ICDAR 2024 Workshops: Athens, Greece, August 30-31, 2024. Proceedings, Part II. Springer-Verlag, Berlin, Heidelberg, 2024. Pp. 119-139. DOI: 10.1007/978-3-031-70642-4_8
77. KFUPM Handwritten Arabic TexT // URL: http://khatt.ideas2serve.net.
78. Смирнов И. Н. О возможностях восстановления цифровых архивных текстов и распознавания рукописных арабских букв // Доклад на Международном форуме Казань-Экспо-2023 и Казанской цифровой неделе. URL: https://docs.yandex.ru/docs/view?url=ya-browser%3A%2F%2F4DT1uXEPRrJRXlUFoewruLkFYs7ubIAbSAY-xbL0IBKEaUp3AMQOVTSNPc-2YyqdfQrXgF3z9zrSTC_aAKNXel2yXz60D0C9kCdp5RwRSf9cFvtDbvmJ-yubbW85hEWb4ftUudW-2OSXY3dbwUtNbw%3D%3D%3Fsign%3DjlXgcIS8jxvD_9odPNQjyr4BS4YF5gk8ukUILjVYqjs%3D&name=Kazan-2023.docx&nosw=1.
79. Public AI models in Transkribus // READ COOP. URL: https://readcoop.eu/transkribus/public-models.
80. AI Models For Transcribing German Text In Fraktur, Kurrent and Sütterlin // URL: https://blog.transkribus.org/en/3-ai-models-for-transcribing-german-text-in-fraktur-kurrent-and-sutterlin.
81. Aswathy A., Maheswari P. U. Generative innovations for paleography: enhancing character image synthesis through unconditional single image models // Heritage Science. 2024. Vol. 12. No. 258. DOI: 10.1186/s40494-024-01373-4
82. Marti U. V., Bunke H. The IAM-database: an English sentence database for offline handwriting recognition // IJDAR. 2002. Vol. 5. Pp. 39-46.
83. Mohammed H., Marthot-Santaniello I., Märgner V. GRK-Papyri: A Dataset of Greek Handwriting on Papyri for the Task of Writer Identification // 2019 International Conference on Document Analysis and Recognition (ICDAR). Sydney, NSW, Australia, 2019. Pp. 726-731. DOI: 10.1109/ICDAR.2019.00121
84. Papers with Code // URL: https://paperswithcode.com/about; https://paperswithcode.com/datasets?task=optical-character-recognition&page=1.
85. Hugging Face - The AI community building the future // URL: https://huggingface.co/datasets.
86. HebrewPal // Hebrew Palaeography Album. URL: https://www.hebrewpalaeography.com.
87. Droby A., Vasyutinsky Shapira D., Rabaev I., Kurar Barakat B., El-Sana J. Hard and Soft Labeling for Hebrew Paleography: A Case Study // International Workshop on Document Analysis Systems. 2022. URL: https://link.springer.com/chapter/. DOI: 10.1007/978-3-031-06555-2_33
88. Digital Scriptorium // URL: https://digital-scriptorium.org.
89. Ressources // L’Institut de recherche et d’histoire des textes // URL: https://www.irht.cnrs.fr/index.php/fr/qui-sommes-nous/lirht-en-bref.
90. English Handwriting 1500-1700: An Online Course // Faculty of English. URL: https://www.english.cam.ac.uk/scriptorium.
91. Palaeography tutorial (how to read old handwriting) // The National Archives [Archived content] URL: https://webarchive.nationalarchives.gov.uk/ukgwa/20230801144244/https:/www.nationalarchives.gov.uk/palaeography.
92. MultiPal // URL: https://www.multipal.fr/en/welcome.
93. LAION-5B: A new era of open large-scale multi-modal datasets // LAION. URL: https://laion.ai/blog/laion-5b.
94. GRAPHOSKOP // URL: https://www.palaeographia.org/graphoskop/index.html.
95. Millesimo (lancement) // URL: https://palaeographia.org/millesimo/index.html.
96. Исаев Б. Л., Ляховицкий Е. А., Цыпкин Д. О., Чиркова А. В. “Vestigium” - комплекс программного обеспечения для анализа нетекстовой информации рукописных памятников // Историческая информатика. Информационные технологии и математические методы в исторических исследованиях и образовании. 2016. № 1-2(15-16). С. 72-83.
97. Deciphering medieval shorthand - can a digital tool solve the “Tironian Notes”? // Medievalists.net. URL: https://www.medievalists.net/2024/02/medieval-shorthand-tironian-notes.
98. OCR-D // URL: https://ocr-d.de/en.
99. Kitamoto Asanobu, Tarin Karanuwat. Kuzushi Character Recognition by AI and the Road to Full-text Search for Historical Materials // Specialized Library. 2020. Vol. 5. No. 300. Pp. 26-32.
100. CASIA-HWDB // URL: https://paperswithcode.com/dataset/casia-hwdb.
101. CASIA Online and Offline Chinese Handwriting Databases // URL: https://nlpr.ia.ac.cn/databases/handwriting/home.html.
102. Chinese Calligraphy Styles by Calligraphers // URL: https://www.kaggle.com/datasets/yuanhaowang486/chinese-calligraphy-styles-by-calligraphers.
103. KuroNet Kuzushiji Ninshiki サービス (KuroNet 九郎) // URL: http://codh.rois.ac.jp/kuronet/; https://mp.ex.nii.ac.jp/kuronet.
104. Cursive Japanese and OCR: Using KuroNet // The Digital Orientalist. URL: https://digitalorientalist.com/2020/02/18/cursive-japanese-and-ocr-using-kuronet.
105. Сиренов А. В. Проект “История письма европейской цивилизации”: коллекции памятников письменности академических институтов Санкт-Петербурга - оцифровка и изучение // Труды Отделения историко-филологических наук 2021: Ежегодник / Отв. Ред. В. А. Тишков. Том 11. М.: РАН, 2022. С. 125-134. DOI: 10.26158/OIFN.2022.11.1.010
106. Tsypkin D. O., Tereschenko E. Yu., Balachenkova A. P., Vasiliev A. L., Lyakhovitsky E. A., Yatsishina E. B., Kovalchuk M. V. Comprehensive Studies of the Historical Inks of Old Russian Manuscripts // Nanotechnologies in Russia. 2020. Vol. 15. № 9-10. Pp. 542-550.
107. Ляховицкий Е.А., Цыпкин Д.О. Инфракрасная визуализация текста в изучении памятников древнерусской письменности // Историческая информатика. 2019. № 4. С.148-156. URL: https://nbpublish.com/library_read_article.php?id=31588. DOI: 10.7256/2585-7797.2019.4.31588
108. Айсманн К., Палмер У. Ретуширование и обработка изображений в PhotoShop. М.: Вильямс, 2008. 600 с.
109. Keys to the Past - Typewriters in the Records of the Federal Government // NARA. URL: https://archives-20973928.hs-sites.com/keys-to-the-past?ecid=ACsprvumObuCwkwzawZGYsTfDoztaLW7YuCcPtmTh2XiZbavjZ7PL0CPbJS3LhzYw3NkhWyAUjgt.
110. Sfardata - צֹרָה // URL: https://sfardata.nli.org.il/#/startSearch_He.
111. Beit-Arié M. The new website of SfarData: The codicological database of the Hebrew Palaeography Project // The Israel Academy of Sciences and Humanities. URL: https://www.academia.edu/38849781/The_new_website_of_SfarData_The_codicological_database_of_the_Hebrew_Palaeography_Project_The_Israel_Academy_of_Sciences_and_Humanities.
112. Grüning T., Labahn R., Diem M., Kleber F., Fiel S. READ-BAD: A New Dataset and Evaluation Scheme for Baseline Detection in Archival Documents //. DOI: 10.48550/arXiv.1705.03311
113. Boillet M., Kermorvant C., Paquet T. Multiple document datasets pre-training improves text line detection with deep neural networks // In: 2020 25th International Conference on Pattern Recognition (ICPR). IEEE, 2021. Pp. 2134-2141.
114. Claudio De S., Fontanella F., Maniaci M., Marrocco C., Molinara M., Scotto di Freca A. Automatic Writer Identification in Medieval Books // 2018 Metrology for Archaeology and Cultural Heritage (MetroArchaeo), 2018. Pp. 27-32.
115. He Sh., Sammara P., Burgers J., Schomaker L. Towards Style-Based Dating of Historical Documents // 2014 14th International Conference on Frontiers in Handwriting Recognition. 2014. Pp. 265-270.
116. Фролов А.А. Опыт применения инструментов геоинформатики в кодикологическом исследовании писцовых книг // Историческая информатика. 2020. № 2. С.218-233. URL: https://nbpublish.com/library_read_article.php?id=33330. DOI: 10.7256/2585-7797.2020.2.33330
117. Чиркова А. В. создание программного обеспечения для комплексного кодикологического анализа рукописно-книжных памятников и документов. Отчет по НИР (итоговый) / Федеральное государственное бюджетное учреждение науки Санкт-Петербургский институт истории Российской академии наук, Санкт-Петербург. 2013-2015. РГНФ. Грант: 13-01-12010.
118. Ринчинов О. С. Цифровые модели кодикологии тибетских книг // Oriental Studies. 2021. Т. 14. № 3. С. 541-549. DOI: 10.22162/2619-0990-2021-55-3-541-549
119. Володин А. Ю. Цифровая дипломатика: ресурсы, подходы, тенденции // Проблемы историографии, источниковедения и методов исторического исследования: Материалы V научных чтений памяти академика И. Д. Ковальченко, Москва, 13 декабря 2013 г. М.: Московский государственный университет им. М. В. Ломоносова (Издательский Дом (Типография), 2014. С. 179-185.
120. Isola P., Zhu J. Y., Zhou T., Efros A. A. Image-to-image translation with conditional adversarial networks // In: Proceedings of the IEEE conference on computer vision and pattern recognition. 2017. Pp. 1125-1134.
121. Huang X., Liu M. Y., Belongie S., Kautz J. Multimodal Unsupervised Image-to-image Translation // In: The European conference on computer vision (ECCV). 2018. DOI: 10.48550/arXiv.1804.04732
122. Bayerisch-tschechisches Netzwerk digitaler Geschichtsquellen // Porta fontium. URL: https://www.portafontium.eu/?language=de.
123. Baloun J., Král P., Lenc L. How to Segment Handwritten Historical Chronicles Using Fully Convolutional Networks? // In: Rocha A. P., Steels L., van den Herik J. (eds). Agents and Artificial Intelligence. ICAART 2021. Lecture Notes in Computer Science. Vol. 13251. Springer, Cham. DOI: 10.1007/978-3-031-10161-8_9
124. Diplomata Belgica // URL: https://www.diplomata-belgica.be/colophon_fr.html.
125. Sources diplomatiques // TELMA. URL: https://telma.hypotheses.org/category/sources-diplomatiques.
126. Breuel T. M., Ul-Hasan A., Azawi M. I. A. A., Shafait F. High-performance OCR for printed English and Fraktur using LSTM networks // In: 2013 12th international conference on document analysis and recognition. 2013. Pp. 683-687.
127. Shi B., Bai X., Yao C. An end-to-end trainable neural network for image-based sequence recognition and its application to scene text recognition // IEEE Trans Pattern Anal Mach Intell. 2017. Vol. 39(11). Pp. 2298.
128. Rahal N., Vögtlin L., Ingold R. Layout Analysis of Historical Document Images Using a Light Fully Convolutional Network // In: Fink G. A., Jain R., Kise K., Zanibbi R. (eds). Document Analysis and Recognition - ICDAR 2023. Lecture Notes in Computer Science. 2023. Vol. 14191. Springer, Cham. DOI: 10.1007/978-3-031-41734-4_20
129. Martínek J., Lenc L., Král P. Building an efficient OCR system for historical documents with little training data // Neural Comput & Applic. 2020. Vol. 32. Pp. 17209-17227. DOI: 10.1007/s00521-020-04910-x
130. Fleischhacker D., Kern R., Göderle W. Enhancing OCR in historical documents with complex layouts through machine learning // Int J Digit Libr. 2025. Vol. 26, 3. DOI: 10.1007/s00799-025-00413-z
131. Digimap // URL: https://digimap.edina.ac.uk.
132. Chiang Y. Y., Knoblock C. A. Recognizing text in raster maps // Geoinformatica. 2015. Vol. 19. Pp. 1-27. DOI: 10.1007/s10707-014-0203-9
133. Weinman J. Historical Maps. Research. CompSci.Grinnell // URL: https://weinman.cs.grinnell.edu/research/maps.shtml#data.
134. Weinman J., Chen Z., Gafford B., Gifford N., Lamsal A., Niehus-Staab L. Deep neural networks for text detection and recognition in historical maps // In: 2019 International Conference on Document Analysis and Recognition (ICDAR). Sydney, NSW, Australia, 2019. Pp. 902-909.
135. Historical Atlas of the Low Countries (1350-1800) - GIS of the Low Countries // URL: https://datasets.iisg.amsterdam/dataset.xhtml?persistentId=hdl:10622/PGFYTM.
136. Li Z., et al. ICDAR 2024 Competition on Historical Map Text Detection, Recognition, and Linking // In: Barney Smith E. H., Liwicki M., Peng L. (eds). Document Analysis and Recognition - ICDAR 2024. Lecture Notes in Computer Science. 2024. Vol. 14809. Springer, Cham. DOI: 10.1007/978-3-031-70552-6_22
137. Baloun J., Král P., Lenc L. ChronSeg: novel dataset for segmentation of handwritten historical chronicles // In: Proceedings of the 13th International Conference on Agents and Artificial Intelligence (ICAART). 2021. Pp. 314-322.
138. 歴史GIS. ROIS-DS歴史的地理情報システム - (CODH) // URL: https://codh.rois.ac.jp/historical-gis.
139. Riedl C., Zanibbi R., Hearst M. A., et al. Detecting figures and part labels in patents: competition-based development of graphics recognition algorithms // IJDAR. 2016. Vol. 19. Pp. 155-172. DOI: 10.1007/s10032-016-0260-8
140. Jamieson L., Francisco Moreno-García C., Elyan E. A review of deep learning methods for digitisation of complex documents and engineering diagrams // Artificial Intelligence Review. 2024. Vol. 57. P. 136. DOI: 10.1007/s10462-024-10779-2
141. Wang H., Shan H., Song Y., Meng Y., Wu M. Engineering Drawing Text Detection via Better Feature Fusion // In: Fujita H., Wang Y., Xiao Y., Moonis A. (eds). Advances and Trends in Artificial Intelligence. Theory and Applications. IEA/AIE 2023. Lecture Notes in Computer Science. 2023. Vol. 13925. Springer, Cham. DOI: 10.1007/978-3-031-36819-6_23
142. Gemelli A., Marinai S., Pisaneschi L., et al. Datasets and annotations for layout analysis of scientific articles // IJDAR. 2024. Vol. 27. Pp. 683-705. DOI: 10.1007/s10032-024-00461-2
143. Shen Z., Zhang R., Dell M., Lee B. C. G., Carlson J., Li W. LayoutParser: A Unified Toolkit for Deep Learning Based Document Image Analysis // In: Lladós J., Lopresti D., Uchida S. (eds). Document Analysis and Recognition - ICDAR 2021. Lecture Notes in Computer Science. 2021. Vol. 12821. Springer, Cham. DOI: 10.1007/978-3-030-86549-8_9
144. Citizen Archivist // National Archives. URL: https://www.archives.gov/citizen-archivist.
145. Антонов Д. Н., Скопин Ю. А. Опыт разработки электронной системы отечественной генеалогии с применением искусственного интеллекта: использование документов Архивного фонда РФ в режиме удалённого доступа // Архивный вестник: Сборник статей и материалов Научно-методического совета архивных учреждений Центрального федерального округа РФ. Вып. 26 / Отв. ред. О. В. Акимова. М.: Главное архивное управление города Москвы, 2022. URL: https://www.mos.ru/upload/documents/files/7256/ArhivniivestnikVip26.pdf.
146. Указатель церквей // Портал “Государственный архив Вологодской области”. URL: https://gosarchive.gov35.ru/user/sign-in/login.
147. Turchin P., Rio-Chanona R. M. del, Hauser J., Kondor D., Reddish J., Benam M., Cioni E., Villa F., et al. Large Language Models’ Expert-level Global History Knowledge Benchmark (HiST-LLM) // Advances in Neural Information Processing Systems 37 (NeurIPS 2024). URL: https://proceedings.neurips.cc/paper_files/paper/2024/hash/38cc5cba8e513547b96bc326e25610dc-Abstract-Datasets_and_Benchmarks_Track.html.
148. Ng A. Unbiggen AI // IEEE Spectrum. 09 Feb. 2022. URL: https://spectrum.ieee.org/andrew-ng-data-centric-ai#toggle-gdpr.
149. Motor de búsqueda PARES con Inteligencia Artificial // PARES. URL: https://pares.cultura.gob.es/pares-htr.
150. Oberbichler S., Petz C. Working Paper: Implementing Generative AI in the Historical Studies (1.0) // Zenodo. 2025.
Выпуск
Другие статьи выпуска
Статья посвящена изучению роли столичного банковского рынка в кредитовании региональных торговых сделок на примере операций московского отделения Санкт-Петербургского международного коммерческого банка. Источником исследования является вексельная книга за 1900 г. из архива банка в Центральном государственном архиве г. Москвы. В этой книге записаны сделки по кредитованию клиентов, т. е. данные о векселях (долговых расписках) клиентов, купленных (учтенных) отделением банка. В центре внимания исследования находится географический аспект кредитования, потому что для каждого векселя есть данные о месте его выдачи и месте платежа по нему. Записи в вексельной книге позволяют учесть при анализе отраслевой состав клиентуры и связи крупнейших клиентов с банком и между собой. В работе используется технология реляционных баз данных, а также статистические и геоинформационные методы анализа. В результате, в исследовании показано, что торговые сделки заключались в кредит в вексельной форме в 242 населенных пунктах, а затем эти векселя попадали в Москву, где банк их покупал и тем самым давал возможность предпринимателям, фирмам и компаниям получить денежные средства раньше срока, обозначенного в векселе. В приоритете были крупные, ассоциированные с банком компании в нефтяной отрасли (добыча, переработка, транспортировка, торговля), а также в металлургии и машиностроении, однако средств московского денежного рынка хватало на значительно более широкий круг клиентов в разных отраслях торговли, промышленности и сферы услуг. В итоге Москва становилась точкой взаимодействия банка и клиентов, торговавших по всей стране.
В статье представлены результаты исследования ранее не изучавшейся истории землевладения в волостях г. Белая - важного региона на русско-литовском порубежье в XIV-XVII вв. Предмет исследования - география землевладения, включая его размещение, размеры, соотношение различных типов, освоенность территории. Источниками исследования стали переписные книги Бельского уезда второй половины XVII в. и актовый материал первой половины XVII в. - польского периода в истории Белой. Эти источники содержат информацию не только о землевладельцах данного периода, но и более раннего московского времени (вторая половина XVI - начало XVII в.). В работе по локализации топонимов источников XVII в. использовались картографические материалы Генерального межевания XVIII в. В исследовании применялись геоинформационные технологии. Разработанный в среде NEXTGIS геоинформационный проект позволил обработать большой объем историко-географической информации. Совмещение данных разновременных источников дало возможность впервые произвести ретроспективный анализ динамики землевладения на территории бельских волостей в XVI-XVII вв. Границы земельных дач позволили визуализировать пределы земельных владений XVI-XVII вв. Охарактеризована география дворцового и шляхетского землевладения. Сформированное из конфискованных земель, в основном, Витебского иезуитского коллегиума, дворцовое землевладение в Бельском уезде в 1650-х - 1670-х гг. немногим уступало по размерам шляхетскому и казачьему. Прослеживается преемственность ряда земельных владений в двух аспектах. Прежде всего, это преемственность границ землевладений русского дворянства второй половины XVI - начала XVII в. и меcтностей шляхты XVII в. В частности, владения Татевых, Травиных, Темиревых XVI в. сохранялись в своих пределах за шляхтой как в польский период, так и после закрепления Белой в составе Русского государства. Во-вторых, это преемственность владений шляхты первой и второй половины XVII в. Прослежена принадлежность одних и тех же владений представителям шляхетских фамилий: Поплонских, Рачинских и др. Преемственность географических пределов землевладения, вероятно, сопутствовала сохранению параметров освоенности территории. Существенным фактором сохранения архаики было наличие обширных лесных и водно-болотных угодий. Полученные данные существенно дополняют представления об исторической географии русского пограничья.
Предметом исследования является корпус детской литературы из собрания Минусинской общественной библиотеки конца XIX - начала XX века, состоящий из 121 произведения, написанных между 1719 и 1905 годами. Эти тексты представляют собой значимый источник для изучения формирования географического восприятия у жителей провинциального сибирского города через художественную литературу. Особое внимание уделено анализу географических названий (топонимов), встречающихся в текстах, с целью выявления их частоты и географического распределения. Это позволяет реконструировать картину мира, представленную в книгах того времени, и понять, как она воспринималась детской аудиторией, формируя их представление о странах, городах и культурных центрах. Работа направлена на изучение роли детской литературы как культурного инструмента, который отражает и формирует географические представления, а также на выявление методологических вызовов и ограничений при работе с историческими корпусами. Методологическая основа включает приведение дореформенных текстов к машиночитаемому виду с использованием инструментов оцифровки и геопарсинг для автоматического выявления географических сущностей. Для анализа применялась библиотека Spacy с последующей ручной проверкой и корректировкой данных. Результаты исследования включают выявление 668 городов и 97 стран, представленных в текстах, а также построение картографической визуализации частотного распределения упоминаний. Анализ выявил неравномерность распределения географических наименований в различных текстах, где преобладают упоминания России, Польши и Англии среди стран, а Киева, Москвы и Санкт-Петербурга среди городов. Область применения результатов включает исследования в области цифровых гуманитарных наук, библиотековедения и историко-культурных исследований. Новизна же работы заключается в использовании современных методов геопарсинга для обработки русскоязычных текстов дореформенной орфографии и в анализе ранее не изученного корпуса литературы Минусинской библиотеки. Выводы подчеркивают значимость картирования текстов для понимания формирования географического восприятия и необходимость дальнейшего развития инструментов NER для сложных корпусов. Несмотря на ограничения, исследование вносит вклад в развитие методов NLP для исторических текстов.
В статье рассматриваются перспективы использования технологий искусственного интеллекта (ИИ) для создания и развития цифровой архивной среды, а также их влияние на оптимизацию, автоматизацию процессов работы с архивными данными. Основной целью работы является анализ современных цифровых решений, направленных на улучшение процессов хранения, поиска и обработки архивных документов (в том числе рукописных, поврежденных, многоязычных). В работе исследуются ключевые технологии, применяемые в цифровых архивах, включая интеллектуальное сканирование, обработку естественного языка (NLP), компьютерное зрение, машинное обучение и методы интеллектуального поиска. Особое внимание уделяется проблемам утраты архивных материалов, необходимости их восстановления, обеспечения безопасности и доступности данных, что особенно актуально в условиях нестабильной политической ситуации и ограниченных ресурсов для новых территорий. Исследование основано на системном анализе современных информационных технологий и их применении в архивном деле. В работе используются методы сравнительного анализа, классификации и прогнозирования, что позволяет определить ключевые направления внедрения ИИ в архивную сферу. Новизна работы заключается в комплексном подходе к анализу применения ИИ в архивной сфере, выявлении проблемных аспектов цифровизации архивов и предложении по автоматизации процессов хранения, обработки и поиска архивных данных. Сделан вывод о том, что технологии искусственного интеллекта способны значительно повысить эффективность работы архивов, обеспечивая ускоренную обработку документов, интеллектуальную классификацию, защиту данных и удобный доступ к информации. Кроме того, подчеркивается необходимость разработки новых алгоритмов на основе машинного обучения, которые позволят улучшить распознавание рукописных текстов, обработку поврежденных документов и многоязычных архивных материалов. Внедрение таких технологий становится важной частью стратегии цифровой трансформации архивного дела и играет ключевую роль в сохранении исторического наследия.
Предметом исследования являются статьи официального печатного органа российского Министерства финансов - журнала “Вестник финансов, промышленности и торговли” - за 1917 г. Бесспорно, этот год был поворотным в отечественной истории. В связи с этим важно использовать новые подходы для раскрытия информационного потенциала во многом уникального источника, содержащего ценные сведения об экономике страны (причём не только о тех сферах, которые вынесены в название журнала, но и, например, о налоговой и таможенной политике, а также о подготовке ряда реформ, включая аграрную). Кроме того, необходимо учитывать, что в рассматриваемый период журнал издавался на фоне продолжавшейся Первой мировой войны, и соответствующая проблематика также нашла отражение на его страницах. Методически статья базируется на компьютеризованном контент-анализе. Основной фокус - инструменты искусственного интеллекта в составе специализированного программного обеспечения MAXQDA. Новизна исследования заключается в том, что впервые протестированы возможности модуля искусственного интеллекта AI Assist и его новейшего компонента, MAXQDA Tailwind, находящегося на момент печати статьи в стадии бета-версии. Автор по приглашению разработчиков получил ранний доступ ко всем функциям продукта, отправил обратную связь по итогам работы. Международная виртуальная конференция пользователей MAXQDA (MAXDAYS 2025), на которой будет представлен функционал MAXQDA Tailwind, пройдёт 18-19 марта этого года. Таким образом, читатели смогут ознакомиться с ним ещё до официального релиза. В статье доказано, что искусственный интеллект ни в коем случае не заменяет учёного-историка, но может помочь ему углубить и сделать более комплексным анализ исторических источников.
В представленной работе объектом исследования являются «Записки декабриста И. И. Горбачевского» - яркий образец декабристской мемуаристики, несущий отпечаток исторического самосознания участников движения. Данный источник предлагает ценные сведения о перипетиях взаимоотношений между участниками таких декабристских организаций, как Общество соединенных славян и Южное общество, содержит взгляд изнутри на ход и причины поражения восстания Черниговского полка, предоставляет фактологический материал о судьбе заговорщиков после суда над ними и отправки в Сибирь. Вместе с тем, начавшись еще в советской историографии, по сей день остается до конца не завершенным спор об авторстве этих “Записок”: фигура декабриста Горбачевского в качестве автора рядом исследователей считается чисто номинальной. Вполне очевидно при этом, что личность автора определяет специфику изложенных в “Записках” суждений и привносит в изложение неизбежный субъективный налет, а потому должна приниматься во внимание при работе с источником. Предметом исследования в представленной работе, таким образом, является не разрешенный до сих пор вопрос об авторстве «Записок». Авторами предложено решение задачи определения авторства «Записок декабриста И. И. Горбачевского» при помощи методов машинного обучения. В качестве возможных авторов рассмотрен сам И. И. Горбачевский, а также декабрист П. И. Борисов. Новизна исследования заключается в том, что для определения авторства «Записок» были применены методы машинного обучения. Авторы обучили четыре типа моделей для предсказания авторства каждого из предложений «Записок». В результате большинство предложений «Записок» были оценены, как написанные Горбачевским. Наибольший процент предложений, 69.2 %, был отнесён к Горбачевскому моделью Count Vectorizer + SVC. Точность всех моделей в среднем превышала 80 %, а у основанных на кодировании при помощи BERT в среднем была близка к 90 %. Основным выводом работы, таким образом, можно считать, что «Записки» более вероятно были написаны И. И. Горбачевским, чем П. И. Борисовым. Примененные в рамках представленного исследования методы дают еще один аргумент в пользу этой версии. Код и датасет доступны по ссылке: https://github. com/WLatonov/Gorbachevskiy_notes.
В течение последнего десятилетия технологии искусственного интеллекта (ИИ) стали одним из наиболее востребованных направлений развития науки и технологий. Этот процесс затронул и историческую науку, в которой первые исследования в этом направлении начались в 1980-х гг. (т. н. первая волна) - как в нашей стране, так и за рубежом. Затем наступила “зима искусственного интеллекта”, а в начале 2010-х гг. пришла “вторая волна” ИИ. Предмет исследования в данной статье - новые возможности применения ИИ в истории и новые проблемы, возникающие в этом процессе в настоящее время, когда основным направлением ИИ стали искусственные нейросети, машинное обучение (включая глубокое обучение), генеративные нейросети, большие языковые модели и т. д. Исходя из опыта применения ИИ историками, в статье предложены следующие семь направлений таких исследований: распознавание рукописных и старопечатных текстов, их транскрибирование; атрибуция и датировка текстов с помощью ИИ; типологическая классификация и кластеризация данных статистических источников (в частности, с использованием нечеткой логики); источниковедческие задачи, восполнение и обогащение данных, их реконструкция с помощью ИИ; интеллектуальный поиск релевантной информации, использование генеративных нейросетей с этой целью; использование генеративных сетей для обработки и анализа текстов; использование ИИ в архивах, музеях и других учреждениях хранения культурного наследия. Проведен анализ обсуждения подобных вопросов, организованный ведущим американским историческим журналом AHR. Это концептуальные вопросы взаимодействия человека и машины («историк в мире искусственных нейросетей»), возможности использования историками технологий машинного обучения (в частности, глубокого обучения), различных инструментов ИИ в исторических исследованиях, а также эволюции ИИ в XXI веке. Затрагивались и практические аспекты, например, опыт распознавания с помощью ИИ текстов газет минувших веков. В заключении рассмотрены проблемы использования историками генеративных нейросетей.
Предметом данного исследования является разработка и внедрение цифрового информационно-аналитического ресурса «Православный ландшафт таежной Сибири: акторы, институты, сети», предназначенного для изучения формирования сибирского общества в XIX-XX веках. Ядро информационного наполнения ресурса сформировано из данных поселенческой, экономической и религиозной статистики, материалов «Томских епархиальных ведомостей», а также текстов богослужебных, дидактических и полемических произведений из приходских и старообрядческих библиотек. Процесс разработки информационного ресурса включает создание системы для долговременного хранения и восстановления данных, унификацию и стандартизацию загружаемых данных, а также разработку инструментов для аналитической обработки и модификации данных. В рамках проекта решено несколько проблем, связанных с гетерогенностью систем измерений и исторической вариативностью топонимов. Исследование основано на междисциплинарном подходе к сибирскому региону как трансграничной территории с сетевыми формами складывания этноконфессиональных групп и идентичностей. Методологически работа опирается на разработку решений для интеграции разнородных исторических геоданных и обеспечения их долговременного хранения и аналитической обработки. Научная новизна состоит в разработке комплексного подхода к цифровизации гуманитарных исследований, обеспечивающего систематизацию разнородных источников, их долговременное хранение и интеграцию в современную исследовательскую инфраструктуру. Разработана архитектура информационной системы, ориентированная на поддержку децентрализованного хранения данных с сохранением контроля владельцев. Решены проблемы гетерогенности систем измерений в исторических источниках и вариативности топонимов через создание системы уникальной идентификации географических объектов. Внедрены протоколы стандартизации и оформления загружаемых данных, обеспечивающие их совместимость с современными геоинформационными сервисами. Реализованы микросервисы автоматизированной обработки с гарантией целостности информационного массива. Интерактивный интерфейс системы предоставляет исследователям доступ к аналитическим инструментам без необходимости специализированных компетенций в области информационных технологий и ГИС систем.
Предметом исследования является участие российских мусульман в Белом движении и их эмиграция в страны Дальнего Востока на примере одного из деятелей мусульманского и башкирского национального движения Мухамед-Габдулхая Курбангалиева (ишана Курбангали). Цель исследования - реконструировать биографию ишана с применением методов исторической информатики. В качестве источников использованы материалы следственных дел Курбангалиева из Центрального архива ФСБ и Национального архива Республики Башкортостан. Оцифрованные архивные материалы преобразованы в базу данных, которая отражает ключевые события и периоды его активности в 1917-1956 гг., связанные с участием в военных действиях в Сибири, эмиграцией в Японию, а также с поездками на Дальнем Востоке в интересах японских военно-политических кругов. Для визуализации пространственной мобильности Курбангалиева осуществлено картографирование геоданных с использованием сервисов Google Map. Биография Курбангалиева рассматривается в рамках методологии «трансграничных биографий» и отказа от бинарностей («свой/чужой») в пользу гибридности (С. Конрад). Создана многослойная база геоданных, которая сочетает пространственные и атрибутивные характеристики, включает наряду с описанием событий 204 локации и 507 персоналий. Выстроена геохроника жизни Курбангалиева. Полученный электронный ресурс может быть отнесен к историческим картам персоналий. Анализ геоданных выделил основные центры активности Курбангалиева - Забайкалье, Маньчжурия, Япония. Анализ контактов Курбангалиева в Токио выявил ядро сети из 12 персон: имамы, офицеры Генштаба, представители правящих кругов Японии и Османской династии. В отличие традиционного в публикациях образа «башкирского имама в Японии», в данной работе Курбангалиев представлен в контексте множественности пересекающихся идентичностей - религиозной, национальной, политической. Доказано, что его деятельность в Японии (создание мечети, издание журнала, связи с японскими политиками) способствовала институционализации ислама в регионе, активизировала обсуждение мусульманами Японии Закона о религиозных обществах (принят 8 апреля 1939 г.). Анализ архивных материалов с помощью методов исторической информатики, картографирования и методологии «трансграничных биографий» позволил не только восстановить биографию Курбангалиева, но и вписать ее в более широкий контекст транснациональных процессов XX века.
Объектом данного исследования является социальная история Королевства Кастилия и Леон в XIII-XV вв., которая охватывает динамику взаимодействий между религиозными общинами и их правовой, экономический и социальный статус. В качестве предмета исследования определяется применение объектно-ориентированного программирования на примере использования унифицированного языка моделирования (UML) для анализа положения мусульман в социальном пространстве Королевства Кастилия и Леон указанного периода. Цель статьи - исследовать возможности использования UML в исторической науке, демонстрируя, как этот метод способствует моделированию социальных и правовых структур прошлого, а также структурированию историографических концепций, объясняющих проблему сосуществования в средневековой Испании. Исследование направлено на использование инженерных методов в изучении социальной и экономической роли мусульманского населения в контексте взаимодействия с христианами и евреями. Методология исследования сочетает традиционные исторические методы с современными подходами программирования, что позволяет глубже понять и проанализировать социальное положение мусульман и теоретические концепции о их роли в Королевстве Кастилия и Леон. Автор провел комплексный анализ академической литературы, обосновывающей применение UML в гуманитарных науках. Научная же новизна заключается в использовании диаграмм класса для анализа социального положения мусульман в Королевстве Кастилия и Леон в XIII-XV вв. Этот язык моделирования позволяет структурировать сложные социальные взаимосвязи, отражать иерархию социальных групп, их правовой статус и взаимоотношения. UML также эффективен для систематизации историографического материала, помогая выявлять скрытые взаимосвязи между концепциями. При этом данный язык не является привычным инструментом для историков, что может затруднять его применение исследователями. Тем не менее освоение синтаксиса данных диаграмм может быть перспективным при моделировании социальных отношений. Кроме того, использование UML способствует интеграции междисциплинарных подходов, объединяя методы исторической науки и информатики.
В статье приводится опыт компьютерной реконструкции облика физически утраченных деревянных сооружений средневековой Руси на примере Албазинского острога 1685 г. На первом шаге был создан общий топографический план городища, содержащий все доступные на момент исследования археологические данные. Поверх полученного плана по росписям были воспроизведены сооружения, непосредственно относящиеся к крепостной ограде, при этом внутреннее наполнение крепости было воспроизведено по картографическому рисунку «Luosha». В свою очередь, информационные лакуны было принято заполнить информацией об архитектурных аналогах рассматриваемого периода, а также общими нормами деревянного зодчества. По итогу работы были разработаны детализированная трехмерная модель крепости и создан физический макет для научного музея Амурского государственного университета. В рамках исследования применялся метод онтологического согласования максимально доступной выборки исходных данных, в последующем неоднократно использованный при воссоздании иных архитектурных комплексов. Особенностью данной работы является применение инструментов современных информационных технологий, а также системного подхода, которые дали возможность достаточно точно и обоснованно воспроизвести облик первого форпоста Приамурья. Следует отметить, что все используемые источники по своему содержанию отражают лишь фрагментарную справочную информацию по исследуемой проблеме, однако их интеграция позволяет получить качественно новый результат. Также стоит обратить внимание, что разработанные трехмерные модели формируют библиотеку элементов, упрощающую последующие реконструкции, а технология трехмерной печати позволяет выполнять тиражирование макета. В свою очередь, актуальность тематики проводимого исследования связана не только с большим числом аналогичных утраченных архитектурных комплексов, но и с растущим интересом к патриотическому воспитанию и отечественной истории в целом.
Активный рост применения информационных технологий в российской исторической науке отразился и на методологии историографических исследований. В настоящей статье использована технология социально-сетевого моделирования для анализа российской историографии 2010-х гг., посвященной различным аспектам истории Марийского края и локальных групп мари. Для достижения этой цели были использованы информационные возможности Научной электронной библиотеки eLIBRARY. RU, на платформе которой размещена библиографическая база данных РИНЦ. На портале указанного ресурса была сформирована подборка научных работ в рамках изучаемой предметной области. Она включает в себя 627 статей из журналов и материалов конференций, авторами которых являются более 270 специалистов по историческим и смежным с ними дисциплинам. Из общего массива статей был выделен пул высокоцитируемых публикаций, включающий в себя 72 научные работы, на основе которого в программе Gephi был создан сетевой граф, позволивший визуализировать связи между отобранными работами. С помощью автоматизированной укладки графа были выделены 13 крупных кластеров публикаций, а также ряд «периферийных» публикаций. В статье подробно описаны методы и технологии, использованные в ходе проведения настоящего исследования, представлена общая характеристика выявленной «топографии» указанной предметной области и тенденций ее развития, а также описаны наиболее популярные тематики исследований на современном этапе. Новизна исследования состоит в использовании данных цитирований для выявления и анализа структуры коммуникации в данной предметной области. Проведенный социально-сетевой анализ научной литературы показал, что рассмотренная предметная область современной российской историографии демонстрирует ярко выраженную положительную динамику в своем развитии, о чем свидетельствует значительное тематическое расширение исследований, многочисленный и географически широкий авторский корпус, привлечение ряда новых исторических источников, использование новых исследовательских подходов, а также заметная грантовая поддержка исследований.
Издательство
- Издательство
- НБ-МЕДИА
- Регион
- Россия, Москва
- Почтовый адрес
- 115114, г Москва, Даниловский р-н, Павелецкая наб, д 6А, кв 211
- Юр. адрес
- 115114, г Москва, Даниловский р-н, Павелецкая наб, д 6А, кв 211
- ФИО
- Даниленко Василий Иванович (ГЕНЕРАЛЬНЫЙ ДИРЕКТОР)
- Контактный телефон
- +7 (___) _______