في عالم تبحث فيه الدراسات الإنسانية الرقمية عن طرق جديدة لفهم الماضي، أطلعتنا دراسة حديثة على تقنية مبتكرة تعتمد على الجمع بين نماذج التعلم العميق المتقدمة، مثل BERT (Bidirectional Encoder Representations from Transformers) والشبكات العصبية البيانية (Graph Neural Networks). تهدف هذه الدراسة إلى تحويل الكميات الهائلة من النصوص التاريخية التقليدية إلى رسوم بيانية هيكلية لتحقيق فهم أعمق وأكثر دقة للتاريخ.

يعتمد النموذج المقترح على بنية عالية المستوى يتم دمجها لتيسير استخراج الكيانات والعلاقات من أنواع متعددة من النصوص التاريخية. حيث قامت الدراسة بمعالجة التحديات اللغوية المرتبطة بالنصوص التاريخية، بما في ذلك الت ambiguities (الغموض اللغوي) والمراجع المتسائلة عن السياق.

من خلال الاستفادة من مجموعة شاملة من السجلات البلدية والوثائق البرلمانية والمراسلات التاريخية، أظهرت التجارب أن النظام المشترك BERT-GNN يتفوق على التقنيات التقليدية المعتمدة على القواعد. حيث حققت هذه التقنية دقة عالية، واسترجاعاً أفضل، ونقاط F1 أعلى مقارنة بنماذج تعلم عميقة أخرى شائعة.

بفضل هذه النهج، يمكن التعامل مع الهياكل المعقدة والقضايا الضمنية بشكل أكثر دقة، مما يساهم في تطوير أنظمة استخراج البيانات التاريخية بشكل فعّال. هذه النتائج توضح كيف يمكن دمج خوارزميات تعلم الرسوم البيانية العلاقية مع تقنيات تمثيل المعاني الحساسة للسياق لإثراء مستودع المعرفة المتراكم.