GPT-4 يساعد أمناء الأرشيف على فك رموز الوثائق المكتوبة بخط اليد أسرع بـ50 مرة

في عام 2023، واجه مارك همفريز، المؤرخ ومنسق برنامج تطبيقات generative AI في Wilfrid Laurier University (واترلو، أونتاريو)، مشكلة ضخمة. فقد رقمن 10 ملايين صفحة من سجلات المعاشات التقاعدية الكندية الخاصة بفترة الحرب العالمية الأولى. لكن غياب الفهرسة والتوحيد القياسي جعل هذه الأرشيفات غير قابلة للاستخدام عمليًا، إذ كان البحث عن متقاعد بعينه يعني تصفح الملفات بلا أي دليل.

وقد دوّن هذه السجلات مئات الكتبة والضباط والإداريين المختلفين، ما استبعد الحل المعتاد المتمثل في تدريب نموذج متخصص على خط يد واحد. قرر همفريز تجربة GPT-4. كانت النتائج أولية وخشنة، لكنها كانت أفضل من أي أداة أخرى.

أمضى همفريز وزملاؤه عامين في اختبار منهجي، حللوا خلالهما رسائل ووثائق قانونية ويوميات تعود إلى القرنين الثامن عشر والتاسع عشر من بلدان مختلفة. وأظهرت الدراسة، التي نُشرت في مايو 2025 في مجلة Historical Methods، نتيجة لافتة: النماذج اللغوية الكبيرة تفوقت على Transkribus، وهو برنامج متخصص تستخدمه أكثر من 150 أرشيفًا وجامعة كبرى.

والأرقام لافتة. ففي مجموعة الوثائق نفسها، وهي وثائق لم تعرفها النماذج من قبل، ارتكب Transkribus أخطاء قراءة بنسبة 8%، بينما توقفت نسبة الخطأ لدى نماذج LLM التي اعتمدها همفريز عند 2%. وفي الوقت ذاته ارتفعت السرعة 50 مرة، وانخفضت التكلفة 50 مرة. وقد أعلنت الشركة المطورة لـTranskribus أنها ستدمج نماذج LLM في منتجها الخاص.

«كان ذلك حلمنا»، قال همفريز في مقابلة.

الأرشيفات تتحول من كتاب مغلق إلى كتاب مفتوح

تظهر النتائج العملية بالفعل في جامعات أمريكا الشمالية. فليان ليدي، المؤرخة المتخصصة في تاريخ الشعوب الأصلية والمشاركة في تأليف الدراسة، تستخدم AI للبحث عن إشارات إلى نساء السكان الأصليين في أمريكا الشمالية ضمن دفاتر التجارة القديمة وسجلات التعميد والزواج المتناثرة في أرشيفات تمتد من ساحل إلى ساحل.

والمشكلة أن الرجال هم من دوّنوا هذه السجلات، من تجار وقساوسة وموظفين، وكثيرًا ما سُجلت أسماء النساء صوتيًا فقط وبصيغ مختلفة؛ فقد كان بإمكان الفرنسيين والإنجليز والاسكتلنديين كتابة الاسم الواحد بخمس طرق. وأحيانًا كانت المرأة تُذكر ببساطة بوصفها «زوجة فلان». ولجمع تاريخ كامل بالوتيرة القديمة، كان ذلك يستلزم عقودًا من العمل. أما الآن فيستغرق الأمر أشهرًا.

وتجري جامعة نورث كارولاينا (تشابل هيل) تجارب على نسخ مجموعاتها الخاصة بمساعدة AI، وهي مجموعات يستخدمها بنشاط أشخاص يبحثون عن معلومات حول أسلافهم. وقالت أمينة الأرشيف جاكي دين إن النماذج تعمل جيدًا مع الرسائل واليوميات، لكن الاختراق الحقيقي تحقق مع الجداول، التي كانت دائمًا مشكلة مستعصية على البرامج المتخصصة.

أما بنك الاحتياطي الفيدرالي في فيلادلفيا فقد تجاوز حدود الجامعات تمامًا. إذ يستخدم نماذج LLM لاستخراج البيانات من سجلات الملكية العقارية التاريخية وسجلات تسجيل السيارات، التي كانت معالجتها على نطاق واسع مكلفة للغاية في السابق. وقد فتح ذلك آفاقًا جديدة أمام البحوث الاقتصادية التاريخية.

من أرقام ليكون إلى النماذج العامة

تعود جذور هذه المشكلة إلى بدايات AI. ففي ثمانينيات القرن الماضي، عمل يان ليكون (الذي أصبح لاحقًا حائزًا على جائزة Turing Award تقديرًا لإسهاماته في deep learning) على التعرف على الأرقام المكتوبة بخط اليد. ولم يكن اهتمامه منصبًا على الخط اليدوي بحد ذاته بقدر ما كان على الرؤية الحاسوبية. لكن بسبب ضعف قدرات الحوسبة ونقص البيانات، ركز على الأرقام، حيث وفرت خدمة البريد وعمليات التعداد السكاني معلومات كافية.

واتضح أن النماذج اللغوية الحديثة، التي اطلعت على مجموعة بيانات واسعة تشمل الإنترنت والكتب والرقمنات التاريخية، استوعبت في مكان ما الصلة بين النص المكتوب بخط اليد ونسخته المطبوعة. ولم يعلّمها أحد ذلك عن قصد.

ويتفق ليكون، الذي يعتبر المشكلة محلولة في معظمها وانتقل منذ زمن إلى أسئلة أكثر تعقيدًا في الذكاء الآلي، مع هذا المنطق.

ويعمل همفريز حاليًا على إنشاء Archive Pearl، وهي أداة غير ربحية لا تزال في مرحلة البيتا. والفكرة بسيطة: تسحب مئة صفحة وتحصل على نسخة نظيفة خلال دقائق بدلًا من أسابيع. وهدف همفريز هو إتاحة التقنية للجميع، فالأداة ينبغي أن تكون في صالح الناس لا ضدهم.

ماذا يعني ذلك

تصبح الأرشيفات المكتوبة بخط اليد أكثر إتاحة، ليس لعلماء الخطوط القديمة المدربين فحسب، بل للطلاب وطلاب الدراسات العليا وهواة التاريخ والباحثين عن جذورهم. فالمجموعات التي حُفظت لكنها بقيت مخفية عمليًا خلف كلفة النسخ اليدوي الباهظة، أصبحت قابلة للبحث. والأسئلة التي كانت مكلفة أو مرهقة للغاية يمكن الآن طرحها.

هذا ليس مجرد تسريع، بل انتقال من المستحيل إلى المعتاد.