Computational analysis of medieval manuscripts: a new tool for analysis and mapping of medieval documents to modern orthography
Notice bibliographique
Résumé
Medieval manuscripts or other written documents from that period contain \nvaluable information about people, religion, and politics of the medieval period, making \nthe study of medieval documents a necessary pre-requisite to gaining in-depth knowledge \nof medieval history. Although tool-less study of such documents is possible and has \nbeen ongoing for centuries, much subtle information remains locked such manuscripts \nunless it gets revealed by effective means of computational analysis. Automatic analysis \nof medieval manuscripts is a non-trivial task mainly due to non-conforming styles, \nspelling peculiarities, or lack of relational structures (hyper-links), which could be used \nto answer meaningful queries. Natural Language Processing (NLP) tools and algorithms \nare used to carry out computational analysis of text data. However due to high \npercentage of spelling variations in medieval manuscripts, NLP tools and algorithms \ncannot be applied directly for computational analysis. If the spelling variations are \nmapped to standard dictionary words, then application of standard NLP tools and algorithms \nbecomes possible. In this paper we describe a web-based software tool CAMM \n(Computational Analysis of Medieval Manuscripts) that maps medieval spelling variations \nto a modern German dictionary. Here we describe the steps taken to acquire, \nreformat, and analyze data, produce putative mappings as well as the steps taken to \nevaluate the findings. At the time of the writing of this paper, CAMM provides access \nto 11275 manuscripts organized into 54 collections containing a total of 242446 \ndistinctly spelled words. CAMM accurately corrects spelling of 55% percent of the verifiable \nwords.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,006 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».