Korpus 50 000 listów z XIX wieku. Słownik 40 różnych pisowni tego samego nazwiska. Trzy terabajty zdigitalizowanych rękopisów bez ustrukturyzowanych metadanych. To są realne skale, z jakimi historycy i literaturoznawcy mierzą się dziś w archiwach. Ręczne przeglądanie takich zbiorów zajmuje lata. Narzędzia NLP potrafią wykonać wstępną selekcję, anotację i klasyfikację w godzinach, ale właśnie w tym słowie „wstępną” tkwi cały sens tej technologii: ona otwiera drzwi do materiału, nie przechodzi przez nie za badacza.
Co faktycznie robi NLP w badaniach humanistycznych#
Przetwarzanie języka naturalnego to zbiór technik obliczeniowych, które pozwalają komputerowi „czytać” tekst w sensie statystycznym: rozpoznawać nazwy własne, klasyfikować sentymenty, wykrywać tematy, mapować relacje między pojęciami.
W praktyce humanistycznej najczęściej stosuje się kilka z nich:
Rozpoznawanie nazwanych jednostek (NER). Model identyfikuje osoby, miejsca, daty i instytucje w surowym tekście. Dla historyka przetwarzającego tysiące protokołów sądowych to pierwszy krok do zbudowania indeksu osób i zdarzeń bez ręcznego kodowania.
Modelowanie tematów. Algorytmy takie jak LDA lub jej nowsze odpowiedniki obliczeniowo grupują dokumenty według współwystępujących słów. W literaturoznawstwie pozwala to mapować, jak tematy dyskursu przesuwają się między dekadami lub gatunkami w korpusie zbyt dużym do lektury close-reading.
Analiza sentymentu. Modele klasyfikują emocjonalny ładunek tekstu. Przydatna przy porównywaniu tonu prasy różnych orientacji politycznych w tym samym okresie historycznym, ale zawodna przy ironii, eufemizmach i języku archaicznym.
Embeddingi i wyszukiwanie semantyczne. Modele językowe zamieniają fragmenty tekstu na wektory liczbowe, co pozwala znaleźć semantycznie podobne passusy nawet bez wspólnych słów kluczowych. To szczególnie cenne przy korpusach wielojęzycznych lub tekstach z odmienną pisownią historyczną.
| Technika | Typowe zastosowanie | Gdzie model zawodzi |
|---|---|---|
| NER | Indeks osób i miejsc w archiwum | Nieznane nazwy własne, skróty historyczne |
| Modelowanie tematów | Mapa dyskursu w dużym korpusie | Teksty krótkie, wysoka polisemia |
| Analiza sentymentu | Ton prasy, dyskurs publiczny | Ironia, eufemizmy, język archaiczny |
| Wyszukiwanie semantyczne | Podobne passusy w różnych językach | Specjalistyczny żargon spoza zbioru treningowego |
| Ekstrakcja relacji | Sieci powiązań postaci lub instytucji | Skomplikowane zdania wieloklauzulowe |
Jak to wygląda w praktyce badawczej#
W Cashcrown pracujemy z organizacjami, które mają duże zasoby tekstowe i chcą je uczynić przeszukiwalnymi lub analizowalnym ilościowo. Wzorzec pracy jest powtarzalny:
Najpierw następuje przygotowanie korpusu: OCR zdigitalizowanych dokumentów, normalizacja kodowania, usunięcie artefaktów skanowania. Ten etap decyduje o jakości wszystkiego, co nastąpi później. Brudne dane wejściowe przekładają się na brudne wyniki.
Potem wstępna klasyfikacja modelem. System RAG lub klasyfikator wskazuje kandydatów do dalszej analizy, grupuje dokumenty tematycznie, ekstrahuje encje. Wyniki mają formę listy z przypisanymi wagami pewności.
Następnie weryfikacja przez eksperta. Badacz przegląda próbkę wyników, ocenia, czy klasyfikacja ma sens merytoryczny, koryguje etykiety tam, gdzie model się pomylił. To jest punkt, w którym wiedza dziedzinowa jest niezastąpiona. Model nie wie, że słowo „wiktor” w XIX-wiecznym tekście polskim może być imieniem lub tytułem nagrody. Historyk wie.
Na koniec iteracja i analiza ilościowa: poprawiony model przetwarza resztę korpusu, a badacz analizuje zagregowane wyniki statystyczne. Interpretacja należy do człowieka.
Gdzie model regularnie się myli#
Sekcja ta jest ważniejsza niż lista możliwości, bo decyduje o tym, kiedy ufać wynikom, a kiedy ich nie ufać.
Ironia i negacja. Analiza sentymentu zawodzi przy tekstach, które mówią coś odwrotnego do powierzchni. Kazanie, które „chwali” nieuczciwość kupców, żeby ich zawstydzić, zostanie przez model sklasyfikowane jako pozytywne wobec nieuczciwości.
Kontekst historyczny i leksykalne przesunięcia. Słowa zmieniają znaczenie w czasie. „Liberalny” w 1850 roku znaczy coś innego niż w 2020. Model wytrenowany na współczesnych tekstach przeniesie współczesne konotacje na historyczne użycie, co może zniekształcić wyniki modelowania tematów lub klasyfikacji sentymentu.
Halucynacje przy ekstrakcji faktów. Gdy prosimy LLM o streszczenie lub ekstrakcję danych z tekstu historycznego, model może uzupełnić luki własną „wiedzą” zamiast przyznać, że informacja jest nieobecna. W badaniach humanistycznych każde twierdzenie musi być weryfikowalne przez odesłanie do źródła. Automatyczna ekstrakcja bez weryfikacji człowieka jest tu niedopuszczalna.
Języki i dialekty o niskiej reprezentacji. Modele trenowane głównie na angielskim mają istotnie słabszą jakość dla tekstów w językach regionalnych, dialektach i piśmie historycznym. Badacz pracujący ze staropolszczyzną czy pismem gotyckim musi sprawdzić jakość modelu na własnej próbce przed skalowaniem.
Etyka i integralność badawcza#
Stosowanie NLP w humanistyce otwiera pytania, którymi metodologia musi się zająć wprost.
Stronniczość reprezentacji. Zdigitalizowane archiwa są niekompletne. Teksty pisane przez kobiety, osoby z niższych klas, mniejszości językowe lub wyznaniowe są historycznie niedoreprezentowane. Model wytrenowany lub zastosowany do takiego korpusu odtworzy tę skrzywioną reprezentację jako wynik. Badacz musi to rozumieć i interpretować wyniki ilościowe z tą świadomością.
Przejrzystość metodologiczna. Coraz więcej pism naukowych wymaga deklaracji, które etapy analizy były wspomagane przez systemy AI i jakie narzędzia zastosowano. Ukrywanie tego faktu jest naruszeniem standardów powtarzalności. Dobrą praktyką jest traktowanie logów promptów i wyników modelu jako część dokumentacji metodologicznej.
Human-oversight jako zasada, nie wyjątek. Wynik modelu to hipoteza do weryfikacji, nie wniosek do cytowania. Każde twierdzenie, które trafi do publikacji, musi być potwierdzone przez eksperta w oparciu o źródła pierwotne. Ten wymóg nie jest biurokratycznym hamulcem. Jest gwarancją, że nauka pozostaje falsyfikowalna.
Praktyczny punkt wejścia#
Najczęstszy błąd przy pierwszym wdrożeniu narzędzi NLP w projekcie badawczym: zastosowanie modelu do całego korpusu bez walidacji na próbce.
Rekomendowany wzorzec:
- Losowy dobór 100-200 dokumentów z korpusu do ręcznej anotacji przez eksperta.
- Uruchomienie modelu na tej samej próbce i porównanie wyników.
- Pomiar precyzji i czułości dla kategorii istotnych dla projektu.
- Decyzja badacza: czy jakość jest wystarczająca do zastosowania na całym korpusie? Jeśli nie, co wymaga korekty (fine-tuning, zmiana modelu, doprecyzowanie instrukcji)?
Dopiero po tej kalibracji ma sens skalowanie. Pominięcie tego kroku prowadzi do odkrycia po miesiącach, że model popełniał systematyczny błąd unieważniający znaczną część wyników.
FAQ#
Czy NLP można stosować do tekstów w języku polskim historycznym, np. z XVI-XVIII wieku?#
Można, ale z ostrożnością. Modele wytrenowane na współczesnej polszczyźnie mają istotne ograniczenia przy tekstach archaicznych: odmienne formy fleksyjne, łacińskie wtrącenia, brak normalizacji ortografii i zapis fonetyczny zamiast współczesnego. Praktyczne podejście to stosowanie modeli wielojęzycznych z manualną weryfikacją na próbce oraz, gdzie to możliwe, korzystanie z korpusów historycznych jako danych dostrajających. Wyniki należy traktować jako wstępne wskazania, nie pewne dane.
Jak duży musi być korpus, żeby NLP miało sens?#
Nie ma twardego progu. Przy kilkudziesięciu dokumentach ręczna analiza jest szybsza i dokładniejsza. NLP staje się opłacalne, gdy korpus liczy setki lub tysiące tekstów, a pytanie badawcze dotyczy wzorców powtarzalnych na dużą skalę. Dla małych zbiorów bardziej wartościowe jest użycie modelu do wspomagania czytania bliskiego (close reading) niż do analizy ilościowej.
Czy wyniki analizy NLP można cytować bezpośrednio w artykule naukowym?#
Nie jako samodzielne twierdzenia. Wynik modelu to obserwacja statystyczna, która wymaga interpretacji i weryfikacji przez eksperta w oparciu o źródła. W sekcji metodologicznej można opisać, że model zastosowano do wstępnej klasyfikacji lub ekstrakcji, podać parametry i narzędzia. Samo twierdzenie naukowe musi opierać się na weryfikowalnych dowodach, nie na wyniku algorytmu.
Jakie są ryzyka stosowania ogólnych modeli językowych zamiast wyspecjalizowanych?#
Ogólne modele (trenowane na szerokim korpusie internetowym) nie znają specjalistycznego słownictwa dziedzinowego, konwencji gatunkowych ani kontekstu historycznego. Mogą przypisywać etykiety sensowne semantycznie, ale nieadekwatne merytorycznie. Wyspecjalizowane modele lub modele z dodatkowym kontekstem dziedzinowym (przez architekturę RAG) dają lepsze wyniki przy tekstach specjalistycznych. Kalibracja na własnej próbce jest jedyną metodą sprawdzenia, który model jest wystarczająco dobry dla konkretnego projektu.
Czy NLP narusza prywatność, gdy analizuje teksty zawierające dane osobowe?#
To zależy od charakteru tekstów i sposobu przetwarzania. Analiza opublikowanych materiałów historycznych rzadko rodzi problemy prawne. Przetwarzanie dokumentów zawierających dane osobowe żyjących osób podlega RODO i wymaga oceny podstawy prawnej, a często pseudonimizacji przed przekazaniem do zewnętrznego systemu AI. Dane poufne należy przetwarzać wyłącznie przez systemy lokalne lub z pełną umową powierzenia przetwarzania.
Powiązane tematy: naukowcy z AI osiągają więcej, granice autonomii AI w nauce, rola człowieka w pętli, jak ograniczyć halucynacje, problem czarnej skrzynki.