— Mākslīgais intelekts digitālajās humanitārajās zinātnēs: 2025. gada redzējums

Digitālās humanitārās zinātnes jeb digitālā pētniecība un ar to saistītā datu pārvaldība vēstures, mākslu un literatūras, reliģijas, folkloras un kultūras mantojuma nozarēs ir to disciplīnu vidū, kuras pamanāmi ietekmē ģeneratīvā mākslīgā intelekta (MI) ienākšana. Jēdziens digital humanities – digitālās humanitārās zinātnes – ieviests 2000. gadu sākumā, lai piešķirtu pievilcīgāku vārdu un iekļaujošāku identitāti dažādām starpdisciplinārām pieejām, kas tolaik tika apzīmētas kā skaitļojošās (computational) un statistiskās metodes.¹ Digitālās humanitārās zinātnes ietver tādas nozares kā korpuslingvistika un diskursa analīze, digitālo pētniecisko izdevumu veidošana, kultūras analītika, digitālo arhīvu un bibliotēku veidošana, karšu izstrādāšana (telpiskās humanitārās zinātnes), tīklu analīze un citas jomas.

Skaitļojošo un statistisko pieeju mērķi nereti bijuši ambiciozi – pētīt ne vien kanonu, bet kultūras lauku visā tā daudzveidībā, aptvert vienlaicīgi plašus reģionus un ilgus laika periodus, pievērsties lielajiem datiem.² Šie uzstādījumi savā ziņā ir pretrunā ar tradicionālu labo praksi humanitāro zinātņu pētniecībā – koncentrēties uz šauru jomu, lai pētījums būtu aptveramā mērogā un netiktu pieļautas paviršības. Materiāla automatizēta apstrāde noteikti neaizstāj lasīšanu, taču ļauj izgūt noteikta veida informāciju – informācijas sloksnes, ekstraktus un struktūru apveidus, kas reprezentēti dažādas līknēs, zarojumus, tīklos un kartēs.

Neapšaubāmi, humanitārās zinātnes, gluži tāpat kā citas nozares, ietekmē arī vienkārši iespēja ģenerēt tekstu, palīdzēt radīt akadēmiskas publikācijas, mākslas darbu kritikas un interpretācijas, prezentācijas un citus noderīgus tekstrades rezultātus. Atkarībā no lietojumgadījuma MI spējas sajūsmina vai liek vilties, bet nav nekādu šaubu, ka pētnieki teksta ģenerēšanu izmanto arvien vairāk, un tikai pakāpeniski saprotam, kas procesā tiek iegūts un zaudēts.³

Šajā esejā tomēr pievērsīšos citam aspektam – lielo valodas modeļu (LVM) un multimodālo modeļu kā zinātniskās pētniecības rīku izmantojumam. Humanitāro zinātņu pētniecībā LVM iespējas pašlaik tiek pārbaudītas teju visam, kas iepriekš īstenots ar citu dabiskās valodas un attēlu apstrādes rīku palīdzību. Šeit detalizētāk aplūkošu trīs aspektus – manuālā darba aizstāšanu, datorredzes un valodas ģenerēšanas integrāciju, kā arī LVM iespējamo ietekmi uz gaidām teksta izpētē. Visos minētajos gadījumos tiek izmantota pieeja, kurā LVM tiek uzdots analizēt pētnieka materiālu – teksta vai attēlu datu kopu –, tādējādi nav runa par lietojumiem, kur LVM tiek uzdots ģenerēt atbildi no vispārīga tā rīcībā esoša zināšanu kopuma vai datu masīva.

Rokdarbu un konveijerdarbu aizstāšana

Lai gan datorizēta datu apstrāde asociējas ar automatizāciju, efektivitāti, laika taupīšanu, digitālā pētniecība nereti paģēr laikietilpīgu datu sagatavošanu – sākot ar pašu digitalizācijas procesu, kur, atšifrējot rokrakstus vai sarežģīti strukturētus iespieddarbus (manuskriptus, kuros teksts rakstīs horizontāli un vertikāli, vai restorānu ēdienkartes), nācies tekstu pārrakstīt ar roku, un beidzot ar teksta anotēšanu, lai veidotu digitālos pētnieciskos izdevumus (digital scholarly editions) – īpašas iespieddarbiem vai manuskriptiem veltītas tīmekļa vietnes, kurās dažādi avoti un nojēgumi savstarpēji saistīti ar hipersaitēm, tiek piedāvāti plaši skaidrojumi un komentāri, izveidota iespēja iegūt statistisku informāciju par anotētajiem teksta elementiem u. tml.⁴ Sociālajās zinātnēs anotēšana vēsturiski saistīta ar kontentanalīzes metodoloģiju, un tekstu anotēšanai pastāv dažādas komerciālas platformas.⁵ Īpaši apjomīgas datu sagatavošanas aktivitātes, kuras nav iespējams paveikt viena pētnieka spēkiem, saistītas arī ar pilsoņzinātni un digitālo līdzdalību – digitālo līdzstrādnieku piesaisti sīku, bet daudzskaitlīgu un laikietilpīgu darbu veikšanai.⁶

Cilvēka veikta anotēšana kā ļoti nozīmīgs darbplūsmas posms raksturoja mākslīgā intelekta jomu pirms ģeneratīvā mākslīgā intelekta ienākšanas 2022. gadā. Uzraudzītās mašīnmācīšanās pieeja paredz, ka algoritms sākotnēji tiek iepazīstināts ar paraugu – piemēram, lielu daudzumu šaha spēļu vai paralēliem teksta tulkojumiem. Balstoties statistiskos datos, kas iegūti no parauga, tiek prognozēts rezultāts jaunos datos – veiksmīgi šaha gājieni un jauni tekstu tulkojumi. Dažkārt vajadzīgie treniņdati vēl nepastāv un tie manuāli jāsagatavo – rūpīgi anotējot kādu tekstu, norādot tajā pausto noskaņojumu vai emocijas, atzīmējot idiomas, metaforas vai kādus citus teksta elementus, anotējot žestus videoierakstā u. tml. Ar šādas pieejas palīdzību algoritmam var iemācīt atpazīt latviešu veco druku⁷ vai transkribēt rokrakstus.⁸

LVM un multimodālie modeļi lielu daļu šo uzdevumu veic pārsteidzoši labi, tostarp tie var noteikt rakstu tematus, norādīt tekstos aprakstīto notikumu cēloņus, izlabot teksta optiskās atpazīšanas kļūdas, uzskicēt daiļliteratūras darbu varoņu attiecību tīklojumus, noteikt literāru darbu un filmu žanrus, tulkot un darīt virkni citu lietu ar vairāk nekā 90% precizitāti.⁹ Var iebilst, ka LVM kļūdās, taču kļūdās arī cilvēki, kas anotē datus, turklāt daudzos gadījumos ambivalence ir pašos datos, un arī cilvēks nevarētu viegli noteikt, pie kuras kategorijas pieder anotējamais vārds vai attēla elements. Vairāk neprecizitāšu un halucināciju ieviešas, ar LVM analizējot datus, kuri mazāk bijuši pārstāvēti vai vispār nav bijuši pārstāvēti LVM treniņdatos, – tādi vispirms jau ir mazo valodu dati kā tādi, taču arī jebkuri vēsturisko valodas variantu vai izlokšņu dati. Var sacīt, ka tas ir tikai laika un cilvēku pūliņu jautājums, – labāk iemācīt MI arī vēsturiskās un marginālās lietas, taču pašlaik noteikti vēl jāņem vērā, ka, lasot tekstu vecajā drukā, GPT vai Gemini pierakstīs klāt daudz vairāk tekstā neeksistējošu vārdu, nekā lasot tekstu modernā latviešu valodā.

Pētnieki gan uzsver, ka LVM joprojām ir tikai palīgi un nevar pilnībā aizstāt cilvēka veikumu pat monotonu, automatizējamu darbu jomā; vienlaikus nav noliedzams, ka digitālās pētniecības roku darba aizstāšanu LVM šobrīd ietekmē vistiešāk, un tas liek uzdot jautājumus arī par pilsoņzinātnes un dažādu digitālās līdzdalības platformu nākotni. No vienas puses, pētniekiem vairs nevajadzēs meklēt tik daudz palīgu rokrakstā rakstītu vēstuļu un dienasgrāmatu transkribēšanai, no otras puses, nepamet bažas, ka brīvprātīgo palīgu mijiedarbe ar kultūras mantojumu transkribēšanas procesā ir vērtība pati par sevi, un būtu žēl atteikties no šī digitalizācijas darbplūsmas svarīgā posma.

Redzīgais un runājošais MI

Tādus vienkāršus parametrus kā attēlu krāsu gamma, tonalitāte, granularitāte, attēlotās formas un kompozīcija ir iespējams analizēt un salīdzināt ar matemātisku un algoritmisku metožu palīdzību, neizmantojot mašīnmācīšanos un mākslīgo intelektu. Humanitārajās zinātnēs savulaik plašāku rezonansi izpelnījās projekti Robots Reading Vogue¹⁰ un Selfiecity,¹¹ kas parādīja pieeju, kā, algoritmiski analizējot attēlu masīvus, iespējams tajos ieraudzīt interesantas sakarības. Proti,Vogue gadījumā – kā laika gaitā mainījās slavenā modes žurnāla vāku krāsu tonalitāte un kompozīcija, savukārt Selfiecity projektā – kā atšķiras pašbilžu dzimums, vecums un noskaņojums dažādās pilsētās. Kolāžas, kas veidotas no liela daudzuma attēlu, aizvadītajā desmitgadē kļuva populāras datos balstītās izstādēs un kā dizaina objekti.¹²

Nopietnākas akadēmiskās pētniecības kontekstā mākslas vēsturnieki vērtējuši, kā algoritmiskās metodes iespējams izmantot autorības, žanru un stilu analīzē.¹³ Jau pieminētā uzraudzītā mašīnmācīšanās bijusi īpaši noderīga, lai klasificētu un pētītu attēlus – iemācot algoritmu atpazīt konkrētus autorus, stilus vai žanrus, varam sagaidīt, ka tas spēs tos diagnosticēt vēl nemarķētos datos.

Manuprāt, ievērības vērts ir apsvērums, ka blakus centieniem kategorizēt attēlus saskaņā ar mākslas zinātnē jau esošiem žanru un stilu ietvariem vienmēr klātesošs bijis jautājums, kādas jaunas sakarības datorredze varētu palīdzēt atklāt. Intuitīvi zinām, ka cilvēka veidotas klasifikācijas varētu būt tendenciozas, situatīvas, tradīcijas noteiktas. Mūsu priekšizpratnes un aizspriedumi neizbēgami pārceļojuši arī uz digitālo vidi – sākot ar materiālu atlasi digitalizētajās kolekcijās līdz senāk definēto kategoriju pārnesei attēlu anotēšanas procesā, kad tos sagatavojam mašīnmācīšanās vajadzībām. Tomēr, izmantojot neuzraudzīto mašīnmācīšanos – tas ir, tādu procedūru, kurā dati pirms statistiskās analīzes netiek marķēti –, iespējams, varētu pamanīt sakarības, kas iepriekš nav fiksētas. Pārlūkojot plašākus datu masīvus, varbūt varētu pat apgāzt kādus iepriekšējus pieņēmums par periodu, žanru un stilu klasifikācijām vai piedāvāt jaunus virsstrukturējumus.

Blakus vienkāršākām metodēm, kas ļāva attēlus sakārtot pēc krāsām, tumšuma un gaišuma, īpaši intriģējošas iespējas pavērās līdz ar jaunu, jaudīgāku konvolucionālo un ģeneratīvo adversiālo neironu tīklu (CNN un GAN)¹⁴ pieejamību attēlu atpazīšanai 21. gadsimta 10. gados. Konvolucionālā tīkla daudzie slāņi labāk varēja notvert smalkas tekstūras, otas triepienus un kompozīcijas struktūru; šo informāciju savukārt varēja izmantot, dažādos veidos grupējot attēlus pēc līdzīguma. Pētnieks nonāca aci pret aci ar attēlu līdzīguma mākoņiem, un viņa paša ziņā bija redzēto interpretēt un formalizēt. Kas tieši ir tas, ko mums rāda šī matemātiski sakārtotā ainava?¹⁵ Sadarbojoties datorzinātniekiem un muzejiem, tika veidotas lietotnes, kas ļāva salīdzināt kādu attēlu ar visu pārējo muzeja attēlu masīvu – un pamanīt negaidītas līdzības un sakarības. Piemēram, Fransisko de Surbarana (Francisco de Zurbarán) gleznotā svētā Serapiona tēla poētisku līdzību ar Jana Aseleina (Jan Asselijn) gleznoto gulbi vai prozaisku līdzību starp Ēģiptē un Ķīnā radītiem airu laivu modeļiem.¹⁶

Ģeneratīvo lielo valodas modeļu ieviešana radīja pārmaiņas arī CNN un GAN lietojumā. Pirms 2022. gada pētnieki runāja par noslēpumaino pārrāvumu starp attēlu līdzīguma mākoņiem un mākslas vēsturnieku un teorētiķu priekšstatiem par mākslas darbu klasifikācijām – tagad attēlu tīkli bija sākuši runāt. Laikmetīgie multimodālie ģeneratīvie modeļi (to vidū arī populārie GPT un Gemini saimes pārstāvji) var gan atrast jebkuram raksturojumam atbilstošu attēlu, gan piešķirt attēlu kolekcijām atslēgvārdus, kategorizēt tos dažnedažādos veidos. Nav pamata apstāties pie tādiem skopiem apzīmējumiem kā “klasicisms”, “Renesanses māksla” vai “impresionisms” – varam vaicāt pēc “melanholiska noskaņojuma”, “siltas un mājīgas iekštelpu atmosfēras” vai “dramatiskas spriedzes, vētrainiem laika apstākļiem”. Gan attēlu tehniskie parametri, gan formāli žanri, gan noskaņu nianses – visas minētās noteiksmes jau ir multimodālo modeļu zināšanu masīvā, un šīs zināšanas balstās tajā, kas bijis LVM treniņdatos, – visā, ko cilvēki jau reiz novērtējuši un klasificējuši noteiktā veidā.

Protams, paliek spēkā ierobežojumi, kurus jau pieminēju, – ir šauru jomu zināšanas, kuru var nebūt kāda modeļa rīcībā, kā arī var uznirt modelī iekodēti aizspriedumi, kas mazina konkrēta rīka noderīgumu konkrēta datu masīva analīzē. Vienlaikus daudzos gadījumos tas, ko runājošais attēlu modelis mums var pavēstīt, šķiet tik atbilstošs un bagātīgs, ka aizmirstas sākotnējā vēlme ieraudzīt līdz šim neatklāto.

Ar neapbruņotu aci neredzamās sakarības

Gan tas, ko iepriekš sacīju par LVM palīdzību rokdarbos un konveijerdarbos, gan centieni ieraudzīt līdz šim acij apslēptās sakarības, nenoliedzami, attiecas uz lielu teksta masīvu izpēti. Šķiet, ir lietojumi, kur LVM patiešām varētu palīdzēt straujākiem soļiem atklāt sakarības, piemēram, atrodot tekstos visus tos jēdzienus, kurus senāk centāmies manuāli atrast un atzīmēt, – tagad tos izgūsim ātrāk un varēsim zīmēt tīklus, zarojumus un kartes. No otras puses, ir lietojumi, kuru noderīgums tagad no jauna jāapsver.

Piemēram, jaunus digitālo humanitāro zinātņu censoņus senāk varēja pievilināt ar domu, ka pētnieka dzīves laikā nav iespējams paspēt izlasīt un jēgpilni izanalizēt tūkstoti vai pat daudzus tūkstošus romānu un tikai digitālas metodes var piedāvāt iespēju ieskatīties šo tekstu dzīlēs. Ko īsti mēs gribētu no tiem uzzināt? Tas pats par sevi ir jautājums, kuram vērts veltīt pētnieka mūžu. Kādus jautājumus varētu uzdot datu kopai, un kā pārtulkot tos pētījuma darbplūsmā un programmēšanas kodā? Formalizējis savu jautājumu, pētnieks var iegūt, piemēram, kādus statistiskus, skaitliskus datus – tie tad vēl jāprot korekti interpretēt un jāiegūst humanitārajām zinātnēm noderīgi secinājumi.

LVM, kura rīcībā ir minētie tūkstoš romāni, arī var apstrādāt datus pēc uzdotajiem formālajiem parametriem un sniegt strukturētas, formālas atbildes. Tajā pašā laikā tas, iespējams, var nekavējoties atbildēt uz sākotnējo jautājumu, kurš pētnieku interesēja. Kā romānos laika gaitā manifestējas ikdienas dzīves modernizācija? Kādi varoņu attiecību modeļi pārstāvēti? Kuru autoru valoda ir metaforām bagātākā? Vai trimdā sarakstītie darbi leksiski un stilistiski līdzīgāki starpkaru perioda darbiem, salīdzinot ar laikabiedru darbiem Padomju Latvijā? Vai LVM varētu dot ticamu atbildi arī uz jautājumu “kādas ar neapbruņotu aci neredzamas sakarības pētnieki līdz šim nav pamanījuši”? Kamēr neesam iedevuši modelim izlasīt minētos 1000 latviešu romānus, šie jautājumi pagaidām ir nepārbaudīti un neatbildēti. Tomēr gribētos zināt, vai ērtības nolūkā drīzumā ienāksim vienkāršāku, “lieki nesarežģītu” jautājumu ērā.

1. Apzīmējums digital humanities plašākā apritē ieviesies kopš 2004. gada izdevuma: Schreibman S., Siemens R., Unsworth J. (eds.). A Companion to Digital Humanities. Oxford: Blackwell, 2004. Pieejams: https://companions.digitalhumanities.org/DH/.  (atpakaļ uz rakstu)
2. Literatūrzinātnē šos centienus pauž, piemēram, Franko Moreti (Franco Moretti) un Metjū Džokerss (Matthew Jockers). Kultūras analītikas jomā – Ļevs Manovičs (Lev Manovich).  (atpakaļ uz rakstu)
3. 2024. gada izsmeļošākais pētījums par LVM izmantojumu rakstu rakstīšanā secinājis, ka strauji pieaug MI ģenerētā vai pārveidotā teksta daļa, augstāko rādītāju sasniedzot datorzinātnēs – 17,5%. Tiesa, humanitāro zinātņu raksti šajā pētījumā nav iekļauti: Liang W., Zhang Y., Wu Z., Lepp H. et al. Mapping the increasing use of LLMs in scientific papers. arXiv. 2024. Pieejams: https://arxiv.org/abs/2404.01268. Sarunbotu noderīgumu humanitāro zinātņu rakstībā analizējuši: Lozić E., Štular B. Fluent but not factual: A comparative analysis of ChatGPT and other AI chatbots. Proficiency and originality in scientific writing for Humanities. Future Internet. 15(10). Article 336. 2023. Pieejams: https://www.mdpi.com/1999-5903/15/10/336.  (atpakaļ uz rakstu)
4. 2020. gadā izveidots digitālo izdevumu saraksts atrodams šajā resursā: Sahle P. Scholarly digital editions. Some particularly interesting projects. A Catalog of Digital Scholarly Editions. 2020. Pieejams: https://v3.digitale-edition.de/vlet_interesting.html.  (atpakaļ uz rakstu)
5. Piemēram, ATLAS.ti, MAXQDA, NVivo.  (atpakaļ uz rakstu)
6. Reinsone S., Jaundzema J., Baklāne A. u. c. Digitālās līdzdalības metodes. Digitālās pētniecības seriāls. 2022. Pieejams: https://youtu.be/llocEc7ADB4?si=QMqWkASyWOR8IGAm.  (atpakaļ uz rakstu)
7. Latvijas Nacionālā bibliotēka. Frakturs: fraktūras teksta labošanas rīks. 2019. Pieejams: https://frakturs.lnb.lv/.  (atpakaļ uz rakstu)
8. Transkribus – AI-powered text recognition & transcription platform. Pieejams: https://www.transkribus.org/.  (atpakaļ uz rakstu)
9. Karjus A. Machine-assisted quantitizing designs: Augmenting humanities and social sciences with artificial intelligence. Humanities and Social Sciences Communications. 12. Article 277. 2025. Pieejams: https://www.nature.com/articles/s41599-025-04503-w.  (atpakaļ uz rakstu)
10. Yale Digital Humanities Lab. VOGUE: A Computational Exploration of Vogue Magazine. Pieejams: https://web.archive.org/web/20200820102717/http:/dh.library.yale.edu/projects/vogue/.  (atpakaļ uz rakstu)
11. Manovich L., Stefaner M., Tifentale A. et al. Selfiecity – Investigating style of self-portraits (selfies). Pieejams: https://selfiecity.net/.  (atpakaļ uz rakstu)
12. Piemēram, Alises Tīfentāles 2013. gadā kūrētā izstāde Aggregate Eye: Tifentale A.The Aggregate Eye, Curating (Alise Tifentale). 2013. Pieejams: https://www.alisetifentale.net/curating#/the-aggregate-eye.  (atpakaļ uz rakstu)
13. Sk., piem., Castellano G., Vessio G. Deep convolutional embedding for digitized painting clustering. arXiv. 2020. Pieejams: https://arxiv.org/abs/2003.08597; Guhennec P., Charlesworth E. The computational eye. Deconstructing style in digital art history. Artl@s Bulletin. 13(2). Article 9. 2024. Pieejams: https://docs.lib.purdue.edu/artlas/vol13/iss2/9/. Plašāks datorredzes metožu pārskats atrodams Amandas Vasilevski monogrāfijā: Wasielewski A. Computational Formalism: Art History and Machine Learning. Cambridge, MA: The MIT Press, 2023.  (atpakaļ uz rakstu)
14. Konvolucionālie neironu tīkli (convolutional neural networks, CNN) ir MI modeļi, kas īpaši labi spēj analizēt attēlus. Tie darbojas, pakāpeniski “saskatot” attēlā vienkāršas pazīmes (piemēram, līnijas vai krāsas) un apvienojot tās arvien sarežģītākās formās, līdz spēj atpazīt objektus, rakstus vai struktūras. Ģeneratīvie adversiālie neironu tīkli (generative adversial networks, GAN) sastāv no divām savstarpēji konkurējošām daļām: viena rada jaunus datus (piemēram, attēlus), bet otra vērtē, cik tie ir ticami. Šīs “sacensības” rezultātā sistēma iemācās radīt reālistiskus attēlus vai citus datu veidus, kas līdzinās oriģinālajiem datiem.  (atpakaļ uz rakstu)
15. Neliels Latvijā veikts eksperiments, kurā Zentas Dzividzinskas fotonegatīvu kolekcijas kārtota, izmantojot iepriekšējās paaudzes modeli ResNet-50: https://zenta.lnb.lv/.  (atpakaļ uz rakstu)
16. Algorithm finds hidden connections between paintings at The Met and Rijksmuseum. MIT News. 2020. Pieejams: https://news.mit.edu/2020/algorithm-finds-hidden-connections-between-paintings-met-museum-0729; atbilstošā zinātniskā publikācija: Hamilton M., Fu S., Lu M. et al. MosAIc: Finding artistic connections across culture with conditional image retrieval. arXiv. 2020. Pieejams: https://arxiv.org/abs/2007.07177.  (atpakaļ uz rakstu)