🔧На сайте запланированы технические работы
25.12.2025 в промежутке с 18:00 до 21:00 по Московскому времени (GMT+3) на сайте будут проводиться плановые технические работы. Возможны перебои с доступом к сайту. Приносим извинения за временные неудобства. Благодарим за понимание!
🔧Site maintenance is scheduled.
Scheduled maintenance will be performed on the site from 6:00 PM to 9:00 PM Moscow time (GMT+3) on December 25, 2025. Site access may be interrupted. We apologize for the inconvenience. Thank you for your understanding!

 

К вопросу о применении искусственного интеллекта в исторических исследованиях

Обложка

Цитировать

Полный текст

Аннотация

Статья посвящена дискуссионной проблеме применения искусственного интеллекта в исторических исследованиях. Во введении кратко рассматривается история возникновения «искусственного интеллекта» (ИИ) как направления в информатике, эволюция этого определения и взглядов на области применения ИИ; анализируется место методов искусственного интеллекта на разных этапах конкретно-исторических исследований. В основной части статьи на основе анализа историографических источников и собственного опыта участия в зарубежных проектах автор анализирует практику реализации проектов распознавания рукописного текста с помощью различных информационных технологий и методов ИИ, в частности, описываются и обосновываются требования к созданию электронных копий распознаваемых источников, необходимость учета фактуры носителей информации, писчих материалов, техники и технологии создания текста; разновидности и способы создания палеографических, кодикологических, дипломатических наборов данных, историко-лексикологических словарей, возможности использования больших языковых моделей и т.п. В качестве методологической основы автор использовал системный подход, историко-сравнительный, историко-хронологический и описательный методы, а также анализ историографических источников. Учитывая то, что в российской исторической науке применение технологий и методов искусственного интеллекта является довольно редким явлением, анализ опыта осуществления подобных зарубежных проектов весьма актуален, так же как и характеристика профильных научных ассоциаций, научных и научно-вспомогательных ресурсов (порталов и сайтов с наборами данных и исследовательским инструментарием), размещенных в сети Интернет, и сборников научных трудов по изучаемой проблематике, неизвестных в России, о которых идет в речь в статье. В заключение делается вывод перспективности применения технологий искусственного интеллекта не только в качестве вспомогательного инструментария, но и как исследовательских методов, помогающих в установлении авторства исторических источников, уточнении их датировки, выявления подделок и т.п., а также в создании новых видов научно-справочных поисковых систем архивов и библиотек. Вместе с тем, использование технологий искусственного интеллекта отличается большой затратностью и капиталоемкостью, что является серьезным препятствием для широкого внедрения данных технологий в практику исторических исследований.

Об авторах

Юлия Юрьевна Юмашева

ООО "ДИМИ-ЦЕНТР"

Email: Juliayu@yandex.ru
ORCID iD: 0000-0001-8353-5745
Заместитель генерального директора;

Список литературы

  1. Minsky M. A Neural-Analogue Calculator Based upon a Probability Model of Reinforcement. Harvard University Psychological Laboratories. Cambridge, Massachusetts. January 8, 1952 // Selected Publications of Marvin Minsky. URL: https://www.mit.edu/~dxh/marvin/web.media.mit.edu/~minsky/Bibliography.html
  2. The Dartmouth AI archives // Ray Solomonoff's Home Page. URL: https://raysolomonoff.com/dartmouth/dart.html
  3. Newell A., Simon H. A. The Logic Theory Machine. A complex information processing system. 12 July 1956. // RAND Corporation. 1956. Архивная копия от 17 октября 2014 на Wayback Machine. URL: https://archive.org/details/bitsavers_randiplP86ineJul56_3534001/mode/2up
  4. John McCarthy's Home Page // URL: https://www-formal.stanford.edu/jmc//
  5. Rosenblatt F. The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain // Psychological Review. November, 1958. Vol. 65. Pp. 386-408. Lancaster, PA and Washington, DC: American Psychological Association, 1958. Архивная копия от 17 октября 2014 на Wayback Machine. URL: https://web.archive.org/web/20080218153928/http://www.manhattanrarebooks-science.com/rosenblatt.htm
  6. Samuel A. L. Some studies in machine learning using the game of checkers // IBM Journal of Research and Development. Jan. 2000. Vol. 44. No. 1.2. Pp. 206-226. doi: 10.1147/rd.441.0206.
  7. McCarthy J. Recursive functions of symbolic expressions and their computation by machine // Communications of the ACM. April 1960. Архивная копия от 17 октября 2014 на Wayback Machine. URL: https://web.archive.org/web/20131006003734/http://www-formal.stanford.edu/jmc/recursive.html
  8. A chess playing program for the IBM 7090 computer // URL: https://dspace.mit.edu/handle/1721.1/17406
  9. Killgrove K. "ELIZA", the world's 1st chatbot, was just resurrected from 60-year-old computer code // Live Science. 18 Jan. 2025. URL: https://www.livescience.com/technology/eliza-the-worlds-1st-chatbot-was-just-resurrected-from-60-year-old-computer-code
  10. Lane R., Hay A., Schwarz A., Berry D. M., Shrager J. ELIZA Reanimated: The world's first chatbot restored on the world's first time sharing system // 12 Jan. 2025. URL: https://arxiv.org/abs/2501.06707
  11. Моисеев Н. Н. Математика ставит эксперимент. М.: Наука, 1979. 223 с.
  12. Гусейнова А. С., Павловский Ю. Н., Устинов В. А. Опыт имитационного моделирования исторического процесса // Под ред. и со вступ. ст. Н. Н. Моисеева. М.: Наука, 1984. 157 с.
  13. Когнитивные методы за рубежом. Методы Искусственного Интеллекта в моделировании политического мышления. [Сб. ст.] / АН СССР, Ин-т США и Канады; [Отв. ред. В. М. Сергеев]. М.: Ин-т США и Канады, 1990. 148 с.
  14. Луков В. Б., Сергеев В. М. Опыт моделирования мышления исторических деятелей: Отто Фон Бисмарк, 1866–1876 гг. // Вопросы кибернетики. Логика рассуждений и её моделирование. [Сб. статей] / Под ред. Поспелова Д. А. М.: Науч. совет по комплекс. пробл. "Кибернетика" АН СССР, 1983. С. 149-172.
  15. Бокарёв Ю. П. Социалистическая промышленность и мелкое крестьянское хозяйство в СССР в 20-е годы: источники, методы исследования, этапы взаимоотношений / Отв. ред. И. Д. Ковальченко; АН СССР, Ин-т истории СССР. М.: Наука, 1989. С. 148-166.
  16. Бородкин Л. И. Что сделали ЭВМ для исторической науки // Арзамас. URL: https://arzamas.academy/materials/2284
  17. Храмов Ю. Е. ГИДРОНИМИКОН – экспертная система по гидронимии Восточно-Европейской равнины // Информационный Бюллетень Комиссии по применению математических методов и ЭВМ в исторических исследованиях. 1992. № 5.
  18. Kismet // 17 Oct. 2000. Архивная копия от 17 октября 2014 на Wayback Machine. URL: http://www.ai.mit.edu/projects/humanoid-robotics-group/kismet/kismet.html
  19. Kaplan A., Haenlein M. "Siri, Siri in my Hand, who's the Fairest in the Land?" On the Interpretations, Illustrations and Implications of Artificial Intelligence // Business Horizons. 2018. Vol. 62. Pp. 15-25. doi: 10.1016/j.bushor.2018.08.004
  20. ГОСТ Р 59895-2021 Технологии искусственного интеллекта в образовании. Общие положения и терминология // М.: ФГБУ "РСТ", 2021.
  21. Колганов А. А. Эволюция применения искусственного интеллекта в Государственном Архиве РФ (2021–2024 годы) // Информационный бюллетень Ассоциации "История и компьютер". № 51, специальный выпуск, ноябрь 2024 г. Материалы международной научной конференции "Современная историческая информатика: Аналитика данных в исторических исследованиях" и XIX конференции Ассоциации "История и компьютер". Москва, 15-17 ноября 2024 г. М., 2024. С. 7. [Электронное издание].
  22. Юмашева Ю. Ю. Цифровая трансформация вспомогательных исторических дисциплин. Современные неинвазивные методы изучения исторических артефактов [Видеолекция] // Международная летняя школа молодых ученых "Историческая информатика – 2022". 15.07.2022. URL: https://www.youtube.com/watch?v=jWUw8fWMcqw
  23. Юмашева Ю. Ю. Цифровая трансформация вспомогательных исторических дисциплин [Видеолекция] // Международная летняя школа молодых ученых "Историческая информатика – 2023". 30.06.2023. URL: https://www.youtube.com/watch?v=4HQezjps7ig
  24. International Conference on Document Analysis and Recognition (ICDAR) // URL: https://www.icdar.org/; http://www.iapr-tc11.org/mediawiki/index.php/Conferences
  25. International Conference on Frontiers in Handwriting Recognition (ICFHR) // URL: http://www.iapr-tc11.org/mediawiki/index.php/Conferences
  26. International Conference on Pattern Recognition Systems (ICPRS) // URL: https://www.icprs.org/
  27. International Conference on Pattern Recognition and Artificial Intelligence (IEEE PRAI) // URL: https://www.prai.net/
  28. Artificial Intelligence and Pattern Recognition (AIPR) // URL: https://www.aipr.net/
  29. Japan-International Conference on Machine Learning and Pattern Recognition // URL: https://www.mlpr.org/
  30. International Association for Pattern Recognition // URL: https://iapr.org/
  31. History of IAPR // International Association for Pattern Recognition. URL: https://iapr.org/about-us/history-of-iapr/
  32. IAPR Newsletter // International Association for Pattern Recognition. URL: https://iapr.org/articles/newsletter/
  33. International Journal on Document Analysis and Recognition (IJDAR) // Springer-Verlag GmbH Germany. URL: https://www.springer.com/journal/10032/
  34. Антонов Д. Н. Источниковедческие подходы к формированию базы данных метрических книг с целью оптического распознавания рукописного текста: Круглый стол "Практические задачи внедрения технологий ИИ в деятельность архивов" от 10 апреля 2023 г. // YouTube канал ВНИИДАД. М., 2023. URL: https://www.youtube.com/watch?v=KHzhpS42vqk&t=12179s
  35. Шабанов А. В. Факторы, влияющие на выбор технологии оцифровки русских старопечатных и рукописных книг // Библиосфера. 2008. № 4. С. 46-48.
  36. Impedovo S. Fundamentals in Handwriting Recognition // North Atlantic Treaty Organization. Scientific Affairs Division. NATO Advanced Study Institute on Fundamentals in Handwriting Recognition (NATO ASI Series). Berlin: Springer-Verlag, 1994. URL: https://link.springer.com/book/10.1007/978-3-642-78646-4
  37. The memory of paper // URL: https://memoryofpaper.eu/BernsteinPortal/appl_start.disp
  38. Муратова А., Гудков А. Бумага и бумажное производство в средние века и ранее новое время // Рукописная книга: традиция и современность. URL: https://manuscriptcraft.com/article_11
  39. Есипова В. А. Бумага как исторический источник (по материалам Западной Сибири XVII-XVIII вв.). / Под ред. А. Н. Жеравиной. Томск: Изд-во Том. ун-та, 2003. 290 с.
  40. ARCHiOx: seeing the unseen. Digitising objects in 3D will give more than the ability to zoom in and examine historical objects in detail // URL: https://oxford.shorthandstories.com/digital-archiox/index.html?fbclid=IwAR2LM19j6iFh1NUgEBddBmU0oZotufAEEs8G0vn2FzF97_dFd2c-TUUwGBs
  41. Brown N. Collection Care welcomes a new multispectral imaging system // UK National Archives Blog, 2019. URL: https://blog.nationalarchives.gov.uk/collection-care-welcomes-a-new-multispectral-imaging-system/
  42. Миклас Х., Бреннер С., Саблатниг Р. Мультиспектральная съемка для цифровой реставрации древних рукописей: устройства, методы и практические аспекты // Историческая информатика. 2017. № 3. С.116-134. doi: 10.7256/2585-7797.2017.3.23697 URL: https://nbpublish.com/library_read_article.php?id=23697
  43. Sánchez-DelaCruz E., Loeza-Mejía C. I. Importance and challenges of handwriting recognition with the implementation of machine learning techniques: a survey // Applied Intelligence. The International Journal of Research on Intelligent Systems for Real Life Complex Problems. 2024. Vol. 54. Pp. 6444-6465. doi: 10.1007/s10489-024-05487-x
  44. MNIST // Modified National Institute of Standards and Technology. URL: http://yann.lecun.com/exdb/mnist/; https://docs.ultralytics.com/ru/datasets/classify/mnist/
  45. MPS – Medieval Paleographic Scale – The University of Groningen research portal // URL: https://research.rug.nl/en/datasets/mps-medieval-paleographic-scale
  46. Житинева А. М. Палеография и эпиграфика: две дисциплины или одна? (К вопросу о палеографической классификации письменных источников X–XVII вв.) // URL: https://spbiiran.ru/paleografiya-i-epigrafika-dve-disczipliny-ili-odna-k-voprosu-o-paleograficheskoj-klassifikaczii-pismennyh-istochnikov-x-xvii-vv-doklad-a-m-zhitenevoj-na-zasedanii-drevneruss/
  47. Leuven Database of Ancient Books // Portal Trismegistos. URL: https://www.trismegistos.org/ldab/
  48. Papyri.info // URL: https://papyri.info/
  49. Kölner Papyri (Fayum papyri) // URL: https://papyri.uni-koeln.de/
  50. Stutzmann D. Dated and Datable Manuscripts: dataset // 2022. doi: 10.5281/zenodo.6507965.
  51. Clélice T. et al. CATMuS Medieval: A Multilingual Large-Scale Cross-Century Dataset in Latin Script for Handwritten Text Recognition and Beyond // Lecture Notes in Computer Science. 2024. Pp. 174-194. doi: 10.1007/978-3-031-70543-4_11
  52. DigiPal // URL: http://www.digipal.eu
  53. Italian Paleography // URL: https://italian.newberry.t-pen.org/
  54. DIVAHisDB Dataset of Medieval Manuscripts // University of Fribourg. URL: https://www.unifr.ch/inf/diva/en/research/software-data/diva-hisdb.html
  55. HisDoc III Digital Analysis of Syriac Handwriting (DASH) // URL: http://dash.stanford.edu/
  56. Fischer A., Bunke H., Naji N., Savoy J., Baechler M., Ingold R. The HisDoc Project. Automatic Analysis, Recognition, and Retrieval of Handwritten Historical Documents for Digital Libraries. // In: Internationalität und Interdisziplinarität der Editionswissenschaft. doi: 10.1515/9783110367317.91
  57. French Renaissance. Paleography // URL: https://french.newberry.t-pen.org/
  58. France-England: medieval manuscripts between 700 and 1200 // URL: https://manuscrits-france-angleterre.org/polonsky/en/content/accueil-en?mode=desktop
  59. Scottish Handwriting // Scotland's People URL: https://www.scotlandspeople.gov.uk/scottish-handwriting
  60. Al-Furqan's E-Database // Al-Furqan Islamic Heritage Foundation. URL: Al-Furqan Islamic Heritage Foundation
  61. Hentaigana // URL: https://alcvps.cdh.ucla.edu/support/
  62. KuLA (九郎) // URL: https://apps.apple.com/us/app/kula/id1076911000
  63. MOJIZO (もじぞう: 文字の記録) // URL: https://aimojizo.nabunken.go.jp
  64. Юмашева Ю. Ю. Автоматизированное распознавание рукописных текстов с помощью алгоритмов искусственного интеллекта: российский и зарубежный опыт // Цифровое востоковедение. 2023. Vol. 3. No. 1-2. doi: 10.31696/S278240120026084-5
  65. Shakespeare Documented // URL: https://shakespearedocumented.folger.edu/resource/family-legal-property-records
  66. Тарасова Н. А. Новые методы изучения рукописного наследия Ф. М. Достоевского. Отчет о НИР (итоговый) // Федеральное государственное бюджетное учреждение науки Институт русской литературы (Пушкинский Дом) Российской академии наук, г Санкт-Петербург. 2021-2023. РНФ. Грант: 21-18-00333
  67. Mains d'éru-dits (XVIe–XXe siècles) // Bibale. URL: https://mainsderudits.irht.cnrs.fr/
  68. Peer M., Kleber F., Sablatnig R. Towards Writer Retrieval for Historical Datasets // In: Fink G. A., Jain R., Kise K., Zanibbi R. (eds). Document Analysis and Recognition – ICDAR 2023. Lecture Notes in Computer Science. 2023. Vol. 14187. Springer, Cham. doi: 10.1007/978-3-031-41676-7_24
  69. Christlein V., Marthot-Santaniello I., Mayr M., Nicolaou A., Seuret M. Writer Retrieval and Writer Identification in Greek Papyri. // In: Carmona-Duarte C., Diaz M., Ferrer M. A., Morales A. (eds). Intertwining Graphonomics with Human Movements. IGS 2022. Lecture Notes in Computer Science. 2022. Vol. 13424. Springer, Cham. doi: 10.1007/978-3-031-19745-1_6
  70. Fiel S., Sablatnig R. Writer Identification and Retrieval Using a Convolutional Neural Network // In: Azzopardi G., Petkov N. (eds). Computer Analysis of Images and Patterns. CAIP 2015. Lecture Notes in Computer Science. 2015. Vol. 9257. Springer, Cham. doi: 10.1007/978-3-319-23117-4_3
  71. Dhali Maruf A., Sheng He, Popovic M., Tigchelaar E., Schomaker L. A Digital Palaeographic Approach towards Writer Identification in the Dead Sea Scrolls // International Conference on Pattern Recognition Applications and Methods. 2017. doi: 10.5220/0006249706930702
  72. Волчкова М. А. Опыт персонификации писцов "Соборного уложения 1649 г." с применением цифровых технологий. Отчет о НИР/НИОКР (итоговый). 2015. Частное учреждение культуры Музей классического и современного искусства "Бурганов-Центр". Российский гуманитарный научный фонд. Грант: 14-01-00304
  73. Cha S. H., Tappert C. C. Automatic detection of handwriting forgery // Proceedings Eighth International Workshop on Frontiers in Handwriting Recognition. IEEE, 2002. С. 264-267.
  74. Carrière G., Nikolaidou K., Kordon F., Mayr M., Seuret M., Christlein V. Beyond Human Forgeries: An Investigation into Detecting Diffusion-Generated Handwriting // In: Coustaty M., Fornès A. (eds). Document Analysis and Recognition – ICDAR 2023 Workshops. Lecture Notes in Computer Science. 2023. Vol. 14193. Springer, Cham. doi: 10.1007/978-3-031-41498-5_1
  75. Anmol H., Bibi M., Moetesum M., Siddiqi I. Deep Learning Based Approach for Historical Manuscript Dating // 2019 International Conference on Document Analysis and Recognition (ICDAR), 2019. Pp. 967-972. doi: 10.1109/ICDAR.2019.00159
  76. Madi B., Atamni N., Tsitrinovich V., Vasyutinsky-Shapira D., El-Sana J., Rabaev I. Automated Dating of Medieval Manuscripts with a New Dataset // In: Document Analysis and Recognition – ICDAR 2024 Workshops: Athens, Greece, August 30-31, 2024. Proceedings, Part II. Springer-Verlag, Berlin, Heidelberg, 2024. Pp. 119-139. doi: 10.1007/978-3-031-70642-4_8
  77. KFUPM Handwritten Arabic TexT // URL: http://khatt.ideas2serve.net/
  78. Смирнов И. Н. О возможностях восстановления цифровых архивных текстов и распознавания рукописных арабских букв // Доклад на Международном форуме Казань-Экспо-2023 и Казанской цифровой неделе. URL: https://docs.yandex.ru/docs/view?url=ya-browser%3A%2F%2F4DT1uXEPRrJRXlUFoewruLkFYs7ubIAbSAY-xbL0IBKEaUp3AMQOVTSNPc-2YyqdfQrXgF3z9zrSTC_aAKNXel2yXz60D0C9kCdp5RwRSf9cFvtDbvmJ-yubbW85hEWb4ftUudW-2OSXY3dbwUtNbw%3D%3D%3Fsign%3DjlXgcIS8jxvD_9odPNQjyr4BS4YF5gk8ukUILjVYqjs%3D&name=Kazan-2023.docx&nosw=1
  79. Public AI models in Transkribus // READ COOP. URL: https://readcoop.eu/transkribus/public-models/
  80. AI Models For Transcribing German Text In Fraktur, Kurrent and Sütterlin // URL: https://blog.transkribus.org/en/3-ai-models-for-transcribing-german-text-in-fraktur-kurrent-and-sutterlin
  81. Aswathy A., Maheswari P. U. Generative innovations for paleography: enhancing character image synthesis through unconditional single image models // Heritage Science. 2024. Vol. 12. No. 258. doi: 10.1186/s40494-024-01373-4
  82. Marti U. V., Bunke H. The IAM-database: an English sentence database for offline handwriting recognition // IJDAR. 2002. Vol. 5. Pp. 39-46. doi: 10.1007/s100320200071
  83. Mohammed H., Marthot-Santaniello I., Märgner V. GRK-Papyri: A Dataset of Greek Handwriting on Papyri for the Task of Writer Identification // 2019 International Conference on Document Analysis and Recognition (ICDAR). Sydney, NSW, Australia, 2019. Pp. 726-731. doi: 10.1109/ICDAR.2019.00121
  84. Papers with Code // URL: https://paperswithcode.com/about; https://paperswithcode.com/datasets?task=optical-character-recognition&page=1
  85. Hugging Face – The AI community building the future // URL: https://huggingface.co/datasets
  86. HebrewPal // Hebrew Palaeography Album. URL: https://www.hebrewpalaeography.com/
  87. Droby A., Vasyutinsky Shapira D., Rabaev I., Kurar Barakat B., El-Sana J. Hard and Soft Labeling for Hebrew Paleography: A Case Study // International Workshop on Document Analysis Systems. 2022. URL: https://link.springer.com/chapter/10.1007/978-3-031-06555-2_33
  88. Digital Scriptorium // URL: https://digital-scriptorium.org/
  89. Ressources // L'Institut de recherche et d'histoire des textes // URL: https://www.irht.cnrs.fr/index.php/fr/qui-sommes-nous/lirht-en-bref
  90. English Handwriting 1500–1700: An Online Course // Faculty of English. URL: https://www.english.cam.ac.uk/scriptorium/
  91. Palaeography tutorial (how to read old handwriting) // The National Archives [Archived content] URL: https://webarchive.nationalarchives.gov.uk/ukgwa/20230801144244/https:/www.nationalarchives.gov.uk/palaeography/
  92. MultiPal // URL: https://www.multipal.fr/en/welcome/
  93. LAION-5B: A new era of open large-scale multi-modal datasets // LAION. URL: https://laion.ai/blog/laion-5b/
  94. GRAPHOSKOP // URL: https://www.palaeographia.org/graphoskop/index.html
  95. Millesimo (lancement) // URL: https://palaeographia.org/millesimo/index.html
  96. Исаев Б. Л., Ляховицкий Е. А., Цыпкин Д. О., Чиркова А. В. "Vestigium" – комплекс программного обеспечения для анализа нетекстовой информации рукописных памятников // Историческая информатика. Информационные технологии и математические методы в исторических исследованиях и образовании. 2016. № 1-2(15-16). С. 72-83.
  97. Deciphering medieval shorthand – can a digital tool solve the "Tironian Notes"? // Medievalists.net. URL: https://www.medievalists.net/2024/02/medieval-shorthand-tironian-notes/
  98. OCR-D // URL: https://ocr-d.de/en/
  99. Kitamoto Asanobu, Tarin Karanuwat. Kuzushi Character Recognition by AI and the Road to Full-text Search for Historical Materials // Specialized Library. 2020. Vol. 5. No. 300. Pp. 26-32.
  100. CASIA-HWDB // URL: https://paperswithcode.com/dataset/casia-hwdb
  101. CASIA Online and Offline Chinese Handwriting Databases // URL: https://nlpr.ia.ac.cn/databases/handwriting/home.html
  102. Chinese Calligraphy Styles by Calligraphers // URL: https://www.kaggle.com/datasets/yuanhaowang486/chinese-calligraphy-styles-by-calligraphers
  103. KuroNet Kuzushiji Ninshiki サービス (KuroNet 九郎) // URL: http://codh.rois.ac.jp/kuronet/; https://mp.ex.nii.ac.jp/kuronet/
  104. Cursive Japanese and OCR: Using KuroNet // The Digital Orientalist. URL: https://digitalorientalist.com/2020/02/18/cursive-japanese-and-ocr-using-kuronet/
  105. Сиренов А. В. Проект "История письма европейской цивилизации": коллекции памятников письменности академических институтов Санкт-Петербурга – оцифровка и изучение // Труды Отделения историко-филологических наук 2021: Ежегодник / Отв. Ред. В. А. Тишков. Том 11. М.: РАН, 2022. С. 125-134. doi: 10.26158/OIFN.2022.11.1.010.
  106. Tsypkin D. O., Tereschenko E. Yu., Balachenkova A. P., Vasiliev A. L., Lyakhovitsky E. A., Yatsishina E. B., Kovalchuk M. V. Comprehensive Studies of the Historical Inks of Old Russian Manuscripts // Nanotechnologies in Russia. 2020. Vol. 15. № 9-10. Pp. 542-550.
  107. Ляховицкий Е.А., Цыпкин Д.О. Инфракрасная визуализация текста в изучении памятников древнерусской письменности // Историческая информатика. 2019. № 4. С.148-156. doi: 10.7256/2585-7797.2019.4.31588 URL: https://nbpublish.com/library_read_article.php?id=31588
  108. Айсманн К., Палмер У. Ретуширование и обработка изображений в PhotoShop. М.: Вильямс, 2008. 600 с.
  109. Keys to the Past – Typewriters in the Records of the Federal Government // NARA. URL: https://archives-20973928.hs-sites.com/keys-to-the-past?ecid=ACsprvumObuCwkwzawZGYsTfDoztaLW7YuCcPtmTh2XiZbavjZ7PL0CPbJS3LhzYw3NkhWyAUjgt
  110. Sfardata – צֹרָה // URL: https://sfardata.nli.org.il/#/startSearch_He
  111. Beit-Arié M. The new website of SfarData: The codicological database of the Hebrew Palaeography Project // The Israel Academy of Sciences and Humanities. URL: https://www.academia.edu/38849781/The_new_website_of_SfarData_The_codicological_database_of_the_Hebrew_Palaeography_Project_The_Israel_Academy_of_Sciences_and_Humanities
  112. Grüning T., Labahn R., Diem M., Kleber F., Fiel S. READ-BAD: A New Dataset and Evaluation Scheme for Baseline Detection in Archival Documents // doi: 10.48550/arXiv.1705.03311
  113. Boillet M., Kermorvant C., Paquet T. Multiple document datasets pre-training improves text line detection with deep neural networks // In: 2020 25th International Conference on Pattern Recognition (ICPR). IEEE, 2021. Pp. 2134-2141.
  114. Claudio De S., Fontanella F., Maniaci M., Marrocco C., Molinara M., Scotto di Freca A. Automatic Writer Identification in Medieval Books // 2018 Metrology for Archaeology and Cultural Heritage (MetroArchaeo), 2018. Pp. 27-32. doi: 10.1109/MetroArchaeo43810.2018.13633
  115. He Sh., Sammara P., Burgers J., Schomaker L. Towards Style-Based Dating of Historical Documents // 2014 14th International Conference on Frontiers in Handwriting Recognition. 2014. Pp. 265-270. doi: 10.1109/ICFHR.2014.52
  116. Фролов А.А. Опыт применения инструментов геоинформатики в кодикологическом исследовании писцовых книг // Историческая информатика. 2020. № 2. С.218-233. doi: 10.7256/2585-7797.2020.2.33330 URL: https://nbpublish.com/library_read_article.php?id=33330
  117. Чиркова А. В. создание программного обеспечения для комплексного кодикологического анализа рукописно-книжных памятников и документов. Отчет по НИР (итоговый) // Федеральное государственное бюджетное учреждение науки Санкт-Петербургский институт истории Российской академии наук, Санкт-Петербург. 2013-2015. РГНФ. Грант: 13-01-12010
  118. Ринчинов О. С. Цифровые модели кодикологии тибетских книг // Oriental Studies. 2021. Т. 14. № 3. С. 541-549. doi: 10.22162/2619-0990-2021-55-3-541-549
  119. Володин А. Ю. Цифровая дипломатика: ресурсы, подходы, тенденции // Проблемы историографии, источниковедения и методов исторического исследования: Материалы V научных чтений памяти академика И. Д. Ковальченко, Москва, 13 декабря 2013 г. М.: Московский государственный университет им. М. В. Ломоносова (Издательский Дом (Типография), 2014. С. 179-185.
  120. Isola P., Zhu J. Y., Zhou T., Efros A. A. Image-to-image translation with conditional adversarial networks // In: Proceedings of the IEEE conference on computer vision and pattern recognition. 2017. Pp. 1125-1134.
  121. Huang X., Liu M. Y., Belongie S., Kautz J. Multimodal Unsupervised Image-to-image Translation // In: The European conference on computer vision (ECCV). 2018. doi: 10.48550/arXiv.1804.04732
  122. Bayerisch-tschechisches Netzwerk digitaler Geschichtsquellen // Porta fontium. URL: https://www.portafontium.eu/?language=de
  123. Baloun J., Král P., Lenc L. How to Segment Handwritten Historical Chronicles Using Fully Convolutional Networks? // In: Rocha A. P., Steels L., van den Herik J. (eds). Agents and Artificial Intelligence. ICAART 2021. Lecture Notes in Computer Science. Vol. 13251. Springer, Cham. doi: 10.1007/978-3-031-10161-8_9
  124. Diplomata Belgica // URL: https://www.diplomata-belgica.be/colophon_fr.html
  125. Sources diplomatiques // TELMA. URL: https://telma.hypotheses.org/category/sources-diplomatiques
  126. Breuel T. M., Ul-Hasan A., Azawi M. I. A. A., Shafait F. High-performance OCR for printed English and Fraktur using LSTM networks // In: 2013 12th international conference on document analysis and recognition. 2013. Pp. 683-687.
  127. Shi B., Bai X., Yao C. An end-to-end trainable neural network for image-based sequence recognition and its application to scene text recognition // IEEE Trans Pattern Anal Mach Intell. 2017. Vol. 39(11). Pp. 2298.
  128. Rahal N., Vögtlin L., Ingold R. Layout Analysis of Historical Document Images Using a Light Fully Convolutional Network // In: Fink G. A., Jain R., Kise K., Zanibbi R. (eds). Document Analysis and Recognition – ICDAR 2023. Lecture Notes in Computer Science. 2023. Vol. 14191. Springer, Cham. doi: 10.1007/978-3-031-41734-4_20
  129. Martínek J., Lenc L., Král P. Building an efficient OCR system for historical documents with little training data // Neural Comput & Applic. 2020. Vol. 32. Pp. 17209-17227. doi: 10.1007/s00521-020-04910-x
  130. Fleischhacker D., Kern R., Göderle W. Enhancing OCR in historical documents with complex layouts through machine learning // Int J Digit Libr. 2025. Vol. 26, 3. doi: 10.1007/s00799-025-00413-z
  131. Digimap // URL: https://digimap.edina.ac.uk/
  132. Chiang Y. Y., Knoblock C. A. Recognizing text in raster maps // Geoinformatica. 2015. Vol. 19. Pp. 1-27. doi: 10.1007/s10707-014-0203-9
  133. Weinman J. Historical Maps. Research. CompSci.Grinnell // URL: https://weinman.cs.grinnell.edu/research/maps.shtml#data
  134. Weinman J., Chen Z., Gafford B., Gifford N., Lamsal A., Niehus-Staab L. Deep neural networks for text detection and recognition in historical maps // In: 2019 International Conference on Document Analysis and Recognition (ICDAR). Sydney, NSW, Australia, 2019. Pp. 902-909.
  135. Historical Atlas of the Low Countries (1350–1800) – GIS of the Low Countries // URL: https://datasets.iisg.amsterdam/dataset.xhtml?persistentId=hdl:10622/PGFYTM
  136. Li Z., et al. ICDAR 2024 Competition on Historical Map Text Detection, Recognition, and Linking // In: Barney Smith E. H., Liwicki M., Peng L. (eds). Document Analysis and Recognition – ICDAR 2024. Lecture Notes in Computer Science. 2024. Vol. 14809. Springer, Cham. doi: 10.1007/978-3-031-70552-6_22
  137. Baloun J., Král P., Lenc L. ChronSeg: novel dataset for segmentation of handwritten historical chronicles // In: Proceedings of the 13th International Conference on Agents and Artificial Intelligence (ICAART). 2021. Pp. 314-322.
  138. 歴史GIS. ROIS-DS歴史的地理情報システム – (CODH) // URL: https://codh.rois.ac.jp/historical-gis/
  139. Riedl C., Zanibbi R., Hearst M. A., et al. Detecting figures and part labels in patents: competition-based development of graphics recognition algorithms // IJDAR. 2016. Vol. 19. Pp. 155-172. doi: 10.1007/s10032-016-0260-8
  140. Jamieson L., Francisco Moreno-García C., Elyan E. A review of deep learning methods for digitisation of complex documents and engineering diagrams // Artificial Intelligence Review. 2024. Vol. 57. P. 136. doi: 10.1007/s10462-024-10779-2
  141. Wang H., Shan H., Song Y., Meng Y., Wu M. Engineering Drawing Text Detection via Better Feature Fusion // In: Fujita H., Wang Y., Xiao Y., Moonis A. (eds). Advances and Trends in Artificial Intelligence. Theory and Applications. IEA/AIE 2023. Lecture Notes in Computer Science. 2023. Vol. 13925. Springer, Cham. doi: 10.1007/978-3-031-36819-6_23
  142. Gemelli A., Marinai S., Pisaneschi L., et al. Datasets and annotations for layout analysis of scientific articles // IJDAR. 2024. Vol. 27. Pp. 683-705. doi: 10.1007/s10032-024-00461-2
  143. Shen Z., Zhang R., Dell M., Lee B. C. G., Carlson J., Li W. LayoutParser: A Unified Toolkit for Deep Learning Based Document Image Analysis // In: Lladós J., Lopresti D., Uchida S. (eds). Document Analysis and Recognition – ICDAR 2021. Lecture Notes in Computer Science. 2021. Vol. 12821. Springer, Cham. doi: 10.1007/978-3-030-86549-8_9
  144. Citizen Archivist // National Archives. URL: https://www.archives.gov/citizen-archivist
  145. Антонов Д. Н., Скопин Ю. А. Опыт разработки электронной системы отечественной генеалогии с применением искусственного интеллекта: использование документов Архивного фонда РФ в режиме удалённого доступа // Архивный вестник: Сборник статей и материалов Научно-методического совета архивных учреждений Центрального федерального округа РФ. Вып. 26 / Отв. ред. О. В. Акимова. М.: Главное архивное управление города Москвы, 2022. URL: https://www.mos.ru/upload/documents/files/7256/ArhivniivestnikVip26.pdf
  146. Указатель церквей // Портал "Государственный архив Вологодской области". URL: https://gosarchive.gov35.ru/user/sign-in/login
  147. Turchin P., Rio-Chanona R. M. del, Hauser J., Kondor D., Reddish J., Benam M., Cioni E., Villa F., et al. Large Language Models' Expert-level Global History Knowledge Benchmark (HiST-LLM) // Advances in Neural Information Processing Systems 37 (NeurIPS 2024). URL: https://proceedings.neurips.cc/paper_files/paper/2024/hash/38cc5cba8e513547b96bc326e25610dc-Abstract-Datasets_and_Benchmarks_Track.html
  148. Ng A. Unbiggen AI // IEEE Spectrum. 09 Feb. 2022. URL: https://spectrum.ieee.org/andrew-ng-data-centric-ai#toggle-gdpr
  149. Motor de búsqueda PARES con Inteligencia Artificial // PARES. URL: https://pares.cultura.gob.es/pares-htr/
  150. Oberbichler S., Petz C. Working Paper: Implementing Generative AI in the Historical Studies (1.0) // Zenodo. 2025. doi: 10.5281/zenodo.14924737

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».