Wprowadzenie: Archiwista jako Współpracownik AI – Nowa Era Badań Historycznych

Kiedy myślimy o sztucznej inteligencji (AI) w archiwach, najczęściej przychodzą nam na myśl zadania związane z automatyzacją i optymalizacją. Technologie takie jak optyczne rozpoznawanie znaków (OCR) do transkrypcji druku, automatyczne generowanie metadanych czy proste systemy klasyfikacji dokumentów stały się już niemal standardem w nowoczesnej archiwistyce.1 Usprawniają one pracę, oszczędzają czas i zasoby, ale fundamentalnie nie zmieniają natury pytań, jakie możemy zadać przeszłości. Stanowią one raczej szybszą drogę do wykonania zadań, które archiwiści realizowali od dziesięcioleci.

Jednak prawdziwa rewolucja, napędzana przez zaawansowane modele uczenia maszynowego, dzieje się na znacznie głębszym poziomie. Niniejszy raport wykracza poza te powszechnie znane zastosowania, aby zbadać siedem najbardziej nieoczywistych, a wręcz „dziwnych” sposobów, w jakie AI staje się nie tylko narzędziem, ale partnerem badawczym dla historyków i archiwistów.2 To właśnie te pionierskie techniki fundamentalnie przekształcają nasze rozumienie tego, co jest możliwe do odkrycia w zasobach archiwalnych. Nie chodzi już tylko o szybsze przeszukiwanie, ale o zadawanie pytań, które do niedawna pozostawały w sferze fantastyki naukowej.

Wkraczamy w erę, w której AI nie tylko porządkuje i udostępnia zbiory, ale aktywnie uczestniczy w procesie interpretacji, rekonstrukcji i odkrywania ukrytych wzorców. Od cyfrowego wskrzeszania zwęglonych zwojów z Herkulanum, przez łamanie szyfrów, których nie tknął ludzki umysł od setek lat, po wykrywanie fałszerstw z precyzją niemożliwą do osiągnięcia dla ludzkiego oka – te zastosowania przesuwają granice archiwistyki i historii.4 Zmieniają one definicję „utraconego” dokumentu, pozwalają mierzyć emocje całych społeczeństw na przestrzeni wieków i odkrywać niewidzialne sieci powiązań międzyludzkich ukryte w milionach akt.

Celem tego raportu jest przedstawienie tych siedmiu przełomowych obszarów, opierając się na konkretnych studiach przypadku i projektach badawczych. Przeanalizujemy nie tylko technologie, które za nimi stoją, ale także problemy historyczne, które rozwiązują, oraz nowe, fascynujące pytania, które przed nami stawiają. Zbadamy, jak te innowacje zmuszają nas do krytycznej refleksji nad etyką, autentycznością i rolą człowieka w procesie poznawania przeszłości, tworząc nowy paradygmat, w którym archiwista i algorytm współpracują, aby rzucić światło na najciemniejsze zakamarki historii.6

Poniższa tabela stanowi mapę drogową po tych fascynujących terytoriach, gdzie przeszłość spotyka się z przyszłością.

Tabela 1: Przegląd Nieoczywistych Zastosowań AI w Archiwistyce

Lp. Zastosowanie (Application) Główny Problem Historyczny (Key Historical Problem) Kluczowe Technologie AI (Key AI Technologies) Przełomowe Studium Przypadku (Breakthrough Case Study) Potencjalny Wpływ na Badania (Potential Research Impact)
1 Wirtualna Rekonstrukcja Zniszczonych Dokumentów Jak odczytać zwęglone papirusy lub ręcznie podarte akta? Virtual Unwrapping, Computer Vision, Pattern Recognition Vesuvius Challenge (Zwoje z Herkulanum), Projekt e-Puzzler (Akta Stasi) Odzyskanie utraconej wiedzy starożytnej; Ujawnienie zbrodni reżimów totalitarnych.
2 Deszyfracja Historii Jak złamać historyczne szyfry bez kluczy i wystarczającej ilości danych? Specialized ML Models, NLP, Human-in-the-Loop Cryptanalysis Projekty DECRYPT/DESCRYPT, Listy Marii Stuart Rewolucja w badaniach nad dyplomacją, szpiegostwem i tajnymi stowarzyszeniami.
3 Cyfrowy Kustosz Autentyczności Jak zweryfikować autentyczność i integralność dokumentów w erze cyfrowej? Stylometry, Visual Anomaly Detection, Blockchain (DLT) Projekt ARCHANGEL, Analiza stylometryczna, LLM do analizy debat naukowych Zwiększenie pewności w badaniach historycznych i na rynku sztuki; zagwarantowanie integralności cyfrowych archiwaliów.
4 Czytanie Między Wierszami Jak mierzyć i analizować emocje oraz nastroje społeczne w masowych zbiorach tekstów? Sentiment Analysis, Emotion Detection, Natural Language Processing (NLP) Analiza narracji niewolników, badanie korespondencji z okresu wojny Nowe spojrzenie na historię społeczną i psychologię historyczną; ilościowa analiza emocji.
5 Kartograficzna De(kon)strukcja Jak przekształcić mapy z pasywnych ilustracji w aktywne, mierzalne zbiory danych? Computer Vision, Semantic Segmentation, Text Spotting Projekt MapReader (Wielka Brytania), Analiza map „redlining” (USA) Przełom w historii środowiskowej, urbanistyce i badaniach nad nierównościami społecznymi.
6 Identyfikacja „Niewidzialnego Stylu” Jak zidentyfikować twórcę na podstawie wzorców w danych niewerbalnych (zdjęcia, ceramika, muzyka)? Advanced Pattern Recognition, 3D Modeling, Audio Analysis Identyfikacja fotografów wojennych (Finlandia), Klasyfikacja ceramiki (ArchAIDE) Nowe możliwości atrybucji w historii sztuki, archeologii i muzykologii.
7 Odkrywanie Ukrytych Sieci Jak odkryć nieoczywiste powiązania między ludźmi, miejscami i wydarzeniami w rozproszonych zbiorach? Semantic Search, Named Entity Recognition (NER), Knowledge Graphs Projekt Heritage Connector (Wielka Brytania), Pilotaże NARA (USA) Przejście od „wyszukiwania informacji” do „odkrywania wiedzy” i ukrytych relacji.

1. Wirtualna Archeologia: Cyfrowa Rekonstrukcja Dokumentów Uznanych za Utracone

Przez wieki zniszczenie dokumentu – czy to w wyniku kataklizmu, czy celowego działania – oznaczało jego nieodwołalną utratę. Zwęglone papirusy, spalone księgi czy ręcznie podarte akta stanowiły tragiczną kropkę w historii zapisanego na nich słowa. Próby fizycznej rekonstrukcji często prowadziły do dalszych zniszczeń, a informacja zamknięta w kruchym materiale pozostawała niedostępna. Dziś, dzięki połączeniu zaawansowanych technik obrazowania i sztucznej inteligencji, wkraczamy w erę wirtualnej archeologii, w której definicja „utraconego” dokumentu ulega fundamentalnej zmianie.

Technologia „Wirtualnego Odwijania” i Cyfrowej Układanki

Sercem tej rewolucji jest proces, który można nazwać „wirtualnym odwijaniem” (virtual unwrapping) lub cyfrową rekonstrukcją. Składa się on z kilku kluczowych etapów, które pozwalają zajrzeć do wnętrza zniszczonego obiektu bez jego fizycznego naruszania.7

  1. Skanowanie w Wysokiej Rozdzielczości: Pierwszym krokiem jest stworzenie niezwykle szczegółowego, trójwymiarowego modelu cyfrowego zniszczonego dokumentu. W przypadku zwęglonych zwojów z Herkulanum, naukowcy wykorzystali tomografię komputerową (CT) oraz światło synchrotronowe – potężne promieniowanie rentgenowskie generowane przez akceleratory cząstek. Techniki te pozwalają na prześwietlenie obiektu warstwa po warstwie i uchwycenie najdrobniejszych różnic w jego strukturze.9
  2. Segmentacja i Wykrywanie Atramentu przez AI: To tutaj sztuczna inteligencja odgrywa kluczową rolę. Stworzony model 3D jest zbiorem danych, który algorytmy uczenia maszynowego uczą się analizować. Ich zadaniem jest segmentacja, czyli cyfrowe rozdzielenie poszczególnych warstw zwiniętego papirusu lub identyfikacja pojedynczych fragmentów podartego papieru.11 Największym wyzwaniem, szczególnie w przypadku zwojów z Herkulanum, było wykrycie atramentu. Starożytny atrament, oparty na węglu, ma niemal identyczną gęstość jak zwęglony papirus, co czyni go niewidocznym dla tradycyjnych metod obrazowania. Modele AI zostały wytrenowane, aby rozpoznawać subtelne, mikroskopijne zmiany w teksturze i gęstości powierzchni papirusu, wskazujące na obecność atramentu. Ten proces, niemożliwy do przeprowadzenia dla ludzkiego oka, pozwolił na stworzenie cyfrowej mapy liter ukrytych wewnątrz zwęglonego zwoju.11
  3. Cyfrowa Rekonstrukcja: Po zidentyfikowaniu warstw i tekstu, AI przystępuje do finalnego etapu – wirtualnego „rozwinięcia” zwoju lub złożenia cyfrowych fragmentów w spójną całość.13 Algorytmy „wygładzają” zdeformowane powierzchnie i układają fragmenty, tworząc czytelny obraz dokumentu, który nigdy nie został fizycznie otwarty.7

Studium Przypadku 1: Vesuvius Challenge i Biblioteka z Herkulanum

Najbardziej spektakularnym przykładem tej technologii jest projekt Vesuvius Challenge. W 1752 roku w Herkulanum, mieście zniszczonym przez erupcję Wezuwiusza w 79 r. n.e., odkryto jedyną w całości zachowaną bibliotekę ze świata antycznego. Niestety, ponad 1800 papirusowych zwojów zostało zwęglonych, stając się kruchymi, węglowymi bryłami.11 Przez ponad 250 lat każda próba fizycznego rozwinięcia kończyła się ich zniszczeniem.12

Przełom nastąpił dzięki pracy zespołu prof. Brenta Sealesa z University of Kentucky, który przez 20 lat rozwijał technologię wirtualnego odwijania, wspieraną m.in. przez granty National Endowment for the Humanities (NEH).11 W marcu 2023 roku, w ramach Vesuvius Challenge, jego zespół udostępnił publicznie oprogramowanie AI oraz tysiące skanów 3D zwojów, zapraszając badaczy z całego świata do podjęcia próby ich odczytania.11

Efekty przerosły najśmielsze oczekiwania. Zaledwie kilka miesięcy później trójka studentów – Youssef Nader, Luke Farritor i Julian Schilliger – wykorzystując udostępnione narzędzia i trenując własne modele AI, zdołała odczytać pierwsze kompletne fragmenty tekstu z jednego ze zwojów.10 Ich algorytmy z powodzeniem zidentyfikowały ponad 2000 greckich liter, ujawniając fragmenty nieznanego dotąd dzieła filozoficznego, prawdopodobnie autorstwa epikurejczyka Filodemosa. Jednym z pierwszych odczytanych słów było greckie słowo oznaczające „wstręt” lub „niesmak”, co stanowiło przejmujący, pierwszy od 2000 lat wgląd w treść zwoju.12

Studium Przypadku 2: Niemiecki Projekt „e-Puzzler” i Akta Stasi

Zupełnie inny, choć równie ambitny cel, postawili przed sobą niemieccy badacze próbujący zrekonstruować akta Stasi, tajnej policji NRD. W chaotycznych dniach upadku reżimu w 1989 roku, funkcjonariusze Stasi gorączkowo niszczyli dokumenty. Gdy przemysłowe niszczarki uległy awarii, zaczęli rwać akta ręcznie, tworząc górę papierowych ścinków – szacuje się, że było to 600 milionów fragmentów w 16 000 worków.14

W odpowiedzi na to wyzwanie, Instytut Fraunhofera opracował system „e-Puzzler”. Była to zaawansowana technologicznie linia, na której skrawki papieru były skanowane z obu stron, a oprogramowanie oparte na rozpoznawaniu wzorców analizowało każdy fragment pod kątem koloru, tekstury papieru, kroju pisma, kształtu i linii przedarcia.14 Następnie algorytmy próbowały cyfrowo dopasować do siebie pasujące fragmenty, tworząc wirtualny obraz zrekonstruowanej strony.15

Projekt pilotażowy, który kosztował około 6,5 miliona euro, zdołał zrekonstruować około 91 000 stron z 23 worków.17 Mimo tego częściowego sukcesu, proces okazał się „nieodpowiedni do masowej produkcji”.17 Główną przeszkodą była natura samego problemu. W przeciwieństwie do zwojów z Herkulanum, które stanowiły spójne, choć uszkodzone obiekty, worki z aktami Stasi zawierały chaotyczną mieszaninę fragmentów z tysięcy różnych dokumentów. Ręczne darcie sprawiło, że każdy skrawek był unikalny, a brak jednolitych wzorców (różne rodzaje papieru, pisma, maszynopisów) uniemożliwił stworzenie efektywnego, uniwersalnego modelu.17 Projekt został ostatecznie wstrzymany w 2016 roku, a po przejęciu akt przez Archiwa Federalne w 2021 roku, stary kontrakt z Instytutem Fraunhofera został rozwiązany. Obecnie trwają prace nad zdefiniowaniem nowych wymagań dla przyszłego, bardziej zaawansowanego systemu, podczas gdy rekonstrukcja manualna jest kontynuowana.17

Głębsza Analiza: Struktura Problemu a Potęga Algorytmu

Zestawienie tych dwóch przypadków prowadzi do fundamentalnego wniosku na temat zastosowania AI w archiwistyce: sukces zależy nie tylko od mocy obliczeniowej algorytmu, ale przede wszystkim od struktury problemu, który ma on rozwiązać.

Projekt Vesuvius Challenge odniósł sukces, ponieważ opierał się na ponad dwudziestoletnich, metodycznych badaniach nad dobrze zdefiniowanym problemem obliczeniowym: jak cyfrowo „odwinąć” zwinięty obiekt. Mimo że zadanie było niezwykle trudne, miało ono jasną strukturę i cel. Algorytmy AI miały do wykonania konkretne zadanie w ramach ustalonego potoku technologicznego (skanowanie -> segmentacja -> odwijanie).11

Z kolei projekt e-Puzzler stanął przed problemem o charakterze chaotycznym i o ogromnej złożoności kombinatorycznej. Nie chodziło o „odwinięcie” jednego obiektu, ale o posortowanie i złożenie milionów niepowiązanych ze sobą fragmentów bez jasnego modelu odniesienia. Porażka e-Puzzlera nie była porażką AI jako takiej, ale dowodem na to, że technologia tamtej dekady nie była gotowa na rozwiązanie tak źle ustrukturyzowanego problemu. Decyzja niemieckich archiwów o redefinicji wymagań projektowych 17 jest kluczowa – pokazuje, że nauka płynąca z niepowodzenia w złożonych projektach AI polega na ponownym zdefiniowaniu problemu, a nie tylko na ulepszaniu narzędzia.

Te pionierskie wysiłki zwiastują nadejście nowej dziedziny – konserwacji obliczeniowej. Archiwa mogą teraz rozważać nieniszczącą, cyfrową ścieżkę dla swoich najcenniejszych i najbardziej wrażliwych obiektów. Samo pojęcie „utraconego tekstu” przestaje być absolutne, a staje się warunkowe – zależne od naszych aktualnych możliwości obliczeniowych. To, co wczoraj było bezpowrotnie stracone, jutro może zostać odczytane.

2. Deszyfracja Historii: AI jako Współczesna „Bomba Kryptologiczna”

Od czasów starożytnych tajne wiadomości kształtowały losy wojen, spisków i imperiów. Jednak dla historyków, tysiące zaszyfrowanych dokumentów spoczywających w archiwach stanowiły barierę nie do pokonania. Bez klucza, rozszyfrowanie historycznych kodów – często opartych na złożonych systemach substytucji, gdzie jedna litera mogła być zastępowana przez wiele różnych symboli – było zadaniem tytanicznym.18 Tradycyjna kryptoanaliza, oparta na analizie częstotliwości liter, zawodziła, gdy ilość dostępnego tekstu była zbyt mała. Dziś, dzięki interdyscyplinarnym projektom łączącym historyków, lingwistów i informatyków, sztuczna inteligencja staje się nowoczesnym odpowiednikiem „bomby kryptologicznej”, zdolnym łamać kody, które opierały się badaczom przez stulecia.

Technologia i Metoda: Symbioza Człowieka i Maszyny

Wbrew popularnym wyobrażeniom, deszyfracja historycznych manuskryptów przy użyciu AI nie jest procesem w pełni zautomatyzowanym. To raczej model „human-in-the-loop” (człowiek w pętli), w którym maszyna i ekspert tworzą symbiotyczny system.18 Sztuczna inteligencja doskonale radzi sobie z zadaniami wymagającymi ogromnej mocy obliczeniowej: skanowaniem tysięcy dokumentów w poszukiwaniu wzorców, przeprowadzaniem złożonych analiz statystycznych i testowaniem milionów potencjalnych kombinacji.20 Jednak to ludzki ekspert – historyk lub lingwista – dostarcza kluczowego kontekstu, który kieruje pracą algorytmów.18

Proces ten jest napędzany przez międzynarodowe inicjatywy badawcze, takie jak DECRYPT, DESCRYPT i BACK IN TIME. Ich celem jest nie tylko łamanie pojedynczych szyfrów, ale tworzenie otwartych zasobów – narzędzi, algorytmów i baz danych (np. de-crypt.org) – które demokratyzują dostęp do historycznej kryptologii i umożliwiają współpracę na niespotykaną dotąd skalę.18 Te projekty łączą najnowsze osiągnięcia w dziedzinie przetwarzania języka naturalnego (NLP) i rozpoznawania obrazu z głęboką wiedzą historyczną.

Studium Przypadku: Odtajnione Listy Marii Stuart, Królowej Szkotów

Jednym z najbardziej spektakularnych sukcesów tej nowej dziedziny było rozszyfrowanie korespondencji Marii Stuart. W Francuskiej Bibliotece Narodowej zespół badaczy, w tym George Lasry, odkrył ponad 50 zaszyfrowanych listów. Dokumenty te przez wieki były błędnie skatalogowane, ponieważ nikt nie rozumiał ich treści. Okazało się, że zostały napisane przez szkocką królową w latach jej uwięzienia, tuż przed egzekucją, i skierowane do francuskiego ambasadora w Anglii.18

Proces deszyfracji doskonale ilustruje model współpracy człowieka z AI 18:

  1. Transkrypcja i Korekta: Pierwszym krokiem było przepisanie symboli z listów do formatu cyfrowego. Następnie lingwistka, prof. Michelle Waldispühl, dokonała filologicznej korekty, poprawiając drobne błędy i niuanse (np. kropki nad znakami), które mogłyby zmylić algorytm.
  2. Analiza Komputerowa: Skorygowany tekst został poddany analizie przez narzędzia AI, które testowały go pod kątem różnych języków i systemów szyfrowania.
  3. Weryfikacja i Iteracja: Gdy automatyczne metody zawodziły, ludzcy eksperci manualnie analizowali wyniki, szukając błędów w logice maszyny i aktualizując „klucz”, którym się posługiwała. Był to proces iteracyjny, przypominający rozwiązywanie skomplikowanej łamigłówki.

W końcu kod został złamany. Odkryto, że Maria Stuart, nawet w niewoli, aktywnie spiskowała przeciwko swojej kuzynce, królowej Elżbiecie I. Treść listów rzuciła nowe światło na jej polityczne intrygi i strategie. Odkrycie to zostało okrzyknięte przez „The Guardian” „najważniejszym nowym odkryciem dotyczącym Marii Stuart od ponad stu lat”.18

Historyczna Paralela: Polska Szkoła Kryptologii i Enigma

Nowoczesne, napędzane przez AI metody deszyfracji mają swojego bezpośredniego konceptualnego przodka w pracy polskich matematyków z okresu międzywojennego. To właśnie Marian Rejewski, Jerzy Różycki i Henryk Zygalski jako pierwsi na świecie złamali kod niemieckiej maszyny szyfrującej Enigma w grudniu 1932 roku.24 Ich przełomowe osiągnięcie, które kryptolodzy z innych krajów uznawali za niemożliwe, opierało się na zastosowaniu metod matematycznych (teorii permutacji) w kryptoanalizie – co było absolutną nowością.26

Stworzone przez Rejewskiego w 1938 roku elektromechaniczne urządzenie, nazwane „bombą kryptologiczną”, było w istocie formą zautomatyzowanej kryptoanalizy. Jedna „bomba” potrafiła w ciągu około dwóch godzin wykonać pracę stu ludzi, systematycznie przeszukując możliwe konfiguracje klucza dziennego Enigmy.24 Była to pierwsza na świecie maszyna zaprojektowana do łamania szyfrów na masową skalę.

Wiedza i technologia Polaków, w tym repliki Enigmy i dokumentacja „bomby”, zostały przekazane sojusznikom z Francji i Wielkiej Brytanii w lipcu 1939 roku, tuż przed wybuchem wojny.24 To na tym fundamencie zespół Alana Turinga w Bletchley Park zbudował swoje znacznie bardziej rozbudowane maszyny, które ostatecznie pozwoliły na odczytywanie niemieckich depesz na masową skalę, co według ekspertów skróciło II wojnę światową o 2-3 lata.24 Współczesne projekty AI, automatyzujące analizę i przeszukiwanie ogromnych przestrzeni możliwości, są zatem cyfrowymi spadkobiercami idei zapoczątkowanej przez polskich matematyków.

Głębsza Analiza: Powrót Humanisty i Narodziny Danych Kryptologicznych

Zastosowanie AI w historycznej kryptologii prowadzi do dwóch fundamentalnych i pozornie sprzecznych wniosków. Po pierwsze, im bardziej zaawansowane stają się narzędzia AI, tym bardziej niezbędna staje się głęboka, specjalistyczna wiedza humanistyczna. Jak przyznają sami badacze, głównym wyzwaniem w tej dziedzinie jest ograniczona ilość danych treningowych dla historycznych szyfrów.18 To uniemożliwia proste, „brutalne” podejście, w którym AI samodzielnie rozwiązuje problem. Algorytm potrzebuje przewodnika. „Filologiczne oko” eksperta, który potrafi wychwycić niuanse XVI-wiecznego pisma, czy wiedza historyka na temat kontekstu politycznego danej epoki, stają się kluczowymi elementami, które naprowadzają AI na właściwy trop.18 Sukces w rozszyfrowaniu listów Marii Stuart był bezpośrednim wynikiem tej synergii. Wskazuje to, że przyszłość tej dziedziny nie leży w tworzeniu w pełni autonomicznych „deszyfratorów”, ale w budowaniu

interdyscyplinarnych zespołów badawczych, przypominających strukturą te z Bletchley Park, gdzie matematycy, lingwiści i historycy pracowali ramię w ramię.

Po drugie, jesteśmy świadkami narodzin nowej gałęzi nauki o danych: kryptologii jako data science. Tworzenie scentralizowanych, otwartych baz danych zaszyfrowanych dokumentów, takich jak de-crypt.org, zmienia sposób prowadzenia badań.18 Zamiast wieloletniej pracy nad pojedynczym, odizolowanym szyfrem, badacz może teraz zastosować narzędzia analityczne do tysięcy dokumentów jednocześnie, poszukując podobieństw między systemami szyfrowania, śledząc ich ewolucję i rozprzestrzenianie się. To tworzy potężną pętlę sprzężenia zwrotnego: więcej zdigitalizowanych i przeanalizowanych danych pozwala na trenowanie lepszych modeli AI, które z kolei pomagają analizować i powiększać zbiór danych. Ostatecznym celem staje się możliwość zmierzenia się z „wielkimi wyzwaniami” kryptologii, takimi jak wciąż nieodszyfrowane pismo linearne B czy tajemniczy Dysk z Fajstos.18 Bez tej nowej, opartej na danych i współpracy infrastrukturze, takie cele pozostałyby na zawsze poza naszym zasięgiem.

3. Cyfrowy Kustosz Autentyczności: Wykrywanie Fałszerstw i Weryfikacja Proweniencji

Autentyczność jest fundamentem pracy historyka i archiwisty. Jednak w erze cyfrowej to pojęcie staje przed podwójnym wyzwaniem. Z jednej strony, musimy wciąż weryfikować autentyczność historycznych, fizycznych dokumentów, walcząc z coraz bardziej wyrafinowanymi fałszerstwami. Z drugiej strony, musimy zagwarantować integralność ich cyfrowych odpowiedników, które mogą być z łatwością kopiowane i modyfikowane.28 Pojawienie się generatywnej AI, zdolnej do tworzenia niezwykle realistycznych „deepfake’ów” i tekstów naśladujących historyczne style, sprawia, że to wyzwanie staje się jednym z najpilniejszych w dziedzinie dziedzictwa kulturowego.30 W odpowiedzi, archiwa i laboratoria badawcze rozwijają nową generację narzędzi AI, które pełnią rolę cyfrowych kustoszy autentyczności.

Technologia 1: Wielowarstwowa Detekcja Fałszerstw

Nowoczesne systemy AI do wykrywania fałszerstw nie opierają się na jednej metodzie, ale na wielowarstwowej analizie, która łączy w sobie techniki z zakresu kryminalistyki, lingwistyki i informatyki.

  • Analiza Wizualna i Materialna: Algorytmy wizji komputerowej skanują cyfrowe obrazy dokumentów w poszukiwaniu mikroskopijnych anomalii, które mogą umknąć ludzkiemu oku. Analizują one spójność czcionek, rozkład pikseli, ślady kompresji obrazu, a także metadane pliku (np. datę utworzenia i modyfikacji), które mogą zdradzić cyfrową manipulację.28 Systemy te potrafią również identyfikować ślady fizycznych ingerencji, takich jak wymazywanie, nadpisywanie czy podmiana stron w wielostronicowym dokumencie.32 W przyszłości, analiza ta będzie coraz ściślej integrowana z metodami spektroskopowymi, pozwalającymi na badanie składu chemicznego atramentu i papieru, co ma kluczowe znaczenie przy datowaniu i weryfikacji dokumentów historycznych.33
  • Stylometria – Lingwistyczny Odcisk Palca: Jedną z najpotężniejszych technik jest stylometria, czyli statystyczna analiza stylu pisarskiego. AI uczy się rozpoznawać unikalny „odcisk palca” danego autora, analizując setki cech lingwistycznych: średnią długość zdań, bogactwo słownictwa, częstotliwość użycia określonych słów funkcyjnych (spójników, przyimków), a nawet wzorce interpunkcyjne.34 Dzięki temu możliwe jest przypisanie autorstwa anonimowym tekstom lub, co ważniejsze w kontekście fałszerstw, wykrycie anomalii. Jeśli dokument historyczny jest merytorycznie poprawny, ale jego styl drastycznie odbiega od znanych pism domniemanego autora, AI może zasygnalizować wysokie prawdopodobieństwo fałszerstwa.35
  • Analiza Kontekstualna i Historyczna: Najbardziej zaawansowane systemy idą o krok dalej. Duże modele językowe (LLM) mogą być wykorzystywane do analizy treści dokumentu w kontekście historycznym. Potrafią one przeszukiwać ogromne bazy danych, aby sprawdzić, czy fakty, postacie i daty wymienione w dokumencie są zgodne z naszą wiedzą o epoce.36 Co więcej, AI może analizować samą historię debaty naukowej na temat autentyczności danego dokumentu, systematyzując argumenty „za” i „przeciw” wysuwane przez badaczy na przestrzeni wieków i tworząc ustrukturyzowaną bazę wiedzy na ten temat.37

Technologia 2: Blockchain jako Gwarant Cyfrowej Integralności

Podczas gdy AI pomaga weryfikować autentyczność fizycznych artefaktów, technologia blockchain (a dokładniej technologia rozproszonych rejestrów, DLT) oferuje rewolucyjne rozwiązanie problemu integralności ich cyfrowych odpowiedników.

Pionierski projekt ARCHANGEL, zrealizowany we współpracy m.in. z Archiwami Narodowymi Wielkiej Brytanii, USA i Australii, zademonstrował, jak można wykorzystać blockchain do stworzenia nienaruszalnego systemu ochrony cyfrowych archiwaliów.38

Proces ten działa w następujący sposób:

  1. Dla każdego pliku cyfrowego (np. skanu dokumentu) generowany jest unikalny skrót kryptograficzny (hash). Jest to rodzaj cyfrowego odcisku palca – ciąg znaków, który jest unikalny dla danego pliku. Nawet najmniejsza zmiana w pliku (np. modyfikacja jednego piksela) powoduje całkowitą zmianę jego hasha.
  2. Ten hash jest następnie zapisywany w rozproszonym rejestrze (blockchainie), który jest współdzielony przez wszystkie uczestniczące w projekcie archiwa.
  3. Dzięki temu integralność dokumentu może być w każdej chwili zweryfikowana poprzez ponowne obliczenie jego hasha i porównanie go z tym zapisanym w blockchainie. Jeśli hashe się zgadzają, mamy pewność, że plik nie został zmodyfikowany. Jeśli się różnią, oznacza to, że doszło do ingerencji.38

Co istotne, projekt ARCHANGEL udowodnił, że metoda ta jest skuteczna nie tylko dla dokumentów tekstowych, ale również dla plików wideo. Specjalne techniki pozwoliły na wykrywanie przestrzennych i czasowych manipulacji w nagraniach, co stanowi kluczową linię obrony przed deepfake’ami i zapewnia integralność audiowizualnego dziedzictwa kulturowego.38

Głębsza Analiza: Dwa Oblicza Autentyczności i Zdecentralizowane Zaufanie

Zastosowanie tych dwóch technologii prowadzi do fundamentalnego rozróżnienia w podejściu do autentyczności. Można powiedzieć, że jesteśmy świadkami narodzin dwóch różnych reżimów weryfikacji.

W przypadku historycznych, fizycznych obiektów, AI oferuje probabilistyczną, wielowarstwową ocenę autentyczności. Metody takie jak stylometria czy analiza wizualna nie dają absolutnej pewności, ale dostarczają niezwykle silnych dowodów i wyliczają prawdopodobieństwo, wspierając ostateczną opinię ludzkiego eksperta.29 Jest to proces śledczy, w którym AI pełni rolę cyfrowego detektywa.

Z kolei w przypadku dokumentów „urodzonych cyfrowo” (born-digital) lub zdigitalizowanych, blockchain oferuje deterministyczną gwarancję integralności od momentu jej zapisu w rejestrze. Weryfikacja jest tu binarna: hash albo się zgadza, albo nie. Nie ma miejsca na interpretację. Jest to proces kryptograficzny, w którym technologia pełni rolę notariusza. Ta dychotomia oznacza, że archiwiści przyszłości będą musieli posługiwać się dwoma różnymi zestawami narzędzi i koncepcji do zarządzania autentyczentycznością: jednym opartym na kryminalistyce dla dziedzictwa materialnego, a drugim opartym na kryptografii dla dziedzictwa cyfrowego.

Co więcej, wykorzystanie blockchaina do zabezpieczania zasobów archiwalnych sygnalizuje głęboką zmianę w filozofii zaufania. Tradycyjnie, wiarygodność dokumentu była gwarantowana przez autorytet instytucji, która go przechowywała – np. Archiwum Narodowego.38 Rozproszony rejestr, jak ten w projekcie ARCHANGEL, przenosi ciężar zaufania z pojedynczej instytucji na

zdecentralizowany protokół technologiczny. Zaufanie nie jest już scentralizowane, ale rozproszone i technologicznie egzekwowane. Żadna z uczestniczących instytucji nie może samodzielnie i potajemnie zmienić zapisu, ponieważ zostałoby to natychmiast wykryte przez pozostałych uczestników sieci.38 Ten ruch od „autorytetu instytucjonalnego do przejrzystości praktyki archiwalnej” 38 jest jedną z najbardziej doniosłych, choć wciąż mało widocznych, konsekwencji cyfrowej rewolucji w archiwach.

4. Czytanie Między Wierszami: Analiza Sentymentu w Historycznej Korespondencji

Historia przez długi czas była opowieścią o wielkich wydarzeniach, bitwach i traktatach. Osobiste doświadczenia, emocje i nastroje społeczne, choć obecne w listach, pamiętnikach czy prasie, pozostawały domeną jakościowej, anegdotycznej analizy. Historyk, poprzez wnikliwą lekturę (close reading), mógł opisać emocjonalny świat jednostki, ale zmierzenie i prześledzenie nastrojów całych grup społecznych na przestrzeni dziesięcioleci było zadaniem niemożliwym do wykonania.39 Dziś, dzięki analizie sentymentu napędzanej przez AI, otwierają się drzwi do nowego pola badawczego: historii emocji na masową skalę.

Technologia: Od Prostej Polaryzacji do Spektrum Emocji

Analiza sentymentu, znana również jako opinion mining, to dziedzina przetwarzania języka naturalnego (NLP), która ma na celu automatyczne określenie emocjonalnego zabarwienia tekstu. Jej ewolucja przebiegała od prostych do coraz bardziej złożonych modeli:

  • Analiza Polaryzacji: Najwcześniejsze systemy klasyfikowały teksty w trzech podstawowych kategoriach: pozytywny, negatywny lub neutralny.40 Opierały się one często na podejściu leksykalnym, czyli na słownikach słów o określonym ładunku emocjonalnym (np. „wspaniały” – pozytywny, „okropny” – negatywny).42
  • Analiza Skalarna i Aspektowa: Bardziej zaawansowane modele potrafią oceniać natężenie sentymentu w określonej skali (np. od 1 do 5) lub analizować go w odniesieniu do konkretnych aspektów (np. w recenzji produktu: „bateria jest świetna, ale ekran jest słaby”).43
  • Detekcja Konkretnych Emocji: Najnowsze modele, często oparte na głębokim uczeniu, potrafią identyfikować w tekście konkretne emocje, takie jak radość, smutek, gniew, strach czy zaskoczenie.44 Umożliwia to znacznie bardziej zniuansowaną analizę psychologiczną.

Niezależnie od stopnia zaawansowania, proces technologiczny jest podobny. Zaczyna się od zebrania i przygotowania danych tekstowych (tzw. pre-processing, np. usunięcie znaków specjalnych), następnie tekst jest dzielony na mniejsze jednostki (tokenizacja), a na końcu model uczenia maszynowego, wytrenowany na ogromnych zbiorach danych, przypisuje każdej jednostce odpowiednią etykietę emocjonalną.42

Studia Przypadków w „Historii Emocjonalnej”

Potencjał tej technologii dla badań historycznych jest ogromny, choć wciąż w dużej mierze niewykorzystany. Możliwe kierunki badań ilustrują następujące przykłady:

  • Analiza Narracji Niewolników: W Stanach Zjednoczonych istnieje ogromny zbiór narracji byłych niewolników, zebranych m.in. w ramach projektów z lat 30. XX wieku. Tradycyjna analiza tych tekstów koncentruje się na faktach i opisach warunków życia. Zastosowanie analizy sentymentu na całym tym korpusie mogłoby ujawnić zbiorowe wzorce emocjonalne – fale strachu, nadziei, gniewu czy rezygnacji – i skorelować je z określonymi wydarzeniami historycznymi, regionami geograficznymi czy typami właścicieli (np. porównując narracje osób z plantacji o „łagodnym” i „okrutnym” reżimie).47 Pozwoliłoby to na stworzenie data-drivenowej mapy psychologicznego krajobrazu niewolnictwa.
  • Badanie Korespondencji Wojennej: Analiza tysięcy listów żołnierzy z frontu I wojny światowej mogłaby pozwolić na śledzenie zmian morale w czasie rzeczywistym. Historycy mogliby tworzyć wykresy „zbiorowego sentymentu” i sprawdzać, jak koreluje on z przebiegiem bitew, problemami z zaopatrzeniem czy wiadomościami z domu. To ilościowe podejście mogłoby zweryfikować lub podważyć dotychczasowe, jakościowe oceny dotyczące nastrojów w armii.39
  • Analiza Prasy i Literatury: Projekty takie jak analiza XVIII-wiecznych periodyków The Spectator pokazują, jak można śledzić ewolucję opinii publicznej na tematy polityczne, społeczne czy moralne, badając dominujący sentyment w artykułach na przestrzeni lat.49 Podobnie, analiza „łuków sentymentu” (sentiment arcs) w dziełach literackich pozwala badać, jak autorzy konstruują narracje emocjonalne i jak te struktury zmieniają się w czasie, co otwiera nowe perspektywy dla historii literatury.45

Głębsza Analiza: Pułapka Anachronizmu i Narodziny Historycznych Modeli Językowych

Największym wyzwaniem i jednocześnie najbardziej fascynującym polem badawczym w historycznej analizie sentymentu jest problem anachronizmu. Standardowy model AI, wytrenowany na współczesnych tekstach z internetu (np. recenzjach produktów czy tweetach), jest całkowicie bezużyteczny w kontakcie z tekstem historycznym. Znaczenie i ładunek emocjonalny słów ewoluują. Słowo „awful” w języku angielskim pierwotnie oznaczało „budzący podziw i lęk” (full of awe), a dopiero później nabrało negatywnego znaczenia. Model AI nieznający tego kontekstu dokonałby katastrofalnie błędnej klasyfikacji. Podobnie, ironia, sarkazm i inne figury retoryczne, których interpretacja jest silnie osadzona w kulturze epoki, stanowią ogromne wyzwanie dla algorytmów.50

Ta pułapka anachronizmu wymusiła na badaczach stworzenie nowej specjalizacji: budowy historycznie i kulturowo świadomych modeli AI. Doskonałym przykładem jest wspomniany projekt analizy periodyków The Spectator.49 Zespół badawczy szybko zdał sobie sprawę, że gotowe narzędzia dają bezsensowne wyniki. Zamiast tego, musieli podjąć żmudną pracę stworzenia od podstaw nowych słowników sentymentu dla XVIII-wiecznego języka francuskiego, włoskiego i hiszpańskiego. W proces ten zaangażowani byli eksperci-historycy, którzy ręcznie anotowali tysiące słów, oceniając ich ładunek emocjonalny w kontekście epoki. Dopiero na podstawie tych historycznych słowników zbudowano nowe, skuteczne klasyfikatory.

To prowadzi do kluczowego wniosku: sensowne zastosowanie AI w humanistyce nie polega na prostym użyciu gotowych narzędzi („off-the-shelf”), ale na tworzeniu nowej infrastruktury badawczej. Archiwa i wydziały humanistyczne stają przed zadaniem budowy i udostępniania historycznych modeli językowych i korpusów treningowych. To nowa, fundamentalna forma pracy naukowej, bez której zaawansowana analiza historyczna nie będzie możliwa.

Co więcej, analiza sentymentu dokonuje cichej rewolucji metodologicznej, przekształcając źródła jakościowe w dane ilościowe. List, pamiętnik czy artykuł w gazecie przestają być tylko obiektem interpretacji, a stają się punktem danych, który można agregować, wizualizować i poddawać analizie statystycznej. Historyk może teraz dosłownie „zmierzyć” strach, „zmapować” nadzieję i „śledzić” rozprzestrzenianie się gniewu. To zaciera tradycyjny podział na historię jakościową i ilościową, otwierając drogę do czegoś, co można by nazwać obliczeniową psychohistorią – dziedziny, która łączy głębię humanistycznej interpretacji ze skalą i rygorem analizy danych.

5. Kartograficzna De(kon)strukcja: AI Odczytuje Ukryte Historie z Dawnych Map

Mapy od wieków fascynują jako okna na przeszłość, wizualne świadectwa minionych krajobrazów, miast i granic. Jednak w archiwach przez długi czas traktowano je głównie jako pojedyncze, statyczne ilustracje. Analiza była ograniczona do tego, co historyk mógł dostrzec na jednej mapie lub porównując kilka z nich. Skalowanie tej analizy na tysiące map było niemożliwe, a ogromna ilość ustrukturyzowanych danych – nazwy, symbole, granice – pozostawała zamknięta w formie graficznej, niedostępna dla metod obliczeniowych.51 Dziś, dzięki wizji komputerowej, AI dokonuje swoistej „de(kon)strukcji” map, rozkładając je na czynniki pierwsze i przekształcając w dynamiczne, mierzalne zbiory danych, które ujawniają ukryte historie na niespotykaną dotąd skalę.

Technologia: Wizja Komputerowa Rozkłada Mapę na Części

Sercem tej transformacji są zaawansowane narzędzia AI, takie jak brytyjski projekt MapReader, które wykorzystują techniki wizji komputerowej do analizy wielkoskalowych kolekcji map.52 Proces ten można podzielić na dwa główne etapy:

  1. Segmentacja Semantyczna i Klasyfikacja Obrazu: Zamiast analizować mapę na poziomie pojedynczych pikseli, MapReader dzieli obraz na tysiące małych fragmentów, tzw. „łatek” (patches).52 Następnie, wytrenowany model AI klasyfikuje każdą łatkę, przypisując jej etykietę na podstawie zawartości wizualnej. Potrafi on rozpoznać obszary leśne, zbiorniki wodne, tereny zabudowane, infrastrukturę kolejową i wiele innych cech krajobrazu.52
  2. Wykrywanie Tekstu (Text Spotting): Równolegle, inny moduł AI skanuje mapę w poszukiwaniu tekstu. Potrafi on zlokalizować, odczytać i zdigitalizować wszelkie napisy: nazwy miast i wsi, rzek, ulic, a także opisy i legendy umieszczone na mapie.54

Kluczowe jest to, że jeśli mapy zostały wcześniej poddane georeferencji (czyli przypisaniu im współrzędnych geograficznych), cały ten proces przekształca kolekcję statycznych obrazów w bogaty, wielowarstwowy i w pełni przeszukiwalny zbiór danych geoprzestrzennych. Każda informacja – czy to wizualna (np. „las”), czy tekstowa (np. „Kopalnia Węgla 'Piast'”) – jest powiązana z konkretną lokalizacją na mapie świata.54

Studium Przypadku 1: MapReader i Historia Środowiskowa Wielkiej Brytanii

Projekt MapReader, rozwijany w ramach inicjatywy Living with Machines, został wykorzystany do analizy około 16 000 XIX-wiecznych map Ordnance Survey, pokrywających Anglię, Walię i Szkocję.51 Skala tej analizy pozwoliła na zadawanie pytań, które były wcześniej niemożliwe do zbadania:

  • Wpływ Rewolucji Przemysłowej: Badacze mogli automatycznie zmapować i przeanalizować gęstość i rozprzestrzenianie się infrastruktury kolejowej, korelując ją ze zmianami w krajobrazie i urbanizacji.54
  • Historia Zmian Klimatu: W jednym z badań, historyk użył MapReadera do zidentyfikowania i zliczenia specjalnych, kwadratowych stawów używanych do gry w curling. Analiza ich rozmieszczenia i zanikania na przestrzeni dekad dostarczyła unikalnych, ilościowych danych na temat historycznego wpływu ocieplenia klimatu na krajobraz i kulturę Wielkiej Brytanii.52

Studium Przypadku 2: Odkrywanie Rasizmu Systemowego za pomocą Map „Redlining”

W Stanach Zjednoczonych, AI jest wykorzystywane do badania mrocznego rozdziału historii urbanistyki, znanego jako „redlining”. W latach 30. XX wieku, agencja rządowa Home Owners’ Loan Corporation (HOLC) stworzyła mapy setek amerykańskich miast, dzieląc je na strefy „ryzyka” dla kredytów hipotecznych. Dzielnice zamieszkane przez mniejszości, głównie Afroamerykanów, były niemal zawsze oznaczane na czerwono jako „niebezpieczne”, co odcinało je od inwestycji na dekady.55

Historycy od dawna wiedzieli o istnieniu tych map, ale dopiero AI pozwoliło na ich dogłębną, ilościową analizę. Badacze wykorzystują narzędzia podobne do MapReadera, aby przetworzyć tysiące historycznych map ubezpieczeniowych z tamtego okresu. Algorytmy identyfikują i geolokalizują na nich „obciążające środowiskowo obiekty” (environmentally burdensome sites), takie jak wysypiska śmieci, fabryki chemiczne, składy węgla czy pralnie chemiczne. Następnie, korelują ich rozmieszczenie z historycznymi granicami rasowymi i strefami „redlining”. W ten sposób powstaje nowy, niezwykle szczegółowy zbiór danych, który pozwala udowodnić z naukową precyzją, jak rasizm systemowy prowadził do celowego lokowania toksycznej infrastruktury w dzielnicach mniejszościowych, tworząc historyczne korzenie współczesnych nierówności zdrowotnych i środowiskowych.55

Głębsza Analiza: Mapa jako Zbiór Danych i Humanistyczne Podejście do AI

Zastosowanie AI w kartografii historycznej prowadzi do fundamentalnej zmiany paradygmatu: mapa przestaje być tylko obrazem, a staje się zbiorem danych (map-as-dataset). To całkowicie zmienia relację badacza z materiałem źródłowym. Wcześniej historyk „czytał” mapę, aby zilustrować tezę. Dziś „zadaje zapytanie” (queries) do zbioru danych obejmującego 16 000 map, aby odkryć wzorce i przetestować hipotezy.51 Połączenie informacji wizualnej, tekstowej i geoprzestrzennej tworzy nowy, potężny typ źródła historycznego, który napędza rozwój takich dziedzin jak

obliczeniowa historia środowiskowa czy ilościowa historia urbanistyki.54

Jednocześnie, sposób, w jaki zaprojektowano narzędzia takie jak MapReader, świadczy o dojrzałym, humanistycznym podejściu do technologii. Twórcy świadomie zrezygnowali z dążenia do idealnej, pikselowej precyzji na rzecz systemu opartego na „łatkach”, który w swej istocie akceptuje i odzwierciedla nieodłączną nieprecyzyjność i „rozmycie” źródeł historycznych.51 To „humanistyczne podejście do tworzenia danych”, które jest alternatywą dla czysto inżynierskiego dążenia do perfekcji. Co więcej, ogromny nacisk kładziony jest na tworzenie przyjaznych dla użytkownika narzędzi, obszernej dokumentacji i tutoriali, które mają na celu wzmocnienie kompetencji historyków, a nie ich zastąpienie.51

To prowadzi do ważnego wniosku: najbardziej udane i wpływowe narzędzia AI w humanistyce to nie te „ściągnięte z półki” z laboratoriów informatycznych, ale te, które są współprojektowane przez humanistów i inżynierów, aby odpowiadać na realne pytania badawcze i szanować specyfikę historycznego materiału źródłowego. To model współpracy, który będzie definiował przyszłość cyfrowej humanistyki.

6. Identyfikacja „Niewidzialnego Stylu”: Od Osobistego Charakteru Pisma Fotografów po Warsztat Garncarza

Atrybucja, czyli przypisanie dzieła konkretnemu autorowi lub warsztatowi, jest jednym z fundamentalnych zadań historii sztuki, archeologii i muzykologii. Tradycyjnie opiera się ona na sygnaturach, dokumentacji lub, w przypadku dzieł anonimowych, na subiektywnej ocenie eksperta – tzw. konwencjonalnej wiedzy (connoisseurship). Jednak co w sytuacji, gdy mamy do czynienia z tysiącami anonimowych fotografii, milionami fragmentów ceramiki lub niepodpisanymi partyturami? Sztuczna inteligencja, dzięki zaawansowanemu rozpoznawaniu wzorców, otwiera nową erę w atrybucji, ucząc się identyfikować „niewidzialny styl” – unikalny, często podświadomy „odcisk palca” twórcy, ukryty w danych niewerbalnych.56

Technologia: Zaawansowane Rozpoznawanie Wzorców w Różnych Domenach

Podstawą tej rewolucji jest zdolność głębokich sieci neuronowych do analizowania ogromnych zbiorów danych i wykrywania w nich subtelnych, powtarzalnych wzorców, które składają się na unikalny styl. Technologia ta przybiera różne formy w zależności od medium:

  • Stylometria Wizualna (Fotografia): Modele AI są trenowane na zbiorach zdjęć, aby analizować nie tylko to, co jest na zdjęciu, ale jak zostało ono zrobione. Algorytmy uczą się rozpoznawać charakterystyczne dla danego fotografa wzorce w kompozycji, kadrowaniu, oświetleniu, doborze tematyki czy nawet preferowanej głębi ostrości.56
  • Analiza Kształtu 3D (Archeologia): W przypadku artefaktów, takich jak ceramika, proces zaczyna się od stworzenia cyfrowych modeli 3D fragmentów (np. za pomocą skanowania światłem strukturalnym). Następnie modele AI analizują te modele, klasyfikując fragmenty na podstawie profilu, grubości ścianek, krzywizny, rodzaju zdobień i techniki wykonania. Pozwala to na szybkie przypisanie znaleziska do określonej kultury, okresu lub nawet warsztatu.58
  • Analiza Muzyczna (Muzykologia): AI potrafi analizować cyfrowe zapisy nutowe (lub nawet nagrania audio), rozkładając utwór na czynniki pierwsze. Algorytmy badają charakterystyczne progresje harmoniczne, struktury melodyczne, rytmikę i instrumentację, tworząc „profil stylistyczny” kompozytora. W pewnym sensie jest to „analiza sentymentu” dla muzyki, gdzie AI uczy się rozpoznawać emocjonalny i strukturalny język twórcy.60

Studia Przypadków: Identyfikacja Twórców w Archiwach

  • Fotografia – Identyfikacja fińskich fotografów wojennych: Przełomowe badanie przeprowadzone na Uniwersytecie w Aarhus wykorzystało AI do analizy ogromnego archiwum (160 000 zdjęć) z okresu II wojny światowej. Model AI został wytrenowany na zdjęciach wykonanych przez 23 znanych fińskich fotografów wojennych. Ku zaskoczeniu badaczy, algorytm nauczył się rozpoznawać indywidualnych fotografów na podstawie samego stylu ich zdjęć – sposobu kadrowania i kompozycji – z dokładnością sięgającą 41.1% (znacznie powyżej losowego zgadywania). To badanie po raz pierwszy udowodniło, że subiektywne „oko” fotografa można skwantyfikować i zidentyfikować za pomocą maszyny.56
  • Archeologia – Projekt ArchAIDE i rewolucja w terenie: Projekt ArchAIDE (Archaeological Automatic Interpretation and Documentation of Ceramics) stworzył aplikację mobilną, która ma zrewolucjonizować pracę archeologów. Zamiast spędzać godziny na przeglądaniu katalogów, archeolog w terenie może zrobić zdjęcie nowo odkrytego fragmentu ceramiki, a aplikacja, wykorzystując AI, w ciągu kilku sekund porównuje je z ogromną bazą danych i sugeruje jego klasyfikację (np. amfora rzymska, majolika z Montelupo) z dokładnością około 75%.59 To nie tylko gigantyczna oszczędność czasu i pieniędzy, ale także demokratyzacja wiedzy, udostępniająca specjalistyczne narzędzia szerszemu gronu badaczy.
  • Muzykologia – Atrybucja i rekonstrukcja historycznych partytur: W muzyce AI jest wykorzystywane dwojako. Po pierwsze, do atrybucji anonimowych dzieł poprzez analizę stylistyczną i porównanie z bazą danych znanych kompozytorów.57 Po drugie, co jest jeszcze bardziej fascynujące, AI pomaga w udostępnianiu historycznej muzyki współczesnym wykonawcom. Algorytmy uczą się odczytywać stare, często niejednoznaczne systemy notacji muzycznej i „tłumaczyć” je na współczesny, standardowy zapis nutowy, usuwając barierę wykonawczą i ożywiając zapomniany repertuar.60

Głębsza Analiza: Kwantyfikacja Wiedzy Eksperckiej i Generatywna Analiza

Zastosowanie AI do analizy stylu w danych niewerbalnych prowadzi do dwóch głębokich transformacji. Po pierwsze, jesteśmy świadkami procesu kwantyfikacji i modelowania wiedzy eksperckiej (connoisseurship). Intuicyjne, oparte na wieloletnim doświadczeniu „oko” historyka sztuki czy „ucho” muzykologa jest dekonstruowane przez AI i modelowane jako zbiór wykrywalnych, mierzalnych wzorców. Algorytm, analizując tysiące przykładów, uczy się tego, co ekspert przyswaja przez całą karierę.29 Nie oznacza to zastąpienia eksperta, ale raczej uzupełnienie i zobiektywizowanie jego oceny. W dziedzinach takich jak rynek sztuki, gdzie często dochodzi do sporów sądowych opartych na sprzecznych opiniach ekspertów, AI może w przyszłości pełnić rolę bezstronnego, opartego na danych arbitra, wnosząc nowy poziom obiektywizmu do procesów atrybucji.29

Po drugie, technologia ta wykracza poza prostą klasyfikację i wkracza w domenę analizy generatywnej i rekonstrukcji. Ucząc się „gramatyki” danego stylu, AI może nie tylko go rozpoznawać, ale także go naśladować i uzupełniać. Najlepszym przykładem jest rekonstrukcja potłuczonej ceramiki na podstawie skanów 3D fragmentów.58 Algorytm nie tylko klasyfikuje poszczególne skorupy, ale rozumie ich geometrię i relacje przestrzenne, co pozwala mu na inteligentne sugerowanie, jak powinny być ze sobą połączone. Podobnie, AI, które nauczyło się stylu Bacha, może pomagać w komponowaniu lub improwizowaniu utworów w tym stylu, stając się narzędziem do eksploracji historycznych form muzycznych.63

To fundamentalna zmiana: AI przestaje być pasywnym narzędziem analitycznym, a staje się aktywnym, kreatywnym partnerem. W tym ujęciu, celem technologii jest nie tylko zachowanie dziedzictwa kulturowego jako statycznego obiektu badań, ale także jego rewitalizacja – uczynienie go żywą, interaktywną tradycją, z którą można wchodzić w dialog i którą można twórczo rozwijać.

7. Odkrywanie Ukrytych Sieci: Semantyczne Wyszukiwanie i Grafy Wiedzy

Tradycyjne archiwa, mimo wysiłków pokoleń archiwistów, często pozostają „ciemne” i poszatkowane. Zbiory są zorganizowane w silosach, a odnalezienie powiązań między dokumentami z różnych kolekcji, a nawet w ramach jednego, ogromnego zespołu archiwalnego, jest niezwykle trudne i wymaga od badacza lat doświadczenia i intuicji.2 Standardowe wyszukiwanie oparte na słowach kluczowych jest jak szukanie igły w stogu siana – trzeba wiedzieć, czego dokładnie się szuka. Sztuczna inteligencja wprowadza tu rewolucyjną zmianę, przechodząc od prostego wyszukiwania do aktywnego odkrywania wiedzy, tworząc „sieci powiązań” tam, gdzie wcześniej widzieliśmy tylko pojedyncze dokumenty.

Technologia: Od Wyszukiwania do Odkrywania

Ta zmiana paradygmatu opiera się na trzech uzupełniających się technologiach, które razem tworzą ekosystem do eksploracji danych archiwalnych:

  • Wyszukiwanie Semantyczne: To podejście wykracza daleko poza dopasowywanie słów kluczowych. Modele AI, takie jak te testowane przez Narodowe Archiwa USA (NARA) w oparciu o Google Vertex AI, uczą się rozumieć znaczenie i intencję zapytania użytkownika.65 Badacz może zadać pytanie w języku naturalnym (np. „pokaż mi dokumenty dotyczące wpływu budowy kolei na handel w XIX wieku”), a system znajdzie nie tylko te dokumenty, które zawierają dokładnie te słowa, ale także te, które są z nimi koncepcyjnie powiązane, nawet jeśli używają innego słownictwa.
  • Rozpoznawanie Nazw Własnych (Named Entity Recognition, NER): Algorytmy AI automatycznie skanują miliony stron tekstu i identyfikują w nich kluczowe „encje” – nazwy osób, organizacji, lokalizacji geograficznych, daty, a nawet abstrakcyjne pojęcia.66 To pierwszy krok do przekształcenia nieustrukturyzowanego tekstu w ustrukturyzowane dane.
  • Grafy Wiedzy (Knowledge Graphs): Zidentyfikowane encje oraz relacje między nimi (np. „Jan Kowalski” [osoba] „pracował w” [relacja] „Ministerstwie Bezpieczeństwa Publicznego” [organizacja]) są następnie zapisywane w specjalnym typie bazy danych – grafie wiedzy. Zamiast tabel, dane są tu przechowywane jako sieć węzłów (encje) i krawędzi (relacje). Taka struktura pozwala na wizualizację i zadawanie zapytań o złożone, nieoczywiste powiązania, tworząc dosłownie „sieć połączeń” w danych.66

Studia Przypadków: Łączenie Kropek w Historii

  • JSTOR Seeklight i Ukryte Warstwy Znaczeń: Archiwistka Emilie Hardman, testując narzędzie AI o nazwie JSTOR Seeklight na afiszu teatralnym z kolekcji dotyczącej HIV/AIDS, doświadczyła momentu „eureki”. AI nie tylko wyodrębniło podstawowe metadane, ale zidentyfikowało nazwiska osób zaangażowanych w przedstawienie, które nigdy nie zostały zindeksowane. Co więcej, system automatycznie połączył te osoby z innymi wydarzeniami i reklamami w kolekcji, ujawniając „ukryte warstwy powiązań”, które były całkowicie niewidoczne przy tradycyjnej analizie.2
  • Heritage Connector i Połączone Muzea: Ten ambitny brytyjski projekt poszedł o krok dalej, wykorzystując AI do zbudowania jednego, wielkiego grafu wiedzy, który łączy rekordy z kolekcji różnych instytucji, w tym Science Museum Group i Victoria & Albert Museum. Użytkownicy mogą teraz eksplorować zbiory w zupełnie nowy sposób, podążając za linkami między obiektami, twórcami i pojęciami napotykanymi w różnych muzeach, co pozwala na interdyscyplinarne i holistyczne spojrzenie na dziedzictwo kulturowe.66
  • Narzędzie AI firmy Axiell i Skalowanie Połączonych Danych: Komercyjne rozwiązania, takie jak narzędzie firmy Axiell, automatyzują i skalują ten proces dla archiwów i muzeów. System analizuje dane z kolekcji, identyfikuje kluczowe encje i automatycznie łączy je z centralnym, wzbogaconym o dane z Wikidata tezaurusem. W ten sposób, nawet instytucje o mniejszych zasobach mogą tworzyć bogate, połączone bazy danych, które zwielokrotniają wartość ich zbiorów dla badaczy i publiczności.67

Głębsza Analiza: Od Wyszukiwania Informacji do Odkrywania Wiedzy

Połączenie wyszukiwania semantycznego i grafów wiedzy oznacza fundamentalną zmianę paradygmatu w korzystaniu z archiwów: przechodzimy od wyszukiwania informacji do odkrywania wiedzy. Tradycyjne wyszukiwanie polega na odnalezieniu konkretnego dokumentu, o którego istnieniu już wiemy lub którego się domyślamy. Nowy paradygmat polega na eksploracji całego uniwersum archiwalnego w celu znalezienia wzorców i relacji, o których istnieniu nie mieliśmy pojęcia. Jak ujęła to Emilie Hardman, AI potrafi „wynurzyć na powierzchnię nazwiska, które nigdy nie zostały zindeksowane, połączenia, które nigdy nie zostały udokumentowane, i rekordy, które nigdy nie były dostępne, po prostu dlatego, że nikt nie miał czasu ich opisać”.2 To nie jest tylko szybsza wyszukiwarka; to zupełnie nowa metodologia badawcza. Potencjalnie może to zdemokratyzować badania historyczne, pozwalając badaczom bez wieloletniego doświadczenia w nawigowaniu po skomplikowanych inwentarzach archiwalnych na dokonywanie znaczących odkryć.

Ta technologiczna transformacja wymusza również odpowiednią zmianę w roli archiwisty. W nowym modelu, zadania takie jak mechaniczne wyodrębnianie nazwisk i dat mogą być w dużej mierze zautomatyzowane.2 Wartość i unikalna ekspertyza ludzkiego archiwisty przesuwa się w stronę pracy na wyższym poziomie abstrakcji: staje się on

kuratorem kontekstu i relacji. Jego zadaniem jest weryfikacja połączeń sugerowanych przez AI, zrozumienie ich historycznego znaczenia, kształtowanie narracji wokół nich oraz, co kluczowe, krytyczna ocena i korygowanie nieuniknionych uprzedzeń (bias) obecnych w danych, na których trenowane są algorytmy.2 To nie jest degradacja, lecz elewacja zawodu archiwisty – uwolnienie go od żmudnej, mechanicznej pracy na rzecz intelektualnych wyzwań związanych z nadawaniem sensu przeszłości i opowiadaniem jej historii.2

Zakończenie: Etyka i Przyszłość Archiwistyki w Erze AI

Analiza siedmiu nieoczywistych zastosowań sztucznej inteligencji w archiwach maluje obraz rewolucji, która wykracza daleko poza prostą automatyzację. Od wirtualnej rekonstrukcji zniszczonych dokumentów, przez deszyfrację historycznych kodów, po odkrywanie ukrytych sieci powiązań – wspólnym mianownikiem tych wszystkich innowacji jest zdolność AI do analizy danych na niespotykaną dotąd skalę, co pozwala dostrzec wzorce, struktury i połączenia niewidoczne dla ludzkiego oka. Sztuczna inteligencja staje się potężnym mikroskopem i teleskopem jednocześnie, umożliwiając badanie zarówno najdrobniejszych detali, jak i ogromnych, historycznych konstelacji danych.

Jednak ta nowa, ekscytująca granica badań historycznych niesie ze sobą równie fundamentalne wyzwania etyczne i metodologiczne, które wymagają świadomej i krytycznej postawy ze strony archiwistów i historyków. To nie jest technologia „plug-and-play”, którą można bezrefleksyjnie zaimplementować.

Człowiek w Pętli: Konfrontacja z Wyzwaniami Etycznymi

  • Uprzedzenia (Bias) i Reprezentacja: Największym zagrożeniem jest fakt, że AI nie jest obiektywnym sędzią przeszłości. Algorytmy uczą się na danych, które same są produktem historii – z jej wszystkimi uprzedzeniami, nierównościami i przemilczeniami. AI, pozostawione bez nadzoru, może nie tylko replikować, ale i wzmacniać historyczne wykluczenia.2 Jeśli archiwa zawierają niewiele materiałów dotyczących marginalizowanych społeczności, AI nie „odkryje” ich historii w magiczny sposób. Dlatego kluczowa staje się rola ludzkiego eksperta, który musi aktywnie pracować nad korygowaniem tych uprzedzeń, poszukiwać alternatywnych źródeł i prowadzić dialog ze społecznościami, których dziedzictwo jest niedoreprezentowane.2
  • Przejrzystość i Odpowiedzialność: W miarę jak AI zaczyna wpływać na procesy takie jak ocena i selekcja dokumentów czy nawet decyzje dotyczące deklasyfikacji (jak planuje NARA 65), kwestia przejrzystości staje się kluczowa. Instytucje takie jak Public Record Office Victoria słusznie podkreślają konieczność tworzenia szczegółowej dokumentacji używanych systemów AI, ich celów, źródeł danych i mechanizmów kontroli ryzyka.70 Co więcej, pojawia się nowa, fascynująca koncepcja:
    archiwizowania samych algorytmów AI jako nowego rodzaju dokumentacji. Jeśli decyzje rządowe będą w przyszłości podejmowane w oparciu o modele uczenia maszynowego, te modele i dane, na których je trenowano, same stają się źródłem historycznym, kluczowym dla zapewnienia przyszłej odpowiedzialności władz publicznych.38
  • Praca i Ekspertyza: Lęk przed zastąpieniem ludzi przez maszyny jest naturalny, jednak w kontekście archiwistyki bardziej prawdopodobny wydaje się scenariusz transformacji, a nie eliminacji zawodu. Jak wielokrotnie podkreślano, AI jest narzędziem, które ma wzmacniać, a nie zastępować ludzką ekspertyzę.2 Automatyzując żmudne, mechaniczne zadania – takie jak masowa transkrypcja czy ekstrakcja metadanych – AI uwalnia czas archiwistów, pozwalając im skupić się na tym, co stanowi istotę ich pracy: „budowaniu kontekstu, kształtowaniu narracji, interpretacji źródeł i aktywowaniu kolekcji”.2 Przechodzimy od archiwisty-katalogującego do archiwisty-kuratora wiedzy.

Przyszłość: Archiwum jako Dynamiczne Laboratorium

Ostateczna wizja, która wyłania się z tej analizy, to archiwum jako dynamiczne laboratorium, a nie statyczny magazyn. Dzięki narzędziom AI, zbiory archiwalne przekształcają się w żywe, przeszukiwalne zbiory danych, które można nieustannie re-interpretować i zadawać im nowe pytania, prowadząc do ciągłego, odpowiedzialnego dialogu z przeszłością.6

Dla archiwów, w tym polskich, działających w ramach prawnych Unii Europejskiej, ta transformacja ma również wymiar praktyczny. Nowe regulacje, takie jak unijny Akt o Sztucznej Inteligencji (AI Act), wprowadzają ramy dla rozwoju i stosowania AI, a także nakładają obowiązek rozwijania wśród pracowników kompetencji w zakresie AI (tzw. AI Literacy).72 To nie jest już kwestia wyboru, ale konieczność.

Podsumowując, „najdziwniejsze” zastosowania AI w archiwach okazują się być tymi najbardziej obiecującymi. Prowadzą nas one do głębszego, bardziej zniuansowanego i bardziej demokratycznego zrozumienia przeszłości. Jednak droga do tej przyszłości nie jest czysto technologiczna. Wymaga ona głębokiego zaangażowania humanistów, krytycznego myślenia, świadomości etycznej i gotowości do ciągłego uczenia się. Ostatecznie, to nie algorytmy będą opowiadać historie – one jedynie dostarczą nam nowych, potężnych narzędzi, abyśmy my, ludzie, mogli opowiadać je lepiej.

Cytowane prace

  1. Wykorzystanie AI w archiwum – praktyczne zastosowania i narzędzia, otwierano: czerwca 16, 2025, https://mentorszkolenia.pl/course/wykorzystanie-ai-w-archiwum-praktyczne-zastosowania-i-narzedzia
  2. Bringing hidden histories to light: An archivist reflects on AI, archives, and the future of digital stewardship – About JSTOR, otwierano: czerwca 16, 2025, https://about.jstor.org/blog/bringing-hidden-histories-to-light-an-archivist-reflects-on-ai-archives-and-the-future-of-digital-stewardship/
  3. Embracing Artificial Intelligence in Archival and Historical Scholarship: A Step Forward in Digitizing the Past, otwierano: czerwca 16, 2025, https://www.historica.org/blog/artificial-intelligence-in-archival-and-historical-scholarship
  4. Sztuczna inteligencja w badaniu wybranych aspektów kultury, otwierano: czerwca 16, 2025, https://czasopisma.ignatianum.edu.pl/pk/article/view/2176
  5. Sztuczna inteligencja w badaniu wybranych aspektów kultury – Biblioteka Nauki, otwierano: czerwca 16, 2025, https://bibliotekanauki.pl/articles/36854406.pdf
  6. Histories | Special Issue : Artificial Intelligence (AI) and Historical Research – MDPI, otwierano: czerwca 16, 2025, https://www.mdpi.com/journal/histories/special_issues/S5JI978200
  7. How AI Is Changing Digital Archives: Possibilities and Pitfalls, otwierano: czerwca 16, 2025, https://www.historica.org/blog/ais-role-in-preserving-digital-archives
  8. AI pomaga naukowcom odczytać treść papirusów spalonych w Herkulanum – Forsal.pl, otwierano: czerwca 16, 2025, https://forsal.pl/lifestyle/nauka/artykuly/9425232,ai-pomaga-naukowcom-odczytac-tresc-papirusow-spalonych-w-herkulanum.html
  9. Inside of Herculaneum scroll seen for the first time in almost 2000 years, otwierano: czerwca 16, 2025, https://www.ox.ac.uk/news/2025-02-07-inside-herculaneum-scroll-seen-first-time-almost-2000-years
  10. AI reveals first look inside 2000-year-old Herculaneum scroll – Archaeology News, otwierano: czerwca 16, 2025, https://archaeologymag.com/2025/02/ai-reveals-first-look-inside-herculaneum-scroll/
  11. Students Decipher 2000-Year-Old Herculaneum Scrolls, otwierano: czerwca 16, 2025, https://www.neh.gov/news/students-decipher-2000-year-old-herculaneum-scrolls
  12. AI and scientists unite to decipher old scrolls charred by the Vesuvius volcano | AP News, otwierano: czerwca 16, 2025, https://apnews.com/article/britain-herculaneum-scrolls-ai-vesuvius-oxford-22506589e8ad28efc59ce05224bf6657
  13. Image Reconstruction With Computer Vision – viso.ai, otwierano: czerwca 16, 2025, https://viso.ai/deep-learning/image-reconstruction/
  14. Piecing Together Germany’s Shredded Stasi Files | TIME, otwierano: czerwca 16, 2025, https://time.com/archive/6907085/piecing-together-germanys-shredded-stasi-files/
  15. Sunday Documentary: Virtual Reconstruction of Ripped Stasi Files – Berlin Love, otwierano: czerwca 16, 2025, https://withberlinlove.com/2015/03/29/sunday-documentary-%E2%80%AAvirtual-reconstruction-of-ripped-stasi-files%E2%80%AC/
  16. Piecing Together 'The World’s Largest Jigsaw Puzzle’ – NPR, otwierano: czerwca 16, 2025, https://www.npr.org/2012/10/08/162369606/piecing-together-the-worlds-largest-jigsaw-puzzle
  17. The Reconstruction of Torn Documents – The Federal Archive, otwierano: czerwca 16, 2025, https://www.bundesarchiv.de/en/stasi-records-archive/the-reconstruction-of-torn-documents/
  18. AI assists researchers in decoding old secret letters – Department of …, otwierano: czerwca 16, 2025, https://www.hf.uio.no/ilos/english/research/news-and-events/news/2025/ai-assists-researchers-in-decoding-old-secret-letters.html
  19. Full article: Decryption of historical manuscripts: the DECRYPT project, otwierano: czerwca 16, 2025, https://www.tandfonline.com/doi/full/10.1080/01611194.2020.1716410
  20. BACK IN TIME: harnessing cryptography, history and AI to decipher …, otwierano: czerwca 16, 2025, https://www.inria.fr/en/back-in-time-cryptographie-histoire-ia-dechiffrer-manuscrits
  21. DESCRYPT: Artificial intelligence helps decipher historical scripts …, otwierano: czerwca 16, 2025, https://www.hs-niederrhein.com/aktuelles/news-detail/descrypt-kuenstliche-intelligenz-hilft-bei-entschluesselung-historischer-schriften/
  22. Cryptography, history and AI to decipher manuscripts – Thot Cursus, otwierano: czerwca 16, 2025, https://cursus.edu/en/32350/cryptography-history-and-ai-to-decipher-manuscripts
  23. Researchers use AI to decode ancient secret letters, revealing historical secrets and demonstrating the potential of technology in document preservation and interpretation – Click Oil and Gas, otwierano: czerwca 16, 2025, https://en.clickpetroleoegas.com.br/Researchers-use-AI-to-decode-ancient-secret-letters–revealing-historical-secrets-and-demonstrating-the-technology%27s-potential-in-document-preservation-and-interpretation/
  24. Enigma — maszyna szyfrująca – Wiadomości Onet, otwierano: czerwca 16, 2025, https://wiadomosci.onet.pl/maszyna-szyfrujaca-enigma
  25. Historyczny sukces Polski. Brytyjczycy i Amerykanie dowiadują się, kto złamał szyfr Enigmy, otwierano: czerwca 16, 2025, https://www.newsweek.pl/historia/historyczny-sukces-polski-brytyjczycy-i-amerykanie-dowiaduja-sie-kto-zlamal-szyfr/8b5yhm2
  26. „Enigma” odtworzona przez polski wywiad i jej niemiecki pierwowzór. Jest wyjątkowa okazja, by obydwie obejrzeć w Muzeum II Wojny Światowej | Dziennik Bałtycki, otwierano: czerwca 16, 2025, https://dziennikbaltycki.pl/enigma-odtworzona-przez-polski-wywiad-i-jej-niemiecki-pierwowzor-jest-wyjatkowa-okazja-by-obydwie-obejrzec-w-muzeum-ii-wojny/ar/c5-17233107
  27. Sztuczna inteligencja rozpracowuje szyfr Enigmy w kilkanaście minut. Są badania – Wprost, otwierano: czerwca 16, 2025, https://www.wprost.pl/swiat/12009655/rewolucja-ai-historyczny-szyfr-enigmy-pokonany-w-kilkanascie-minut.html
  28. How AI Detects Fraudulent Documents in Real Time – Dialzara, otwierano: czerwca 16, 2025, https://dialzara.com/blog/how-ai-detects-fraudulent-documents-in-real-time/
  29. New Tools for Old Problems: Artificial Intelligence as a New Due Diligence and Authentication Tool for the Art Market? – Center for Art Law, otwierano: czerwca 16, 2025, https://itsartlaw.org/2023/09/20/new-tools-for-old-problems-artificial-intelligence-as-a-new-due-diligence-and-authentication-tool-for-the-art-market/
  30. AI automated document fraud detection with digital manipulation technology – Mitek Systems, otwierano: czerwca 16, 2025, https://www.miteksystems.com/blog/ai-automated-document-fraud-detection-with-digital-manipulation-technology
  31. Document Fraud Detection API – Arya.ai, otwierano: czerwca 16, 2025, https://arya.ai/apex-apis/document-fraud-detection
  32. AI-Powered Document Fraud Detection By Opporture, otwierano: czerwca 16, 2025, https://www.opporture.org/document-fraud-detection/
  33. Badania dokumentów: zaawansowane techniki i zastosowania, otwierano: czerwca 16, 2025, https://korporacjawschod.pl/baza-wiedzy/badania-dokumentow/
  34. Stylometry – Wikipedia, otwierano: czerwca 16, 2025, https://en.wikipedia.org/wiki/Stylometry
  35. Stylometry and forensic science: A literature review – PMC – PubMed Central, otwierano: czerwca 16, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC11707938/
  36. Fraud Detection for OCR API Documents – Veryfi, otwierano: czerwca 16, 2025, https://www.veryfi.com/fraud-detection/
  37. Structuring Authenticity Assessments on Historical Documents using LLMs – ResearchGate, otwierano: czerwca 16, 2025, https://www.researchgate.net/publication/382251451_Structuring_Authenticity_Assessments_on_Historical_Documents_using_LLMs
  38. Możliwości zastosowania sztucznej inteligencji i blockchain w działalności archiwalnej. Przegląd doświadczeń zagranicznych – ejournals, otwierano: czerwca 16, 2025, https://ejournals.eu/pliki_artykulu_czasopisma/pelny_tekst/b91971d5-0c4b-476e-adc8-dfa32a009e0c/pobierz
  39. Sentiment Analysis for Exploratory Data Analysis – Programming Historian, otwierano: czerwca 16, 2025, https://programminghistorian.org/en/lessons/sentiment-analysis
  40. Jak wykorzystać AI do automatycznej analizy treści? | Rodin, otwierano: czerwca 16, 2025, https://rodin.pl/blog/jak-wykorzystac-ai-do-automatycznej-analizy-tresci/
  41. Zastosowanie sztucznej inteligencji w analizie sentymentu klientów w e-commerce, otwierano: czerwca 16, 2025, https://autopay.pl/baza-wiedzy/blog/ecommerce/zastosowanie-sztucznej-inteligencji-w-analizie-sentymentu-klientow-ecommerce
  42. Analiza sentymentu z wykorzystaniem AI. Jak pomaga wprowadzić zmiany w biznesie?, otwierano: czerwca 16, 2025, https://www.ifirma.pl/blog/analiza-sentymentu-z-wykorzystaniem-ai/
  43. A review on sentiment analysis and emotion detection from text – PMC, otwierano: czerwca 16, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC8402961/
  44. AI for sentiment analysis: Use cases, applications and development – LeewayHertz, otwierano: czerwca 16, 2025, https://www.leewayhertz.com/ai-for-sentiment-analysis/
  45. Sentiment Analysis for Literary Texts: Hemingway as a Case-study – ResearchGate, otwierano: czerwca 16, 2025, https://www.researchgate.net/publication/380195435_Sentiment_Analysis_for_Literary_Texts_Hemingway_as_a_Case-study
  46. (PDF) AUTOMATED TEXT ANALYSIS OF HISTORICAL DOCUMENTS USING MACHINE LEARNING TECHNIQUES – ResearchGate, otwierano: czerwca 16, 2025, https://www.researchgate.net/publication/379514268_AUTOMATED_TEXT_ANALYSIS_OF_HISTORICAL_DOCUMENTS_USING_MACHINE_LEARNING_TECHNIQUES
  47. Revolutionary Sentiment in Slave Narratives: The Example of „Sab” – Aarhus University, otwierano: czerwca 16, 2025, https://pure.au.dk/portal/en/publications/revolutionary-sentiment-in-slave-narratives-the-example-of-sab
  48. Analyze Slave Narratives In-Depth – Subject Guides – Grand Valley State University, otwierano: czerwca 16, 2025, https://libguides.gvsu.edu/c.php?g=260671&p=1879480
  49. A Sentiment Analysis Tool Chain for 18th Century Periodicals – Melusina Press, otwierano: czerwca 16, 2025, https://www.melusinapress.lu/read/ezpg-wk34
  50. Sentiment Analysis for Digital History, otwierano: czerwca 16, 2025, https://www.engineeringhistoricalmemory.com/Sentiment.php
  51. MapReader: Open software for the visual analysis of maps, otwierano: czerwca 16, 2025, https://www.theoj.org/joss-papers/joss.06434/10.21105.joss.06434.pdf
  52. AI provides a wide range of new tools for historical research – Hello …, otwierano: czerwca 16, 2025, https://hellofuture.orange.com/en/ai-provides-a-wide-range-of-new-tools-for-historical-research/
  53. maps-as-data/MapReader: A computer vision pipeline for exploring and analyzing images at scale – GitHub, otwierano: czerwca 16, 2025, https://github.com/maps-as-data/MapReader
  54. Full article: Reading Maps at a Distance: Texts on Maps as New Historical Data, otwierano: czerwca 16, 2025, https://www.tandfonline.com/doi/full/10.1080/03085694.2024.2453336
  55. Full article: Mapping Environmental Inequalities: Using MapReader to Uncover Mid-Century Industrial Burdens, otwierano: czerwca 16, 2025, https://www.tandfonline.com/doi/full/10.1080/03085694.2024.2453333
  56. Artificial intelligence dives into thousands of WW2 photographs – EurekAlert!, otwierano: czerwca 16, 2025, https://www.eurekalert.org/news-releases/636059
  57. Preserving ancient music scores with AI – CVC Computer Vision Center, otwierano: czerwca 16, 2025, https://www.cvc.uab.es/blog/2017/07/26/preserving-ancient-music-scores-with-ai/
  58. AI-assisted Reconstruction of Archaeological Pottery from digital 3D mesh models – IMEKO, otwierano: czerwca 16, 2025, https://www.imeko.org/publications/tc4-Archaeo-2023/IMEKO-MetroArchaeo-2023-038.pdf
  59. An Open System for Collection and Automatic Recognition of Pottery through Neural Network Algorithms – MDPI, otwierano: czerwca 16, 2025, https://www.mdpi.com/2571-9408/4/1/8
  60. AI transforms ancient music into modern, readable (and playable) sheet music (Yoeri Uyttendaele). – YouTube, otwierano: czerwca 16, 2025, https://www.youtube.com/watch?v=XR6pjTNkKRU
  61. The ArchAIDE project: an automatic recognition application for archaeological fragments, otwierano: czerwca 16, 2025, https://www.actuia.com/en/news/the-archaide-project-an-automatic-recognition-application-for-archaeological-fragments/
  62. AI in Archaeology: Unearthing the Past – Ultralytics, otwierano: czerwca 16, 2025, https://www.ultralytics.com/blog/ai-in-archaeology-paves-the-way-for-new-discoveries
  63. AI for Musical Discovery – An MIT Exploration of Generative AI – PubPub, otwierano: czerwca 16, 2025, https://mit-genai.pubpub.org/pub/30vaia0v
  64. Applying AI to digital archives: trust, collaboration and shared professional ethics – Oxford Academic, otwierano: czerwca 16, 2025, https://academic.oup.com/dsh/article/38/2/571/6832097
  65. Inventory of NARA Artificial Intelligence (AI) Use Cases – National Archives, otwierano: czerwca 16, 2025, https://www.archives.gov/ai
  66. AI Meets Archives: The Future of Machine Learning in Cultural Heritage, otwierano: czerwca 16, 2025, https://www.clir.org/2024/10/ai-meets-archives-the-future-of-machine-learning-in-cultural-heritage/
  67. Axiell launches AI Tool to enrich cultural databases and enhance linked data, otwierano: czerwca 16, 2025, https://www.axiell.com/blog-post/axiell-launches-ai-tool-to-enrich-cultural-databases-and-enhance-linked-data/
  68. Introduction to the Special Issue: Responsible AI in Libraries and Archives, otwierano: czerwca 16, 2025, https://publishing.escholarship.umassmed.edu/jeslib/article/id/860/
  69. Authenticating AI-Generated Content – Information Technology Industry Council (ITI), otwierano: czerwca 16, 2025, https://www.itic.org/policy/ITI_AIContentAuthorizationPolicy_122123.pdf
  70. Artificial Intelligence (AI) | PROV – Public Record Office Victoria, otwierano: czerwca 16, 2025, https://prov.vic.gov.au/recordkeeping-government/a-z-topics/AI
  71. New Recordkeeping Policy for AI | PROV – Public Record Office Victoria, otwierano: czerwca 16, 2025, https://prov.vic.gov.au/about-us/our-blog/new-recordkeeping-policy-ai
  72. Pierwsze przepisy Rozporządzenia o Sztucznej Inteligencji (AI Act) zaczynają obowiązywać – Ministerstwo Cyfryzacji – Portal Gov.pl, otwierano: czerwca 16, 2025, https://www.gov.pl/web/cyfryzacja/pierwsze-przepisy-rozporzadzenia-o-sztucznej-inteligencji-ai-act-zaczynaja-obowiazywac