Yapay Zeka Tarih Yazımını Nasıl Değiştiriyor?
El yazması tanımadan ağ analizine: yapay zekanın tarihçinin yöntemine dokunduğu yerler — ve dikkat edilmesi gereken tuzaklar.
Tarih yazımı her zaman bir kaynak sorunu olmuştur. Geçmiş hakkında konuşmak için önce onun bıraktığı izlere erişmek, o izleri okuyabilmek gerekir. Sorun şu ki bu izlerin büyük kısmı bugün hâlâ okunmamış durumda: kataloglanmamış kutular, transkribe edilmemiş el yazmaları, dizinlenmemiş defterler. Bir tarihçinin bütün meslek hayatı boyunca erişebileceğinden fazlası var ortada — ama erişimin kendisi darboğaz.
Yapay zeka bu darboğaza dokunan birkaç araç birden getirdi.
El yazması tanıma (HTR)
Optik karakter tanımanın (OCR) matbu metinleri okumakta gösterdiği başarı, el yazmalarına ancak son yıllarda ulaşabildi. Transkribus gibi platformlar, tarihçilerin kendi arşivleri üzerinde modeller eğitmesine izin veriyor: birkaç yüz sayfalık örnek bir transkripsiyon, kalan milyonlarca sayfa için bir okuma makinesine dönüşüyor.
Bu, Osmanlı arşivleri gibi Arap harfli el yazmalarının haklı yerini bulamadığı alanlarda özellikle önemli. Eski yazıyı okuyabilen uzman sayısı sınırlı; makine desteği, o uzmanların gözlerini ve ömrünü daha verimli yerlere kaydırma vaat ediyor. Ama doğruluk oranı el yazısının düzenine, diline ve kısaltmalarına göre büyük dalgalanıyor — “eşikten geçirilmiş” her metin yine insan gözüne ihtiyaç duyuyor.
Uzun seriler ve büyük veri
2010’da Google kitap taramasından doğan culturomics çalışması, son iki yüzyılda milyonlarca kitapta kelimelerin kullanım sıklığını grafikleyebiliyordu. Bu, tarih yazımına “uzak okuma” (distant reading) dediğimiz perspektifi getirdi: tek tek metinleri okumak yerine, devasa külliyatlar üzerinde örüntü aramak.
Nicel tarih bunun erken bir öncüsüydü — ekonomik seriler, fiyat defterleri, nüfus kayıtları. Yapay zeka farkı ölçekte ve esneklikte: artık sayısal olmayan metinleri de (dava kayıtları, gazete küpürleri, mektuplar) serilere çevirebiliyoruz.
Ağ analizi
Tarihçilik son yılların en görsel buluşlarından biri de ağ analizi. Stanford’un Aydınlama Çağı Mektuplaşma Cumhuriyeti projesi, Voltaire’in ya da Franklin’in kime ne zaman yazdığını düğümler ve kenarlar halinde haritaladı. Mektuplaşma ağlarından entelektüel toplulukların coğrafyası, etkinin yönü ve hızlıcıları çıkarılabiliyor.
Aynı yöntem vakfiyelerde, ticari ortaklıklarda ya da saray atamalarında da kullanılabilir. Ama her ağ grafiği bir yorumdur: kime düğüm dediğinize, hangi bağın “önemli” saydığınıza siz karar verirsiniz — ve o karar, sonucu sessizce biçimlendirir.
Dil modelleri: tercüman ve asistan — ama tanık değil
Büyük dil modelleri kaynaklarla çalışırken hızlı birer yardımcıya dönüştü: eski bir dilden tercüme taslağı çıkarmak, uzun bir defterin özetini vermek, bir terimin dönem anlamlarını sıralamak. Bunlar değerli kazanımlar.
Tuzak şurada: model akıcıdır ama tanık değildir. Bir kaynak atfı uydurduğunda — ki yapar — tarihçilikteki en ağır meslek hatasından farksız bir şey yapmış olur. Modelin çıktısına da kaynak eleştirisi uygulamak gerek: üreten kim (hangi model), hangi veriyle, ne zaman, hangi soruya cevaben? Cevaplar tutmuyorsa çıktı bir “ikincil kaynak” bile sayılamaz; ancak bir hipotez olarak ele alınabilir.
Araç değişir, soru kalır
Yapay zekanın tarih yazımına katkısı bence şu özetlenebilir: erişimi ve işlemeyi hızlandırır, ama yorumu ele alamaz. Hangi belgenin önemli olduğuna, bir örüntünün ne anlama geldiğine, geçmişten bugüne hangi köprünün kurulacağına hâlâ tarihçi karar veriyor.
Hatta daha ileri gidilebilir: log kayıtları, sosyal medya arşivleri gibi doğmuş yeni kaynak türleri, önümüzdeki yıllarda yeni bir kaynak eleştirisi geleneğinin doğmasına yol açacak. Dijital hümanite dediğimiz alan, tam da bu “yeni kaynaklara eski sorular” uygulama çabasının adı.