Βασικές αρχές της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης για τις Βυζαντινές Σπουδές Ι
Μεταπτυχιακό Πρόγραμμα — Επίπεδο 7
ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ
Μετά την ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να:
1)
Εξηγούν τις κύριες κατηγορίες μεθόδων τεχνητής νοημοσύνης, συμπεριλαμβανομένων των συστημάτων που βασίζονται σε κανόνες, της μηχανικής μάθησης, της βαθιάς μάθησης και της γενετικής τεχνητής νοημοσύνης.
2)
Αναγνωρίζουν τους κύριους τύπους δεδομένων που χρησιμοποιούνται στις Βυζαντινές Σπουδές και να περιγράφουν γιατί τα ιστορικά, κειμενικά, οπτικά, χωρικά και υλικά τεκμήρια συχνά δεν υποκύπτουν σε απλή υπολογιστική επεξεργασία.
3)
Κατανοούν τις βασικές έννοιες της μηχανικής μάθησης, όπως δεδομένα εκπαίδευσης, χαρακτηριστικά, ετικέτες, μοντέλα, πρόβλεψη, ταξινόμηση, υπερπροσαρμογή και γενίκευση.
4)
Ερμηνεύουν βασικές έννοιες αξιολόγησης, όπως ακρίβεια, ορθότητα, ανάκληση, δείκτης F1, ψευδώς θετικά και ψευδώς αρνητικά αποτελέσματα, χωρίς να χρειάζεται να τις εφαρμόζουν μαθηματικά.
5)
Εντοπίζουν κοινές πηγές αβεβαιότητας στα ερευνητικά δεδομένα της Βυζαντινής έρευνας και να εξηγούν πώς πρέπει να τεκμηριώνεται η αβεβαιότητα.
6)
Αξιολογούν κριτικά τα αποτελέσματα της τεχνητής νοημοσύνης, θέτοντας ερωτήματα σχετικά με τα δεδομένα εκπαίδευσης, τις παραδοχές, το επίπεδο εμπιστοσύνης, τη μεροληψία, την προέλευση και τους τρόπους αποτυχίας.
7)
Περιγράφουν τον ρόλο της ψηφιοποίησης, της αναγνώρισης οπτικής γραφής (OCR), της αναγνώρισης χειρόγραφου κειμένου (HTR), των μεταδεδομένων και της διαχείρισης ερευνητικών δεδομένων στις Βυζαντινές Σπουδές με τη βοήθεια της τεχνητής νοημοσύνης.
8)
Σχεδιάζουν ένα μικρό, ρεαλιστικό ερευνητικό σχέδιο με τη βοήθεια της τεχνητής νοημοσύνης για ένα βυζαντινό θέμα, το οποίο θα περιλαμβάνει το ερώτημα, την πηγή δεδομένων, την πιθανή μέθοδο, τους κινδύνους και τη στρατηγική επαλήθευσης.
ΠΡΟΓΡΑΜΜΑ ΜΑΘΗΜΑΤΟΣ
13 Ενότητες
Εβδομάδα 01 | Τι είναι η ΤΝ; Μια εισαγωγή με έμφαση στις ανθρωπιστικές επιστήμες
Η τεχνητή νοημοσύνη ως οικογένεια μεθόδων, όχι ως μεμονωμένη τεχνολογία. Τα συστήματα που βασίζονται σε κανόνες, η μηχανική μάθηση, η βαθιά μάθηση και η γενετική τεχνητή νοημοσύνη εξηγούνται μέσω παραδειγμάτων από τις Βυζαντινές Σπουδές.
Εβδομάδα 02 | Τα βυζαντινά τεκμήρια ως δεδομένα
Κείμενα, χειρόγραφα, επιγραφές, σφραγίδες, νομίσματα, εικόνες, αντικείμενα, μνημεία, τόποι και πρόσωπα ως ερευνητικά δεδομένα. Δομημένα έναντι αδόμητων δεδομένων· υλικό που δημιουργήθηκε ψηφιακά έναντι ψηφιοποιημένου υλικού.
Εβδομάδα 03 | Αβεβαιότητα, αμφισημία και προέλευση
Αμφισβητούμενες χρονολογίες, αβέβαιες αποδόσεις, διαφορετικές ονομασίες, κατεστραμμένες πηγές, ελλιπή σώματα κειμένων και αμφισβητούμενες ταυτότητες. Γιατί η αβεβαιότητα αποτελεί χαρακτηριστικό της επιστημονικής έρευνας και όχι απλώς ένα τεχνικό πρόβλημα.
Εβδομάδα 04 | Έννοιες της μηχανικής μάθησης
Τα δεδομένα εκπαίδευσης, τα χαρακτηριστικά, οι ετικέτες, τα μοντέλα, η ταξινόμηση, η ομαδοποίηση, η πρόβλεψη, η γενίκευση και η υπερπροσαρμογή εξηγούνται μέσω αναλογιών από τον χώρο των ανθρωπιστικών επιστημών.
Εβδομάδα 05 | Πώς να αξιολογούμε τα αποτελέσματα της ΤΝ
Ακρίβεια, ακρίβεια μέτρησης, ανακλητικότητα, F1, ψευδώς θετικά και ψευδώς αρνητικά αποτελέσματα. Πώς να διαβάζετε απλούς πίνακες αξιολόγησης και γιατί οι υψηλές βαθμολογίες δεν σημαίνουν αυτομάτως επιστημονική αξιοπιστία.
Εβδομάδα 06 | Προετοιμασία και τεκμηρίωση δεδομένων
Καθαρισμός, κανονικοποίηση, μεταδεδομένα, αναγνωριστικά, λεξικά δεδομένων, αδειοδότηση και προέλευση. Εισαγωγή στις ορθές πρακτικές διαχείρισης ερευνητικών δεδομένων για έργα στις ανθρωπιστικές επιστήμες.
Εβδομάδα 07 | Βασικές αρχές ψηφιοποίησης: OCR, HTR και μεταγραφή
Εισαγωγή στις βασικές έννοιες του OCR και του HTR. Γιατί τα ιστορικά αλφάβητα, οι συντομογραφίες, τα πολυτονικά ελληνικά, τα κατεστραμμένα χειρόγραφα και οι εκδοτικές συμβάσεις δημιουργούν δυσκολίες.
Εβδομάδα 08 | Αποτελέσματα της ΤΝ και κριτική ανάγνωση
Ένας πρακτικός κατάλογος ελέγχου για την αξιολόγηση μεταγραφών OCR, καταλόγων οντοτήτων, ετικετών εικόνων, περιλήψεων και ταξινομήσεων. Βαθμός εμπιστοσύνης, μεροληψία, παραπληροφόρηση και αναντιστοιχία τομέα.
Εβδομάδα 09 | Γενετική ΤΝ και επιστημονική ευθύνη
Τι μπορούν και τι δεν μπορούν να κάνουν τα μεγάλα γλωσσικά μοντέλα. Αποδεκτές χρήσεις για υποστήριξη, ροές εργασιών επαλήθευσης, έλεγχος παραπομπών και διαφανής δήλωση της χρήσης τεχνητής νοημοσύνης.
Εβδομάδα 10 | Σχεδιασμός έρευνας με τη βοήθεια της ΤΝ
Από το ερευνητικό ερώτημα έως τον έλεγχο των δεδομένων, την επιλογή μεθόδου, τη δοκιμαστική εφαρμογή, την ερμηνεία και την επικοινωνία. Πότε η χρήση υπολογιστικών μεθόδων είναι χρήσιμη και πότε όχι.
Εβδομάδα 11 | Επισκόπηση εξειδικευμένων μεθόδων του προγράμματος
Επισκόπηση των τομέων της Επεξεργασίας Φυσικής Γλώσσας (NLP), των Συστημάτων Γεωγραφικών Πληροφοριών (GIS), της υπολογιστικής όρασης, των γραφημάτων γνώσης, της μικτής πραγματικότητας και των διαδραστικών εφαρμογών.
Εβδομάδα 12 | Εργαστήριο μίνι-έργου
Οι φοιτητές καταρτίζουν ένα απλό ερευνητικό σχέδιο με τη βοήθεια της τεχνητής νοημοσύνης: ερώτημα, πηγή δεδομένων, εργαλείο/μέθοδος, στρατηγική επαλήθευσης, κίνδυνοι και αναμενόμενη επιστημονική συμβολή.
Εβδομάδα 13 | Παρουσιάσεις και σύνθεση
Παρουσίαση σχεδίων μίνι-έργων και συλλογική ανάλυση σχετικά με το πώς η τεχνητή νοημοσύνη μπορεί να συμβάλει υπεύθυνα στις Βυζαντινές Σπουδές.
ΑΞΙΟΛΟΓΗΣΗ
Αξιολόγηση φοιτητών
40%
Γραπτές εργασίες
40%
Τελική εργασία
20%
Προφορική παρουσίαση και συμμετοχή
Φόρτος εργασίας — Κατανομή ECTS
Σύνολο 250 ώρες
Διαλέξεις
39
Ασκήσεις με καθοδήγηση / εργαστήρια
30
Γραπτές εργασίες / εργασίες μαθημάτων
40
Ανάπτυξη εργασίας (ατομική ή ομαδική)
55
Μελέτη βιβλιογραφίας και υλικού μαθημάτων
40
Αυτοδιδασκαλία
26
Προετοιμασία για παρουσίαση
20
Σύνολο μαθήματος
250
Συνιστώμενη βιβλιογραφία
Προτεινόμενη βιβλιογραφία:
- Mitchell, M. Artificial Intelligence: A Guide for Thinking Humans. Farrar, Straus and Giroux, 2019.
- Russell, S. Human Compatible: Artificial Intelligence and the Problem of Control. Viking, 2019.
- Kelleher, J. D. Deep Learning. MIT Press, 2019.
- Karsdorp, F., Kestemont, M., and Riddell, A. Humanities Data Analysis: Case Studies with Python. Princeton University Press, 2021.
- Flanders, J., and Jannidis, F. (eds.). The Shape of Data in Digital Humanities. Routledge, 2019.
- Baca, M. (ed.). Introduction to Metadata. Getty Research Institute, selected chapters.
- The Programming Historian. Selected beginner-friendly lessons on data literacy, OCR, text analysis, and digital humanities methods.
- European Commission. Ethics Guidelines for Trustworthy AI, 2019.
- UNESCO. Recommendation on the Ethics of Artificial Intelligence, 2021.
Σχετικά επιστημονικά περιοδικά:
- International Journal of Digital Humanities (Springer)
- Journal on Computing and Cultural Heritage (ACM)
- Digital Scholarship in the Humanities (Oxford University Press)
- Journal of Open Humanities Data
- Journal of Cultural Heritage