郭至汶（國立嘉義大學應用歷史學系助理教授）
《美國歷史評論》的新專欄
作為美國歷史學會（American Historical Association）的官方刊物，《美國歷史評論》（American Historical Review）所刊登的文章往往能反應美國史學界的主流動向。《美國歷史評論》於2022年3月設立新的專欄「歷史實驗室」（History Lab），用於探索二十一世紀的歷史實踐，同時也呼應美國歷史學會近年提出的〈擴大史學定義指引〉（Guidelines for Broadening the Definition of Historical Scholarship），以多元的樣式呈現史學成果。在此脈絡下，歷史實驗室於2023年9月推出「人工智慧與歷史實踐」（Artificial Intelligence and the Practice of History）專題，以一系列的文章探討AI對歷史學造成的影響與挑戰。[1]
圖1 《美國歷史評論》封面（Vol. 128、No. 3，2023年9月）
資料來源：Oxford Academic網站
人工智慧與歷史實踐專題的作者來自多元的學術領域，包括歷史學、數位人文、新聞學、資訊科學等，反映出AI議題本身的跨學科特性。組織本次專題的兩位學者為R. Darrell Meadows、Joshua Sternfeld，前者任職於美國國家檔案館（National Archives and Records Administration），後者為數位歷史領域的獨立學者，曾任職於美國國家人文基金會（National Endowment for the Humanities）。其他參與的學者包括：Nomic AI資訊設計副總裁Benjamin Schmidt、里奇蒙大學修辭與傳播學系教授Lauren Tilton、以及普林斯頓大學歷史系教授Matthew L. Jones。專題也納入探討政治與社會議題的學者：南加州大學傳播與新聞學院教授Kate Crawford、以及紐約大學新聞學院副教授Meredith Broussard。此外，內布拉斯加大學林肯分校資訊科學系教授Leen-Kiat Soh、大學圖書館教授Elizabeth (Liz) Lorang，以及兩名專攻圖像處理與深度學習的資訊科學博士Chulwoo Pack、Yi Liu，也參與本次專題。
專題文章要點
臺灣歷史學界這幾年同樣關注AI與史學研究的互動，《美國歷史評論》人工智慧與歷史實踐專題所收文章提供有許多觀點可資借鏡，值得向臺灣歷史學界介紹。底下先簡述這幾篇文章的要點。
作為本次專題的召集人，R. Darrell Meadows與Joshua Sternfeld在〈人工智慧與歷史實踐：一場論壇〉（Artificial Intelligence and the Practice of History: A Forum）中介紹了專題製作的緣起，也介紹了學者們探討的議題。兩人指出，專題的發想可溯源自2021年6月美國歷史學會年度線上會議的一場論壇。該論壇聚焦於人工智慧與歷史學，這為後續專題文章的形成奠定了基礎。關於AI所帶來的歷史學課題，Meadows與Sternfeld指出，AI日益滲透進史料搜集與詮釋的過程，傳統上建立在「真相」（truth）、「證據」（evidence）、與「真實性」（authenticity）基礎上的歷史實踐正面臨根本性的挑戰。隨著許多歷史資源以數位方式呈現，AI逐步成為史料搜尋的中介、敘事的共同創作者、甚至研究路徑的設計者。因此，若不主動關注AI對史學專業的長遠影響，歷史學者可能會喪失「在一個AI既是促進學習的工具、也是強大變革力量的世界」（a world in which artificial intelligence is both a tool for enabling study and a powerful agent of change）中的詮釋能力。這也是Sternfeld與Meadows要製作這個專題的主要原因。
Benjamin Schmidt在〈表徵學習〉（Representation Learning）一文中，介紹了「表徵學習」技術。這項技術能將各種數位資料（如文本、圖像、影音檔案）轉換為向量，將其定位在特定的向量空間裡，藉此辨識並呈現資料之間的相似性與關聯性。我們可以用「語言模型」來理解Schmidt所介紹的「表徵學習」。在文章中，Schmidt以自身研究為例，說明如何利用語言模型探討20世紀初美國國會圖書館（Library of Congress）的分類系統。例如，當模型分析小說《白鯨記》（Moby Dick）時，雖然主要將其識別為小說類，但模型同時也以較低的機率將其歸類於生物學、旅行文學，甚至是數學論文、或樂譜。這種對文獻分類的「不確定性」（uncertainties），使研究者有機會突破傳統的分類框架。當然，語言模型的「不確定性」也可能會對研究造成干擾。作者以Google的光學字元辨識系統為例，指出該系統在處理《切羅基讚美詩集》（Cherokee Hymn Book）時，便將該書的英文標題「Cherokee」誤識別為切羅基語文字「ᏟᎻᎬᏒᎾᏦᎬᎬ」，這種情況時常發生在多語文文獻的識別中。是故，Schmidt強調史學家對AI所可能帶來的偏誤要保持警覺。
圖2 《切羅基讚美詩集》封面
資料來源：Internet Archive網站
Lauren Tilton的〈與史料的關係〉（Relating to Historical Sources）探討AI如何影響歷史學家使用和分析史料。Tilton指出，現今歷史學者經常使用的搜尋引擎與推薦系統，背後多由深度神經網路所支援，例如Google透過演算法預測使用者搜尋的關鍵字，ProQuest則透過語句辨識技術提升資料查詢的關聯性。這些工具雖然便利研究者，但歷史學者也面臨將史料、甚至將研究方法交給企業的風險。與Schmidt的想法類似，Tilton認為AI帶來風險，但也帶來新的契機。她舉例說道，美國國會圖書館的「報紙領航員計畫」（Newspaper Navigator）透過AI讓使用者可以直接搜尋報紙中的圖像，這是過往的搜尋無法企及的。其他例子還包括Thomas Smits與Melvin Wevers經由訓練圖像分類模型辨識荷蘭報紙中的廣告，藉此探究20世紀初的廣告文化。[2]另外，Tilton自己也透過人臉辨識模型研究戰後美國情境喜劇中的家庭形象，探討這些電視節目如何反映與塑造冷戰時期家庭生活的焦慮。[3]她認為，歷史學者應積極參與AI模型的設計與改進，以確保數位藏品的建構與史料的發掘能符合歷史研究的需要。
圖3 美國國會圖書館報紙領航員計畫
資料來源：Newspaper Navigator網站
在〈歷史中的人工智慧〉（AI in History）一文中，Matthew L. Jones探討AI技術的發展歷程及其與歷史學的關聯。他指出，主導AI領域的「機器學習」來自大規模資料的學習與識別。這種以資料為基礎的人工智慧，與其說像物理學，不如說更接近歷史學：一門重視具體、複雜與多變經驗的學問。Jones認為機器學習立足於完整且豐富的資料，故更容易吸納並再製資料中的偏見，而史學家的專業恰好能回應這一挑戰。Jones強調，在豐富的語境中辨識偏向霸權、及反霸權觀點的資料屬性，並揭示AI背後的知識與權力結構，正是史學家可以為廣大AI社群所提供的貢獻。
與Jones的論點類似，Kate Crawford在〈資料集的考古學〉（Archeologies of Datasets）中指出AI的運作仰賴龐大的訓練資料集，而這些資料集本身就承載著龐雜的歷史遺緒、政經背景與分類偏見。透過對資料「考古學式」的剖析，歷史學者能揭示AI如何延續甚至強化過去的分類邏輯與社會偏見。Crawford舉例，Labeled Faces in the Wild、ImageNet等主流訓練集在資料標註的過程中便已蘊含偏見，如Labeled Faces in the Wild的圖像資料中高達78.8%為白人面孔，ImageNet曾使用冒犯性詞彙「應召女郎」（call girl）、或「斜眼」（slant eye）進行圖像標注等。除此之外，訓練集之間還存在某種「資料譜系」（genealogies of data），例如ImageNet所依賴的語義架構來自1985年開發的WordNet，而WordNet又部分取材於1961年的Brown Corpus，故這些資料集充滿特定時代的文化想像與語言習慣。Crawford認為唯有深入瞭解這些資料的歷史性，我們才能理解AI的知識生產模式。
Joshua Sternfeld 在〈AI作為歷史學家〉（AI-as-Historian）中提出一個頗具啟發性的觀點：AI的訓練過程與史學家的工作樣態非常接近。AI的深度學習歷程可分為三個階段：(1) 資料來源的取得與篩選；(2) 在類神經網絡中透過演算法建構脈絡；(3) 藉由「反向傳播」（backpropagation）進行經驗的評估與修正。這個歷程類似史學家的工作——從資料搜集、脈絡建構、到經驗性反思與詮釋。這樣的學習模式使AI在不斷調整參數的過程中產生動態的詮釋能力，甚至可說具備某種「歷史意識」（historical awareness）。AI能依據資料不斷調整其過往的分類與判斷，進而對知識進行重組與建構。Sternfeld將AI的訓練過程與史學家的工作進行比對，確實可以幫助我們瞭解AI的部分特質。
AI的另一項特質是迭代快速而難以保存，這是Meredith Broussard在〈人工智慧保存的挑戰〉（The Challenges of AI Preservation）中所提出的見解。她指出，數位世界的消逝與歸零極為迅速，許多過去存在於網路上的個人、或社群記憶早已失落無蹤，認為數位世界是「永恆」其實是一場誤解。以Google為例，該系統包含上百種不同的語言模型，依賴數以億計的頁面資料進行訓練與更新。2019年Google進行超過46萬次程式實驗，最終導致超過3,600次的系統更新。這種快速、頻繁且無中斷的變動，使得未來學者幾乎不可能取得與過往相同的搜尋資料。因此，學者若要研究AI的歷史與社會影響，就必須投入大量的資源進行資料保存。Broussard本人也身體力行，在紐約大學建立資料庫，以保存由有色人種社群創建的數位新聞。
Leen-Kiat Soh、Elizabeth (Liz) Lorang、Chulwoo Pack與Yi Liu的〈應用影像分析與機器學習於歷史報紙典藏〉（Applying Image Analysis and Machine Learning to Historical Newspaper Collections）專門介紹AI技術，並將之用於特定歷史研究。該文指出，雖然大量歷史報紙已數位化，但目前的應用多限於文字搜尋與瀏覽，尚未充分發掘這些資料所蘊含的研究潛能。Leen-Kiat Soh的團隊研發出一種圖像分析方法，可直接透過視覺特徵辨識特定內容。例如，詩歌常以不對齊的句尾與明顯的段落間距呈現，這些可見的版面特徵便可作為詩歌辨識的依據，即使在文字無法清晰辨識的情況下仍可有效運作（圖4）。除此之外，該團隊也應用深度學習模型進行圖像嵌入與聚類分析，將具有相似視覺結構與排版樣式的報紙頁面自動分群（圖5）。這種技術可用於改善典藏檢索與資料發現，並進一步協助建立跨報紙類型的主題地圖。該團隊還展示了如何透過圖像識別技術自動標註圖像區塊，進而豐富詮釋資料（metadata）的內容。是故，將AI工具應用於歷史圖像資料，可拓展學者在典藏分析、資料管理、與圖像檢索上的能力。
圖4 詩歌句尾辨識
資料來源：Leen-Kiat Soh等人文章（頁1384）
圖5 圖像聚類分析
資料來源：Leen-Kiat Soh等人文章（頁1385）
專題的迴響
人工智慧與歷史實踐專題刊出後很快就得到迴響，《美國歷史評論》製作的Podcast節目「聚焦歷史」（History in Focus）於2023年10月便邀請兩位專題作者R. Darrell Meadows、Joshua Sternfeld至節目中暢談這個主題（Podcast：AI and History + Arms and American Revolutions）。兩位作者在節目中提到，早在2016年Meadows便著手規劃一場以「歷史在數位時代的轉型任務」（History’s Evolving Missions in the Digital Age）為題的座談。兩人原先構思一系列圍繞數位偏見、史學方法與教學訓練等議題的討論，但因COVID-19疫情而不得不簡化為一基本問題：「歷史學者最應理解AI哪些面向？」這個提問也成為2023年9月《美國歷史評論》歷史實驗室專題的起點。在訪談節目中，Meadows與Sternfeld重申AI並非中性的輔助工具，而是會主動引導、甚至誤導使用者的載體，若歷史學者不正面回應AI對史學實踐的干預，將可能導致史學能力的萎縮。因此，無論研究領域為何，歷史學者應有必要對AI的運作邏輯、偏誤成因、與知識生產模式有基本的理解。
時至2024年，AI仍是討論的焦點之一。2024年美國歷史學會在舊金山舉辦年會，會中密蘇里大學堪薩斯城分校的歷史學家David Trowbridge與七位學者（Katharina Matro、Jeff McClurken、Kalani Craig、Jo Guldi、Johann Neem、Kevin Gannon與Lauren Tilton）組織一個論壇，專門談AI與歷史學的議題。該次論壇後來也濃縮成50分鐘的節目，在聚焦歷史節目中播出（Podcast：“Historians On”: AI in Teaching and Research）。不同於先前聚焦於史學研究，該次論壇也加入AI與歷史教學等議題的討論。節目中與談者指出，學生在疫情後的閱讀與寫作能力普遍下降，更容易依賴AI進行作業書寫，卻未必能理解寫作的價值與規範。然而，與談者並未將AI視為單純的威脅，而是主張在教學實踐中，將其轉化為促進學生思考與深化學習的輔助工具。例如，Jo Guldi分享了其同事Louis Hyman在歷史教學中結合ChatGPT的創新實驗：在一門商業史的課程中，學生先掃描美國工會領袖Samuel Gompers的原始信件（圖6），利用GPT進行文字辨識，再透過GPT進一步轉換為結構化資料，最終進行統計回歸分析與視覺化呈現。這樣的教學流程涵蓋了文獻數位化、資料探勘、與歷史敘事。過去類似的教學需要兩個學期的教學時程，但透過AI的輔助，上述內容在一個學期的課程架構中即可完成。Guldi強調，這樣的教學實踐展示AI不只是輔助工具，更是可能成為重塑史學訓練與歷史知識生產的媒介。
圖6 美國工會領袖Samuel Gompers的信件
資料來源：Special Collections & University Archives, University of Maryland Libraries
他山之石
綜上所述，美國史學界近年來對人工智慧的討論已不再僅限於技術本身，而是深入檢視AI在歷史實踐中所面臨的各種議題。AI介入史料的數位化與搜尋方式，改變了資料獲取與分類的邏輯，語言模型與表徵學習等技術則進一步推動史學方法論的轉型，為傳統史料分析帶來了新的工具。面對這些新工具，學者強調對史料的詮釋應採取主動，且對AI在資料判讀上所產生的可能偏誤要保持警覺。對於AI產生的可能偏誤，透過「資料考古學」的視角檢視訓練資料集所帶有的潛在偏見不失為一良方，由此可以探尋出AI在知識建構過程中的偏誤根源。由於AI的模型訓練過程與歷史學家的研究歷程有相似之處，這也成為史學家介入、甚至參與模型設計的契機。與此同時，AI演進快速且資料保存不易，若要防止歷史記憶流失，投入資源進行數位保存可能也有其必要。除了史學研究之外，AI也正在影響歷史教學與訓練的模式，從資料處理到分析與敘事都有AI可著力之處。這些面向的討論展現美國史學界對AI議題的廣泛關注。他山之石，可以攻玉，美國史學界的討論或許也能作為臺灣歷史學界探討相關議題的參考。
註腳：
[1] 「人工智慧與歷史實踐」（Artificial Intelligence and the Practice of History）專題文章收錄於American Historical Review, Volume 128, Issue 3 (September 2023): 1345–1389.
[2] Melvin Wevers and Thomas Smits, “The Visual Digital Turn: Using Neural Networks to Study Historical Images,” Digital Scholarship in the Humanities 35, no. 1 (April 2020): 194–207.
[3] Taylor Arnold, Annie Berke, and Lauren Tilton, “Visual Style in Two Network Era Sitcoms,” Journal of Cultural Analytics 4, no. 2 (2019), https://doi.org/10.22148/16.043.
本文採用 創用CC 姓名標示–非商業使用–禁止改作 3.0 台灣版條款 授權。
歡迎轉載與引用，但不得為商業目的之使用，亦不得修改本文。轉載、引用本文請標示網址與作者，如：
郭至汶/美國史學家的AI視界
引自歷史學柑仔店(https://kamatiam.org/美國史學家的AI視界/)
留言