Более 50 лет в России и мире историки применяют статистические и другие математические методы. Хотя некоторые направления (например, экономическая история и историческая демография) под этим влиянием значительно изменились, историческая наука в целом остаётся консервативной, традиционные описательные методы по-прежнему преобладают.

Вместе с тем бум развития методов и инструментов data science последнего десятилетия и массовая оцифровка источников делают своё дело. Количество проектов по анализу и визуализации исторической информации стремительно растёт. Они связаны и с большими массивами данных (такими как 180 млн записей переписи в Великобритании за 60 лет), и с единичными источниками и объектами (например, реконструкции историко-культурных памятников). Кроме того, digital становится оптикой для перехода от микро- к макросюжетам и даёт возможность посмотреть на изучаемый объект в разных временных и пространственных масштабах.

В докладе посмотрим, как выглядит ландшафт digital history сегодня, каковы тенденции и перспективы развития направления.

Современной цифровой культуре присущи отчасти те же характеристики, которые определяют большие данные: объём, разнородность, скорость. Достаточно представить себе миллиарды постов, изображений и видео, которые ежедневно появляются в соцсетях. Новые произведения, которыми миллионы художников, музыкантов и творческих людей самого разного профиля делятся через Behance, Spotify и другие сайты. Рецензии на книги, выставки, фильмы, дискуссии на форумах, обновления статей Википедии… Такого доступа к культуре в реальном времени у исследователей не было никогда, но вместе с тем они получили новую задачу: что делать с этим огромным количеством культурных данных?

Подобно тому, как о больших данных говорили, что это массивы данных, которые слишком велики и сложны для обработки стандартными программами, можно сказать, что цифровая культура слишком обширна и сложна для стандартных методов гуманитарных наук. Как следствие, применение науки о данных — это не один из возможных подходов, а единственный.

Чтобы увидеть современную культуру во всём её масштабе, разнообразии и стремительности, нужны новые вычислительные и математические методы. При этом требуется вдумчивый и критический подход к популярные методы машинного обучения и статистики, а не простое воспроизведение коммерчески успешных методов.

В своей лекции я рассмотрю примеры проектов которые решают эту проблему. В их числе моя Лаборатория культурной аналитики, действующая с 2008 года. Я также расскажу о нашем новом проекте Elsewhere что мы делаем в нашей Лаборатории культурных трендов Тюменского государственного университета. Цель этого проекта — измерить и сравнить культурную активность в сотнях городов по всему миру в разное время начиная с 1990 года. Тюмень представляется логичной отправной точкой для исследования динамики мировой культуры не только в столицах, но и в небольших городах мира.

Мощные компьютеры и возможности data science изменили социальные науки — за последние десять лет сложилась computational social science. Данные мобильной телефонии или социальных сетей позволяют решать вопросы, к которым ранее ученые и не знали, как подступиться. Я покажу это на примерах исследования социальных факторов здоровья в Америке, бедности в Африке и миграции в Евразии — в том числе на российских данных.

Наука о данных и литературоведение гораздо больше похожи, чем кажется на первый взгляд. Обе отрасли знания пытаются найти неочевидные закономерности в сложно организованных объектах. Но не любой привычный исследователю данных подход будет осмыслен в исследовании литературы. Я на примерах покажу, какие методы работают и приносят пользу, а какие пока остаются игрушками — и почему.

Я расскажу о своём пакете для генерации стихов. Мы рассмотрим понятие языковой модели и возможные варианты её реализации: n-граммы с модификациями и word-level-рекуррентные нейронные сети. Я покажу, как можно использовать конечные автоматы для установки ритмических ограничений на языковую модель и какие стихи в итоге получаются. Кроме того, мы обсудим способы оценки качества получившихся стихов, возможные улучшения, а также некоторые вопросы за рамками технической части проекта.

Я расскажу про то, как компьютерные технологии помогают современным исследователям читать художественные тексты. Мы обсудим, как различные подходы, начиная с таких простых, как базовая статистика, и заканчивая нейронными сетями, позволяют лучше понимать поэзию. В частности, мы поговорим о чтении классической китайской поэзии, отличающейся сложной системой образов и отсылок к другим текстам.