AUEB Library - Digital Repository

PYXIDA Institutional Repository
and Digital Library

Username
Password

Collections :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Πληροφορικής / Department of Informatics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Title :	Chronological attribution of papyri using machine learning

Alternative Title :	Χρονολόγηση παπύρων με τη χρήση μηχανικής μάθησης

Creator :	Paparrigopoulou, Asimina Παπαρρηγοπούλου, Ασημίνα

Contributor :	Konstantinidou, Maria (Επιβλέπων καθηγητής) Pavlopoulos, Ioannis (Επιβλέπων καθηγητής) Konstantinidou, Maria (Εξεταστής) Pavlopoulos, Ioannis (Εξεταστής) Androutsopoulos, Ion (Εξεταστής) Athens University of Economics and Business, Department of Informatics (Degree granting institution)

Type :	Text

Extent :	63p.

Language :	en

Identifier :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=9054

Abstract :	Dating papyri accurately is crucial not only to editing their texts, but also for our understanding of palaeography and the history of writing, ancient scholarship, material culture, networks in antiquity, etc. Most ancient manuscripts offer little evidence regarding the time of their production, forcing papyrologists to date them on palaeographical grounds, a method often criticized for its subjectivity. In this thesis, with data obtained from the Collaborative Database of Dateable Greek Bookhands (https://www.baylor.edu/classics/index.php?id=958430, Baylor University) and the PapPal (http://www.pappal.info/, University of Heidelberg) online collections of objectively dated Greek papyri, we created two datasets of literary papyri and documents respectively, which can be used by machines for the task of computational papyri dating. By experimenting with this datasets, we showed that deep learning dating models, pre-trained on generic images and fine-tuned on a training subset of the data, can achieve accurate chronological estimates for a test subset (69.93% accuracy for bookhands and 56.76% for documents). To compare the estimates of our models with those of humans, experts were asked to complete a questionnaire with samples of literary and documentary hands that had to be sorted chronologically by century. The same samples were dated by the models in question. This paper presents and analyses the results, which show that in some cases the estimates of our models do not deviate from the actual date more than those of humans. Η ακριβής χρονολόγηση των παπύρων είναι ζωτικής σημασίας όχι μόνο για την επεξεργασία των κειμένων τους, αλλά και για την κατανόηση της παλαιογραφίας και της ιστορίας της γραφής, της αρχαίας επιστήμης, του υλικού πολιτισμού, των δικτύων στην αρχαιότητα κ.λπ. Τα περισσότερα αρχαία χειρόγραφα προσφέρουν ελάχιστα στοιχεία σχετικά με τον χρόνο παραγωγής τους, αναγκάζοντας τους παπυρολόγους να τα χρονολογήσουν με βάση την παλαιογραφία, μια μέθοδο που συχνά επικρίνεται για την υποκειμενικότητά της. Στην παρούσα διπλωματική εργασία, με δεδομένα που ελήφθησαν από τις Collaborative Database of Dateable Greek Bookhands (https://www.baylor.edu/classics/index.php?id=958430, Πανεπιστήμιο Baylor) και PapPal (http://www.pappal.info/, Πανεπιστήμιο της Χαϊδελβέργης), διαδικτυακές συλλογές αντικειμενικά χρονολογημένων ελληνικών παπύρων, δημιουργήσαμε δύο συλλογές δεδομένων με λογοτεχνικούς παπύρους και έγγραφα αντίστοιχα, που μπορούν να αξιοποιηθούν από μηχανές για την εργασία της υπολογιστικής χρονολόγησης παπύρων. Πειραματιζόμενοι με αυτά τις συλλογές δεδομένων, στη συνέχεια, δείξαμε ότι μοντέλα χρονολόγησης βαθιάς μάθησης, προ-εκπαιδευμένα σε γενικές εικόνες και προσαρμοσμένα σε ένα υποσύνολο εκπαίδευσης των δεδομένων, μπορούν να επιτύχουν ακριβείς χρονολογικές εκτιμήσεις για ένα υποσύνολο δοκιμής (67,97% ακρίβεια για τους λογοτεχνικούς παπύρους και 55,25% για τα έγγραφα). Για να συγκρίνουμε τις εκτιμήσεις των μοντέλων μας με αυτές των ανθρώπων, ζητήθηκε από τους ειδικούς να συμπληρώσουν ένα ερωτηματολόγιο με δείγματα λογοτεχνικών χεριών και εγγράφων που έπρεπε να ταξινομηθούν χρονολογικά ανά αιώνα. Τα ίδια δείγματα χρονολογήθηκαν από τα υπό εξέταση μοντέλα. Η παρούσα εργασία παρουσιάζει και αναλύει τα αποτελέσματα, τα οποία δείχνουν ότι σε ορισμένες περιπτώσεις οι εκτιμήσεις των μοντέλων μας δεν αποκλίνουν από την πραγματική ημερομηνία περισσότερο από τις αντίστοιχες των ανθρώπων.

Abstract :

Dating papyri accurately is crucial not only to editing their texts, but also for our understanding of palaeography and the history of writing, ancient scholarship, material culture, networks in antiquity, etc. Most ancient manuscripts offer little evidence regarding the time of their production, forcing papyrologists to date them on palaeographical grounds, a method often criticized for its subjectivity. In this thesis, with data obtained from the Collaborative Database of Dateable Greek Bookhands (https://www.baylor.edu/classics/index.php?id=958430, Baylor University) and the PapPal (http://www.pappal.info/, University of Heidelberg) online collections of objectively dated Greek papyri, we created two datasets of literary papyri and documents respectively, which can be used by machines for the task of computational papyri dating. By experimenting with this datasets, we showed that deep learning dating models, pre-trained on generic images and fine-tuned on a training subset of the data, can achieve accurate chronological estimates for a test subset (69.93% accuracy for bookhands and 56.76% for documents). To compare the estimates of our models with those of humans, experts were asked to complete a questionnaire with samples of literary and documentary hands that had to be sorted chronologically by century. The same samples were dated by the models in question. This paper presents and analyses the results, which show that in some cases the estimates of our models do not deviate from the actual date more than those of humans.
Η ακριβής χρονολόγηση των παπύρων είναι ζωτικής σημασίας όχι μόνο για την επεξεργασία των κειμένων τους, αλλά και για την κατανόηση της παλαιογραφίας και της ιστορίας της γραφής, της αρχαίας επιστήμης, του υλικού πολιτισμού, των δικτύων στην αρχαιότητα κ.λπ. Τα περισσότερα αρχαία χειρόγραφα προσφέρουν ελάχιστα στοιχεία σχετικά με τον χρόνο παραγωγής τους, αναγκάζοντας τους παπυρολόγους να τα χρονολογήσουν με βάση την παλαιογραφία, μια μέθοδο που συχνά επικρίνεται για την υποκειμενικότητά της. Στην παρούσα διπλωματική εργασία, με δεδομένα που ελήφθησαν από τις Collaborative Database of Dateable Greek Bookhands (https://www.baylor.edu/classics/index.php?id=958430, Πανεπιστήμιο Baylor) και PapPal (http://www.pappal.info/, Πανεπιστήμιο της Χαϊδελβέργης), διαδικτυακές συλλογές αντικειμενικά χρονολογημένων ελληνικών παπύρων, δημιουργήσαμε δύο συλλογές δεδομένων με λογοτεχνικούς παπύρους και έγγραφα αντίστοιχα, που μπορούν να αξιοποιηθούν από μηχανές για την εργασία της υπολογιστικής χρονολόγησης παπύρων. Πειραματιζόμενοι με αυτά τις συλλογές δεδομένων, στη συνέχεια, δείξαμε ότι μοντέλα χρονολόγησης βαθιάς μάθησης, προ-εκπαιδευμένα σε γενικές εικόνες και προσαρμοσμένα σε ένα υποσύνολο εκπαίδευσης των δεδομένων, μπορούν να επιτύχουν ακριβείς χρονολογικές εκτιμήσεις για ένα υποσύνολο δοκιμής (67,97% ακρίβεια για τους λογοτεχνικούς παπύρους και 55,25% για τα έγγραφα). Για να συγκρίνουμε τις εκτιμήσεις των μοντέλων μας με αυτές των ανθρώπων, ζητήθηκε από τους ειδικούς να συμπληρώσουν ένα ερωτηματολόγιο με δείγματα λογοτεχνικών χεριών και εγγράφων που έπρεπε να ταξινομηθούν χρονολογικά ανά αιώνα. Τα ίδια δείγματα χρονολογήθηκαν από τα υπό εξέταση μοντέλα. Η παρούσα εργασία παρουσιάζει και αναλύει τα αποτελέσματα, τα οποία δείχνουν ότι σε ορισμένες περιπτώσεις οι εκτιμήσεις των μοντέλων μας δεν αποκλίνουν από την πραγματική ημερομηνία περισσότερο από τις αντίστοιχες των ανθρώπων.

Subject :	Papyri Chronological attribution Machine learning Deep learning CNN Πάπυροι Χρονολογική απόδοση Μηχανική μάθηση Βαθιά μάθηση

Date Available :	2022-01-12 20:31:26

Date Issued :	12/21/2021

Date Submitted :	2022-01-12 20:31:26

Access Rights :	Free access

Licence :

File: Paparrigopoulou_2021.pdf

Type: application/pdf

Login