以《西里西亚地名词源词典》数字化为例的参考资源电子版本开发

《Digital Applications in Archaeology and Cultural Heritage》:Development of electronic versions of reference resources on the example of the digitization of the “Etymological Dictionary of Geographical Names of Silesia”

【字体: 大 中 小 】 时间:2026年09月20日 来源:Digital Applications in Archaeology and Cultural Heritage CS4.1

编辑推荐:

   •将地名词典和西里西亚地方名录等模拟来源进行数字化•解决数据结构化、验证和消除错误、数据一致性维护以及词典扩展创建中的问题•在存在重印本和多版本文件的情况下,使用缩写系统和数字仓储来管理对历史来源的引用•根据文本描述确定地名中的地理坐标•西里西亚地名词源词典的在线版本 **

  

•将地名词典和西里西亚地方名录等模拟来源进行数字化•解决数据结构化、验证和消除错误、数据一致性维护以及词典扩展创建中的问题•在存在重印本和多版本文件的情况下,使用缩写系统和数字仓储来管理对历史来源的引用•根据文本描述确定地名中的地理坐标•西里西亚地名词源词典的在线版本

**引言**

现代信息技术深刻重塑了众多学术领域的研究实践。它们将知识获取与传播的能力提升到了前所未有的水平。这些变革不仅源于通信渠道的广泛开放,也源于渠道内资源的激增——无论是由零生成还是通过数字化转化获得——以及处理这些资源方法的多样化。这场变革浪潮席卷了几乎所有科学领域,其中包括作为参考文献的资源。以电子形式提供文件、手稿、书籍及其他原始资料已成为常见做法。同样的现象也影响了传统上作为蒸馏后人类知识储存库的词典和百科全书类著作。

参考文献资源的数字化形式各异。在许多情况下,仅仅是获取其模拟原件的二维或三维数字孪生并提供访问,就可能相当具有挑战性。然而,更大的挑战在于其向量化——这不仅仅是将物理对象转换为数字领域中的比特序列,更是从这些对象中提取内容,使之成为结构化的、机器可处理的形式。

矛盾的是,尽管向量化带来了数字化转换,但其原则不能过于偏离原始模拟文本作者所遵循的意图。通常,自动化分析中使用的分段规则和分类方法的选择,使得最终结果能够保留原文的结构和意义。然而,由于自然语言的灵活性和例外的存在,这往往很困难。此外,部署强大的计算能力并不一定意味着验证向量化过程正确性的有效机制。处理本身就包含错误或不一致的事实是困难的。人工智能方法,特别是基于自然语言处理(NLP)的方法,常被视为解决这些问题的潜在良药。然而,即使这些方法具有关联和归纳能力,如果用有缺陷的数据进行训练,也会产生错误结果。因此,基础性工作是必需的,以改善数字资源的质量和一致性,包括验证和组织原始材料。

还存在由非显而易见依赖关系引起的额外复杂性。参考文献资源,无论模拟还是数字形式,通常呈现基于原始材料经科学阐述后得出的事实,而这些材料本身可能又依赖于其他来源。由此产生的依赖链常表现为具有分支、循环和缺陷的图,使得某些主张的有效性并非显而易见。从研究者角度看,最可靠的来源通常是那些最接近原件的。不幸的是,这样的来源并不总是可用的,例如由于时间的流逝而丢失或被毁。此外,即使它们确实存在,由于储存它们的档案的重组、目录系统的变化等原因,它们也很难被识别和定位。有时很难赋予它们符合当前标准的明确书目数据,这既源于其性质(这适用于未署名且未编页码的手稿、非书写材料上的物体注释等),也源于难以确定其年代、来源和所有权(这适用于属于私人收藏或私人持有物的材料,这些材料会更换所有者、储存地点和展览环境)。在这种情况下,二次来源和原始材料的研究论文成为唯一的替代方案。因此,只有比较整个可用的来源序列,才能澄清特定的史学问题,有时甚至是历史问题。

以上反思虽然以抽象方式表述,但建立在《西里西亚地名词源词典》(波兰语:S?ownik Etymologiczny Nazw Geograficznych ?l?ska,简称SENG?)十七卷数字化过程中获得的经验基础上。这部作品是对一个历史悠久、内容丰富且复杂的地区的地名学最重要的学术贡献之一。其范围足够广泛,可涵盖众多历史现象和语言现象,又足够集中,使其能够由数人至十余人的研究团队来完成。

早先的时期已经编纂了西里西亚地名词典和西里西亚地方名录。其原始版本可追溯至十九世纪和二十世纪,通常采取包含名称列表的文档形式,有时附有行政隶属关系的描述性说明,很少提供以地理坐标形式表示的位置(以条目形式呈现,通常按字母顺序排列,并附有补充索引)。作为受控词汇的特征,所有记录都受编辑标准和验证程序的约束。SENG?也具有这些特征。此外,按照学术实践,它整合了早期词典的内容以及众多其他来源的内容,既包括较近的也包括相当久远的来源。

值得一提的是,该词典涵盖了多种历史地理次区域,使得不仅斯拉夫和日耳曼语言学家,还有其他学科的学者——包括至少捷克、德国、波兰甚至奥地利的历史学家——都能进行比较研究。与其仅将此项目视为区域案例研究,不如将其视为检验更广泛方法论挑战的试验场,包括数据结构化、验证、消除错误、确保数据一致性以及与词典内容解释和可用性(包括地理定位)相关的扩展问题。本文采取的就是这一视角。它从概述现有的在线词典开始,然后聚焦于SENG?的特征和数字化过程中遇到的挑战(涉及上述问题),并以所取得的结果作为结论。为为讨论提供适当的背景并便于其接受,本文组织如下:

**第二节**描述了一些门户网站(服务),其特征与开发的SENG?电子版相当。可以轻易看出,每种情况下,这些特征都是由数字化源材料的性质(毕竟这些材料构成这些门户网站和服务上存储的主要内容)以及所使用的技术设计选择所决定的。同时也可以注意到一些相似之处(尤其是在可用性方面,体现在搜索机制或结果呈现方式上)和显著差异(尤其是在数据建模方面)。这些观察应有助于进一步阐明下文讨论的与地名学、西里西亚历史和地理以及相关资源数字化相关的问题。所提供的信息还应使读者熟悉本文的主题,更好地理解所描述工作的规模。

**第三节**提供关于目标词典的详细信息。它从呈现原型开始,强调其内容、编辑规则和结构。所提供的信息至关重要,因为理解词典的结构以及信息如何传达对数字化过程产生了根本性影响。从这个节点应该清楚,在数字化这样一部多卷著作时会遇到多少问题。该节继续描述最终成果——词典的当前版本。它概述了研究的地域覆盖范围,并辅以概览地图;系统结构;所引入的扩展;数据模型;以及访问方法。在数字化过程中,努力在保持印刷版词典原始结构的同时引入扩展并扩大其地理覆盖范围。然而,这并非易事。

**第四节**呈现了处理所获数据中最困难的挑战、遇到的问题及其解决方案。阅读这一节应能提供一系列可直接应用的优秀实践。例如,源材料引用的不一致性造成了很大的麻烦。在印刷版词典中,使用一套缩写系统在主词条扩展中放置适当的引用。不幸的是,这套系统在使用中存在许多例外和变化。同一源材料有时在不同卷中甚至在同一卷中以不同的缩写表示。因此,需要理清这些差异并使其符合最新标准。值得注意的是,历史学家等科研工作者对源材料的引用处理并不总是符合当前科学出版物的编辑规则。不仅缺少合适的类型来描述资源(例如手稿、田野采访、人口普查),而且也很难在元数据集合中找到所有必需属性(允许,例如,记录赞助、出版地点和方式、不确定的时间跨度)。在专门仓库或档案中情况稍好。因此,以读者易懂且符合当前出版规则的方式编辑专门涉及历史材料的子章节需要相当的巧思。其他需要解决的问题也是如此。

**第五节**,即本文的结论部分,提供从积累的经验中获得的见解,这些见解可能有助于理解类似出版物的数字化过程,并有助于更有效地实施它们,尤其是针对西里西亚地区或更广泛的欧洲中部出版物的实施。

**章节摘要**

**现有词典**

如今,信息系统已取代传统词典,以用户友好的在线界面提供隐藏在其下的服务。通过这些系统,可以查看受控数据库的内容(如公共机构管理的官方记录和词汇表,如PRNG、PRG、BDOT——波兰政府机构运行的登记系统(完整列表可在 https://www.geoportal.gov.pl/pl/dane/ 查看)以及非受控的,由创建的)

**已实现的词典**

新在线版中的西里西亚命名基于已完成的《西里西亚地理名称词源词典》(简称SENG?)多卷纸质版。研究和实施工作由波兰华沙科技大学(Wroclaw University of Science and Technology)的工作人员与华沙大学(Wroclaw University)的工作人员合作完成,得益于奥波莱西里西亚研究所提供的数据。其他研究中心的员工也与该团队合作。

**数字化挑战**

在准备词典电子版时,许多困难源于原始内容的组织方式。最具挑战性的问题是处理前四卷的数据,尤其是第一卷,其分析较为困难。

词典的数字化分阶段进行,并有大量反复。首先,对原始词典进行扫描以获得原始文本。然后将文本转换为结构化形式以符合设计好的

**结论**

数字化词典或百科全书出版物的主要挑战之一是验证和提高所产生数据的质量。由扫描和OCR分析产生的文本,即使与原件完全匹配,也不会揭示其所含信息的结构。在这种材料中使用简单的全文搜索往往不足以构建更高级的查询。NLP方法由于存在大量专有名词、引用等而容易产生错误,和

**CRediT作者贡献声明**

Roman Ptak:撰写——初稿、数据整理、概念化。Tomasz Kubik:撰写——审阅与编辑、撰写——初稿、可视化、验证、软件、方法论、数据整理、概念化

**未引用参考文献**

G?ówny Urz?d Geodezji i Kartografii, 2024; Institut für S?chsische Geschichte und Volkskunde e.V, 2021; Komisja Nazw Miejscowo?ci i Obiektów Fizjograficznych, 2006; Maleczyńsk, 1960; Pracownia Atlasu Historycznego Miast przy Uniwersytecie Miko?aja Kopernika w Toruniu, 2024; Staffa et al., n.d.; Sulimierski et al., n.d.; Uetrecht, n.d.; Verein für Computergenealogie e.V., 2024; Wikimedia Foundation Inc., 2024.

**利益冲突声明**

? 作者声明他们没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

Tomasz Kubik | Roman Ptak
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号