Jinsi ya Kutumia Project Lighthouse Kuchanganua Miswada ya Kihistoria ya Kisayansi kwa AI

Mradi Lighthouse Unachofanya

Mradi Lighthouse ni juhudi ya utafiti iliyo wazi kwa ajili ya kuchunguza kwa kiwango kikubwa miswada ya kisayansi, madaftari, barua, na kazi zilizochapishwa zilizopuuzwa. Unatumia AI kunakili kurasa zilizowekwa katika mfumo wa kidijitali na kujenga upya maana yake ya kihisabati, huku ukihitaji ukaguzi wa binadamu, uthibitishaji wa kimahesabu, utafiti wa machapisho, na mapitio huru kabla ya dai linalowezekana kuchukuliwa kuwa ugunduzi wa kuaminika.

Mradi umeundwa kutafuta mawazo ambayo hayajakamilishwa, matokeo yasiyotambuliwa kwa wahusika wake, na miunganiko iliyopuuzwa. Pia hurekodi dalili za uongo na matokeo yanayojulikana katika rejesta ya pamoja ili wachangiaji wasirudie uchunguzi ambao tayari umefikia mwisho usio na mafanikio.

Kulingana na hali ya hifadhi iliyowekwa tarehe 9 Novemba 2026, takriban kurasa 12,000 kutoka kwa Gauss, Riemann, Hilbert, Dedekind, na Grothendieck zilikuwa zimesomwa kwa kina. Dai lililoongoza lilikuwa L-019, kuhusu karatasi za mawimbi ya mshtuko ambazo hazikuchapishwa na kuhusishwa na Riemann. Aljebra yake ilikuwa imekaguliwa kwa njia ya kimahesabu, lakini uhusishaji huo ulikuwa bado unasubiri uthibitisho kutoka kwa mtaalamu wa binadamu wa maandishi ya kale.

Usomaji wenye kuahidi unaosaidiwa na AI si ugunduzi moja kwa moja. Mradi Lighthouse huchukulia unukuzi, ufafanuzi, uthibitishaji, kipaumbele cha kihistoria, na uthibitisho wa mtaalamu kuwa maswali tofauti.

Sifa Muhimu

• Unukuzi wa kiwango cha ukurasa: Picha za miswada hubadilishwa kuwa maandishi halisi, huku fomula zikiwakilishwa kwa LaTeX na maandishi yaliyofutwa yakiwekwa alama wazi.
• Usomaji wa kina wenye muktadha: Kurasa za hisabati huchanganuliwa pamoja na kurasa jirani ili hoja ziweze kujengwa upya badala ya kufasiriwa zikiwa peke yake.
• Ulinganisho wa kisasa: Usomaji wa kina hutambua kisawe cha kisasa, mtu ambaye kwa kawaida huhusishwa nacho, na alama ya mshangao kutoka 0 hadi 10.
• Itifaki ya hatua nne ya madai: Kila dai lazima lipitie ukaguzi wa skani, uundaji upya wa kimahesabu, utafiti wa machapisho unaozingatia maana, na mapitio huru yasiyo na upendeleo wa awali.
• Rejesta ya pamoja: ledger/LEADS.md hurekodi madai na hukumu, ikiwemo nakala zinazojirudia, makosa, na vyanzo vilivyotatua masuala hayo.
• Udhibiti wa matokeo chanya ya uongo: docs/FALSE_POSITIVES.md huandika njia kumi na mbili za kawaida ambazo ugunduzi unaoonekana unaweza kushindikana na hutoa orodha ya ukaguzi inayohitajika.
• Lebo za michango: Lebo hueleza kazi iliyokamilishwa badala ya kiwango cha kujiamini au umaarufu.
• Miwundo iliyo wazi: Unukuzi na uchanganuzi hutumia miundo ya hifadhi iliyoelezwa, hivyo kuwawezesha wachangiaji kukagua na kupanua data.

Elewa Muundo wa Hifadhi

Kabla ya kuchakata kurasa, zoea njia kuu:

queue/QUEUE.md
src/transcribe.py
src/deep.py
src/read_source.py
data/<author>/STATUS.tsv
data/<author>/transcripts/<bundle>/cNNN.json
data/<author>/deep/<bundle>_cNNN.json
data/FORMAT.md
verify/
ledger/LEADS.md
docs/HOT_PAGES.md
docs/FALSE_POSITIVES.md
CONTRIBUTING.md
CITATION.cff

Saraka ya queue/ hufuatilia vyanzo vinavyosubiri kuchakatwa. Skripti za src/ hushughulikia unukuzi na usomaji wa kina. Matokeo mahususi kwa mwandishi huhifadhiwa chini ya data/, programu za uthibitishaji huwekwa katika verify/, na madai yaliyofanyiwa uchunguzi hurekodiwa katika rejesta.

Usakinishaji na Usanidi

1. Pata hifadhi

Clone au pakua hifadhi ya Project Lighthouse kutoka GitHub, kisha fanyia kazi katika saraka yake ya mzizi. Soma CONTRIBUTING.md kabla ya kuongeza data au kukagua dai kwa sababu inaeleza mchakato wa kuchangia.

2. Kagua miundo ya data iliyoelezwa

Fungua data/FORMAT.md kabla ya kuunda faili za unukuzi au usomaji wa kina. Data iliyopo hufuata mifumo hii:

data/<author>/transcripts/<bundle>/cNNN.json
data/<author>/deep/<bundle>_cNNN.json

Fuata skimu iliyoelezwa badala ya kuunda muundo mbadala. Majina na sehemu za faili zilizo thabiti huwawezesha wachangiaji kubaini kurasa ambazo tayari zimechakatwa.

3. Sanidi ufunguo wako wa API

Hifadhi inatarajia wachangiaji waje na ufunguo wao wa Anthropic API. Uuhifadhi katika njia hii ya ndani:

~/.config/hunt/anthropic_key

Usiwahi kuweka ufunguo katika hifadhi. README inakadiria gharama ya takriban $0.25 kwa ukurasa kwa unukuzi na usomaji wa kina kwa kutumia Claude Opus 5.5. Matumizi halisi yanapaswa kufuatiliwa kabla ya kuchakata chanzo kikubwa.

4. Chagua chanzo kinachostahiki

Chanzo kinaweza kutoka kwa mwandishi, taaluma, lugha, au karne yoyote, lakini lazima kiwe katika umma, kiwe kimewekwa katika mfumo wa kidijitali, na kiwe kimepangishwa mahali ambapo masharti yake yanaruhusu kupakuliwa. Mradi unakubali miswada, madaftari, barua, na kazi zilizochapishwa zilizopuuzwa.

Ongeza chanzo kwenye queue/QUEUE.md na uunde saraka ya mwandishi wake chini ya:

data/<author>/

Usihifadhi skani za maktaba katika hifadhi. Project Lighthouse huunganisha skani huku ikiweka unukuzi na uchanganuzi uliotengenezwa ndani ya nchi chini ya masharti ya leseni ya hifadhi.

Mtiririko wa Msingi wa Matumizi

Hatua ya 1: Nukuu kila ukurasa

Tumia src/transcribe.py wakati chanzo kinapatikana kupitia URL za picha za IIIF. Kwa PDF za skani, tumia src/read_source.py, inayosaidia mtiririko wa kazi kutoka kurasa za PDF hadi picha za JPEG na rekodi za kurasa.

Unukuzi unapaswa kuhifadhi kinachoonekana kwenye ukurasa badala ya kukisahihisha kimya kimya. Rekodi fomula kwa LaTeX na weka alama kwenye maandishi yaliyofutwa. Hifadhi matokeo katika muundo wa mwandishi na kifurushi uliofafanuliwa na data/FORMAT.md.

data/example_author/transcripts/example_bundle/c001.json

Njia hii ni mfano wa muundo wa majina uliowekwa katika nyaraka. Tumia vitambulishi halisi vya mwandishi, kifurushi na ukurasa kwa chanzo chako.

Hatua ya 2: Soma kwa kina kurasa za hisabati

Tumia src/deep.py au vitendaji vya usomaji wa kina vilivyo katika src/read_source.py. Jumuisha kurasa zilizo karibu ili alama za hisabati, fasili na hatua za kati zitafsiriwe katika muktadha.

Kwa kila ukurasa unaohusika, jenga upya hoja, tambua mwenzake wa kisasa, bainisha ni nani anayesifiwa kwa ujumla, na uweke alama ya mshangao ya hazina kwa kipimo cha 0–10. Hifadhi matokeo chini ya njia inayolingana ya usomaji wa kina:

data/example_author/deep/example_bundle_c001.json

Alama ya juu huweka tu kipaumbele cha kuzingatia. Haithibitishi kipaumbele cha kihistoria wala kuhalalisha lebo yenye kiwango cha juu zaidi cha uhakiki.

Hatua ya 3: Kagua hali ya uchakataji

Fungua data/<author>/STATUS.tsv ili kupata vifurushi vilivyonukuliwa lakini bado havijasomwa kwa kina. Hii ni njia ya vitendo ya kuchangia bila kuanzisha chanzo kipya.

Hatua ya 4: Chunguza kurasa za kushangaza

Njia ya haraka zaidi ya uhakiki ni docs/HOT_PAGES.md. Inaorodhesha kurasa ambazo modeli ilizipa alama ya kushangaza lakini bado hakuna mwanadamu aliyezichunguza. Linganisha unukuzi moja kwa moja na skani, kagua kurasa zinazozunguka, na amua ikiwa dai linajulikana tayari, lilinukuliwa vibaya, liliwekewa tarehe isiyo sahihi, au linafaa kweli kufunguliwa kama mgombea.

Tumia Itifaki ya Mgombea

Kabla ya kueleza umuhimu wa ugunduzi unaowezekana, kamilisha ukaguzi wote minne kwa mpangilio.

1. Soma ukurasa ukilinganisha na skani. Thibitisha mwandiko, alama, maelezo ya pembeni, vifutio na mpangilio wa kurasa. Matokeo ya AI pekee hayatoshi.
2. Toa upya hisabati kwa kutumia msimbo. Weka hesabu zinazoweza kurudiwa katika verify/. Jaribu vitambulisho au matokeo yanayodaiwa badala ya kutegemea ufanano wa maelezo ya maneno.
3. Tafuta fasihi kwa kuzingatia maana. Anza na kazi zilizochapishwa za mwandishi, kisha kagua vyanzo vya zamani zaidi. Usitumaini tarehe ya “first credited to” iliyotengenezwa na AI bila kuithibitisha, kwa sababu tarehe hizo zinaweza kuwa za baadaye kupita kiasi.
4. Omba uhakiki huru usioelekezwa. Mpe mchangiaji au wakala wa pili ukweli unaohusika bila kufichua hitimisho linalotarajiwa. Mkaguzi lazima aandike uamuzi na ataje vyanzo.

Kila faili ya mgombea lazima pia ijumuishe orodha hakiki kutoka docs/FALSE_POSITIVES.md. Hii husaidia kugundua makosa ya kawaida kama vile unukuzi usio sahihi, tafsiri iliyosasishwa, uchapishaji unaojulikana kwa jina jingine, au uwekaji tarehe usio na ushahidi.

Rekodi Matokeo katika Daftari

Ongeza mgombea na uamuzi wake katika ledger/LEADS.md. Rekodi matokeo hasi kwa umakini sawa na matokeo chanya. Mgombea anayebainika kuwa sehemu ya historia inayojulikana bado humzuia mchangiaji mwingine kurudia utafutaji uleule.

Mfano mashuhuri wa hazina ni L-019. Rekodi yake kamili iko katika ledger/LEADS.md, huku docs/L019_expert_request_draft.md ikiwa na ombi lililoandaliwa kwa wataalamu. README inaeleza uthibitishaji wa kompyuta na ulinganishaji wa kipofu wa mwandiko kwa AI, lakini inasema wazi kuwa mtaalamu wa kibinadamu wa maandishi ya kale bado hajathibitisha uhusishaji huo.

Tumia Lebo kwa Usahihi

Lebo za Project Lighthouse huripoti vitendo vilivyokamilishwa, si imani katika ugunduzi:

• transcribed: Faili ya JSON ya ukurasa ipo. Mchangiaji yeyote anaweza kuweka lebo hii.
• read: Usomaji wa kina upo. Mchangiaji yeyote anaweza kuweka lebo hii.
• self-checked: Mgunduzi alikagua skani, akaendesha hisabati, na akatafuta katika fasihi.
• reviewed: Mchangiaji mwingine au wakala asiyeelekezwa alirudia kwa kujitegemea ukaguzi wote minne na kuandika uamuzi wenye vyanzo.
• expert: Mtaalamu aliyetajwa alithibitisha skani.

Kura zinaweza kusaidia kuamua ni kurasa zipi zipewe kipaumbele kwanza, lakini kura hazithibitishi kamwe lebo.

Vidokezo vya Juu kwa Utafiti Unaotegemeka

Tenganisha unukuzi na tafsiri

Weka unukuzi kuwa mwaminifu hata unapodhani unaelewa hisabati. Weka miundo upya, alama za kisasa na ulinganishaji wa kihistoria katika rekodi ya usomaji wa kina badala ya kuandika upya chanzo.

Soma maeneo ya karibu ya ukurasa

Fomula inaweza kuonekana kuwa mpya inapokatwa kutoka kwenye fasili zake au utoaji wake wa awali. Kagua kila mara kurasa zilizotangulia na zinazofuata, mpangilio wa kifurushi na madaftari yanayohusiana kabla ya kufungua mwongozo.

Tafuta dhana, si istilahi pekee

Waandishi wa kihistoria wanaweza kueleza matokeo ya kisasa bila kutumia jina lake la sasa. Tafuta uhusiano wa kihisabati, ujenzi wa kijiometri, hali ya kifizikia au mbinu ya uthibitisho. Anza na machapisho ya mwandishi mwenyewe kabla ya kulinganisha vyanzo vilivyotajwa baadaye.

Dumisha uhakiki usioelekezwa

Usimwambie mkaguzi huru kuwa ukurasa unatarajiwa kuwa na matokeo maarufu ya baadaye. Mpe skani, unukuzi, ushahidi wa tarehe na ukweli wa kihisabati huku ukificha hitimisho lililopendekezwa. Hii hupunguza upendeleo wa kuthibitisha.

Fanya uthibitishaji uweze kurudiwa

Weka hati za programu na hesabu katika verify/, andika mawazo ya msingi, na tofautisha ukaguzi sahihi wa kimfumo na ushahidi wa nambari. Uthibitishaji unaofaa unapaswa kumwezesha mchangiaji mwingine kurudia utoaji huo kwa kujitegemea.

Weka kipaumbele kwa kazi ambayo haijakamilika

Tumia STATUS.tsv kupata vifurushi vilivyonukuliwa vinavyosubiri usomaji wa kina na docs/HOT_PAGES.md kupata kurasa za kushangaza zinazosubiri ukaguzi wa kibinadamu. Njia hizi husaidia kuepuka kurudia uchakataji uliokamilishwa.

Heshimu haki mahususi za chanzo

Scani zinasalia kwenye maktaba zake na zinapaswa kuunganishwa badala ya kupangishwa. Unukuzi na uchanganuzi wa hazina umepewa leseni ya CC BY 4.0, huku msimbo ukipewa leseni ya MIT. Kwa madokezo ya Grothendieck ambayo hayajachapishwa, hazina inajumuisha uchanganuzi na dondoo fupi pekee, si unukuzi kamili, kwa kuzingatia ubaguzi ulioelezwa katika README.

Hifadhi taarifa za kipaumbele na marejeo

Project Lighthouse huchukulia kamati ya kwanza au toleo la kwanza lenye ingizo la leja kuwa tarehe yake ya umma. Toleo la GitHub lililohifadhiwa kwenye Zenodo linaweza kuongeza DOI na muhuri wa muda huru. Tumia CITATION.cff unaporejelea hazina, na taja hazina unapotumia tena unukuzi wake wa CC BY.

Njia za Kuchangia

• Shiriki unukuzi au tafsiri zilizopo zilizotengenezwa kwa mkono au kwa kutumia zana au modeli yoyote.
• Endesha hati za uchakataji kwenye chanzo kipya kinachostahiki.
• Sahihisha unukuzi uliotengenezwa kwa kulinganisha na scani.
• Soma kwa kina vifurushi ambavyo kwa sasa vimefanyiwa unukuzi pekee.
• Kagua kwa kujitegemea mgombea aliyepo.
• Toa uamuzi wa mtaalamu wenye jina unapokuwa na maarifa husika ya kitaalamu.

Mradi unasisitiza kwamba usomaji wa kitaalamu na ujuzi wa machapisho ni adimu zaidi kuliko tokeni za modeli. Hata mchango unaokanusha mgombea unaweza kuwa wa thamani unapowasilishwa pamoja na ushahidi na vyanzo vilivyo wazi.

Hitimisho

Project Lighthouse huunganisha uchakataji wa miswada kwa kiwango cha AI na itifaki ya utafiti yenye mashaka kwa makusudi. Anza kwa kuchagua chanzo kinachostahiki au kifurushi ambacho hakijakamilika, tengeneza unukuzi mwaminifu, soma kurasa kwa kina katika muktadha wake, na chunguza madai ya kushangaza kupitia ukaguzi wa scani, msimbo, utafiti wa machapisho, na uhakiki huru. Rekodi kila matokeo katika leja inayoshirikiwa ili uvumbuzi na njia zilizoshindikana ziwe ushahidi wa kitaaluma unaoweza kutumiwa tena.