Digitaalinen uutissilmä lukee jutut menneistä tapahtumista ja vieläpä selittää ne uusille lukijoilleen

Helsingin yliopiston tutkijat ovat saaneet lähes miljoonan euron eurooppalaisen rahoituksen NewsEye-hankkeelleen, jossa työstetään tekoälyllä automatisoitavaa tutkimusavustajaa. Avustaja löytää historiallisista sanomalehdistä asioiden välisiä yhteyksiä ja eroja ja sitten selittää ne. Tutkimus avaa uuden näkymän jo aiemmin tehtyyn vanhojen sanomalehtien digitointiin.

Helsingin yliopiston monitieteinen tutkimushanke, NewsEye, ’uutissilmä’ on saanut rahoituksen, jonka avulla digitaalisen humanismin tutkijat, tietojenkäsittelytieteen asiantuntijat ja kirjastoalan asiantuntijat pääsevät työskentelemään digitoidun muistiaineiston parissa. He halusivat yhteistyöhön, jotta muistiaineiston tarvitsijat, niin tutkijat, opettajat kuin muutkin, saavat käytettäviä ja relevantteja tuloksia käyttöönsä.

Tekoälyn keinoin automatisoitua datatiedettä

Tutkimuksen painopiste on datatieteessä, ja sitä johtaa professori Hannu Toivonen.

– Mielenkiintoisin kehityskohde on automatisoitu tutkimusavustaja, joka käyttää itsenäisesti projektissa kehitettäviä uusia työkaluja etsiäkseen käyttäjälle kiinnostavia tuloksia. Se myös raportoi löydöksistä selkeästi kirjallisesti ja osaa selittää löydöksiä ja omaa toimintaansa. Siihen me nyt Helsingissä tähtäämme, luovan tietojenkäsittelyn asiantuntijana tunnettu professori Toivonen sanoo.

Mikkelissä digitoiduista sanomalehdistä tuli koneluettavaa big data -aineistoa

Liikkeelle lähdetään Kansalliskirjaston jo digitoidusta aineistosta. Tavoitteena on tekstin automaattinen tunnistus digitoidusta materiaalista, kuvan muuttaminen tekstiksi ja erillisten artikkeleiden tunnistaminen.

NewsEye-hankkeen aineistoksi Kansalliskirjasto toimittaa historiallista suomalaista sanomalehtiaineistoa vuosilta 1771 – 1910. Kansalliskirjaston laaja digitointituotanto tehdään sen Mikkelissä sijaitsevassa toimipisteessä, ja kirjasto on digitoinut kaikki suomalaiset ilmestyneet sanomalehdet tältä ajalta ja tehnyt niistä koneluettavan datapaketin. Aineistoa täydennetään vielä vuosien 1911 – 1917 sanomalehtiaineistoilla.

Työkalu rikastetun tekstin analysointiin erilaisista näkökulmista

Työn alla on myös tekstin automaattinen rikastaminen tunnistamalla tekstistä nimiä ja asenteita. Suomalaistutkijat keskittyvät myös kehittämään uusia työkaluja rikastetun tekstin analysointiin erilaisista näkökulmista niin, että eri asiayhteydet ja vertailukohdat tulevat huomioiduksi.

Hannu Toivonen antaa esimerkin siitä, miten automatisoitu tutkimusavustaja toimisi, silloin kun asiayhteydet ja vertailukohdat on huomattu:

– Ajatellaan, että käyttäjä on kiinnostunut sukunsa historiasta ja antaa tarkastelun kohteeksi sukunimensä. Silloin tutkimusavustaja etsii sukunimeä vanhoista lehdistä ja katsoo myös missä yhteyksissä nimi esiintyy. Avustaja huomaa, että kyseessä on sukunimi, vertaa sen asiayhteyksiä muiden sukunimien asiayhteyksiin, ja kertoo käyttäjälle sitten, mitkä asiayhteydet korostuvat erityisesti annetun sukunimen yhteydessä. Sen jälkeen avustaja voi edelleen raportoida, miten asiayhteydet ovat muuttuneet ajan kuluessa, Toivonen kuvaa uutta avustajaa.

Parhaimmillaan jopa rinnakkain useita kieliä käsittelevä hanke

Helsingin yliopiston rahoitusosuus on 900 000 euroa tieteidenvälisessä H2020-projektissa NewsEye: A Digital Investigator for Historical Newspapers. Työ on juuri alkanut ja kestää 3 vuotta. Kokonaisuutena hankkeen eurooppalainen rahoitus on 3 miljoonaa euroa.

Helsingin yliopistosta mukana ovat Hannu Toivonen, Mikko Tolosen digitaalisten ihmistieteiden tutkijaryhmä ja Kansalliskirjastosta Minna Kaukonen työryhmineen. Vastaavat monitieteiset kolmikot ovat mukana myös Ranskasta ja Itävallasta, lisäksi mukana on yksi saksalainen partneri.

Hankkeessa uutuutena on monikielisyys: menetelmät ja työkalut tehdään mahdollisimman kieliriippumattomiksi tai parhaimmillaan jopa rinnakkain useita kieliä käsitteleviksi. Tämä on tutkijoiden mukaan tärkeää — mutta harvinaista — eurooppalaisessa kontekstissa. 

Lue lisää:
Tutustu Suomen historiaan ja menneeseen aikaan digitoitujen sanomalehtien kautta: Kansalliskirjaston digitaaliset aineistot
HELDIG, Helsinki Centre for Digital Humanities, on digitalisaatiota tukeva yhteistyöverkosto, jossa uusimmat tietojenkäsittelyn menetelmät valjastetaan humanistisen ja yhteiskunnallisen tutkimuksen käyttöön:
HIDATA, Helsinki Centre for Data Science on monitieteinen datatiedettä kehittävä Helsingin yliopiston ja Aalto-yliopiston yhteistyöverkosto

Tervetuloa mukaan!
HIDATA järjestää datatieteen päivän Helsingin Tiedekulmassa tiistaina 29.5. kello 9-15. Kaikki ovat tervetulleita!

Kuva:
Kuvakaappaus Kansalliskirjaston historiallisia aineistoista Digi.Kansalliskirjasto.fi - sivulta.

Yhteystiedot:
Hannu Toivonen, matemaattis-luonnontieteellinen tiedekunta, hannu.toivonen@helsinki.fi, http://www.cs.helsinki.fi/hannu.toivonen/, 050 9112405
Minna Kaukonen, Kansalliskirjasto, minna.kaukonen@helsinki.fi, 050 4155 450
Mikko Tolonen, Kansalliskirjasto, mikko.tolonen@helsinki.fi, 050 448 2055
Viestinnän asiantuntija Minna Meriläinen-Tenhu, @MinnaMeriTenhu, 050 415 0316, minna.merilainen@helsinki.fi

Lue lisää aiheesta: Datatiede