Wpływ metod AI na współczesną historiografię: od narzędzia technicznego do możliwego zwrotu metodycznego.

WIKTOR WERNER Poznań ORCID: 0000-0002-3004-6021 Wpływ metod AI na współczesną historiografię: od narzędzia technicznego do możliwego zwrotu metodycznego Rozwój sztucznej inteligencji i uczenia maszynowego Pierwsze badania nad specyfiką uczenia maszynowego związane są z pracami Alana Turinga, który wprowadził (wówczas teoretyczne) pojęcie komputera jako uniwersalnej maszyny obliczeniowej. Działanie komputera opisał jako kooperację nieskończonej taśmy, głowicy czytająco-zapisującej i skończonego zestawu instrukcji-stanów (Turing 1936). W swoim artykule Computing machinery and intelligence (Turing 1950: 433-460) opublikowanym w 1950r. zakreślił on również teoretyczne ramy potencjalnego rozwoju inteligencji maszyn. Jego refleksja wiązała się z rekonceptualizacją samej idei „myślenia” jako procesu obliczeniowego przetwarzania danych z wykorzystaniem algorytmów. Turing podjął również próbę zdefiniowania empirycznego testu (próby) maszynowej inteligencji jako zdolności do imitowania inteligentnych działań człowieka, szczególnie praktyk komunikacyjnych oraz opracował logiczny model myślenia maszynowego nazwany „maszyną Turinga” będący formalnym opisem mechanizmu, który potrafi wykonywać każdą (możliwą) procedurę algorytmiczną. Kierunek wyznaczony przez Turinga był kontynuowany w refleksji i praktyce badawczej Marvina Minskiego. W 1951r. na Uniwersytecie Harvarda Minsky wraz z Deanem Edmondsem zbudował analogową sieć neuronową SNARC (Stochastic Neural Analog Reinforcement Calculator), składającą się z ok. 3000 lamp elektronowych. SNARC uczył się przechodzenia przez wirtualny labirynt — był jednym z pierwszych modeli uczenia maszynowego. Na przełomie 1959/1960r. Minsky wraz z Johnem McCarthym założył w Massachusetts Institute of Technology Artificial Intelligence Project, który PRZEGLĄD ZACHODNI 2025, nr 3 doi.org/10.60972/PZ.2025.3.87 88 Wiktor Werner w 1970r. przekształcono w MIT Artificial Intelligence Laboratory. W pracy Steps Toward Artificial Intelligence Minsky pisał, że każdy akt rozumowania można opisać jako skończony ciąg operacji na symbolach i w tym sensie każda inteligencja (w tym ludzka) da się opisać jako proces obliczeniowy (Minsky 1961). W książce Computation: Finite and Infinite Machines (Minsky 1967) wskazał, że inteligencja stanowi sieć współpracujących procesów– była to zapowiedź jego późniejszej teorii The Society of Mind (Minsky 1986), w której świadomość jest emergentną własnością złożonych interakcji wielu prostych modułów poznawczych, co doprowadziło go do koncepcji sieci neuronowych– algorytmów obliczeniowych działających na zasadzie współpracy procesów paralelnych. W latach 60. i 70. Minsky wraz z Seymourem Papertem projektowali i badali perceptrony– wczesne sieci neuronowe, które (w najprostszej– jednowarstwowej wersji) rozwiązywały problemy liniowych relacji między danymi (Minsky, Papert 1969). Zaistnienie tych pierwszych sieci neuronowych doprowadziło do przyspieszenia rozwoju uczenia maszynowego w latach 80. W drugiej połowie tej dekady została opracowana przełomowa metoda – algorytm wstecznej propagacji błędu: backpropagation (Rumelhart, Hinton, Williams 1986). Był to mechanizm pozwalający sieciom neuronowym korygować błędy przesyłając sygnał z warstwy wyjściowej do wcześniejszych neuronów, czyli niejako „cofając” błąd do miejsca, w którym powstał, w celu korekty procedur, które do niego doprowadziły (Werbos 1974). Umożliwiło to sieciom neuronowym rozpoznawanie nieliniowych zależności między danymi, a także samodzielne „uczenie się na własnych błędach” poprzez iteracyjną analizę danych (Bishop 1995). Opracowana w latach 80. technika wstecznej propagacji błędu w dekadach 1990. i 2000. znalazła zastosowanie w przetwarzaniu języka naturalnego (NLP– Natural Language Processing). Najpierw w modelach rekurencyjnych (Recurrent Neural Networks – RNN), które pozwalały różnicować kolejność zjawisk w sekwencjach– np.słów w zdaniu (Elman 1990), a następnie w modelach długiej pamięci krótkotrwałej (Long Short-Term Memory– LSTM), potrafiących dzięki „bramkom pamięci” utrzymywać kontekst nawet w długich ciągach, takich jak zdania wielokrotnie złożone czy szeregi czasowe (Hochreiter, Schmidhuber 1997). W tych modelach sieć uczy się przewidywać kolejne elementy sekwencji, a błąd prognozy jest propagowany wstecz, by skorygować wagi i lepiej odwzorować zależności kontekstowe. Mechanizm ten umożliwia sieciom rozpoznawanie złożonych struktur i regularności– nie jako reguł logicznych, lecz jako ukrytych wzorców probabilistycznych. Modele typu Transformer (np.ChatGPT) (Vaswani et al. 2017) stanowią kolejny krok w tej samej tradycji. Choć różni się od klasycznych sieci RNN, na- 89Wpływ metod AI na współczesną historiografię dal używa wstecznej propagacji jako metody uczenia. Różnica polega na tym, że zamiast przewidywać sekwencję w zjawisk czasie, transformery uczą się relacji między wszystkimi tokenami naraz (tzw. self-attention). Każda warstwa sieci równocześnie przekształca dane wejściowe nieliniowo i przekazuje sygnał błędu wstecz, aż cały model nauczy się przewidywać najbardziej prawdopodobne kolejne słowo. To właśnie w wyniku takiego uczenia powstają modele takie jak GPT-3 (2020), GPT-4 (2023), Gemini (2024) i GPT-5 (2025) — sieci neuronowe wykorzystujące ponad 100 miliardów parametrów, które uczą się struktury języka poprzez miliony iteracji mechanizmu wstecznej propagacji (Vaswani et al. 2017). Sztuczna inteligencja i badania historyczne Sam fakt istnienia określonej technologii nie oznacza jej symetrycznego wykorzystywania we wszystkich obszarach ludzkiej aktywności. Bywają jednak technologie, które wywierają tak silny wpływ na działanie zwiększając jego efektywność, że ich ignorowanie jest niemożliwe bądź możliwe jedynie przez bardzo ograniczony czas. Taką technologią było pismo, druk, cyfryzacja i jest nią również sztuczna inteligencja. Nawet dość zachowawcza dziedzina wiedzy jaką jest historiografia (Werner, Falkowski 2024) nie odrzuca korzyści poznawczych, które płyną z zastosowania technologii AI (choć oczywiście indywidualni badacze mogą skutecznie ignorować jej istnienie bardzo długo). W praktyce oznacza to, że badania, w których zastosowanie mają algorytmy AI i wykorzystujące je narzędzia nawet, jeżeli prowadzone nie przez wszystkich historyków, będą dzięki niektórym przynosiły widoczne, korzystne efekty. Zastosowania metod i narzędzi sztucznej inteligencji w badaniach historycznych obecnie jest zauważalne na trzech poziomach: zastosowań technicznych (poziom bazowy– 1), ustalania nowych faktów (poziom faktograficzny– 2) i na poziomie ustalania relacji między faktami (poziom interpretacji – 3). Na poziomie bazowym narzędzia cyfrowe zaczęły być wykorzystywane w procesie przygotowywania zasobów źródłowych do uczestnictwa w procesie badania historycznego. Są to znane prace związane z odczytywaniem silnie zniszczonych manuskryptów czy manuskryptów, które na skutek uszkodzenia w ogóle nie nadawały się do odczytania. Spektakularnym sukcesem okazało się pionierskie zastosowanie komputerowej tomografii rentgenowskiej i analizy fluorescencji do wirtualnego odczytu nadpalonych i częściowo zwęglonych zwojów i ksiąg bez ich otwierania, które spowodowałoby zniszczenie obiektów 90 Wiktor Werner (Albertin et al. 2015), co ukazało korzyści płynące z szerokiej implementacji metod cyfrowych w badaniach historycznych. Kolejnym przełomem okazało się być wprowadzenie narzędzi AI (a nie tylko technologii cyfrowej), gdyż przewyższyło skutecznością inne, wcześniej stosowane metody– w tym również starsze metody cyfrowe. Ciekawe są tu wyniki uzyskane w ramach projektu Ancient Lives (Uniwersytet Oksfordzki, Zooniverse), gdzie porównano skuteczność sieci neuronowych CNN z bardziej „tradycyjną” technologią OCR (technologia przekształcająca fotografie lub zeskanowane dokumenty na edytowalny, cyfrowy tekst, rozwijana zazwyczaj przez producentów konkretnych skanerów) do rozpoznawania greckich liter w niskiej jakości papirusach. W projekcie Ancient Lives sieci CNN znacząco przewyższyły tradycyjne OCR w rozpoznawaniu liter na uszkodzonych papirusach (Swindall et al. 2021). Ważnym przykładem sukcesu AI w badaniach historycznych jest projekt Ithaca, opracowany przez zespół Google DeepMind i Uniwersytetu Oksfordzkiego (Assael et al. 2022), w którym stworzono model sztucznej inteligencji uczącej się na korpusie 78 608 greckich inskrypcji. Model ten potrafi rekonstruować brakujące fragmenty tekstów z dokładnością do 62%, datować inskrypcje z błędem średnim około 30 lat oraz określać pochodzenie geograficzne z 71% skutecznością. Model Ithaca opiera się na architekturze głębokiej sieci neuronowej typu Transformer, podobnej do tej, którą wykorzystują współczesne modele językowe (np. GPT). Uczenie polegało na analizie kontekstu lingwistycznego i topograficznego — brakujące fragmenty są przewidywane na podstawie prawdopodobieństwa sekwencji symboli w otoczeniu. W wymiarze technicznym Ithaca używa mechanizmu self-attention i backpropagation do minimalizacji błędu przewidywania tekstu. Innym przykładem są prace izraelskich badaczy stosujących rekurencyjne sieci neuronowe (RNN) do automatycznego odtwarzania brakujących fragmentów tabliczek klinowych z Babilonu (okres achemenidzki). Model trenowano na korpusie transliterowanych tekstów akadyjskich, co umożliwiło przewidywanie brakujących znaków i słów z dużą dokładnością: od 65 do 95% (Fetaya et al. 2020). Korpus tekstów został przygotowany za pomocą funkcji i modułów języka programowania Python (będącego swoistym lingua franca systemów sztucznej inteligencji). Korzyści biorące się z zastosowania technologii cyfrowej ze szczególnym uwzględnieniem algorytmów samouczących (AI i uczenie maszynowe) są na tyle ewidentne, że zatrzymanie się na poziomie „technicznym” nie wydaje się już możliwe. Nowa technologia jest zatem wprowadzana na dalsze etapy procesu badawczego, czyli uczestniczy nie tylko w opracowywaniu źródła do stanu, w którym może zostać odczytane przez historyka, lecz również bierze udział w weryfikowaniu hipotez o faktach na podstawie nieoczywistych regularno- 91Wpływ metod AI na współczesną historiografię ści i powiązań w danych, których historyk (człowiek) nie byłby w stanie dostrzec „umysłem nieuzbrojonym w narzędzia cyfrowe”. Znajdujemy się zatem na poziomie faktograficznym– 2, gdzie dużą rolę zaczynają odgrywać narzędzia NLP: algorytmy NER (Named Entity Recognition) do rozpoznawania nazw miejsc, osób i wydarzeń oraz stylometryczne dla ustalania autorstwa tekstów i badania sentymentu (nacechowania emocjonalnego tekstów). Bardzo ciekawe badania stylometryczne tekstu Kroniki Polskiej Anonima (Galla) przeprowadził Maciej Eder (Eder 2015), który korzystając z metod NLP potwierdza hipotezę Tomasza Jasińskiego o italskiej tożsamości Anonima. Duże znaczenie można tu przypisać również relatywnie prostym algorytmom uczenia maszynowego (CART– classification and regression tree, decison tree, random forest) należących do grupy algorytmów uczenia nadzorowanego, w których model uczy się na podstawie oznaczonych danych treningowych. Na przykład w klasyfikacji tekstów historycznych algorytm może otrzymać zbiór tekstów oznaczonych kategoriami: „dokument”, „list”, „artykuł prasowy”, a następnie nauczyć się rozpoznawać te kategorie w nowych zbiorach. Zbigniew Wilczyński i Wiktor Werner w badaniach nad działaniami Służby Bezpieczeństwa PRL (Wydział VI w Szczecinie) zastosowali pojedyncze „drzewo klasyfikacji i regresji” (CART) do rozpoznania modelowych typów współpracowników SB i relacji między określonymi parametrami ich opisu (wiek, zawód, wykształcenie, płeć itp.) a tendencją do składania przez nich donosów personalnych (Werner, Wilczyński 2024). Dla badania wszelkich relacji między zjawiskami (ludźmi, instytucjami, państwami, miastami itp.) przydatne są z kolei algorytmy analizy sieciowej (Social Network Analysis) wykorzystujące jako swoją podstawę teorię grafów. Metodyka SNA i teorii grafów znalazła już zastosowanie w wielu badaniach historycznych obejmujących szeroki wachlarz różnych źródeł. Badania Andersona Pereiry Antunesa (Antunes 2021) pokazują, jak można analizować struktury społeczne i zależności personalne w dziejach nauki. W pracy Social Network Analysis in the History of Sciences Antunes zastosował program Gephi oraz bibliotekę networkX (Python) do analizy relacji między uczestnikami ekspedycji naukowych XIX w.(Anuntes 2021). Węzły sieci (nodes) reprezentowały osoby, a krawędzie (edges)– kontakty naukowe, korespondencję i współautorstwa. Wyniki wizualizowano i analizowano z użyciem wskaźników: centralności (betweenness, eigenvector centrality), gęstości i modularności sieci oraz analizy klastrów (community detection). Katherina Kaska zbadała relacje między skrybami i rękopisami w klasztorach cysterskich Heiligenkreuz, Zwettl i Baumgartenberg w XII w. Celem było zrozumienie struktury współpracy skrybów i rozwoju „ekosystemu” produkcji książek (Kaska 2023). Ruedi Epple badał 92 Wiktor Werner sieci społeczno-polityczne w kantonie Basel-Landschaft (Szwajcaria) pod koniec XIX w.Ukazał, jak elity lokalne, duchowieństwo i aktywiści tworzyli sieci wpływu w kontekście inicjatyw i głosowań politycznych (Epple 2022). Louis Bissières w bardzo ciekawy sposób przebadał sieci kontaktów kupieckich i powiązań kredytowych w Ameryce Północnej końca XVIII w.wykorzystując metodę sieci wielowarstwowych pozwalających na ukazanie zależności temporalnych (Bissières 2023). W kontekście uzyskiwanych realnych wyników nie może dziwić zauważalna już tendencja do przeniesienia narzędzi AI na jeszcze wyższy poziom badania i zaangażowanie tej technologii do interpretacji faktów (np.dla wyszukiwania relacji kauzalnych między nimi) i modelowania historycznego. Na trzecim poziomie (interpretacyjnym) mamy do czynienia z modelami zdolnymi do asysty przy generowaniu hipotez o przyczynowości, testowania scenariuszy kontrfaktycznych, a także symulacji procesów historycznych. Tu pojawiają się: Agent-Based Models (ABM) symulujące zachowania społeczne i decyzje (np.migracje, konflikty), Bayesian Networks– do estymacji prawdopodobieństwa zdarzeń przy niepełnych danych i Large Language Models (LLM)– do integracji danych narracyjnych i faktograficznych (np.GPT wykorzystywany do klasyfikacji relacji temporalnych w archiwach). Jako przykład takich badań można wskazać pionierską i w tym momencie wyjątkową pracę Atina Basuchoudhariego, Jamesa T.Banga, Johna Davida i Tinni Sena Identifying the Complex Causes of Civil War (Basuchoudhary et al. 2021). Autorzy wykorzystują modele drzew decyzyjnych dla identyfikacji czynników strukturalnych wojen domowych; zastosowany model „uczy się” zależności przyczynowych z rozległych zbiorów danych historycznych i ekonomicznych. W prezentowanym ujęciu metody uczenia maszynowego potraktowano nie tylko jako instrumenty analizy ilościowej, lecz jako analogat procesów poznawczych właściwych badaniom historycznym. Wspomniani autorzy opracowali procedurę Empirically Informed Covariate Selection (EICS), łączącą selekcję zmiennych, analizę przyczynowości i wizualizację zależności w modelu bayesowskim. Schemat ich badań zawiera: imputację danych metodą MissForest (metoda działająca w oparciu o Random Forest, czyli zestaw drzew decyzyjnych, które wspólnie uczą się przewidywać brakujące wartości każdej zmiennej na podstawie pozostałych kolumn w zbiorze danych), procedurę eliminacji cech mało istotnych, Recursive Feature Elimination (RFE), analizę wpływu zmiennych (PDP) oraz modelowanie przyczynowe oparte na statystyce bayesiańskiej (BART). MissForest odpowiada historycznemu procesowi rekonstrukcji niepełnych źródeł. Model nie wypełnia tych luk arbitralnie, lecz odtwarza brakujące wartości z zachowaniem nieliniowych relacji między zmiennymi (Basuchoudhary 93Wpływ metod AI na współczesną historiografię et al. 2021: 41). Jest to więc algorytmiczny odpowiednik rekonstrukcji „możliwych stanów przeszłości”– forma probabilistycznej hermeneutyki, w której brak staje się częścią procesu poznawczego, a nie czynnikiem blokującym. Recursive Feature Elimination (RFE) stanowi proces heurystyczny zbliżony do selekcji znaczeń w interpretacji historycznej (Basuchoudhary et al. 2021: 53). W ujęciu humanistycznym jest to procedura odróżniania informacji istotnych od przypadkowych– cyfrowa wersja tradycyjnej interpretacji źródła, która selekcjonuje dane i ogranicza ryzyko nadinterpretacji. Partial Dependence Plots (PDP) wizualizują, jak zmiana jednej zmiennej wpływa na wynik modelu przy stałych pozostałych czynnikach (Basuchoudhary et al. 2021: 72). Wreszcie Bayesian Additive Regression Trees (BART) to elastyczny model prognostyczny stosowany w badaniach przyczynowych, gdy spełnione są warunki umożliwiające zastosowanie dla modelowania przyczynowości opartego na rozkładach prawdopodobieństwa przy niepewności zmiennych (pod warunkiem, że wcześniej spełnione są założenia pozwalające rzeczywiście odróżnić przyczynę od skutku). BART składa się z wielu małych drzew decyzyjnych, połączonych w sposób addytywny (czyli ich prognozy się sumują). Każde drzewo jest bardzo płytkie– odpowiada za „lokalny” fragment przestrzeni danych. Algorytm losuje zestaw takich drzew, uczy je na różnych fragmentach zbioru danych i łączy ich wyniki w rozkład prawdopodobieństwa wyniku końcowego (Basuchoudhary et al. 2021: 83). W sensie epistemologicznym odpowiada to świadomości historyka, że wiedza o przeszłości zawsze pozostaje probabilistyczna i wrażliwa na losowość. Model nie eliminuje niepewności, lecz czyni ją elementem opisu. Zestaw metod MissForest– RFE– PDP– BART można więc traktować jako propozycję hermeneutyki obliczeniowej, w której algorytmy nie zastępują interpretacji, lecz naśladują jej strukturę: rekonstruują brakujące ogniwa przekazu, selekcjonują nadmiar znaczeń, badają relacje kontrfaktyczne i ujmują wiedzę w kategoriach prawdopodobieństwa. W ten sposób metody uczenia maszynowego stają się nie tylko techniką analizy danych, lecz modelem myślenia o przeszłości, w którym poznanie historyczne i obliczeniowe spotykają się w obszarze refleksji nad niepewnym obrazem świata pozyskanym z niepełnego zbioru danych. Kolejny krok w zakresie wykorzystywania AI w historiografii może wszelako wiązać się już nie z używaniem tych narzędzi, jak to zostało opisane powyżej, ale z ich ewidentnym nadużywaniem. Nie sposób również pominąć kwestii związanych z angażowaniem algorytmów generatywnych powiązanych z dużymi modelami językowymi (LLM) dla wytwarzania różnych form historycz- 94 Wiktor Werner nych narracji (któremu nie towarzyszy adekwatny proces badawczy!) oraz ikonograficznych pseudo-źródeł. Należy pamiętać, że algorytmy generatywne nie różnicują między przeszłością a teraźniejszością, a także między prawdą i fałszem. Uczą się na wielkich zbiorach danych po to, by generować kolejne dane zgodne z wzorcami (patterns) znalezionymi w zbiorach treningowych. Tam, gdzie my możemy widzieć prawdę lub fałsz, maszyny widzą zgodność lub jej brak. Generalnie zatem zagęszczenie infosfery generowane przez AI stwarza wiele zagrożeń dla profesjonalnej historiografii i szerszej kultury historycznej. Jak podkreśla Marnie Hughes-Warrington w książce Artificial Historians (Hughes-Warrington et al. 2025), logika sztucznej inteligencji (jak wiemy oparta na zbieżnościach geometrycznych między wektorami danych) zasadniczo różni się od logiki historii jako narracji kulturowej tworzonej przez ludzi. Wtórnie i poniekąd nienaturalnie dla wewnętrznego świata algorytmów przymusza się je do adekwatności odpowiednimi wagami (numerycznymi dociążeniami kładzionymi na bramkach przepływu informacji). Dodatkowe zabezpieczenia nakładane są na model LLM po to, by nie rozpowszechniał treści jawnie fałszywych (np.negujących zbrodnie ludobójstwa) i szkodliwych (np.siejących nienawiść i rasizm) poprzez wprowadzenie etapów dodatkowego uczenia (tzw. alignment tuning), w którym model jest dostrajany do norm prawdziwościowych i etycznych poprzez specjalne zestawy danych oraz kary za generowanie niepożądanych odpowiedzi. Jednak te zabezpieczenia mogą być omijane przez tzw. prompt injection, czyli uporczywe redagowanie poleceń w sposób sugerujący modelowi ominięcie reguł bezpieczeństwa (Perez, Ribeiro 2022). Niebezpieczeństwo nadużycia tej technologii jest nie tylko jak najbardziej realne, lecz jest to już fakt stwierdzony. Mówimy tu jednak o kreowaniu narracji bez badania, zatem o zabiegu fałszowania historii, a nie jej poznawania. Wnioski. Czy możemy oczekiwać zmiany metodycznej w historiografii? Wskazane tu badania pokazały, że zastosowanie algorytmów ML i AI umożliwia nową formę analizy źródeł archiwalnych, odkrywając struktury i relacje, których badacz nie byłby w stanie dostrzec bez pomocy komputera. Modele językowe (LLM), algorytmy ML i metody NLP umożliwiają analizę wielkich korpusów tekstów, archiwów i danych społecznych z niespotykaną dotąd precyzją. 95Wpływ metod AI na współczesną historiografię Jednak wraz z tą zmianą pojawia się nowy problem metodologiczny– zagadnienie bias-in, bias-out, czyli przenoszenia uprzedzeń zawartych w danych wejściowych na wnioski generowane przez modele (Barocas et et al.2023). W kontekście badań historycznych zjawisko to ma szczególne znaczenie, gdyż źródła, na których uczą się modele, odzwierciedlają istniejące asymetrie historyczne (przypadek w zachowaniu stanu archiwów), polityczne i kulturowe (np. uprzedzenia względem grup etnicznych i rasowych). Dane historyczne są często selektywne i nierzadko przypadkowe: pochodzą z określonych instytucji, języków, środowisk społecznych, często reprezentują głos władzy, a nie marginalizowanych grup, nacechowane są wreszcie losowością rzeczywistości historycznej. W rezultacie model uczący się na takim materiale– niezależnie od swej złożoności– może reprodukować i wzmacniać te same schematy interpretacyjne, które badacz chciałby przekroczyć i oddawać losowość przebiegu niektórych wydarzeń historycznych. Czy jednak zatem oznacza to, że jako historycy powinniśmy (a czy już możemy?) odwrócić się od stosowania AI w badaniach historycznych? Czy, przeciwnie, pojawienie się tak efektywnych metod może oznaczać zwrot metodyczny w historiografii? Historia, warto zauważyć, jest dość konserwatywną dziedziną wiedzy, w której „stare, sprawdzone” metody mają szanse żyć bardzo długo. Ponadto, jak stwierdziliśmy, nowe metody mimo wielkich możliwości, jakie stwarzają, nie są „magiczną różdżką” automatycznie dostarczającą obiektywną prawdę. Ich stosowanie nie przezwycięża wszystkich ograniczeń związanych z cechami zasobów źródłowych. Nie można wszelako zanegować zarówno poznawczych korzyści powiązanych z możliwością analizy gigantycznych ilości danych przy pomocy algorytmów samouczących, jak i niebezpieczeństw pochopnego czy też intencjonalnie prowadzącego do kłamstw i fałszerstw ich nadużycia. Zarówno dobroczynne używanie tych metod, jak i nadużywanie można zinterpretować na rzecz ich poznawania i oswajania w warsztacie badań historycznych. Przy wszystkich obecnych i ważnych zastrzeżeniach, nowe możliwości stwarzane przez technologię cyfrową mogą wreszcie być odpowiedzią na bardzo realny problem historiografii, jakim jest jej zawieszenie pomiędzy nauką a literaturą, o którym pisał Hayden White w artykule Is Historiography Art or Science? (White 2000). Problem postawiony przez amerykańskiego uczonego, jakim ma być paradoks epistemologicznego zawieszenia pomiędzy opisem naukowym a przedstawieniem artystycznym wiąże się z niemożnością połączenia historiografii z nauką z powodu braku eksperymentalnego mechanizmu weryfikacji i jednoczesnej niechęci stania się literaturą (jej formą) z powodu pretensji do referencji wobec rzeczywistości. Tutaj istotne jest roz-