만화는 수십만 쪽에 걸쳐 대중 독자가 당대의 지도자, 전쟁, 영웅을 접했던 20세기의 위대한 시각적 기록 중 하나입니다. 그러나 이러한 기록의 대부분은 전체적인 관점에서 연구된 적이 없으며, 만화학 연구는 책 한 권씩 개별적으로 진행되어 왔습니다. 본 연구에서는 생성형 모델을 포함한 인공지능이 매체 자체의 발전을 위해 이러한 상황을 변화시킬 수 있다고 주장합니다. 우리는 인공지능을 만화 연구의 도구로 활용하는 프레임워크인 PAGE를 제안합니다. 이 프레임워크는 모든 스캔본을 패널, 텍스트, 서지 기록으로 파싱하고, 인간 코더처럼 작성된 코드북을 따르는 비전-언어 모델(vision-language model)로 각 페이지에 주석을 달며, 이러한 판독 결과의 샘플을 인간 주석에 그라운딩(grounding)하고, 출판사와 장르를 통제한 추정치를 바탕으로 아카이브 전반의 변화를 설명합니다. 우리는 서로 다른 역량에 기반한 세 가지 연구를 통해 3,929권의 미국 만화책(1938~1956년)과 87권의 일본 만화에 이 프레임워크를 적용해 보입니다. 첫 번째 연구는 텍스트 검색과 시각적 판독을 결합하여 대중 매체가 정치 권력을 어떻게 묘사했는지 복원합니다. 두 번째 연구는 산업 전반에 걸친 페이지의 시각적 형태를 측정하고 개별 작가의 화풍을 복원합니다. 세 번째 연구는 인간 주석과의 대조 검증을 거쳐 두 만화 전통 전반에서 누가 발화하는지 추적합니다. 연구를 넘어, 동일한 도구를 활용해 그려진 내용을 바탕으로 아카이브를 검색 가능하게 만들고, 시각장애인 및 저시력자 독자에게 만화에 대한 접근성을 제공하며, 훼손되기 쉬운 소장본을 보존하고 이름이 명시되지 않은 작가의 공로를 인정하는 데 도움을 줄 수 있습니다. 마지막으로 우리는 인공지능이 만화라는 매체의 연구, 보존, 영향력 확대를 강화하는 연구 의제를 제시합니다.
본 연구는 이중 행렬(dual-matrix) 계산 아키텍처를 도입하여 196개의 힌두교 및 어긴러(Vajrayana) 불교 비밀교(密教) 신격의 형태학적·신학적 이질성을 수학적으로 정량화한다. 물리적 형태학은 새로운 "Cardinality Weighting" 알고리즘으로 강화된 이산 Gower 거리 행렬을 통해 평가되며, 신학적 기능은 대규모 언어 모델(LLM) 의미 확장에서 생성된 밀집 벡터 임베딩(dense vector embedding)을 통해 매핑되며, 순환 논증을 완화하기 위한 합성 대리(synthetic proxy)로 명시적으로 활용된다. 다중 모달 위상(topological) 투영은 "상징(iconographic) 위장(camouflage)"의 알고리즘적 검증을 제공하며, 서로 다른 시각적 형태가 구조적으로 공유되는 전통 간 기능을 어떻게 가리는지 보여준다. 또한 본 연구는 "Atin Effect"를 계산적으로 모델링한다—이는 순차적 인지 바이어스에 대한 심리학적 관찰이자 동시에 기계학습 벤치마크로 기능하며—고카디널리티(high-cardinality) 비밀교 닻(anchor)(예: 비나(veena) 또는 잘린 머리)이 체계적 신학적 차이를 압도하여 정통(orthodox) 및 탄트라(Tantric) 존재들을 수학적으로 클러스터링하는 방식을 보여준다. 전통 간 공간 분석은 힌두교 Chinnamasta와 불교 Chinnamunda 같은 최상위 비밀교 현현(manifestation)이 시각적($D_G = 0.288$) 및 의미적($D_C = 0.068$) 경계 모두에서 거의 동일한 수학적 좌표를 공유함을 확립하며, 이는 1:1 비밀교 전승(transfer)을 시사한다. 이 아키텍처를 오픈소스로 공개함으로써, 디지털 인문학(Digital Humanities) 학자와 비교 신학(comparative theology) 연구자가 질적 문화 코퍼스 전반의 잠재적 구조적 연속성을 엄밀하게 매핑할 수 있는 확장 가능한 비지도 기계학습 도구를 제공한다.
자동 문자 인식(ATR, Automatic Text Recognition)은 이제 디지털 인문학에 고대 언어의 비구조적이고 이질적이며 종종 노이즈가 많은 대량의 텍스트를 제공한다. 하위 의미 분석—텍스트 재사용 식별, 정렬, 의미 검색—은 문장 임베딩에 의존하지만, 기존 방법은 고대 언어로의 전이가 잘 되지 않는다: 범용 다국어 인코더는 성능이 낮고, 특화 언어 모델은 이방성(anisotropic) 표현 공간을 만들며, 라벨이 붙은 유사도 데이터를 구할 수 없다. 우리는 원문 문장만을 사용하여 특화 토큰 수준 언어 모델을 코퍼스 특화 문장 인코더로 적응시키는 두 가지 완전 비지도 전략—TSDAE와 대조적 문장 임베딩(CSE, contrastive sentence embedding)—을 연구한다. 교부 문헌(patristic literature)에서 성경 재사용이라는 필독학적으로 핵심적인 사례(아우구스티누스, 히에로니무스, 아타나시우스의 라틴어 및 고대 그리스어 전문가 검증 병렬 구문 2,935개)에서, 우리는 재사용 식별을 두 가지 별도 평가 과제—이진 탐지와 대응 검색—로 분해하고, 적응된 인코더를 다국어, 특화, 증류, 지도 미세조정 기준선과 비교 벤치마크하며, HTR(손글씨 문자 인식) 아티팩트와 필사 약어를 시뮬레이션한 인위적 노이즈 데이터에서도 평가한다. 적응된 인코더는 두 과제 모두에서 모든 기준선을 능가하며, 상호 보완적인 특성을 보인다: TSDAE는 대규모 도메인 내 코퍼스가 주어졌을 때 탐지에서 우수하고, CSE는 검색에서 우수하며, 원시 도메인 내 문장 4–8천 개만으로 최적에 도달한다—노트북 GPU에서 수십 초의 학습—그리고 저작물과 저자에 걸쳐 전이되며, ATR 후 노이즈 텍스트에 직접 재학습할 때도 마찬가지다. UMAP 아틀라스는 각 전략의 기하학적 효과를 측정된 성능 향상과 연관 짓고, 전체 파이프라인—분할, 미세조정, 교차 코퍼스 의미 검색—은 온라인 도구 Paraphrasis를 통해 비전문가에게 제공된다.
생성형 AI는 대규모 언어 모델(LLM)이 수초 만에 학술적으로 보이는 텍스트를 생성하게 해 주지만, 유창성이 곧 유효한 설명을 의미하지는 않는다. 가장 깊은 위험은 사실 오류만이 아니라, 명확한 출처, 페이지 번호, 판본, 또는 증거 없이도 설명이 이미 확립된 것처럼 보이는 외양이다. 우리는 페이지 앵커를 아리아드네의 실에 비유한다: 생성적 유창성의 미로 속에서, 그것은 학자를 원전으로 되돌려 이끄는 실이다. 본 논문은 AI 보조 인문학 연구를 위한 최소 규범적 조건으로 추적 가능한 학술(Traceable Scholarship)을 제안하고, 이를 지식 인프라의 세 번의 혁명—인쇄, 디지털, 생성형 AI—의 맥락에서 위치시킨다. 우리는 페이지 앵커, 이중 페이지 번호, 인용 우선 생성, NO_EVIDENCE, 인간 검증, 4단계 준수, Scope Contract를 소개하고, AIH-Infra를 3층 참조 구현으로 제시한다: Contexture(문서 구조화), Open WebUI AIH-Infra(추적 가능한 지식 베이스), AIH-Infra MCP Server(에이전트 게이트웨이). 29권짜리 Kant Akademie-Ausgabe 지식 베이스에 대한 사례 연구는 추적 가능성이 검색 교정, 증거 등급 부여, 판단 하향 조정을 어떻게 지원하는지 보여준다. 추적 가능성은 소프트웨어 특징이 아니다; 그것은 생성형 AI 시대에 인문학 연구가 공적이고 반박 가능한 상태로 남을 수 있는 조건이다.
주제 색인화(thematic indexing) -- 텍스트 구간에 구조화된 개념적 레이블을 부여하는 관행 -- 은 대규모 문학 및 역사적 편집본에 대한 학술적 접근에 필수적이지만, 여전히 대부분 수작업으로 이루어지는 노동 집약적인 과정이다. 본 논문은 볼테르 전집의 두 가지 주요 하위 코퍼스인 『민족들의 풍속과 정신에 관한 시론(Essai sur les mœurs et l'esprit des nations)』과 『백과전서에 관한 질문들(Questions sur l'Encyclopédie)』을 테스트 케이스로 삼아 자동 주제 색인화에 대한 머신러닝 적용을 탐구한다. 이 과제는 다중 레이블 분류(multi-label classification) 문제로 설정되며, 모델은 전문 색인 작성자가 주어진 텍스트 페이지에 적용할 색인 항목 집합을 할당해야 한다. 우리는 분류 헤드를 갖춘 인코더 기반 모델부터 저랭크 적응(LoRA)을 통해 파인튜닝된 생성형 대규모 언어 모델(LLM)에 이르기까지 다양한 접근법을 비교하며, 모델 크기는 약 30억에서 1,200억 파라미터에 걸쳐 있다. 4비트 양자화 구성의 Mistral 계열에서 나온 최고 성능 모델은 F1 점수 최대 0.67을 달성한다. 우리는 전문 색인화의 본질적 주관성과 모델 예측이 인쇄 색인과 다름에도 의미론적으로 유효한 경우가 빈번하다는 점을 고려할 때, 이 수치가 하한값에 해당한다고 주장한다. 우리는 코퍼스 간 일반화도 추가로 평가하고, 자동화 처리에 특히 저항적임이 밝혀진 원본 텍스트의 문학적·수사적 특성에 대한 모델 행동의 상세한 정성적 분석을 수행한다. 우리의 연구 결과는 대규모 문학 및 역사적 코퍼스에 대한 구조화된 주제 접근을 제공하는 보다 광범위한 과제에 시사점을 갖는다.
유럽 프로젝트 LLMs4EU와 ALT-EDIC 인프라 내에서 사회과학·인문학(SSH) 연구에 특화된 대규모 언어 모델(LLM) 적응 사례인 ReSearch_SSH를 소개하며, 검색-증강 생성(RAG) 아키텍처와 지식 그래프(Wikidata)를 결합해 ISIDORE 플랫폼의 다국어 학술 자료에 대한 질의응답, 문헌 종합, 비교 문서 분석을 지원한다. 환각 탐지·추적 가능성 등을 포함한 정량적 벤치마킹과 디지털 인문학 전문가 패널의 정성 평가를 통해 도메인 적응 모델의 신뢰성과 인식론적 책임을 검증하는 평가 프레임워크를 함께 제시한다.
8세기부터 19세기까지 8개 전통 계층에 걸친 벵골어 및 산스크리트어 종교 문학의 어휘 관계에 대한 계산 코퍼스 연구를 제시한다. 불교 바즈라야나, 샥타 탄트라, 바이슈나바, 바울 전통을 포괄한다. 75개 텍스트 코퍼스와 TF-IDF 문자 n-gram 벡터화 및 코사인 유사도 분석을 사용하여, 불교 바즈라야나 어휘가 팔라 수도원의 붕괴 이후에도 생존하여 벵골의 샥타 탄트라 전통에 흡수되었다는, 역사적으로 주장되어 왔으나 이전까지 정량화되지 않았던 주장을 다룬다. 핵심 발견은 특이성(specificity) 결과이다: Gitagovinda(바이슈나바 산스크리트, 12세기)는 샥타 칼리 텍스트와 코사인 유사도가 0이며, Bridge Tara 텍스트(불교-샥타 과도기, 동일 세기, 동일 언어)는 샥타 칼리와 코사인 유사도 0.54를 보인다. 동일 세기의 두 산스크리트 전통 간 8.5배 대비는 불교-샥타 어휘 중첩이 산스크리트 종교 문학의 일반적 속성이 아니라 불교-샥타 전승 사슬에 특이적임을 보여준다. 세 편의 Brihannilatantra Tara 텍스트는 샥타-불교 어휘 비율 2.0~4.0을 보여, 해당 사슬 내 어휘 전환의 측정 가능한 증거를 구성한다. Ramprasad Sen의 18세기 벵골어 칼리가는 칼리 103회 출현과 함께 타라 56회 출현을 포함하는 불교 어휘 잔재를 보존한다. 바이슈나바 벵골 전통은 현대 바울 어휘에 평행 사슬을 기여한다(유사도 0.29). 이는 Charyapada를 통한 불교 Sahajiya 사슬(0.31)보다 약간 낮다. 이 결과는 벵골에서 역사적으로 주장되어 온 불교-샥타 혼합(syncretism)에 대한 최초의 정량적 다전통 상호 검증을 제공한다.
CLEF HIPE-2026는 노이즈가 많은 다국어 역사 텍스트에서 인물-장소 연관을 추출하는 평가 실험으로, 과거 방문 여부(at)와 게재 시점 위치(isAt) 두 유형을 시간·지리적 단서로 분류하도록 설계되었다. 정확도, 계산 효율, 도메인 일반화를 함께 평가하며, 지식 그래프 구축과 역사 전기 재구성·공간 분석 등 디지털 인문학 응용을 지원하는 것을 목표로 한다.