讓資料說話：利用AI從眾包集合中提取關鍵詞

本研究由牛津大學的研究人員開展，旨在解決大規模眾包文集中關鍵詞自動提取的技術、實踐和倫理挑戰。專案以牛津大學主持的“Their Finest Hour Online Archive”為案例，這是一個眾包的二戰數字檔案，包含了大量由公眾貢獻的文獻、照片和個人故事。研究團隊評估了三種自然語言處理（NLP）方法：命名實體識別（NER）、關鍵詞提取和主題建模，並將這些方法應用於從傳統統計方法到現代生成式AI神經網路的多種AI技術中。

研究結果顯示，NLP方法在大規模關鍵詞提取方面展現出巨大潛力，但沒有任何單一方法能夠完美解決所有問題。模型的選型對結果有顯著影響，例如，基於統計的TF-IDF方法在處理稀有實體時表現不佳，而基於神經網路的模型雖然能捕獲複雜語義，卻可能產生不穩定的輸出。研究團隊特別強調，在眾包文集中，後設資料直接來源於與活著的貢獻者的互動，因此自動關鍵詞提取帶來了獨特的管護責任——不僅需要考慮技術效能，還要確保提取過程透明、可解釋，並尊重貢獻者的意圖。

在責任部署方面，開源權重（open-weight）的抽取式模型（如基於BERT的微調模型）脫穎而出，被認為是當前最合適的選擇。這些模型可以在本地執行，避免將敏感資料上傳到第三方API，同時其權重公開可驗證。相比之下，生成式AI（如GPT系列）雖然具有抽象化潛力，能夠生成新的關鍵詞，但引入了問責風險：模型可能產生不準確或帶有偏見的標籤，而由於黑箱特性，難以追溯錯誤根源。研究建議，眾包集合的管理者應謹慎權衡生成式AI的利弊，優先採用可解釋性強的抽取式方法。

該研究不僅提供了技術評估，還提出了一個實踐框架：在選擇關鍵詞提取方法時，必須結合集合的規模、主題領域、貢獻者背景以及倫理要求。最終，這項研究為數字人文領域的大規模自動化關鍵詞提取提供了寶貴指導，尤其是在當前生成式AI快速發展的背景下，如何負責任地部署技術顯得尤為重要。