Graven in data; archeoloog ontwikkelt zoekmachine voor eigen vakgebied

Door Anne van den Dool

Vorige maand promoveerde archeoloog Alex Brandsen op zijn onderzoek Digging in Documents: using text mining to access the hidden knowledge in Dutch archaeological excavation reports aan de Universiteit Leiden. In zijn proefschrift doet hij uit de doeken hoe archeologen gebruik kunnen maken van deep learning-technieken om hun onderzoek te vergemakkelijken. Wellicht valt die techniek in de toekomst in een bredere context toe te passen.

Archeologen zijn echte speurneuzen: niet alleen onder de grond, maar zeker ook daarboven. Voor hun onderzoeken moeten ze met grote regelmaat rapporten en andere onderzoeken raadplegen. Niet zelden zijn die te vinden in digitale archieven, maar hoe doorzoek je die op een slimme manier? Daarover boog archeoloog Alex Brandsen zich de afgelopen jaren. Met deep learning, een vorm van kunstmatige intelligentie waarbij je computers stimuleert te leren van grote hoeveelheden gegevens, ontwikkelde hij een zoekmachine die die data met grote precisie uitpluist.

Kan dat niet gewoon met Google, vraag je je misschien af. Nee, weet Brandsen. ‘Al deze artikelen zijn open access, dus je zou verwachten dat Google daar goed mee uit de voeten kan. Alleen: Google is niet zo goed in het herkennen van periodes. Zoeken op een woord als “middeleeuwen” lukt nog wel, maar zoeken naar specifieke tijden, zoals 500 na Christus, wordt voor Google al een stuk lastiger. In de zoekmachine die ik de afgelopen jaren heb ontwikkeld, heb ik een module ingebouwd om al die verschillende schrijfwijzen om te zetten naar iets vindbaars.’

Heel specifieke informatie

Bovendien zijn de documenten niet te vinden via Google, maar via een specifieke databank: DANS, nationaal expertisecentrum en repository voor onderzoeksdata, onderdeel van de Koninklijke Nederlandse Akademie van Wetenschappen (KNAW). ‘DANS is een plek waar alle informatie duurzaam is opgeslagen, niet alleen documenten uit het veld van de archeologie, maar ook onder meer op het gebied van rechten en sociale wetenschappen. In DANS kun je jammer genoeg alleen in de metadata zoeken, zoals titels en trefwoorden, niet in de hele tekst. Voor dit onderzoek hebben we een export genomen van DANS met alle documenten rondom archeologie. Vervolgens hebben we de zoekmachine daarop getraind.’

Dat is hard nodig, want archeologen zijn vaak op zoek naar heel specifieke informatie. Bovendien produceren ze ontzettend veel rapporten over hun werkzaamheden. De oorzaak daarvan ligt met name in het Verdrag van Valletta, dat in 1992 werd ondertekend. In dit verdrag staat vastgelegd hoe moet worden omgegaan met Europees archeologisch erfgoed. Met het bouwtempo van de moderne mens is dat geen overbodige luxe: als je ergens begint met bouwen, moet je wel weten of je daarmee niet woelt in grond waarin bijzondere bodemschatten verborgen liggen.

Door taalmodel ondersteund

Om in al die rapporten op een slimme manier te kunnen zoeken, ontwikkelde Brandsen een zoekmachine. En niet zomaar een: de machine wordt ondersteund door een taalmodel dat niet alleen zoekt op titels van rapporten en andere documenten, maar ook op woorden in de rapporten zelf. Verder maakt deze machine het mogelijk te zoeken op locatie – een groot voordeel binnen de wereld van de archeologie, waar de plaats allesbepalend is. Ook herkent de zoekmachine synoniemen en ziet ze verschil tussen verschillende betekenissen van een woord, afhankelijk van de context waarin het wordt gebruikt. Dit gebeurt via het named entity recognition (NER)-model, een techniek gebaseerd op machine learning en natural language processing (NLP), dat kan worden ingezet om entiteiten uit tekst te extraheren.

‘Bijzondere zoekers’

Om er zeker van te zijn dat de zoekmachine ook daadwerkelijk geschikt is voor de praktijk van het archeologisch onderzoek, deed Brandsen tevens een studie naar de gebruikerseisen van de machine en onderzocht hij de bruikbaarheid van het ontwikkelde systeem. ‘Ieder jaar zat ik met een focusgroep van archeologen uit verschillende delen van de sector bij elkaar. Ik vroeg aan de eindgebruikers: wat zijn jullie wensen? Die verwerkte ik, zodat ik elk jaar een nieuwe versie van het systeem kon laten zien.’

Archeologen bleken bijzondere zoekers. ‘Voor hen was een geografische zoekfunctie een grote wens; locatie is voor hun onderzoek heel belangrijk. Ze wilden graag het gebied kunnen uittekenen op een digitale kaart. Zo gaan ze namelijk vaker te werk in hun onderzoekspraktijk. De coördinaten zijn onderdeel van de metadata van de documenten, dus die koppeling was makkelijk te maken. Vervolgens kwam ook de vraag om te kunnen kiezen uit een lijst met locaties, zodat ze niet zelf de randen van een gebied hoeven te tekenen.’

Blij met tijdsbesparing

Tegelijkertijd zag Brandsen dat de testgebruikers niet bijzonder gebrand waren op een zo efficiënt mogelijk zoekproces. ‘Ze kregen liever een lange lijst met resultaten voorgeschoteld waartussen enkele fouten zaten dan een korte lijst met alleen de belangrijkste bronnen’, concludeert hij. ‘Ze vonden het ook niet zo belangrijk dat de meest relevante zoekresultaten bovenaan kwamen te staan. Hun manier van vragen paste daar goed bij. Ze vroegen niet: uit welke periode komt pot X? Ze wilden juist alles weten van artefact X op locatie Y uit tijdsperiode Z. Daar komen andere zoekresultaten uit.’

Wel waren de zoekers al heel blij met de tijdsbesparing. ‘Waar ze eerst weken bezig waren met het doorspitten van artikelen, soms zoekend naar één enkel woord, kost dat ze nu nog maar een paar uur. We hopen in volgende versies de hoeveelheid ruis nog verder te verkleinen. De eerste reacties zijn alvast heel positief. Ik realiseer me steeds meer welke enorme meerwaarde dit voor het veld kan hebben.’

Zoekmachine AGNES doorontwikkelen

Dankzij deze zoekmachine, AGNES genaamd, kan veel nieuwe informatie boven tafel komen, verwacht Brandsen. Toen hij samen met collega-archeoloog Femke Lippok de zoekmachine testte op een database over crematies in de vroege middeleeuwen in Nederland, die ze ontvingen van de grote expert op dat gebied, vonden ze veel nieuwe informatie. Het laat zien dat met deze vorm van digitalisering veel te winnen valt, en dat het zelfs kan leiden tot een beter begrip van ons verleden.

In zijn onderzoek combineert Brandsen meerdere disciplines met elkaar: archeologie en digitalisering komen in zijn werk op een natuurlijke manier samen. Hij maakt daarmee onderdeel uit van het Data Science Onderzoeksprogramma dat Leidse promotieonderzoeken uit allerlei disciplines met data science combineert. Het laat zien op hoeveel vlakken een datagerichte aanpak van meerwaarde kan zijn.

Koppelen van data 

Brandsen is nog niet klaar met zijn onderzoek: als postdoctoraal onderzoeker mag hij zich verder gaan buigen over het nog preciezer maken van de zoekmachine. Ook is hij van plan de zoekmachine te trainen op meerdere talen. ‘Het liefst willen we meer data verzamelen: niet alleen uit DANS, maar ook uit archieven’, vertelt Brandsen. ‘Verder proberen we bij uitgevers artikelen te krijgen – niet alleen in het Nederlands, maar ook in het Engels, Duits en misschien zelfs Frans. De volgende stap is het trainen van taalmodellen die woorden in die talen kunnen vinden. Het allermooist zou het zijn als we die vervolgens aan elkaar kunnen koppelen. Dat is extra handig omdat de grenzen van Nederland niet altijd op dezelfde plek hebben gelegen. Als je bijvoorbeeld op zoek bent naar de vondst van een bijl in de buurt van de Duitse grens, kan het heel goed zijn dat je niet op het Nederlandse maar op het Duitse woord moet zoeken. Op dit moment moet je nog een stuk of tien verschillende archieven doorzoeken om zulke informatie te achterhalen.’

Bij die koppeling komt echter veel kijken, weet Brandsen. ‘In verschillende landen worden steeds weer andere definities van dezelfde periode gehanteerd. De middeleeuwen starten volgens het ene land bijvoorbeeld een paar honderd jaar later dan in het andere. Ook is het niet altijd makkelijk om perfecte synoniemen voor een woord te vinden. Zo kennen wij in het Nederlands maar één woord voor bijl, terwijl de Duitsers vijf verschillende subtypen hebben. Dit project op Europese of zelfs wereldwijde schaal uit te voeren, zou flink wat voeten in de aarde hebben. Daarvoor hebben we ontzettend veel expertise nodig – dat kan ik niet alleen.’

Breder toepasbaar

Brandsen heeft zich met zijn onderzoek nu gericht op archeologie, maar verwacht dat de resultaten breder toepasbaar zijn. ‘Er zijn meer onderzoeksvelden met soortgelijke problemen’, weet hij. ‘Als onderzoeker moet je vaker grote databases doorspitten op zoek naar heel specifieke woorden, zoals tijdsperioden of materialen. Ik denk bijvoorbeeld aan de erfgoedsector, maar ook aan de biomedische wetenschap waarin je eerder zult zoeken naar specifieke ziektes of medicijnen.’

Brandsens onderzoek viel ook in goede aarde buiten de archeologiesector, merkte hij. ‘Ik heb veel van mijn werk gepresenteerd op congressen over computerwetenschap en digital humanities. Het was leuk om te zien hoe geïnteresseerd men was, ondanks dat de specifieke toepassing misschien wat ver van hen af stond. Deze wetenschappers zijn vaak maandenlang bezig om een algoritme met enkele procenten te verbeteren – dat is voor hen al een wereld van verschil. Ik kwam juist met een heel praktisch probleem: ons algoritme doet het nog helemaal niet zo goed. Bovendien werken wij niet alleen maar met enen en nullen. Soms zijn we op zoek naar iets wat uit de middeleeuwen komt, maar het kan ook iets eerder of later zijn. Daarin zagen zij knappe uitdagingen waarover ze graag meedachten.’


Het promotieonderzoek van Alex Brandsen, Digging in Documents: using text mining to access the hidden knowledge in Dutch archaeological excavation reports (15 februari 2022), is te downloaden via https://hdl.handle.net/1887/3274287.


Anne van den Dool is tekstschrijver, auteur en cultureel journalist.

Deze bijdrage komt uit de papieren IP #2-2022. Het hele nummer kun je hieronder lezen of downloaden.