民主化中世纪英语法律传统
计算机视觉与模式识别
2026-05-05 v1 人工智能
计算与语言
摘要
最广为人知的法律体系的起源记录包含数百万页手稿。而众多英语法律体系的最初几个世纪的记录，大多手写于高度缩略形式的中世纪拉丁文，其中仅有少数几 dozen 名学者具备阅读能力。本跨学科项目中，我们构建了一个包含 4029 行文本、覆盖 193 起中世纪刑事和民事案件的数据集。随后我们利用该数据集训练一个开源的端到端管道，用于转录这些手稿。我们首先训练标准神经网络架构进行行分割和手写识别（分别采用 R-Blla 和 CNN+LSTM 配合 CTC 解码），并表明即便在训练集相对较小且扩写缩略词具有挑战性的情况下，仍可实现 79% 的词准确率。随后我们演示，简单的后处理显著提升了准确率：将 n-gram 语言模型加入 CTC 解码器可将词准确率提升至 82%，而让 Gemini Pro 3 纠正错误可将准确率提升至 88%。最后，我们比较了 CNN+LSTM 架构与 TrOCR——一种基于 Transformer 的 OCR 架构，证明 TrOCR 在词准确率上相当，但在字准确率上较差，由于其过于愿意猜测，使得人类难以推断正确的阅读。我们将所构建的管道整合到网页门户（glyphmachina.com），为法律学家、中世纪学家和学生开放了英语法律传统。
引用
@article{arxiv.2605.00977,
title = {Democratizing the medieval English legal tradition},
author = {Michael Zhang and Elise Wang and Charlotte Whatley and Seth Strickland and Dylan Bannon},
journal= {arXiv preprint arXiv:2605.00977},
year = {2026}
}
备注
Submitted to International Conference on Document Analysis and Recognition (ICDAR) 2026