Knowledge mapping and its application in analyzing art and architecture history data//—–//2025-12-06//—–//دنا شمسی زاده و الهه وثوقی//—–//

نشست سوم پژوهش نگاری؛ نقشه‌ی دانش و کاربرد آن در تحلیل داده‌های تاریخ هنر: نمونه‌ی زندگی حرفه‌ای و دستاوردهای هنری زنان در مدرسه‌ی باوهاوس

//—–//

//—–//

//—–//

کلیات نشست و طرح مسئله

معرفی جلسه و چارچوب بحث

 

آغاز نشست و معرفی موضوع

۰۰:۰۰:۰۰
الهه وثوقی: اگر اجازه بدهید، جلسه را شروع کنیم. از میزبانی نشست امروز بسیار خوشحالم. موضوع جلسه، نقشه دانش و کاربرد آن در تحلیل داده‌های تاریخ هنر است. میزبان خانم شمسی‌زاده هستیم. ایشان قبول زحمت کرده‌اند و این جلسه را ارائه می‌دهند. از ایشان تشکر می‌کنم. از شما نیز برای حضورتان بسیار سپاسگزارم. تمرکز ویژه جلسه امروز بر یک مطالعه موردی است. این مطالعه دربارهٔ زندگی حرفه‌ای و دستاوردهای هنری زنان باوهاوس (Bauhaus) است. این بررسی بر پایهٔ knowledge map و ontology انجام شده است. جلسه ما دو بخش دارد. بخش نخست، ارائه خانم مهندس شمسی‌زاده است. سپس بخش پرسش و پاسخ را خواهیم داشت. در خدمت شما هستیم، خانم شمسی‌زاده، بفرمایید.

معرفی موضوع ارائه و هدف جلسه

۰۰:۰۰:۵۲
دنا شمسی‌زاده: خواهش می‌کنم. از دعوت و معرفی شما بسیار ممنونم. موضوع امروز، همان‌طور که گفتند، کاربرد نقشه‌های دانش است. به انگلیسی به آن‌ها knowledge map گفته می‌شود. بحث ما دربارهٔ ضبط و ثبت داده‌های تاریخ هنر است. مرحله بعدی نیز تحلیل و تفسیر این داده‌هاست. امیدوارم جلسه برای عزیزان مفید باشد. اگر پرسشی پیش آمد، خوشحال می‌شوم پاسخ بدهم. پس از این ارائه کوتاه نیز گفت‌وگو می‌کنیم. هر پرسش یا بحثی باشد، با خوشحالی می‌شنوم.

زمینه نظری و روش‌شناختی نقشه دانش

زیست‌جهان دیجیتال و چالش علوم انسانی

۰۰:۰۱:۵۳
مسئله را می‌توان از سطحی کلی‌تر آغاز کرد. سپس می‌توانیم به این برسیم که نقشه دانش چیست. همچنین می‌بینیم کاربرد آن چیست. در جهان و زیست‌جهان دیجیتال امروز، همه ما با داده سروکار داریم. این ارتباط در اشکال مختلف اتفاق می‌افتد. در این میان، مسئله‌ای همواره وجود دارد. این مسئله به‌ویژه در علوم انسانی برجسته است. تاریخ هنر، تاریخ معماری و میراث فرهنگی نیز با آن درگیرند. ابزارهای دیجیتال می‌توانند مسیرهای تازه پژوهش را نشان دهند. آن‌ها همچنین روش‌های مبتنی بر تکنولوژی‌های جدید را ممکن می‌کنند. بااین‌حال، نوعی تناقض وجود دارد. این تناقض میان روش‌های جدید و شکل سنتی پژوهش است. نمونه آن پژوهش در تاریخ هنر و تاریخ معماری است.

منابع متنی و نیاز به داده‌های پردازش‌پذیر

۰۰:۰۳:۱۴
این تناقض از جایی آغاز می‌شود که منابع معمول ما متنی هستند. این مسئله در تاریخ و علوم انسانی بسیار مهم است. جدا از موضوع باوهاوس (Bauhaus)، این وضعیت عمومی است. باوهاوس (Bauhaus) مورد نمونه‌ای من در این ارائه است. در هر موضوع تاریخ هنر یا تاریخ معماری نیز همین وضعیت دیده می‌شود. بیشتر منابع شما مقاله‌ها و مدخل‌های دانشنامه‌ای هستند. استفاده از فنون جدید تحلیل داده، به یک پل نیاز دارد. این پل، منابع متنی و مرسوم را به داده تبدیل می‌کند. منظور از مرسوم، منابع سنتی به معنای کلی آن است. این داده‌ها باید برای رایانه قابل‌پردازش باشند. ماشین‌ها باید بتوانند آن‌ها را پردازش کنند. سپس ابزارهایشان می‌تواند به تحلیل‌های تازه کمک کند. این فرایند همچنین تفسیرهای جدید را ممکن می‌کند.

حفظ سیاق داده‌ها در دیجیتال‌سازی

۰۰:۰۴:۲۶
بنابراین از دهه‌های اخیر، تلاشی در این جهت آغازشده است. پرسش این است که هنگام دیجیتال کردن منابع چه کنیم؛ منظورم digitize کردن منابع در این حوزه است. باید دید چه روش‌هایی می‌توانیم به کار بگیریم. در یک منبع متنی، سیاق داده‌ها اهمیت زیادی دارد. ممکن است بتوانیم داده را به‌صورت متن بازنمایی کنیم؛ اما نباید آن سیاق در این فرایند از بین برود. روابط میان مفاهیم این حوزه نیز اهمیت دارد. باید بتوانیم همان روابط را منتقل کنیم. این انتقال باید بهینه و قابل‌پردازش باشد. مقصد این انتقال، سیستم‌های رایانه‌ای است.

ضرورت فناوری‌های متناسب با علوم انسانی

۰۰:۰۵:۱۹
در این مسیر، ضرورتی مهم مطرح شد. در علوم انسانی نیز باید از فنون جدید استفاده کنیم. حتی باید فنونی متناسب با نیازهای خودمان توسعه دهیم. این فنون باید با فرایند تفکر پژوهشی هماهنگ باشند. پژوهش در علوم انسانی، فقط گردآوری داده نیست. پژوهشگر هنگام کار، فرایند فکری مشخصی را طی می‌کند. او ساختارهای ذهنی و مسیرهای تفسیری دارد. همه این موارد به تفسیر منتهی می‌شوند. فناوری‌های دیجیتال باید بتوانند این فرایند را بازتاب دهند. همچنین باید ساختاری مناسب برای آن فراهم کنند. این ساختار باید نیازهای علوم انسانی را پوشش دهد.

شیوه‌های تبدیل منابع به Data point

۰۰:۰۶:۲۸
شیوه‌های مختلفی برای دیجیتال کردن منابع متنی وجود دارد. همچنین می‌توان منابع سنتی را به داده تبدیل کرد. به این داده‌ها، Data point گفته می‌شود. منظور، نقاط داده قابل‌پردازش است. برای مثال، اطلاعات یک منبع تاریخی را در نظر بگیرید. این اطلاعات ممکن است از کتاب یا مقاله استخراج شوند. می‌توان آن‌ها را در یک جدول اکسل خلاصه کرد. همچنین می‌توان آن‌ها را در یک جدول word آورد. این هم نوعی digitize کردن اطلاعات است؛ اما ایده و فناوری جالب دیگری نیز وجود دارد. این ابزار را متخصصانی میان‌رشته‌ای ایجاد کرده‌اند. آن‌ها هم با علوم انسانی آشنا هستند و هم با علوم کامپیوتر. این ابزار با نام نقشه دانش یا knowledge map شناخته می‌شود.

تعریف کلی knowledge map

۰۰:۰۷:۴۸
اگر بخواهم کلی بگویم، این‌ها جایگزینی برای ضبط دیجیتال داده‌اند. آن‌ها هر مفهوم و هر داده را جداگانه ثبت نمی‌کنند. داده به‌صورت تک افتاده و بی‌ارتباط ذخیره نمی‌شود. هر مفهوم در منظومه‌ای بزرگ‌تر قرار می‌گیرد. این منظومه، ارتباط مفهوم را با مفاهیم دیگر حفظ می‌کند. این ارتباط‌ها می‌توانند بالقوه یا بالفعل باشند. همان‌طور که از نام آن پیداست، شبیه نقشه است. درواقع، مانند یک شبکه عمل می‌کند. واحدهای سازنده این نقشه، مفاهیم موردبررسی هستند. ارتباط میان این مفاهیم نیز بخش اصلی نقشه است.

تکوین دانش و پردازش رایانه‌ای

۰۰:۰۸:۵۹
نکته مهم در توسعه این نقشه‌ها، طراحی پویای آن‌هاست. دانش علوم انسانی با زمان تغییر می‌کند. در تاریخ هنر نیز همین تکوین وجود دارد. اطلاعات، منابع و مستندات جدید پیدا می‌شوند. نقشه دانش باید بتواند این تحول را نشان دهد. این تکوین در طول زمان اتفاق می‌افتد. مهم‌ترین کاربرد عملی آن برای پژوهشگران، پردازش‌پذیری رایانه‌ای است. به کمک آن می‌توان از امکانات پردازش رایانه استفاده کرد. این امکانات به تفسیرهای تازه کمک می‌کنند. همچنین می‌توانند روایت‌های جدیدی ایجاد کنند.

 مطالعه موردی زنان باوهاوس (Bauhaus)

 معرفی باوهاوس (Bauhaus) و جایگاه تاریخی آن

نمونه پژوهشی زنان باوهاوس (Bauhaus)

۰۰:۱۰:۰۰
اکنون بهتر است با یک نمونه پیش برویم. می‌خواهیم ببینیم knowledge map در عمل چیست. همچنین می‌بینیم چگونه می‌شود آن را ایجاد کرد. پرسش دیگر این است که چه کمکی به پژوهشگر می‌کند. نمونه ما مجموعه داده‌هایی از اعضای زن مدرسه باوهاوس (Bauhaus) است. این مجموعه شامل دانش‌آموزان زن نیز می‌شود. بررسی می‌کنیم اگر هدف ما ساخت knowledge map باشد، چه مسیری داریم. سپس می‌بینیم این نقشه چگونه کمک می‌کند.

پیشینه کلی مدرسه باوهاوس (Bauhaus)

۰۰:۱۰:۴۹
ابتدا معرفی خیلی کلی ارائه می‌کنم. دوستان علاقه‌مند به تاریخ هنر و معماری احتمالاً با باوهاوس (Bauhaus) آشنا هستند. این مدرسه در تاریخ طراحی نیز بسیار مهم است. باوهاوس (Bauhaus) مدرسه‌ای برای طراحی بود. این مدرسه در سال ۱۹۱۹ در وایمار (Weimar ) آلمان شکل گرفت. یکی از بنیان‌گذاران اصلی آن والتر گروپیوس (Walter Gropius) بود. خود مدرسه تاریخ پرفرازونشیبی داشت. باوهاوس (Bauhaus) پس از جنگ جهانی اول ایجاد شد. زمینه آن، تحولات گسترده پس از جنگ بود. پس از مدتی، به دلایل سیاسی به دسائو (Dessau) منتقل شد. سپس به برلین (Berlin ) رفت. درنهایت، در سال ۱۹۳۳ منحل و تعطیل شد.

اهمیت باوهاوس (Bauhaus) در مدرنیسم

۰۰:۱۲:۰۴
اهمیت این مدرسه و اعضایش بسیار زیاد است. این افراد گاهی استاد بودند و گاهی دانش‌آموز. منظور از دانش‌آموز، کسانی است که در مدرسه تحصیل می‌کردند. نقش آن‌ها در جنبش مدرنیسم بسیار مهم بود. دلیلش انقلابی بود که در آموزش هنر و طراحی ایجاد شد. هدف اصلی، شکستن مرز هنر زیبا و هنر کاربردی بود. باوهاوس (Bauhaus) در طول حیات خود، جهت‌گیری‌های مختلفی داشت. عمر آن از سال ۱۹۱۹ تا سال ۱۹۳۳ طولانی نبود. بااین‌حال، تحولات زیادی را تجربه کرد. این تحولات با رخدادهای تاریخی اروپا پیوند داشتند. امروز نیز اعضای مدرسه بسیار مهم شمرده می‌شوند. دانش‌آموزان، استادان و دیگر اعضا در این جایگاه قرار دارند. از آن‌ها به‌عنوان پیشگامان هنر و طراحی یاد می‌شود. این یادکرد در سراسر جهان ادامه دارد.

زنان در ساختار آموزشی و تاریخی باوهاوس (Bauhaus)

ادعای برابری زنان و مردان در باوهاوس (Bauhaus)

۰۰:۱۳:۴۸
یکی از جنبه‌های انقلابی باوهاوس (Bauhaus)، ادعای برابری زنان و مردان بود. این ادعا در زمان بنیان‌گذاری مدرسه بسیار مهم بود. قرار بود این برابری در مدرسه تحقق پیدا کند. حتی در مانیفست اولیه مدرسه نیز بر آن تأکید شد. والتر گروپیوس (Walter Gropius) خود این بیانیه را نوشته بود. او صریحاً نوشته بود که میان دانش‌آموزان زن و مرد تفاوتی نیست. پذیرش آن‌ها باید بر پایه توانایی هنری باشد. همچنین قرار بود با همه به یک‌شکل برخورد شود.

واقعیت کارگاه‌ها و محدودیت زنان

۰۰:۱۴:۴۲
وقتی به تاریخ مدرسه نگاه می‌کنیم، تصویر پیچیده‌تر می‌شود. تاریخ فعالیت دانش‌آموزان زن نیز همین را نشان می‌دهد. آن ادعای برابری، در عمل کاملاً محقق نشد. در مدرسه شاخه‌های آموزشی مختلفی وجود داشت. برای مثال، کارگاه نجاری و کارگاه فلز فعال بودند. کارگاه نقاشی دیواری نیز وجود داشت. کارگاه دیگری نیز برای نساجی و طراحی پارچه بود. در عمل، زنان باوهاوس (Bauhaus) به کارگاه نساجی هدایت می‌شدند. این کارگاه بخش زنانه به‌حساب می‌آمد. خود این کار نیز زنانه تلقی می‌شد. اگر به تاریخ دانش‌آموزان نگاه کنیم، این محدودیت روشن است. زنان فرصت زیادی برای شرکت در کارگاه فلز نداشتند. آن کارگاه معمولاً مردانه تصور می‌شد.

منابع مربوط به زنان باوهاوس (Bauhaus)

۰۰:۱۶:۲۵
اکنون به اطلاعات موجود درباره زنان باوهاوس (Bauhaus) نگاه کنیم. اینجا [اشاره به تصویر] چند دسته از منابع را آورده‌ام. منابعی درباره زنان در باوهاوس (Bauhaus) وجود دارد. بخشی از آن‌ها کتاب‌ها هستند. بخشی دیگر، منابع علمی و دانشگاهی‌اند. همچنین نمایشگاه‌هایی در تاریخ معاصر برگزارشده‌اند. این نمایشگاه‌ها گاهی گروهی و گاهی فردی بوده‌اند. موضوع آن‌ها میراث زنان در باوهاوس (Bauhaus) بوده است. دسته دیگر، پایگاه‌های دیجیتال هستند. بیشتر این پایگاه‌ها درباره افراد یا اعضای باوهاوس (Bauhaus)‌اند. زنان نیز بخشی از این مجموعه‌ها را تشکیل می‌دهند.

در حاشیه ماندن زنان در تاریخ‌نگاری باوهاوس (Bauhaus)

۰۰:۱۷:۱۲
با بررسی این منابع، یک مسئله دیده می‌شود. تاریخ‌نگاری‌ها و منابع درباره باوهاوس (Bauhaus)، عموماً بر نقش مردان تأکید داشته‌اند. نقش زنان معمولاً در حاشیه بوده است. این نقش گاهی فقط به فعالیت در کارگاه نساجی محدودشده است. همان‌طور که گفتم، این کارگاه زنانه محسوب می‌شد.

تلاش‌های جدید و پراکندگی اطلاعات

۰۰:۱۷:۵۱
در سال‌های اخیر، تلاش‌هایی برای تغییر این وضعیت انجام شده است. تک‌نگاری‌ها و نمایشگاه‌های فردی در این مسیر نقش داشته‌اند. این تلاش‌ها میراث برخی زنان باوهاوس (Bauhaus) را برجسته کرده‌اند. هدف آن‌ها به چالش کشیدن روایت‌های مسلط بوده است. همچنین جایگاه زنان باوهاوس (Bauhaus) را دوباره نمایان کرده‌اند. بااین‌حال، اطلاعات امروز ما همچنان پاره‌پاره است. این اطلاعات در متون مختلف پراکنده‌اند. بخشی نیز در آرشیوها قرار دارد. حتی برخی منابع، نامه‌های کاغذی آرشیوی هستند؛ بنابراین با منابعی بسیار پراکنده روبه‌رو هستیم. جنس این منابع نیز بسیار متنوع است.

نیاز به ساختار یکپارچه و پرسش‌های تازه

۰۰:۱۸:۵۵
بر این اساس، به ساختاری یکپارچه نیاز داریم. این ساختار باید امکان بررسی منظم داده‌ها را فراهم کند. همچنین باید بر اطلاعات مستند تکیه داشته باشد. با چنین ساختاری می‌توان پرسش‌های تازه مطرح کرد. برای نمونه، سال‌های ۱۹۱۹ تا ۱۹۳۳ را در نظر بگیرید. در این دوره، تقریباً نیمی از پذیرفته‌شدگان باوهاوس (Bauhaus) زن بودند. آیا فعالیت آنان فقط به کارگاه نساجی مربوط می‌شد؟ باید بتوان این پرسش را بر اساس مستندات بررسی کرد. اینجاست که به بازخوانی داده‌ها نیاز داریم. برای ایجاد روایت‌های تازه، باید اطلاعات زنان باوهاوس (Bauhaus) را دوباره بخوانیم. همچنین باید دانش موجود را به مرحله‌ای ساختارمندتر برسانیم. این مرحله باید مبتنی بر داده باشد. ابزارهای امروزی چنین بازنمایی‌ای را ممکن می‌کنند. درنهایت، می‌توان به تفسیرها و الگوهای جدید رسید.

سازمان‌دهی knowledge map

تبدیل داده‌های زندگی‌نامه‌ای به نقشه دانش

کارآمدی knowledge map در یک نمونه زندگی‌نامه‌ای

۰۰:۲۰:۴۷
اینجا کارآمدی نقشه‌های دانش بسیار جالب می‌شود. این نقشه‌ها برای پژوهشگر دستاوردهای مهمی دارند. من اینجا نمونه‌ای از یک متن زندگی‌نامه‌ای آورده‌ام. این متن درباره یکی از شخصیت‌های مهم باوهاوس (Bauhaus) است. او دانش‌آموزی به نام گونتا اشتولتسل (Gunta Stölzl) بود. همان‌طور که می‌بینید [اشاره به تصویر]، این بریده اطلاعات گوناگونی دارد. مثلاً نشان می‌دهد او در چه سالی به باوهاوس (Bauhaus) پیوست. همچنین اطلاعات زندگی‌نامه‌ای عمومی او را نشان می‌دهد. برای مثال، شهر محل تولد او ذکرشده است. سپس اتفاقات دوره حضورش در باوهاوس (Bauhaus) آمده است. او عضو کارگاه نساجی شد. پس از مدتی، به جایگاه استادی همان کارگاه رسید. او چه در مقام دانش‌آموز و چه در مقام استاد، با دیگران همکاری داشت. یکی از نمونه‌ها، مارسل برویر (Marcel Breuer) است. او با همکاری مارسل برویر (Marcel Breuer)یک اثر هنری خلق کرد. از این متن می‌توان چنین اطلاعاتی استخراج کرد.

تبدیل زندگی‌نامه به knowledge map

۰۰:۲۲:۳۳
اکنون می‌خواهیم این بریده متنی را به knowledge map تبدیل کنیم. فرض کنید متن از مقاله یا مدخل دانشنامه‌ای استخراج شده است. می‌توان داده‌های آن را کنار هم و در ارتباط با هم دید. گونتا اشتولتسل (Gunta Stölzl) یک فرد است؛ بنابراین تاریخ‌هایی به او مربوط می‌شوند. یکی از آن‌ها تاریخ پیوستن به باوهاوس (Bauhaus) است. او عضو گروه‌هایی در باوهاوس (Bauhaus) بوده است. برای مثال، به گروه نساجان باوهاوس (Bauhaus) مربوط می‌شود. او نقش‌های مختلفی نیز داشته است. زمانی دانش‌آموز بوده و زمانی استاد شده است. زمانی نیز مدیریت کارگاه نساجی را بر عهده داشته است.

مکان‌های مختلفی هم به او مربوط‌اند. شهر دسائو (Dessau) با او ارتباط دارد. بعدها پس از جدا شدن از مدرسه، مدتی در سوئیس بوده است؛ بنابراین مکان‌ها نیز با او پیوند دارند. او آثاری را نیز خلق کرده است. یکی از نمونه‌ها صندلی آفریقایی است. این اثر با همکاری مارسل برویر (Marcel Breuer) انجام شد. به‌این‌ترتیب، می‌توان این شخص را در مرکز قرار داد. سپس همه مفاهیم مرتبط با او را کنار هم دید. این مفاهیم به فعالیت‌ها و داده‌های مربوط به او معنا می‌دهند. نقشه همچنین نشان می‌دهد این مفاهیم چگونه به هم مرتبط می‌شوند.

پرسش درباره دسته‌بندی داده‌ها

۰۰:۲۴:۵۷
الهه وثوقی: می‌توانم درباره اسلاید قبل از شما بپرسم؟ ببخشید، اینجا اجازه می‌گیرم. اگر نکته‌ای برای من گنگ باشد، ممکن است برای دوستان هم پیش بیاید. چون جلسه ضبط می‌شود، بهتر است همین‌جا بپرسم. این جلسه بعداً در سایت متن‌آویس منتشر می‌شود. شما به تبدیل دانش به داده‌های ساختارمند اشاره کردید. گفتید اطلاعاتی را که ممکن است به کار بیایند، استخراج می‌کنید. سپس آن‌ها را بر اساس دسته‌هایی تنظیم می‌کنید. برای مثال، فرد، تاریخ، گروه و نقش. این ارتباط را بر چه اساسی می‌نویسید؟ مثلاً چگونه تصمیم می‌گیرید بر اساس فرد، تاریخ، گروه یا مکان دسته‌بندی کنید؟ ارتباط میان داده‌هایتان چگونه شکل می‌گیرد؟

رابطه‌ها در متن و گراف

۰۰:۲۵:۴۶
دنا شمسی‌زاده: دقیقاً در اسلاید بعدی می‌خواستم همین را توضیح بدهم. خود متن این رابطه را به ما می‌دهد. برای مثال، متن می‌گوید گونتا اشتولتسل (Gunta Stölzl) در سال ۱۹۱۹ به مدرسه باوهاوس (Bauhaus) پیوست؛ بنابراین میان این فرد، سال ۱۹۱۹ و مدرسه باوهاوس (Bauhaus) ارتباط ایجاد می‌شود. فعل پیوستن نیز خود یک رابطه است. این رابطه، گونتا اشتولتسل (Gunta Stölzl) را به مدرسه باوهاوس (Bauhaus) وصل می‌کند. اگر در این گراف [اشاره به تصویر] نگاه کنیم، این رابطه دیده می‌شود. همچنین این رابطه یک زمان دارد. ارتباط دقیقاً به این شکل برقرار می‌شود.

نقش استانداردها در ساختاردهی داده‌ها

استانداردها و کنترل روابط نامتناهی

۰۰:۲۶:۳۷
علاوه بر این، می‌توان پرسش دیگری هم مطرح کرد. شاید بپرسید این ارتباط دادن می‌تواند بی‌نهایت باشد. بین هر فرد و وقایع زندگی‌اش، هزاران رابطه ممکن است. همچنین می‌توان او را با مفاهیم بسیاری پیوند داد. اینجا ابزارها و استانداردهای میراث فرهنگی به کار می‌آیند. مهم‌ترین آن‌ها در این حوزه، کاربرد بسیار زیادی دارد. این ابزار برای کار ما نیز مفید است. دست‌کم در تاریخ معماری و تاریخ هنر ایران کمتر شناخته‌شده است. این چارچوب و استاندارد، سیداک سی‌آر‌ام (CIDOC-CRM) نام دارد.

معرفی CIDOC-CRM

۰۰:۲۷:۴۳
(CIDOC-CRM) همان‌طور که از نامش پیداست، یک استاندارد است. این استاندارد از پیش تعیین‌شده است. گروهی از متخصصان میراث فرهنگی آن را تدوین کرده‌اند. سپس آن را در اختیار پژوهشگران گذاشته‌اند. این استاندارد در سطحی منطقی عمل می‌کند. همچنین در سطحی عقلانی، روابط بالقوه را تعریف می‌کند. این روابط میان مفاهیم مختلف میراث فرهنگی برقرار می‌شوند. CIDOC-CRM این روابط را برای ما آماده کرده است.

اهمیت استانداردها در اشتراک‌پذیری داده‌ها

۰۰:۲۸:۳۰
استفاده از CIDOC-CRM و استانداردها بسیار مهم است. این اهمیت در ترسیم نقشه‌های دانش دیده می‌شود. وقتی از استاندارد استفاده می‌کنید، داده‌ها قابل اشتراک می‌شوند. پژوهشگران دیگر، سازمان‌ها و افراد بعدی می‌توانند آن را بفهمند. همه بر پایه روابط تعریف‌شده در همان استاندارد کار می‌کنند. این روابط در سطحی کلی و منطقی میان مفاهیم برقرارشده‌اند؛ بنابراین پژوهشگران دیگر نیز آن را درک می‌کنند. به تعبیر دوستان کامپیوتری، مقیاس‌پذیر می‌شود؛ یعنی می‌توان همان ساختار را ادامه داد. هرکس واژگان شخصی خودش را تعریف نمی‌کند. درنتیجه، دیگران دچار ابهام نمی‌شوند. همه با یک زبان مشترک صحبت می‌کنند. فقط داده‌ها در آن ساختار قرار می‌گیرند.

نگاشت تولد در ساختار CIDOC-CRM

۰۰:۲۹:۴۷
من نمونه‌ای از نگاشت اطلاعات گونتا اشتولتسل (Gunta Stölzl) آورده‌ام. این نگاشت در ساختار استاندارد CIDOC-CRM انجام شده است. در زبان طبیعی، ما ساده صحبت می‌کنیم. مثلاً می‌گوییم گونتا اشتولتسل (Gunta Stölzl) در ۵ مارس ۱۸۹۷ در مونیخ (München) متولد شد. CIDOC-CRM ما را وادار می‌کند مفاهیم را دقیق تعریف کنیم. نخست باید بگوییم موجودیت‌هایی که می‌خواهیم نگاشت کنیم، چه هستند. یکی از آن‌ها گونتا اشتولتسل (Gunta Stölzl) است. طبق ساختار CIDOC-CRM، او E21 Person محسوب می‌شود. این E21 Person همیشه یک دسته ثابت است.

Person و رویدادهای مرتبط با آن

۰۰:۳۰:۵۲
اکنون درباره گونتا اشتولتسل (Gunta Stölzl) صحبت می‌کنیم؛ اما هر انسان دیگری نیز می‌تواند در همین دسته قرار گیرد. البته این بر اساس تعریف CIDOC-CRM انجام می‌شود. هر فرد را می‌توان در بسته E21 Person گذاشت. او در ۵ مارس به دنیا آمده است. CIDOC-CRM شیوه نگاشت داده‌ها را مشخص می‌کند. تعریف کلی آن چنین است: هر Person می‌تواند رویدادهایی داشته باشد. این رویداد می‌تواند تولد باشد. ممکن است مرگ باشد. می‌تواند ثبت‌نام در مدرسه باوهاوس (Bauhaus) باشد. شاید ترک یک گروه نیز باشد. همه این رویدادها می‌توانند مکان داشته باشند. همچنین می‌توانند زمان داشته باشند.

نمونه رویدادها و ساختار Triple

۰۰:۳۲:۰۷
[اشاره به تصویر] برای مثال، رویداد تولد گونتا اشتولتسل (Gunta Stölzl) را در نظر بگیرید. در CIDOC-CRM، این رویداد با E67 تعریف می‌شود. این رویداد مکانی دارد و آن مونیخ (München) است. همچنین زمانی دارد و آن ۵ مارس ۱۸۹۷ است. رویداد پیوستن او به مدرسه باوهاوس (Bauhaus) نیز مکانی داشته است. مثلاً این رویداد در وایمار (Weimar ) اتفاق افتاده است. همچنین زمانی داشته است. این زمان، ترم تابستان سال ۱۹۱۹ بوده است. این رویداد باعث شد آن شخص به گروه باوهاوس (Bauhaus) ملحق شود.

در طراحی CIDOC-CRM یک فرض مهم وجود دارد. همین فرض در کشیدن نقشه‌های دانش نیز دیده می‌شود. ما اطلاعات زبان طبیعی را می‌توانیم به ساختارهای کوچک‌تر تبدیل کنیم. زبان طبیعی ممکن است فاعل، مفعول و فعل داشته باشد؛ اما می‌توان آن را به Triple تبدیل کرد. به فارسی، به آن سه‌تایی هم می‌گوییم. این سه‌تایی «مفهوم، رابطه، مفهوم» است. توانایی خرد کردن داده‌ها به این سه‌تایی‌ها پایان ندارد. با اتصال این سه‌تایی‌ها، نقشه‌ای شبیه این [اشاره به تصویر] ایجاد می‌شود.

ابزارها و اصطلاح‌نامه‌های پشتیبان

پلتفرم‌ها و استانداردهای کاربردی

ابزار ResearchSpace برای ترسیم نقشه‌های دانش

۰۰:۳۳:۵۸
پیش از ادامه، به اسلاید قبلی برمی‌گردم. همان‌طور که گفتم، CIDOC-CRM یکی از استانداردهای مهم است. هم‌زمان با شکل‌گیری آن، ابزارهایی نیز ایجاد شدند. این ابزارها استفاده از استاندارد را ساده می‌کنند. همچنین به دانش پیچیده علوم کامپیوتر نیاز ندارند. یکی از این پلتفرم‌ها ResearchSpace است. این پلتفرم در هماهنگی با CIDOC-CRM کار می‌کند. می‌توان گفت کاربرپسند و نسبتاً ساده است. ResearchSpace برای ترسیم نقشه‌های دانش مبتنی بر CIDOC-CRM ایجاد شده است. شاید با نیم ساعت یا یک ساعت زمان بتوان آن را نصب کرد، مستندات آن در وب‌سایتش قرار دارد که با خواندن آن‌ها می‌توان نقشه‌های دانش را ترسیم کرد.

کاربرد Getty در استانداردسازی اصطلاحات

۰۰:۳۵:۱۹
الهه وثوقی: شما در همان اسلاید قبل، نام پایگاه Getty را هم آوردید. فهرست اصطلاحات استاندارد Getty کجای CIDOC-CRM به کار می‌رود؟

دنا شمسی‌زاده: بله این هم یکی دیگر از استانداردهای بسیار کاربردی است. من Getty را اینجا آورده‌ام چون در حوزه هنر بسیار غنی است. در تاریخ هنر و میراث فرهنگی نیز بسیار کامل است. البته علاوه بر Getty، ابزارهای دیگری هم وجود دارند. Getty یک اصطلاح‌نامه در حوزه تاریخ هنر و معماری است. نام آن Architecture Thesaurus Art & است. این اصطلاح‌نامه نیز به ما کمک می‌کند. همان‌طور که گفتم، این هم یک استاندارد است.

استانداردسازی نام مفاهیم با Getty

۰۰:۳۶:۲۶
این استاندارد به ما کمک می‌کند مفاهیم را یکسان بنامیم. برای مثال، یکی از مفاهیم مرتبط با گونتا اشتولتسل (Gunta Stölzl) را در نظر بگیرید. ممکن است تولید هنری او از جنس بافته باشد. منظورم پارچه بافته است. من ممکن است به آن «بافته» بگویم. فردی در انگلیسی به آن Textile بگوید. فردی دیگر آن را Cloth بنامد. ممکن است کسی هم به آن «پشمینه» بگوید. هرکس می‌تواند نامی برای آن مفهوم انتخاب کند. اصطلاح‌نامه‌ای مانند Getty به ما کمک می‌کند نام‌گذاری مشترک داشته باشیم. مثلاً توافق می‌کنیم همیشه به این مفهوم «بافته» بگوییم. این توافق بر اساس تعریف Getty انجام می‌شود.

در آن اصطلاح‌نامه، ارتباط مفاهیم نیز مشخص است. مثلاً بافته با مفاهیم بالادست و پایین‌دست خود رابطه دارد. ما نامی مشخص را برای مفهوم انتخاب می‌کنیم. سپس همه به یک نقطه اتصال در Getty وصل می‌شوند؛ منظورم پژوهشگران دیگر نیز هست. آن‌ها همیشه می‌دانند منظور ما از بافته چیست. چون Getty آن را تعریف کرده است؛ بنابراین این استاندارد به نام‌گذاری مفاهیم کمک می‌کند. همچنین مفاهیم مورداستفاده ما را استاندارد می‌کند.

نمونه‌سازی در محیط ResearchSpace

نمونه knowledge map در ResearchSpace

۰۰:۳۸:۲۸
اکنون نمونه‌ای از پلتفرم ResearchSpace را ببینیم. در این نمونه، داده‌های کلی زندگی‌نامه‌ای گونتا اشتولتسل (Gunta Stölzl) آمده است. این داده‌ها به‌صورت knowledge map ترسیم شده‌اند. همان‌طور که در اسلاید قبل دیدیم، اطلاعات مرتبط به او وصل شده‌اند. این اطلاعات شامل فعالیت‌ها، زمان‌ها، مکان‌ها و گروه‌هاست. ساختمان‌ها نیز در همین مجموعه قرار می‌گیرند. همه این موارد به شخص گونتا اشتولتسل (Gunta Stölzl) ارتباط داده شده‌اند. این نمونه، بیشتر اطلاعات زندگی‌نامه‌ای را نشان می‌دهد.

اگر بخواهیم جزئی‌تر شویم، می‌توانیم نقشه را گسترش دهیم. اینجا بخشی از نقشه را می‌بینیم. یکی از تولیدات هنری گونتا اشتولتسل (Gunta Stölzl) African Chair نام داشت. این اثر، همان صندلی آفریقایی است. صندلی پایه‌ای چوبی داشت. بافته روی آن را گونتا اشتولتسل (Gunta Stölzl) بافته بود. همین اطلاعات را می‌توان وارد نقشه کرد. این یک صندلی است. جنس آن چوبی است. بخش چوبی را مارسل برویر (Marcel Breuer) ساخته است. او یکی از دانش‌آموزان مدرسه بود. این بخش در کارگاه چوب‌کاری یا نجاری باوهاوس (Bauhaus) ساخته شد. همچنین می‌توان مکان و سال ساخت را ثبت کرد. بافته سطح صندلی را گونتا اشتولتسل (Gunta Stölzl) ساخته است. این کار در کارگاه نساجی باوهاوس (Bauhaus) انجام شد. زمان و مکان آن نیز در نقشه ثبت می‌شود.

گسترش نقشه با افزایش داده‌ها

۰۰:۴۱:۰۰
من دو نمونه آوردم؛ اما می‌توان تصور کرد که با افزایش داده‌ها، نقشه گسترده‌تر می‌شود. هرچه تعداد اطلاعات بیشتر شود، نقشه بزرگ‌تر خواهد شد. اطلاعات عام‌تر و خاص‌تر می‌توانند کنار هم قرار بگیرند. همه این‌ها در یک نقشه واحد دیده می‌شوند. البته این فقط یک مرحله است. فاز دوم، شاید برای پژوهش جذاب‌تر باشد. این فاز به کاربرد نقشه‌های دانش مربوط است. فرض کنیم نقشه را ساخته‌ایم. همه اطلاعات را با استانداردهای موجود تطبیق داده‌ایم. سپس آن‌ها را وارد ساختار کرده‌ایم.

تحلیل، تفسیر و کاربردهای پژوهشی نقشه دانش (knowledge map)

 داده‌ها در نقشه دانش

 knowledge map و استخراج نتیجه

۰۰:۴۱:۵۱
اکنون پرسش این است که چگونه می‌توان knowledge map را تحلیل کرد؟ از خواندن این نقشه چه نتایجی به دست می‌آید؟ این نقشه‌ها کاملاً مبتنی بر داده‌های مستند هستند. حتی می‌توان ارجاعات را نیز در آن‌ها ثبت کرد. دیدگاه‌های گوناگون محققان هم قابل ثبت است؛ بنابراین با نقشه‌ای مستند سروکار داریم. همان‌طور که گفتم، این نقشه برای رایانه قابل‌پردازش است. پس می‌توان از رایانه درخواست تحلیل کرد. ماشین می‌تواند اطلاعات را برای ما بررسی کند. همچنین می‌تواند الگوهای مختلف را نشان دهد. این الگوها بر اساس داده‌ها استخراج می‌شوند.

خروجی‌های کمی و کیفی از نقشه‌های دانش

۰۰:۴۳:۰۰
وقتی دانشی به داده تبدیل می‌شود، تحلیل کمی آسان‌تر می‌شود. درواقع، اطلاعات با تبدیل‌شدن به داده، قابل‌محاسبه می‌شوند. در مورد نقشه‌های دانش نیز همین اتفاق می‌افتد. ابتدایی‌ترین تحلیل، استخراج الگوهای کمی است. این الگوها از دل نقشه‌ها به دست می‌آیند. البته الگوهای کیفی نیز قابل‌استخراج هستند. دلیلش ماهیت همین نقشه‌های دانش است. آن‌ها سیاق‌ها و کانتکست‌های هر داده را حفظ می‌کنند. من برای این دو نقشه [اشاره به تصویر] دو مثال آورده‌ام. این مثال‌ها خروجی‌های کمی و کیفی را نشان می‌دهند. این خروجی‌ها در قالب ResearchSpace و نقشه‌های دانش قابل دریافت هستند.

 درباره فارغ‌التحصیلی زنان باوهاوس (Bauhaus)

۰۰:۴۴:۱۰
فرض کنید پرسشی داشته باشیم. می‌خواهیم از اطلاعات ذخیره‌شده در نقشه بپرسیم. برای مثال، چند دانشجوی زن باوهاوس (Bauhaus) تحصیلات خود را تمام کردند؟ چند نفر از آن‌ها فارغ‌التحصیل شدند؟ وقتی پرسش را از نقشه دانش می‌پرسیم، اصطلاحاً Query انجام داده‌ایم. نقشه نشان می‌دهد ۴۶۸ عضو به‌عنوان دانش‌آموز ثبت‌نام کرده‌اند. از میان آن‌ها، ۳۸ نفر تحصیلات خود را به پایان رسانده‌اند. این‌یک خروجی کمی است؛ اما از نگاه پژوهشگر، عدد عجیبی است. همین عدد کمک می‌کند پرسش‌های تازه‌تری بپرسیم. چرا از میان بیش از ۴۰۰ نفر، فقط ۳۸ نفر فارغ‌التحصیل شدند؟ می‌توان این را با وضعیت مردان مقایسه کرد. مثلاً اگر ۴۰۰ مرد ثبت‌نام کرده باشند، چند نفر فارغ‌التحصیل شده‌اند؟ چنین تحلیل‌هایی مسیر پرسش‌های جدید را باز می‌کنند. درنتیجه، امکان یافتن پاسخ‌های تازه نیز ایجاد می‌شود.

بازنگری روایت کارگاه نساجی

۰۰:۴۵:۵۵
نمونه دیگر، پرسش از رابطه افراد و کارگاه‌هاست. همان‌طور که در پیشینه گفتم، تصور غالب چیز دیگری بود. گفته می‌شد فعالیت زنان به کارگاه نساجی محدود بوده است؛ اما وقتی به نقشهٔ دانش مراجعه می‌کنیم، تصویر فرق می‌کند. از نقشه می‌خواهیم ارتباط افراد و کارگاه‌ها را نشان دهد. نتیجه نشان می‌دهد فعالیت‌ها فقط به نساجی محدود نبوده‌اند. زنانی هم‌زمان در کارگاه فلز کار می‌کردند. برخی در کارگاه سفالگری نیز دوره گذرانده بودند. حتی زنانی در کارگاه نجاری حضور داشتند؛ بنابراین روایت غالب به‌شدت زیر سؤال می‌رود. آن روایت، محدوده فعالیت زنان را فقط کارگاه نساجی می‌دانست.

شناسایی شکاف‌ها و روایت‌های پنهان

دیدن ابهام‌ها و شکاف‌های پژوهشی

۰۰:۴۷:۱۷
ماهیت نقشه دانش به دیدن ابهام‌ها کمک می‌کند. این ویژگی از ارتباط میان داده‌ها ناشی می‌شود. یک نمونه را پیش‌تر توضیح دادم. با نقشه می‌توان نقاط خالی را نیز دید. برای مثال، اطلاعات ما درباره گونتا اشتولتسل (Gunta Stölzl) بسیار زیاد است. زندگی و آثار هنری او در نقشه بسیار پر جزئیات دیده می‌شود. این بخش از نقشه غنی و پر از اطلاعات است. حتی می‌دانیم صندلی آفریقایی را با چه کسی ساخت. همچنین سال ساخت و محل کنونی آن را می‌دانیم. هم‌زمان، درباره برخی دانش‌آموزان اطلاعات بسیار کمی داریم. از میان بیش از ۴۰۰ دانش‌آموز، بعضی فقط چند داده دارند. مثلاً فقط می‌دانیم چه سالی وارد مدرسه شدند. همچنین می‌دانیم چه سالی از مدرسه خارج شدند. میان این دو تاریخ، اطلاعات دیگری نداریم. این نقاط خالی به‌صورت سیستماتیک دیده می‌شوند. آن‌ها نشان می‌دهند پژوهش‌های بعدی باید کدام شکاف‌ها را پر کنند.

مشارکت‌های غیررسمی زنان در باوهاوس (Bauhaus)

۰۰:۴۸:۵۷
نقشه دانش می‌تواند کمک دیگری نیز بکند. نمونه‌ای جالب در پژوهش خودم پیدا کردم. زنانی در مدرسه مشارکت داشتند که هرگز دانش‌آموز نبودند. آن‌ها هیچ‌وقت به‌صورت رسمی استاد مدرسه نشدند؛ اما مشارکت‌هایشان بسیار ارزشمند و تأثیرگذار بود. این مشارکت‌ها در حیات هنری مدرسه نقش داشتند. نمونه جالب، همسرِ لاسلو موهولی-ناگی (Moholy-Nagy László) است. او یکی از استادان مدرسه بود. همسر او لوسیا موهولی (Lucia Moholy)، عکاس برجسته‌ای بود. تقریباً همه عکس‌های موجود از مدرسه باوهاوس (Bauhaus) از اوست. ساختمان مدرسه در طول زمان بسیار تغییر کرده است. وضعیت موجود آن نیز بسیار متفاوت شده است. مستندسازی تصویری مدرسه را تا حد زیادی او انجام داد. بااین‌حال، عضو رسمی مدرسه محسوب نمی‌شد. مشارکت‌های او نیز به حاشیه رانده شده بود. این مسئله درباره برخی همسران یا شریک‌های زندگی استادان مرد نیز صدق می‌کند. در سیاق نقشه دانش، می‌توان این افراد را مشارکان غیررسمی دانست. همچنین می‌توان این مسئله را به‌عنوان پرسشی باز حفظ کرد.

بازنمایی‌های تصویری و Timeline

۰۰:۵۱:۰۸
تبدیل دانش متنی به داده، امکان مهم دیگری هم می‌دهد. ما می‌توانیم بازنمایی‌های تصویری متنوعی داشته باشیم. برای مثال، داده‌ها را به شکل شبکه نشان دهیم. همچنین می‌توان آن‌ها را به‌صورت گراف نمایش داد. می‌توانیم از تایم‌لاین‌ها و خط‌های زمانی مختلف نیز استفاده کنیم. این بازنمایی‌ها مسیرهای جدید تفسیر را باز می‌کنند. مثلاً در حالت تایم‌لاین، هم‌پوشانی فعالیت‌ها دیده می‌شود. شاید فعالیت یک شخص با فعالیت شخص دیگری هم‌زمان بوده باشد. در خواندن متن‌های جداگانه، این هم‌پوشانی به‌راحتی دیده نمی‌شود؛ اما در نمایش زمانی، این ارتباط آشکارتر می‌شود.

بازنمایی Network و پرسش از تراکم داده‌ها

۰۰:۵۲:۱۸
در بازنمایی شبکه‌ای یا Network نیز پرسش‌های تازه‌ای ایجاد می‌شود. می‌توان پرسید چرا یک واحد داده‌ای به چیزی وصل نیست. چرا ارتباطات آن مشخص نشده است؟ در مقابل، می‌توان واحدهای داده‌ای متراکم‌تر را بررسی کرد. چرا شبکه مربوط به بعضی داده‌ها این‌قدر متراکم است؟ احتمالاً درباره آن‌ها اطلاعات بیشتری وجود داشته است. به همین دلیل، ارتباطات بیشتری هم برقرار کرده‌ایم.

جمع‌بندی و پایان

پایان ارائه و گفت‌وگو

جمع‌بندی و معرفی منابع

۰۰:۵۳:۰۶
امیدوارم منظورم را رسانده باشم. تلاش کردم کارایی این نقشه‌ها را نشان بدهم؛ این کارایی در پژوهش تاریخ هنر و میراث فرهنگی مهم است. نمونه باوهاوس (Bauhaus) برای توضیح این موضوع انتخاب شد. من منابع و لینک پلتفرم‌های استفاده‌شده را برای دوستان می‌فرستم. این موارد بعداً در سایت متن‌آویس قابل‌خواندن خواهند بود. عزیزان علاقه‌مند می‌توانند به آن‌ها مراجعه کنند. اکنون اگر پرسش یا گفت‌وگویی باشد، خوشحال می‌شوم.

پرسش درباره نقطه ورود استخراج داده و خداحافظی

۰۰:۵۳:۴۹
الهه وثوقی: من یک پرسش از خدمتتان دارم. در اسلاید قبل، درباره بازنمایی صحبت می‌کردید. همان‌طور که اشاره کردید، برخی نقطه‌ها به چیزی وصل نیستند. درباره آن‌ها اطلاعات کمی وجود دارد. ممکن است برای عزیزان این پرسش پیش بیاید. وقتی داده‌ای را می‌بینند، از کجا بفهمند چه چیزهایی معنادار است؟ چه چیزهایی باید استخراج شود؟ شما در صحبتتان به استانداردها اشاره کردید. همچنین به مجموعه‌ای از اطلاعات اشاره داشتید. نقطه ورود عزیزان باید چگونه باشد؟ چگونه تشخیص بدهند چه داده‌ای را استخراج کنند؟

دنا شمسی‌زاده: منظورتان این است که چه داده‌ای اهمیت استخراج دارد؟

الهه وثوقی: بله.

دنا شمسی‌زاده: این موضوع بسیار به هدف کار بستگی دارد. هدفی که از ابتدا برای پروژه تعریف می‌کنید، تعیین‌کننده است. برای مثال، محدوده کار من مشخص بود. من فعالیت‌های زنان مدرسه باوهاوس (Bauhaus) را بررسی می‌کردم.

بازه زمانی من ۱۹۱۹ تا ۱۹۳۳ بود. این همان دوره دانش‌آموزی آن‌ها در مدرسه بود. بسیاری از این هنرمندان پس از مدرسه نیز فعالیت کردند. بعضی فارغ‌التحصیل شدند و بعضی مدرسه را ترک کردند. سپس کارهای هنری‌شان را ادامه دادند.

برخی سال‌ها بعد در کشورهای دیگر فعالیت داشتند. بسیاری از آن‌ها پس از جنگ جهانی دوم به آمریکا مهاجرت کردند؛ اما فعالیت‌های پس از مدرسه در محدوده کار من نبود؛ بنابراین آن اطلاعات در این نقشه قابل جستجو نیست. شاید در فاز بعدی آن اطلاعات هم وارد شود. منظورم این است که انتخاب داده‌ها به هدف پروژه بستگی دارد. اینکه چه داده‌ای وارد نقشه شود، از همان ابتدا تعریف می‌شود. همچنین مشخص می‌شود چه اطلاعاتی بیرون از محدوده است. محدوده زمانی، مکانی و موضوعی نیز همین نقش را دارند. هر محدوده‌ای که تعریف کنید، داده‌ها را تحت تأثیر قرار می‌دهد.

الهه وثوقی: بسیار ممنونم. من دیگر پرسشی ندارم. اگر دوستان پرسشی دارند، می‌توانند مطرح کنند.

 

//—–//

گزارش رویداد

این نشست با محوریت چالش‌های ورود علوم انسانی به زیست‌جهان دیجیتال برگزار شد. در ابتدای جلسه، مهندس دنا شمسی‌زاده به تضاد موجود میان روش‌های سنتی پژوهش (که عمدتاً مبتنی بر منابع متنی هستند) و ابزارهای نوین تحلیل داده اشاره کرد. وی تأکید کرد که در دیجیتال‌سازی متون تاریخی، حفظ «سیاق» (Context) و ارتباط میان مفاهیم اهمیت حیاتی دارد و صرفاً تبدیل متن به فایل‌های رایانه‌ای کافی نیست.

نقشه دانش؛ پلی میان متون سنتی و فناوری دیجیتال

بخش اصلی ارائه به معرفی «نقشه دانش» (Knowledge Map) اختصاص یافت. این ابزار به جای ذخیره پراکنده اطلاعات، مفاهیم را در یک منظومه و شبکه به هم پیوسته ثبت می‌کند.

مهندس شمسی‌زاده برای استانداردسازی این شبکه‌ها به دو ابزار کلیدی اشاره کرد:

• استاندارد CIDOC-CRM: چارچوبی منطقی که داده‌ها را به شکل «سه‌تایی» (مفهوم، رابطه، مفهوم) خرد کرده و ارتباط رویدادها (مثل تولد، عضویت یا خلق اثر) را با زمان و مکان مشخص می‌کند.
• اصطلاح‌نامه Getty: مرجعی برای یکسان‌سازی نام‌گذاری‌ها در تاریخ هنر تا پژوهشگران سراسر جهان از یک زبان مشترک استفاده کنند. همچنین پلتفرم ResearchSpace به عنوان ابزاری کاربرپسند برای پیاده‌سازی این استانداردها و ترسیم نقشه‌ها معرفی شد.

مطالعه موردی: بازخوانی انتقادی تاریخ «زنان باوهاوس»

برای نمایش کارکرد عملی نقشه‌های دانش، داده‌های مربوط به زنان مدرسه هنری باوهاوس (۱۹۱۹-۱۹۳۳) مورد بررسی قرار گرفت. ارائه‌دهنده با بررسی اطلاعات زندگی‌نامه‌ای افرادی چون «گونتا اشتولتسل» (Gunta Stölzl) نشان داد که چگونه تبدیل متن به گراف‌های اطلاعاتی می‌تواند روایت‌های تاریخی را دگرگون کند.

دستاوردهای این تحلیل شبکه‌ای عبارت بودند از:

1. رد روایت‌های مسلط: برخلاف تاریخ‌نگاری‌های رایج که فعالیت زنان باوهاوس را منحصراً به «کارگاه نساجی» محدود می‌کردند، خروجی‌های نقشه دانش نشان داد که زنان در کارگاه‌های فلز، نجاری و سفالگری نیز حضور فعال داشته‌اند.
2. خلق پرسش‌های آماری: استخراج داده‌ها (Query) مشخص کرد که از ۴۶۸ دانشجوی زن در باوهاوس، تنها ۳۸ نفر فارغ‌التحصیل شده‌اند؛ آماری که لزوم بازنگری در ادعای «برابری کامل جنسیتی» در این مدرسه را برجسته می‌کند.
3. نمایان شدن نقش‌های پنهان: نقشه دانش توانست شکاف‌های اطلاعاتی و همچنین تأثیر افراد غیررسمی مانند «لوسیا موهولی» (عکاس کلیدی مدرسه و همسر یکی از اساتید) را که در حاشیه تاریخ مانده بودند، به وضوح نشان دهد.

پرسش و پاسخ پایانی

در بخش پایانی نشست، الهه وثوقی پرسشی کلیدی درباره «نقطه شروع استخراج داده‌ها» مطرح کرد. مهندس شمسی‌زاده در پاسخ تأکید کرد که استخراج داده‌ها کاملاً به «هدف و محدوده تعریف‌شده برای پروژه» بستگی دارد؛ برای مثال در این پژوهش، تنها فعالیت‌های زنان در بازه زمانی حضورشان در مدرسه باوهاوس (۱۹۱۹-۱۹۳۳) هدف‌گذاری شده بود و فعالیت‌های پس از مهاجرت آن‌ها در فازهای بعدی پژوهش جای می‌گیرد.

این نشست با تأکید بر اهمیت استفاده از بازنمایی‌های تصویری و خطوط زمانی (Timeline) برای کشف هم‌پوشانی‌ها و الگوهای جدید در پژوهش‌های تاریخ هنر پایان یافت.