神经网络模型在古文字破译中的知识发现机制与历史语言学范式更新 .docxVIP

PAGE2

神经网络模型在古文字破译中的知识发现机制与历史语言学范式更新

摘要

古文字破译是历史语言学的核心难题，传统方法依赖学者直觉与因果推理，面临数据稀疏与解释瓶颈。近年来，深度学习在死文字破译中取得突破，但黑盒模型的隐层推理机制对传统因果解释范式构成挑战。本文聚焦神经网络在古文字破译中的知识发现机制，探讨其对历史语言学范式的挑战与补充。首先，梳理古文字破译的背景与核心矛盾，明确研究目的与方法。其次，综述国内外相关研究，指出现有理论在黑盒解释上的不足。进而，界定核心概念并构建分析框架。在此基础上，剖析黑盒推理与传统因果解释的内在矛盾，揭示其作为“相关性-因果性”张力问题的本质。随后，深入阐释神经网络特征映射与分布共现的作用逻辑、条件边界及演变规律。最终，提出“因果-计算协同”的理论框架，论证其解释力优势。本研究旨在推动数字人文视域下历史语言学范式的更新，实现计算发现与人文解释的深度融合。

第一章绪论

1.1研究背景

古文字是探寻古代文明密码的钥匙，其破译工作长期依赖历史语言学家的语感与经验。传统破译过程遵循严密的因果解释范式，要求从音韵、字形、语义等维度建立清晰的逻辑链条。然而，面对残缺的出土文献与未知的死文字，传统方法常陷入数据稀疏的困境，解释力显著不足。

随着数字人文的兴起，神经网络模型开始介入古文字破译领域。以线性B文字和乌加里特字母的自动破译为代表，深度学习展