TIP
メニュー
EN
← Research

Research

中世イスラーム科学写本の手書き文字認識データセット「ATHAAR」、テキスト批評に基づく注釈ガイドラインとともに公開へ

2026/11/09

中世アラビア語科学写本の自動認識に向けた新データセット「ATHAAR」

フランス・トゥールーズ大学（IRIT・IMT・CLLE）の研究チームは、中世アラビア語科学写本を対象とした手書き文字認識（HTR: Handwritten Text Recognition）データセット ATHAAR を発表した。論文はarXivにて公開されている（arXiv:2611.08091）。

背景：アラビア語写本は300万冊以上あるが自動認識は遅れている

アラビア語の写本コレクションは世界で300万冊以上に上るとされ、人類の書記文化のなかでも最大規模の一つである。しかし、筆写体の複雑な連字（リガチャ）、母音符号（ダイアクリティカルマーク）の変動、そして何より学習データの不足という課題から、中世アラビア語写本の自動認識は同時期の中世ラテン語や古フランス語と比べても大幅に遅れていると研究チームは指摘している。

既存のアラビア語HTRデータセットには大きく三つの問題があるという。第一に、科学分野のテキストが著しく少ないこと。既存リソースの大半は宗教文書や文学テキストで構成されており、天文学・数学特有の専門用語、数字、幾何学的オブジェクト（角度など）を含むテキストへの対応が不十分である。第二に、注釈ガイドラインが存在しないこと。転写の規約が文書化されておらず、アノテーター間一致率（inter-annotator agreement）を報告しているデータセットもない。第三に、同一テキストの複数の写本（ウィットネス）が含まれないこと。モデルが特定の筆写者にオーバーフィットしないためには、同じ内容の複数の手書きスタイルへの露出が必要だが、既存データセットではその多様性が限られている。

ATHAARの構成：3,893行、32写本、3層構造

ATHAARは、イスラームの学者アル=ビールーニーが1035年頃に著した天文学大著『アル=カーヌーン・アル=マスウーディー』を中心に構築されており、論文によれば以下の3層構造（ティア）を採用している。

  • Tier 1（同一章・異なる筆写者）：第X巻第6章を軸に、11世紀から19世紀にわたる13の写本から転写したウィットネス群。ナスフ体とナスタアリーク体という二つの書体を含む。
  • Tier 2（同一著作・異なる章）：同じ『カーヌーン』から別の10章を追加し、書体・数字・母音記号の有無などを意図的に変化させている。
  • Tier 3（異なる著作）：イブン・スィーナー、イブン・アル=ハイサム、アル=トゥースィーら複数の著者による科学的論文の写本9点をフランス国立図書館（BnF）のデジタルライブラリ Gallica から取得して追加。

全体では32写本169ページ、計3,893行を人手で転写したとされる。また、転写された数字は2,618桁にのぼり、科学写本特有の数値表現にも対応している点が特徴的だ。

テキスト批評に基づく注釈ガイドラインを初公開

本研究のもう一つの貢献が、科学的アラビア語写本の転写に特化した注釈ガイドラインの策定である。研究チームは歴史的テキスト編集において確立された手法である「テキスト批評（textual criticism）」に着想を得て、異なる写本間の表記上の差異（variant reading）を記録する規約を整備した。このガイドラインは数字や幾何学的オブジェクトまでカバーするものとしては初めての公開事例であると著者らは述べている。

さらに、アノテーター間一致率を実際に測定・報告している点も、既存データセットとの差別化要因である。先行研究では、RASAM（Vidal-Gorène et al., 2021）が一般的な転写方針を文書化してはいるものの、正式なアノテーションガイドは公開しておらず、一致率の測定も行っていない。

現行モデルの評価：科学テキストへの転用は限定的

著者らはATHAARを用いて、最先端のビジョン言語モデル（VLM）を対象とした一連の実験を実施した。具体的には、書体・章・著作をまたいだモデルの転用能力（transfer）を検証している。その結果として、現行のシステムは古代科学テキスト固有の特性に直面すると顕著な限界を示すと報告されている。

比較対象として評価されたモデルには、HATFormer（TrOCRベースのアーキテクチャ）、CHURRO-3B（Qwen2.5-VL-3B-Instructのファインチューン版）などが含まれるが、これらはいずれも中世アラビア語科学写本での評価実績がなかったと著者らは述べている。

写本認識の技術的難点

論文はデータセット構築上の技術的困難についても詳述している。具体的には以下が挙げられている。

  • レイアウト：余白の注釈、天文学的表、図表が混在する。
  • 古文書学的特性：現代アラビア語・活版印刷アラビア語とは大きく異なる字形、カシーダ（字間の引き延ばし）、複雑な連字、数字表記の変動。
  • 写本の物理的状態：水染み、インクの退色、破損など。

これらの課題が組み合わさることで、汎用VLMの直接適用が困難になっているとされる。

今後の展開

ATHAARのコーパスは論文採択後に公開予定であると論文中に明記されている。科学分野に特化した中世アラビア語写本の大規模なデジタル化・テキスト化に向けた基盤整備として、今後の研究コミュニティへの貢献が期待される。

出典: ATHAAR: A Medieval Scientific Arabic Manuscript Dataset for Handwritten Text Recognition