Naukowcy z zespołu zajmującego się przetwarzaniem historycznych dokumentów opracowali systemy oparte na sieciach RNN do rozwiązania problemu niespójnych zestawów znaków w średniowiecznych tekstach. Problem pojawia się, ponieważ transcrypcje wykonywane przez różnych pracowników używają różnych konwencji, a cyfryzowane korpusy zawierają heterogeniczne znaki - czasami uproszczone lub zmienione w porównaniu z oryginałami.
Zaproponowana metoda jednocześnie bada dwie strategie: sieci RNN typu one-to-one, które uczą się poprzez samouczenie się (self-supervision), mogą zmapować jeden zestaw znaków na inny i odtworzyć około połowy oryginalnych znaków nawet dysponując minimalnym materiałem treningowym. Druga podejście, nazwane Banded RNN, wykorzystuje wyrównanie znaków z równoległych korpusów - okazało się, że ta metoda skutecznie rozszerza skróty w średniowiecznych dokumentach prawnych (charterach), jednocześnie całkowicie ignorując błędy związane z wstawieniami i usuwaniami znaków.
Kluczową innowacją jest wprowadzenie koncepcji lematyzacji liter - heurystyki, która porównuje znaki z dwóch zestawów i definiuje metrykę semantycznego podobieństwa między nimi. Badacze udostępnili bibliotekę Pythona implementującą wszystkie opisane metody. To narzędzie może znacznie poprawić jakość cyfryzacji średniowiecznych tekstów i ułatwić badania historyczne prowadzone na zdigitalizowanych zbiorach.