Naukowcy z arXiv CS.CL opracowali metodę automatycznego indeksowania tematycznego dla dużych korpusów tekstów literackich, stosując ją do Dzieł Zebranych Voltaire'a, konkretnie do "Essai sur les moeurs et l'esprit des nations" i "Questions sur l'Encyclopedie". Zadanie sformułowano jako wieloetykietową klasyfikację tekstu - model musi przypisać zbiór haseł indeksowych, które przydzieliłby profesjonalny indekser do danej strony tekstu.
Zawodnicy porównali wiele podejść, od modeli opartych na enkoderach z głowicami klasyfikacyjnymi po generacyjne duże modele językowe (LLM) dostrojone metodą Low-Rank Adaptation (LoRA). Testowali systemy od około 3 do 120 miliardów parametrów. Najlepiej wypadł model z rodziny Mistral w konfiguracji 4-bitowej skwantyzowanej, osiągając wynik F1 aż do 0,67. Naukowcy argumentują, że te wartości reprezentują dolne granice dokładności - indeksowanie jest z natury subiektywnym procesem, a modele często podają semantycznie poprawne propozycje, które różnią się od oficjalnego indeksu drukowanego.
Badanie pokazuje, że machine learning może znacząco zmniejszyć pracochłonność indeksowania dużych zbiorów tekstów historycznych i literackich. Zespół przeanalizował także generalizację między korpusami oraz szczegółowo ocenił, jak model radzi sobie z literackimi i retorycznymi cechami tekstów źródłowych, co otwiera perspektywę dla dalszych zastosowań w humanistyce cyfrowej.