Tin tức TXST
Dạy máy đọc 1,5 triệu sổ giáo xứ Peru — và hai học viên cao học Texas State đứng sau phần kỹ thuật
Ở vùng núi Andes của Peru, các nhà thờ Công giáo đã chép tay sổ rửa tội, hôn phối và an táng suốt từ thế kỷ 18 tới đầu thế kỷ 20. Hơn 1,5 triệu bản ghi, nằm rải trên hàng nghìn trang giấy, không có cách nào nối chúng lại với nhau. Một nhóm ở Texas State đang dạy máy tính làm việc đó.
Nhưng lý do chúng tôi đăng bài này không nằm ở Peru. Nó nằm ở con số cuối cùng trong bảng trên.
Bài toán không phải là đọc chữ viết tay
Dự án tên đầy đủ là "Sondondo Valley. Population and Territory in Rural Andean History". Phần việc ở Texas State do TS. José Carlos de la Puente, giáo sư Khoa Lịch sử, chủ trì. Ông lớn lên ở Lima.
"Với tôi, vùng Andes là một phòng thí nghiệm để hiểu chủ nghĩa thực dân Tây Ban Nha đã tác động thế nào tới các cộng đồng bản địa. Nhưng dựng lại đời sống thường ngày của người dân ở những ngôi làng đó một cách có hệ thống thì rất khó. Ngoại lệ duy nhất là sổ sách nhà thờ."
JOSÉ CARLOS DE LA PUENTEChỗ khó thật sự không phải nhận dạng chữ viết. Là nhận ra cùng một con người khi họ hiện ra ba lần, trong ba loại sổ khác nhau, cách nhau vài chục năm, dưới ba cách viết tên khác nhau. Máy tính mặc định coi mỗi lần xuất hiện là một người mới.
Mà mỗi bản ghi lại không chỉ có một người:
"Lấy một bản ghi hôn phối làm ví dụ. Bạn có cô dâu, chú rể, cha mẹ hai bên, đôi khi cả ông bà, cộng thêm những người làm chứng. Trong một bản ghi thôi, bạn có thể có 20 con người."
JOSÉ CARLOS DE LA PUENTECộng thêm chữ viết tay mỗi cha xứ một kiểu, chính tả không thống nhất, và sai sót của người chép lại qua mấy trăm năm.
Hai học viên cao học, và không ai học sử
Đây là phần đáng đọc nhất với người đang tính học thạc sĩ ở Mỹ. Phần kỹ thuật của dự án do hai học viên cao học của trường làm.
| Người | Đang học | Làm gì trong dự án |
|---|---|---|
| Vamsi Krishna Samavedam | Thạc sĩ Khoa học Máy tính | Làm sạch bộ dữ liệu hơn 1,5 triệu bản ghi và dựng quy trình học máy để tìm ra các bản ghi khớp nhau |
| Sneha Tulshiram Nitnaware | Thạc sĩ Kỹ thuật Công nghiệp, chuyên sâu phân tích dữ liệu | Xử lý chuyện chính tả, chữ viết và bản chép lại không thống nhất giữa các cuốn sổ |
Một người ngành máy tính, một người ngành kỹ thuật công nghiệp, cùng làm một đề tài lịch sử thuộc địa Peru. Đó là câu trả lời cụ thể cho hai câu hỏi người Việt hay hỏi nhất khi tính học cao học: có được làm nghiên cứu thật không, hay chỉ lên lớp rồi thi — và ngành mình học có dùng được ở đâu ngoài đúng ngành đó không.
"Khi nhìn thấy dạng dự án này, tôi nghĩ: mình chưa làm cái này bao giờ. Sao không thử? Đây là một cơ hội tốt."
VAMSI KRISHNA SAMAVEDAMVà phần khó nhất về mặt phương pháp lại do người ngành kỹ thuật công nghiệp nêu ra:
"Bạn không thể khớp các bản ghi lịch sử chỉ bằng nhận dạng khuôn mẫu. Bạn phải hiểu tính khả thi về mặt thời gian và các ràng buộc phả hệ."
SNEHA TULSHIRAM NITNAWAREKỹ năng họ đang học có tên riêng, và nó bán được
Đây là chỗ bài gốc không nói, vì bài gốc viết cho người Mỹ đọc tạp chí của trường. Với người đọc trang này thì lại là phần quan trọng nhất.
Kỹ thuật nhóm dùng gọi là probabilistic record linkage — nối bản ghi theo xác suất. Thay vì đặt luật cứng kiểu "tên phải trùng khít", mô hình tính xác suất hai bản ghi nói về cùng một người, dựa trên nhiều trường dữ liệu cùng lúc.
"Hệ thống học các khuôn mẫu từ dữ liệu không hoàn hảo. Nó hiểu rằng 'Juan de la Cruz' và 'Juan dela Crús' nhiều khả năng là cùng một người, dù cách nhau mấy chục năm và nằm ở ba loại sổ khác nhau."
SNEHA TULSHIRAM NITNAWARECông cụ họ dùng là Splink, một thư viện Python mã nguồn mở. Điểm đáng chú ý: Splink do đội phân tích dữ liệu của Bộ Tư pháp Anh xây dựng, để nối các bộ dữ liệu hành chính của ngành tư pháp. Đây không phải đồ chơi học thuật.
23.400 đô la là nhiều hay ít
Texas State cấp cho phần việc này một khoản 23.400 USD từ chương trình Research Enhancement Program (REP) của Ban Nghiên cứu. Đọc một mình con số đó thì không biết nên nghĩ gì. Nên chúng tôi tra quy chế của chương trình.
| Mức trần REP | Số tiền |
|---|---|
| Đề tài một giảng viên đứng tên | 12.000 USD |
| Đề tài có từ hai giảng viên trở lên | 24.000 USD |
| Khoản cấp cho dự án này | 23.400 USD |
Tức là gần kịch trần của chương trình. Nhưng đây là quỹ nội bộ của trường, không phải quỹ liên bang: mục đích của nó là tiền mồi, đủ để một hướng nghiên cứu chạy được tới mức có kết quả mà đi xin quỹ lớn bên ngoài.
Biết được thước đo đó thì lần sau đọc bất kỳ dòng tin "được tài trợ X đô la" nào — của trường nào cũng vậy — bạn sẽ hỏi đúng câu: quỹ nội bộ hay quỹ ngoài, và trần của nó là bao nhiêu.
Trước đó, việc số hoá các cuốn sổ bắt đầu từ năm 2019, do Viện Nghiên cứu Andes của Pháp tài trợ. Năm 2023, nhóm dự án hướng dẫn một tốp trợ lý sinh viên ở Đại học California–Santa Barbara đưa một phần bản ghi vào cơ sở dữ liệu. Phần Texas State đang làm là chặng tiếp theo.
Cái gì đã có, cái gì mới là dự định
Chỗ này cần tách bạch, vì đọc lướt rất dễ tưởng đã có sẵn một trang tra cứu để vào.
Đã có
Hơn 1,5 triệu bản ghi đã số hoá và đưa vào cơ sở dữ liệu. Mô hình nối bản ghi đang chạy và đã nhận ra được cùng một người qua nhiều loại sổ.
Mới là dự định
Một trang web mở để tra cứu theo tên người, địa danh, dòng họ; ảnh chụp bản gốc; bản đồ tương tác thể hiện luồng di cư; sơ đồ quan hệ gia đình qua nhiều thế hệ.
Mới là thăm dò
De la Puente cho biết đã gặp gỡ hậu duệ của những người bản địa từng sống ở các khu truyền giáo San Antonio, bàn chuyện áp dụng mô hình vào sổ sách của họ.
"Chúng tôi muốn tạo ra một thứ có thể nhân bản, được các nhà nghiên cứu khác tiếp nhận và sử dụng. Chúng tôi đang mở ra rất nhiều thông tin mới."
JOSÉ CARLOS DE LA PUENTELàm sao để có một vị trí như thế
Nói thẳng trước: nhập học cao học không đồng nghĩa với có chân trong một dự án nghiên cứu. Ở đây là hai người, trên một khoản tài trợ cụ thể, của một giảng viên cụ thể. Nhưng cách để đến gần thì có thật và làm được:
- Đọc trang nghiên cứu của khoa trước khi nộp hồ sơ, không phải sau khi nhập học. Tên giảng viên, đề tài đang chạy, công bố gần đây — tất cả đều công khai trên web của khoa.
- Viết thư cho giảng viên bằng một thứ cụ thể bạn làm được, không phải bằng nguyện vọng chung chung. "Em từng làm sạch dữ liệu bằng pandas và có dùng qua fuzzy matching" nặng ký hơn "em rất đam mê nghiên cứu".
- Đừng loại một dự án chỉ vì nó không thuộc ngành hẹp của bạn. Cả hai bạn trong bài đều không học sử. Cái họ mang tới là phương pháp, không phải kiến thức chuyên ngành.
- Hỏi văn phòng sinh viên quốc tế về giới hạn giờ làm trong khuôn viên trước khi nhận bất kỳ vị trí nào — mỗi tình trạng visa một khác.
Xem thêm: tuyển sinh bậc sau đại học, danh sách ngành học, nghiên cứu tại Texas State.
Nguồn: TXST digital history project unlocks centuries of Andean history, Matt Joyce, Hillviews, 18/9/2026 (toàn bộ trích dẫn, tên người, mốc thời gian và khoản tài trợ) · REP Guidelines, Ban Nghiên cứu Texas State (mức trần tài trợ) · Splink, Bộ Tư pháp Anh (công cụ nối bản ghi theo xác suất) · Khoa Lịch sử Texas State. Phần liên hệ giữa kỹ thuật nối bản ghi và công việc trong ngành tài chính là nhận định của chúng tôi, không phải của nhà trường. Bài gốc còn có ảnh chụp các cuốn sổ giáo xứ và cảnh vùng Andes; những ảnh đó thuộc bản quyền Viện Nghiên cứu Andes của Pháp và của Evelyne Mesclier nên không đăng lại ở đây — mời bạn xem tại bài gốc.
Đang cân nhắc học thạc sĩ ở Mỹ?
Trang tuyển sinh sau đại học của chúng tôi có yêu cầu đầu vào, mốc thời gian và cách hồ sơ được xét — không phải lời quảng cáo.
Xem tuyển sinh sau đại học
