Skip to content

Latest commit

 

History

History
2070 lines (1762 loc) · 118 KB

README_en.md

File metadata and controls

2070 lines (1762 loc) · 118 KB
Raw

GPT3/GPT4 - Large Language Model as a tool for extracting knowledge from text - tests on excerpts from historical publications

(Polish version: GPT3/GPT4 - Large Language Model jako narzędzie do wydobywania wiedzy z tekstu - testy na fragmentach publikacji historycznych - link)

Tests of GPT-3 and GPT-4 models provided by OpenAI's API are conducted on excerpts of historical publications and studies for the purpose of automatic information extraction and deriving structured data from unstructured sources. The test material primarily consists of excerpts from biographies of historical figures.

Notes

Examples

Notes

Preliminary information

Definition of GPT-3 (written by ChatGPT): "GPT-3 (Generative Pretrained Transformer 3) is the third version of artificial intelligence developed by OpenAI. It is one of the largest language models in the world, trained on massive text datasets to understand and generate human language. GPT-3 is used for many applications, such as text generation, translation, answering questions, and text comprehension. The model utilizes the Transformer architecture and can learn tasks with a small amount of data, making it a highly efficient and flexible tool for various applications."

GPT-3 tests were conducted through the API provided by OpenAI, mainly using the text-davinci-003 model.

There are limitations when using the API regarding the number of requests per minute (3,000) and the number of processed tokens per minute (250,000).

A token is understood a bit differently than usual in NLP; here, longer words are broken down into shorter 3-4 character tokens, in addition to punctuation marks, etc. It is stated that on average, a token consists of 4 characters in English. On the OpenAI website, there is a tool (https://beta.openai.com/tokenizer) where you can paste text and see how many tokens it contains.

For example, the biography of Edward Józef Sedlaczek (Polish Biographical Dictionary vol. XXXVI, 1995-6, pp. 137-138) contains 4,433 characters, which translates to 2,291 tokens. In the case of Polish texts, the situation is worsened by Polish characters, as it seems that each double-byte Unicode character is treated as a separate token.

References

  • "Structured information extraction from complex scientific text with fine-tuned large language models" (Alexander Dunn, John Dagdelen, Nicholas Walker, Sanghoon Lee, Andrew S. Rosen, Gerbrand Ceder, Kristin Persson and Anubhav Jain) link

  • "Text Pattern Extraction: Comparing GPT-3 & Human-in-the-Loop Tool" (Maeda Hanafi) link

  • "Getting tabular data from unstructured text with GPT-3: an ongoing experiment" (ROBERTO ROCHA) link

  • "Advanced NER With GPT-3 and GPT-J" (Maxime Cupani) link

  • "Relationship Extraction with GPT-3. Accelerate knowledge graph construction with GPT-3" (Sixing Huang) link

  • "Language Models are Few-Shot Learners" (Tom B. Brown et al.) link

  • "Training language models to follow instructions with human feedback" (Long Ouyang et al., OpenAI) link

Comparison of available GPT models

The best model text-davinci-003 (which is also the most expensive language model in OpenAI) has a limitation of 4,000 tokens, which applies to both input and output combined.

Weaker models, such as text-curie-001 or text-babbage-001, provide noticeably worse results when extracting data from the provided text, for example:

Roles/positions from Edward Sedlaczek's biography according to text-davinci-003 (with standard parameter settings, e.g., temperature = 0.5):

(biographies are processed in Polish, all model results will also be presented in Polish)

  1. Kierownik literacki dwutygodnika lwowskiego „Przyjaciel Domowy” (1 VI 1882)
  2. Kancelista w konsulacie austriackim w Warszawie (1886)
  3. Konsulat austriacki w Kijowie (do 1895)
  4. Wicekonsulat w Batumi, Rosja (1896–7)
  5. Agencja konsularna w Nowosielicy, Rosja
  6. Agencja konsularna w Burgas, Bułgaria
  7. Wicekonsulat w Batumi, Rosja
  8. Wicekonsulat Burgas, Bułgaria
  9. Wicekonsulat Ploieşti, Rumunia
  10. Redaktor serii Wydawnictwa Towarzystwa imienia Piotra Skargi (ok 1910).

Functions/offices according to the text-curie-001 model (parameters as above):

  • literat
  • urzędnik
  • kierownik literacki dwutygodnika lwowskiego „Przyjaciel Domowy”
  • posada kancelisty w konsulacie austriackim w Warszawie
  • kierował kolejno wicekonsulatem w Batumi (Rosja, 1896–7), a od r.n. – agencją konsularną w Nowosielicy (Rosja), agencją konsularną w Burgas (Bułgaria), wicekonsulatem w Batumi, wicekonsulatem w Burgas i wicekonsulatem w Ploieşti (Rumunia)

These weaker models, also have greater limitations: up to 2,000 tokens per query, but are much cheaper.

Technical notes

The temperature parameter has a value of 0.0 - 1.0; a lower value makes the response more specific, deterministic, less random, and less creative. A higher value allows the model more flexibility. Alternatively, you can modify the default value of the top_p parameter = 1.0 by reducing its value - however, it is not recommended to modify both parameters simultaneously (see API reference).

Running the same query multiple times may yield slightly different results if the temperature parameter value is greater than zero.

Queries run through the API do not know the context of queries run moments before, unlike during a conversation with ChatGPT, so you need to provide all the information in the query each time.

The construction of the query (prompt) is of great importance. Questions in English concerning the provided Polish text work quite correctly and sometimes even yield better results. The task assigned to the model should be written in simple, specific language, but it does not have to be very short. Providing the model with examples of what we expect and in what form has a positive impact on the quality of the response.

Responses from the davinci-003 model given through the API often differ from the results of questions asked during a 'conversation' with ChatGPT.

Correctness of answers

The text-davinci-003 model is optimized for generating texts that give the impression of being prepared by a human, but without a guarantee that all information in them is true. This also applies to situations where the model is not asked to generate text on a given topic based on its internal knowledge, but rather to extract information from the provided text. Especially when the temperature parameter has a higher value, the model tends to 'round off' information - it becomes more creative, for example, when processing Edward Sedlaczek's biography with the temperature parameter = 1.0, the model, when asked about the roles and positions of this figure, generates information such as:

  1. Kierownik literacki prasy lwowskiej ("Dziennik dla Wszystkich”, „Dziennik Polski”, „Gazeta Lwowska”, „Gazeta Narodowa”, „Przyjaciel Domowy”) i warszawskiej („Biesiada Literacka”, „Echo”, „Kłosy”, „Kurier Codzienny”, „Kurier Warszawski”, „Niwa", "Słowo", "Tygodnik Ilustrowany", "Tygodni Mód i Powieści" , "Tygodnik Powszechny" i "Wiek").

In reality, the subject of the biography was the literary editor of only the magazine "Przyjaciel Domowy" (The Home Friend).

After reducing the temperature value to 0.0, the true information is returned:

  1. Kierownik literacki dwutygodnika lwowskiego „Przyjaciel Domowy” (1 VI 1882)

The quality of the response is also influenced by the parameters frequency_penalty (default value 0.8) and presence_penalty: controlling the model's tendency to repeat generated words and encouraging the model to generate innovative formulations. Manipulating these parameters resulted in a false approximation in the example of Sedlaczek's biogram, instead of:

  1. Kancelista w austriackim konsulacie w Kijowie (1895)

the result is:

  1. Konsul w Kijowie (1882-1895)

where the relevant fragment of the biography reads: "Later, he held a similar position at the Austrian consulate in Kyiv (until 1895)". This tendency to 'hallucinate' is one of the main problems when extracting information from historical texts. Of course, the data extracted by the model would have to be verified by a human expert. It is also worthwhile to conduct a test on a larger sample of tests and assess the correctness (and completeness) of the data returned by the model.

The most useful parameter values (for extracting information from texts) are:

  • temperature: 0
  • top p: 1.0
  • frequency penalty: 0.0
  • presence penalty: 0.0

Knowledge from context

One thing the model is surprisingly good at is extracting information from context. A longer fragment of the same biography of Sedlaczek related to his work as a clerk reads: "In 1886, S. received a position as a clerk in the Austrian consulate in Warsaw - probably with the support of Władysław Łoziński, who also took care of his career in the following years. Later, he held a similar position at the Austrian consulate in Kyiv (until 1895)". From this, the model (run with the appropriate parameters!) extracts the information:

  1. Kancelista w austriackim konsulacie w Kijowie (1895)

Which, after all, is not (the name of the function/office) stated explicitly (only 'similar position' is mentioned).

A similar example can be found in the biography of Ludwik Mortęski (Polski Słownik Biograficzny vol. XXII, 1977, pp. 9-11), where the model found information about the office held by the biography's subject:

  1. Kasztelan elbląski (1516–1539) - Castellan of Elbląg (1516-1539)

based on the entry "As the castellan of Gdańsk, M. took part in numerous commissions appointed by the king to settle disputed matters in the territory of Royal Prussia. On March 4, 1516, M. moved to the Elbląg castellany (after the deceased Jan Wulkowski) and held it until his death.".

Examples

Model: text-davinci-003
Text: biografia Ludwika Mortęskiego (zm. 1539), w języku polskim. (Polski Słownik Biograficzny t. XXII, 1977, s. 9-11)

Family relationships

Prompt: From this text extract information about parents, wife, children and grandchildren for the person Ludwik Mortęski

Result: Parents: Ludwik (possibly) and Anna

Wife: Elżbieta z Dąbrówki

Children: Katarzyna, Dorota, Gertruda, Elżbieta, Małgorzata, Ludwik and Melchior

Grandchildren: Magdalena Mortęskiej and Ludwik

Functions and offices of the main character

Prompt: From this text, extract information about the offices, functions and positions held by the person Ludwik Mortęski, present them in the form of a list

Result: Offices, Functions and Positions Held by Ludwik Mortęski:

  1. Kasztelan gdański (1512–1516)
  2. Kasztelan elbląski (1516–1539)
  3. Representative of Prussian States to King Kazimierz Jagiellończyk (1492)
  4. Member of the Delegation of Prussian States to the Election of a Polish King (1506)
  5. Podkomorzy chełmiński at the Malbork Assembly of Prussian States with Representatives of King Aleksander Jagiellończyk (1503)
  6. Representative of Prussian States to Bishop Hiob von Dobenecka (1507)
  7. Representative of Prussian States to King Zygmunt I at the Krakow Sejm and Malbork Assembly (1508, 1509, 1511)
  8. Defender of Nobility Rights in Discussions at Assemblies and Sejmik in Elbląg, Malbork, Grudziądz and Gdańsk (1507-1530).
  9. Opponent to Wojewodas Jan Dabrowski and Mikołaj Wulkowski in 1509
  10. Member on Commissions Appointed by the King for Resolving Disputes in Prussia Królewskich(after 1512).
  11. Starostwo pokrzywnickie(1505).
  12. Starostwo Pokrzywno with Villages Okonin, Nicwałd, Węgrowo Skarszewo Nowawieś i Wiewiórki as a Feudal Estate from Zygmunt Stary for Military Service(1521).

List of institutions

Prompt: From this text, extract information about institutions related to the the person Ludwik Mortęski, present them in the form of a list.

Result: Institutions related to Ludwik Mortęski:

  1. Stały Sejmik Prus Królewskich
  2. Kapituła Warmińska
  3. Rada Pruska
  4. Sejmik w Malborku (listopad 1530)
  5. Sejmik w Grudziądzu (12/1511)
  6. Sejm w Krakowie (1/18/1508)
  7. Sejm w Malborku (28/5-8/6/1508)
  8. Zamek Radzyń w ziemi chełmińskiej
  9. Zamek Pokrzywno
  10. Kasztelania Gdańska (4/3/1512)
  11. Kasztelania Elbląska (4/3/1516)

The result in the form of a table

Prompt: From this text give the name, surname and date of death of the main character. Show the result in the form of a table.

{TEXT}

| Name | Surname | Date of death |

Result:

| ------ | ----------------------- | ---- |
| Ludwik | Mortęski (de Mortangen) | 1539 |
| ------ | ----------------------- | ---- |

List of offices

Text: biografia Mikołaja z Woli (zm. 1346 lub 1347) - w języku polskim. (Polski Słownik Biograficzny t. XXI, 1976, s. 151)

Prompt: From this text, extract information about the offices, held by the person Mikołaj z Woli, present them in the form of a list

Result:

List of offices held by Mikołaj z Woli:

  • Kasztelan kruszwicki
  • Starosta kujawski
  • Podkomorzy brzeski
  • Asesor sądu ziemskiego w Inowrocławiu

List of offices and functions in xml

Text: biografia Edwarda Józefa Sedlaczka (Polski Słownik Biograficzny t. XXXVI, 1995-6, s. 137-138)

Prompt: From this text, extract information about the offices, functions and positions held by the person Edward Józef Sedlaczek, present them in the form of xml: <xml><person><office>office, function or position</office><person></xml>

Result:

<xml>
  <person>
    <name>Edward Józef Sedlaczek</name>
    <office>Literat</office>
    <office>Kierownik literacki dwutygodnika lwowskiego „Przyjaciel Domowy”</office>
    <office>Kancelista w konsulacie austriackim w Warszawie</office>
    <office>Kierował wicekonsulatem w Batumi (Rosja, 1896–7)</office>
    <office>Agencją konsularną w Nowosielicy (Rosja)</office>
    <office>Agencją konsularną w Burgas (Bułgaria)</office >
    < office > Wicekonsulatem w Batumi </ office >
  	< office > Wicekonsulatem w Burgas </ office >
  	< office > Wicekonsulatem w Ploieşti (Rumunia) </ office >
  	< office > Redagował serię Wydawnictwa Tow. im. P. Skargi </ office >
  </person>
</xml

Family relationships - test 2

Text: biografia Andrzeja Rosickiego (1814-1904), (Polski Słownik Biograficzny t. XXXII, 1989-1991, s. 82)

Prompt: From this text extract information about parents, wife, siblings, children and grandchildren for the main character

Result:

Parents: Walenty and Marianna z Idzikowskich

Wife: Anna z Robowskich

Siblings: Unknown

Children: Józefa Konstancja (born 1859), Antonina Wiktoria (born 1863) and Piotr Michał (born 1862)

Grandchildren: Unknown

TEI XML output

Text: Fragment Bullarium Poloniae.

Prompt: Tag text and convert to TEI XML format.

Result:

<tei xmlns="http://www.tei-c.org/ns/1.0">
  <teiHeader>
    <fileDesc>
      <titleStmt>
        <title>Francisco Cruswicz magistro in theologia</title>
      </titleStmt>
    </fileDesc>
  </teiHeader>

  <text xml:lang="lat">
    <p><persName ref="#Cruswicz">Francisco Cruswicz</persName>, magistro in theologia [in civitate Constantiensi commoranti]: Eidem decano eccl. s. Floriani extra muros Crac. (<amt type="currency" quantity="15" unit="argentum polonorum">15 m. arg.</amt> p.), canonica-tus in eccl. s. Michaelis in castro Crac.(<amt type="currency" quantity="12" unit="argentum polonorum">12 m.</amt>. arg p.), per obitum apud SA ea vacante Nicolai Falkemberg vacans, confertur.;s. m scholastico et cantori ac custodi Crac.<num value="11">XI</num>,<num value = "13">XIII</num>. </p>
  </text>
</tei>

NER analysis of an excerpt from a publication

Text: Excerpt from Stanislaw Bodniak's publication "Polska a Bałtyk za ostatniego z Jagiellona" (1946) (Poland and the Baltic during the last of the Jagiellons):

Było to w roku 1552. Już od czerwca bawił król Zygmunt August w pomorskiej ziemi, lipiec i sierpień spędził w Gdańsku, we wrześniu po kilkudniowym pobycie w Malborgu w czasie sejmiku podążył do Królewca na zaproszenie ks. Albrechta. Towarzyszyli mu w podróży hetman Jan Tarnowski, marszałek koronny Piotr Kmita, bp. Stanisław Hozjusz, kanclerz Jan Ocieski, podkanclerzy Jan Przerębski i inni przedniejsi senatorowie i dostojnicy polscy obok przedstawicieli świata umysłowego w osobach Marcina Kromera, Szymona Maricjusa-Czystochlebskiego i Łukasza Górnickiego. Orszak dworzan i rycerstwa przenosił 5 tysięcy osób. Najokazalej podejmował swego władcę Gdańsk, cały roztaczając przed nim przepych, na jaki pozwalało miastu u ujścia Wisły rosnące pod polskim panowaniem bogactwo. Stawił się tam z Zachodniego Pomorza ks. Barnim XI w 300 koni i ze znaczną liczbą pomorskiej szlachty, ażeby spotkać się ze swym dostojnym krewniakiem i suwerenem z tytułu lenna na Lęborgu i Bytowie. W programie gdańskim przyjęcia, obfitującym w uczty, zabawy i gry rycerskie, nie zapomniano o morzu. W dniu 13 lipca zwiedził król w towarzystwie ks. Barnima statek na stoczni w Gdańsku i przyglądał się jego spuszczeniu na wodę. W tydzień później (20 VII) wybrał się barką, wybitą czerwonym suknem i przybraną chorągiewkami, na obejrzenie warowni, nazywanej wówczas „Latarnią” albo „wieżą”,* położonej u ujścia Wisły. Gdy tam wchodził, grzmiały na jego cześć działa warowni i okrętu „Żelazny Henryk", naprzeciw niej umieszczonego , miotając na morze ogniste kule, Po posiłku w warowni powrócił na swą barkę i popłynął dalej — na Bałtyk, wtedy spokojny. Wielu także panów polskich z otoczenia zapuściło się daleko na fale, korzystając z pogody.

Prompt: W podanym tekście wyszukaj informacje o osobach, znalezione osoby wypisz w formie listy, jeżeli są znane funkcje lub urzędy osób umieść te informacje w nawiasach obok osób: (In the given text search for information about people, list the people found, if the functions or offices of the people are known put this information in brackets next to the people:)

Result:

  • Zygmunt August (król)
  • Jan Tarnowski (hetman)
  • Piotr Kmita (marszałek koronny)
  • Stanisław Hozjusz (bp)
  • Jan Ocieski (kanclerz)
  • Jan Przerębski (podkanclerzy)
  • Marcin Kromer
  • Szymon Maricjus-Czystochlebski
  • Łukasz Górnicki
  • Barnim XI (książę)

Other examples

Scripts for these and other examples in the src folder, results in the output folder.

Analysis of family relations on a series of biographies

(see also later in the text an analogous analysis performed with GPT-4)

How well the GPT-3 model (davinci-003) can recognize family relationships can be tried to evaluate on a larger sample of 50 biographical entries randomly selected from volumes 1-51 of the Polish Biographical Dictionary. The biographical entries vary in length, from about 1,000 characters to tens of thousands. The limitation is the number of tokens that 'davinci' can process in a single query - 4,000, including the generated response. For longer biographical entries, they were initially 'summarized': the first 5 and last 5 sentences were included (omitting the bibliographic part of the entry first) and all the sentences between them if they contained content indicating information about family and relatives (the biographical entry was divided into sentences using spaCy, the base forms of tokens in sentences were analyzed and compared with a prepared dictionary of concepts related to kinship). Shortening the biographical entries can, of course, negatively affect the results (sentences are taken out of context, and sometimes the spaCy model 'pl_core_news_lg' used incorrectly divided the text into sentences). The test focused on kinship in relation to the main character of the biographical entry.

The texts of the biographies were processed with a prompt that read (in Polish):

Na podstawie podanego tekstu wyszukaj
wszystkich krewnych lub powinowatych głównego bohatera tekstu.
Możliwe rodzaje pokrewieństwa: ojciec, matka, syn, córka, brat, siostra, żona, mąż,
teść, teściowa, dziadek, babcia, wnuk, wnuczka, szwagier, szwagierka, siostrzeniec,
siostrzenica, bratanek, bratanica, kuzyn, kuzynka, zięć, synowa, teść bratanicy.
Wynik wypisz w formie listy nienumerowanej, w formie:
główny bohater -> rodzaj pokrewieństwa -> osoba
Każda pozycja w osobnej linii. Na przykład:
- główny bohater -> brat -> Jan Kowalski
- główny bohater -> siostra -> Anna
Pomiń rodzaj pokrewieństwa jeżeli nie występuje w tekście.
Jeżeli w tekście nie ma żadnych informacji o pokrewieństwach głównego bohatera
napisz: brak danych.

(script code in file psb_relations_family.py)

For 36 out of 50 biographical entries, the model found some relationships - a total of 182 cases of kinship between the main character and another person. After a detailed analysis, 38 of them were incorrect (20.9%), while 144 were assessed as true (79.1%).

A detailed list of found relationships:

Character -> type of relationship/relationship -> related person Correct?
Aloe Franciszek Eljasz
główny bohater -> ojciec -> Jan Baptysty d'Aloy True
główny bohater -> matka -> Henryka Rakocy True
główny bohater -> brat -> Emanuel True
główny bohater -> siostry-> piękne siostry False
Bezprym
główny bohater -> ojciec -> Bolesław Chrobry True
główny bohater -> matka -> nieznana Węgierka True
główny bohater -> brat -> Mieszko II True
główny bohater -> brat -> Otto True
główny bohater-> teść bratanicy-> cesarz Konrad II False
Dąbrowska_Pelagia
główny bohater -> żona -> Dąbrowska Pelagia False
główny bohater -> synowie -> brak danych False
Daszyński Ignacy
główny bohater -> ojciec -> Ferdynand True
główny bohater -> matka -> Kamila z Mierzeńskich True
główny bohater -> brat -> Feliks True
główny bohater-> żona (pierwsza)-> Maria z Paszkowskich True
główny bohater-> żona (druga)-> Cecylia Kempnerówna True
Dzierżek_Natalia
Główny bohater -> matka -> Maria z Piątkowskich Nieczuja-Dzierżków True
Główny bohater -> ojciec -> Henryk True
Główny bohater -> siostra rodzona-> Henryka Piątkowskiego False
Główny bohater -> teść bratanicy-> Tadeusz Gałecki False
Główny bohater -> synowa teścia bratanicy-> Teresa z Wołowskich Prażmowska False
Eufrozyna
Główny bohater -> ojciec -> Kazimierz True
Główny bohater -> matka -> Eufrozyna False
Główny bohater -> syn -> Władysław Łokietek True
Główny bohater -> syn -> Kazimierz True
Główny bohater-> syn-> Ziemowit True
Główny bohater-> mąż-> Mszczuja II True
Ewild al. Eywild
Główny bohater -> ojciec -> Stanisław Brzeski False
główny bohater -> brat -> Eynur True
główny bohater -> dziadek -> Jawilt False
główny bohater -> wnukowie-> Dowgird i Daszko Eywiltowicze False
Fuzorius Bartłomiej
Główny bohater -> ojciec -> Stanisław Lwowczyk True
Gliński Iwan
główny bohater -> ojciec -> Lew Borysowicz True
główny bohater -> brat rodzony -> Michał Mamaj False
główny bohater -> bratanica -> Helena True
Hincza z Rogowa
główny bohater -> ojciec -> Hinczka z Rogowa True
główny bohater -> brat -> Jakub True
główny bohater -> siostra -> Małgorzata True
główny bohater -> żona-> Dorota z Koziegłowskich h. Lis True
główny bohater-> teść bratanicy-> Bartłomiej Gruszczyński False
Jadwiga Jagiellonka
główny bohater -> ojciec -> Kazimierz Jagiellończyk True
główny bohater -> matka -> Elżbieta Rakuszanka True
główny bohater -> brat -> Aleksander Jagiellończyk True
główny bohater -> siostra-> Sonka Jagiellonka False
główny bohater-> żona-> Jerzy Bawarski False
główny bohater-> córka-> Elżbieta Bawarska True
główny bohater-> córka-> Małgorzata Bawarska True
główny bohater-> teść bratanicy -> Ludwik Bawarski False
Kakowski Aleksander
główny bohater -> ojciec -> Franciszek True
główny bohater -> matka -> Paulina z Ossowskich True
Krumhausen Gabriel
główny bohater -> ojciec -> Joachim True
główny bohater -> matka -> Gertruda True
główny bohater -> brat -> Joachim True
główny bohater -> żona-> Konstancja Falcke True
Łańcucki Wojciech
główny bohater -> ojciec -> Stanisław True
Leymiter Stanisław
główny bohater -> ojciec -> Mikołaj True
główny bohater -> matka -> Benigna True
główny bohater -> żona -> Zofia True
główny bohater -> syn -> Jan True
główny bohater -> syn-> Stanisław True
główny bohater-> córka-> Barbara True
główny bohater-> córka-> Benigna True
główny bohater-> teść-> Jan Tesznar True
główny bohater-> brat teściowej-> Mikołaj Kreidler False
główny bohater-> siostra teściowa-> Agnieszka Tesznarowa False
główny bohater-> siostra teściowa-> Katarzyna Tesznarowa False
Mierzeński Aleksander
główny bohater -> brat -> Jan Mierzeński True
główny bohater -> brat -> Samuel Mierzeński True
główny bohater -> syn brata -> Jan Mierzeński True
główny bohater -> synowa syna brata-> Mariana z Kawcenich False
Mostowska z Bujwidów
główny bohater -> ojciec -> Odo Bujwid True
główny bohater -> matka -> Kazimiera z Klimontowiczów True
główny bohater -> siostra -> Kazimiera Rouppertowa True
główny bohater -> siostra-> Jadwiga Demelowa True
główny bohater-> siostra-> Helena Jurgielewiczowa True
główny bohater-> mąż-> Włodzimierz Mostowski True
główny bohater-> syn-> Jerzy Mostowski True
główny bohater-> syn-> Czesław Mostowski True
Patruus
główny bohater -> ojciec -> Jan Patruus z Koła False
główny bohater -> syn -> Jan True
Pichgiel
główny bohater -> ojciec -> Matthias Pichel False
główny bohater -> matka -> Barbara z domu Biettin True
główny bohater -> syn -> Christian Pichgiel młodszy True
główny bohater -> syn -> Johan Pichgiel True
główny bohater -> syn-> Daniel Pichgiel True
główny bohater-> syn-> Emanuel Pichgiel True
główny bohater-> kuzyn-> Matthias Pichgiel młodszy True
Pion Maurice
główny bohater -> ojciec -> Antoine Claude True
główny bohater -> matka -> Anna z domu Pauli True
główny bohater -> żona -> Aleksandra Antonina z Budzyńskich True
główny bohater -> synowie-> Adolf Stanisław, Władysław Stanisław True
główny bohater-> córki-> Adela, Kornelia True
główny bohater-> młodsza siostra-> Eugenia True
Piotrowiczowa z Rogolińskich
główny bohater -> ojciec -> Zygmunt Rogoliński True
główny bohater -> matka -> Ansberty z Badeńskich True
główny bohater -> mąż -> Konstantego Piotrowicza True
główny bohater -> teść bratanicy-> Józef Dworzaczek False
Renard Benedykt
główny bohater -> ojciec -> Andrzej True
główny bohater -> brat -> Jan Baptysta True
główny bohater -> siostra -> Anna Orzelska False
główny bohater -> siostra-> Anna Katarzyna True
Rossi Piotr
główny bohater -> ojciec -> Andrzej True
główny bohater -> żona -> Małgorzata True
główny bohater -> syn -> Andrzej True
główny bohater -> syn -> Kornel True
główny bohater-> syn-> Klemens True
główny bohater-> córka-> Izabella True
główny bohater-> córka-> Feliksa True
Sapieha_Jan_Fryderyk
główny bohater -> ojciec -> Fryderyk True
główny bohater -> matka -> Ewa ze Skaszewskich True
główny bohater -> brat -> Tomasz Kazimierz True
główny bohater -> brat stryjeczny-> Jan Ferdynand True
główny bohater-> kuzyn-> Kazimierz Leon Sapieha True
główny bohater-> hetman P. J. Sapieha (stryjeczny wujek) False
główny bohater-> syn-> Mikołaj Leon True
główny bohater-> syn-> Kazimierz Władysław True
głowny bohater-> syn-> Paweł Franciszek True
Śląska Aleksandra
główny bohater -> ojciec -> Edmund Wąsik True
główny bohater -> matka -> Helena z Masłowskich True
główny bohater -> siostra przyrodnia-> Bożena Jewasińska True
główny bohater -> brat-> Olgierd Edmund Wąsik True
główny bohater -> mąż pierwszy-> Czesław Michał Górski True
główny bohater -> syn-> Szczęsny Tadeusz Górski True
główny bohater -> mąż drugi-> Stanisław Śląski False
Słowicki Józef
główny bohater -> ojciec -> Józef True
Śniadecka Kornelia Ludwika
główny bohater -> ojciec -> Jędrzej Śniadecki True
główny bohater -> matka -> Konstancja z Mikułowskich True
główny bohater -> siostra -> Zofia Balińska True
główny bohater -> brat-> Józef Konstanty Śniadecki True
główny bohater-> teść bratanicy-> Kazimierz Sulistrowski False
główny bohater-> stryj-> Jan Śniadecki True
główny bohater-> siostrzenica-> Antonina Śniadecka False
główny bohater-> stryjenka-> Salomea Bécu False
główny bohater-> wujek (brat ojca) -> Ignacy Abramowicz False
główny bohater-> wujek (brat ojca) -> Mikołaj Abramowicz False
Spektor Mordechaj
główny bohater -> żona -> Izabela z Frydbergów True
Stańczakowa ze Strancmanów
główny bohater -> ojciec -> Adolf Strancman True
główny bohater -> matka -> Maria Weinfeld True
główny bohater -> brat -> Jan Strancman True
główny bohater -> mąż-> Zdzisław Stańczak True
główny bohater-> córka-> Anna Stańczak True
główny bohater-> zięć-> Tadeusz Sobolewski True
Stanisław_Cielątko
główny bohater -> ojciec -> Jan True
główny bohater -> brat -> Jan Cielątki z Liszyna i Prusiecka True
główny bohater -> brat -> Mikołaj True
główny bohater-> siostrzenica-> Małgorzata Marta False
główny bohater-> teść bratanicy-> Piotr Cikowski z Mikluszowic True
Strzelecki Wiesław Marian
główny bohater -> ojciec -> Felicjan True
główny bohater -> matka -> Stefania z Łękawskich True
główny bohater -> syn -> Krzysztof True
główny bohater-> żona-> Barbara z Krzemińskich True
Świrski Jerzy Włodzimierz
główny bohater -> ojciec -> Włodzimierz True
główny bohater -> matka -> Celina z Wasiłowskich True
główny bohater -> brat -> Małgorzata False
główny bohater -> siostrzenica-> Maria Konopnicka False
Szapira Majer
główny bohater -> ojciec -> Jakub Szamszon True
główny bohater -> matka -> Margula Szor True
główny bohater -> brat -> Abraham True
główny bohater-> dziadek-> Samuel Izaak Szor True
główny bohater-> żona-> Małka Towa True
główny bohater-> teść bratanicy-> Salomon Moskowicz False
Szapocznikow_Alina
główny bohater -> ojciec -> Jakub True
główny bohater -> matka -> Regina True
główny bohater -> brat -> Mirosław True
główny bohater-> syn-> Piotr Stanisławski True
Szczubioł_Andrzej
główny bohater -> ojciec -> Stefan z Jasieńca i Ciechomic True
główny bohater -> matka -> Sędka True
główny bohater -> brat -> Mikołaj z Ciechomic True
główny bohater -> brat-> Jan z Dłotowa True
główny bohater-> żona-> Anna True
główny bohater-> syn-> Maciej True
główny bohater-> syn-> Szymon zwany Gostyńskim z Ciechomic True
główny bohater-> syn-> Andrzej True
główny bohater-> teść bratanicy -> Ścibor z Sąchocina h. Rogala False
Szumski Boksa
główny bohater -> ojciec -> Krzesław z Szumska True
główny bohater -> brat -> Jan (Jaszek) Rej z Nagłowic True
główny bohater -> żona -> Stachna h. Poraj True
główny bohater -> syn-> Jan Rey True
główny bohater-> teść-> Chociemir Garnka (Garnysza) z Pojałowic i Suchcic False
główny bohater-> teściowa-> Świątka, żona Mikołaja z Barczkowic, następnie Wisława z Kościelca False
główny bohater-> bratanek-> Jan Rey (zm. 1468) True
główny bohater-> bratanek-> Stogniew, żonaty z Małgorzatą True

It is, of course, also important what the model does not find. For 14 biographical entries, the model assessed that there were no data on family relationships for the main character. In 5 of these cases, this is likely an error (15 missing relationships).

Character Correct?
Bartoszewski Jan True
Ezra_ben_Nisan True (w biogramie jest tylko niejasna wzmianka, że miał jakieś córki)
Falęta True
Fiorentini Władysław False (jest informacja o ojcu, dziadku i żonie)
Gołaski Jan True
Grzegorzewski Jan False (jest informacja o ojcu i matce)
Guicciardini Galeazzo True (występuje tylko niesjasna wzmianka o jego bracie, niewymienionym z imienia)
Hirschenfeld-Mielecki Józef True
Langfort Teodor Henryk True
Popiel True
Siemowit False (w biogramie wymieniony ojciec, matka, syn, wnuk i prawnuk)
Spycigniew z Dąbrowy False (w biogramie występuje inf. o prawdopodobnym synu i wnuku, być może problemem jest skrót S-a na oznaczenie głównego bohatera)
Swach False (jest inf. o ojcu, matce i bracie)
Sztaffel Izrael True

In the biographical entries where the model found relatives of the main character, it sometimes happened that this was only a part of the information about family relationships - this problem occurred in 12 out of 36 biographical entries (26 missing family relationships). A detailed list is provided below.

Character Does it include all relationships? Which ones are missing?
Aloe Franciszek Eljasz True
Bezprym True
Dąbrowska Pelagia False, pominięta matka Pelagia i ojciec Michał, ciotki Waleria i Ignacja, mąż Jarosław. Może to wynikać ze specyficzneg stylu podania tych informacji i stosowania skrótów: "Ur. 10 IX w Dubience (w Lubelskiem) z Pelagii z Piotrowskich i Michała Zgliczyńskiego, wcześnie osierocona, wychowywała się u ciotek Walerii i Ignacji Piotrowskich."
Daszyński Ignacy True
Dzierżek Natalia True
Eufrozyna False, pominięta informacja o pierwszym mężu - Kazimierzu
Ewild al. Eywild True
Fuzorius Bartłomiej True
Gliński Iwan False, pominięta informacja o bracie Wasylu
Hincza z Rogowa True (jest wzmianka o małoletnich dzieciach ale bez konkretów)
Jadwiga Jagiellonka True (część informacji jest pomylona - Jerzy Bawarski nie jest żoną bohaterki tylko mężem, ale inf. została znaleziona...)
Kakowski Aleksander True
Krumhausen Gabriel False, pominięta informacja o 'dziadku po kądzieli'
Łańcucki Wojciech True
Leymiter Stanisław False, pominięta inf. o szwagrze i 2 szwagierkach, bracie oraz o zięciach (z tym że córki wyszły za mąż po śmierci bohatera), biogram napisany dość zawile, jeżeli chodzi o opis rodziny bohatera.
Mierzeński Aleksander False, pominięta informacja o ojcu i matce.
Mostowska z Bujwidów True
Patruus True (są tylko wzmianki o nieznanych z imienia synach i córkach)
Pichgiel False, pominięta inf. o stryju i o żonie bohatera biogramu
Pion Maurice True
Piotrowiczowa z Rogolińskich True
Renard Benedykt True
Rossi Piotr False, pominięta informacja o teściu
Sapieha Jan Fryderyk False, brak informacji o dziadku i o zięciu
Śląska Aleksandra True (brak tylko inf. o 'dalekiej krewnej' Eugenii Deutsch)
Słowicki Józef True
Śniadecka Kornelia Ludwika False, brak informacji o szwagrze (mężu siostry), fragment o krewnych dość zawiły.
Spektor Mordechaj - True (krewni są wzmiankowani, ale bez konkretów)
Stańczakowa ze Strancmanów True
Stanisław_Cielątko True (pominięty mąż bratanicy ale czy to w sumie pokrewieństwo?)
Strzelecki Wiesław Marian True
Świrski Jerzy Włodzimierz True (ale część ze znalezionych relacji jest niepoprawnego typu, siostrzenica zamiast ciotka, brat zamiast siostra)
Szapira Majer True
Szapocznikow Alina False, pominięta informacja o 2 mężach
Szczubioł Andrzej True
Szumski Boksa False, pominięta informacja o przodku - dziad lub pradziad Jakub

If we analyze the data from the three tables above, there are 223 relationships in the biographical entries, the model mentioned 182, of which 38 were incorrect, which means 64.5% accuracy (144 correct). It is a completely different question whether and how the obtained data can be used, for example, to build knowledge bases.

Analysis of family relationships in a series of biographies - GPT-4 model

The previous tests concerned the operation of the GPT-3 model ('davinci-003'); I do not yet have access to the API with GPT-4, but one can try to assess what results the latest model might achieve through the operation of ChatGPT Plus with the GPT-4 model enabled. One of the problematic biographical entries: 'Natalia Dzierżek (1861-1931)' for which 5 relationships were found, including 3 incorrect ones, this time was processed entirely correctly:

  • główna bohaterka -> ojciec -> Henryk Dzierżek
  • główna bohaterka -> matka -> Maria z Piątkowskich Nieczuja-Dzierżków
  • główna bohaterka -> wujek (brat matki) -> Henryk Piątkowski

Similarly, the processing result for Pelagia Dąbrowska (1843-1909) improved, where the previous GPT-3 model found only two and incorrect relationships, and now GPT-4 returns the correct list:

  • Główna bohaterka -> ojciec -> Michał Zgliczyński
  • Główna bohaterka -> matka -> Pelagia z Piotrowskich
  • Główna bohaterka -> mąż -> Jarosław Dąbrowski
  • Główna bohaterka -> syn -> trzech synów
  • Główna bohaterka -> ciotka -> Waleria Piotrowska
  • Główna bohaterka -> ciotka -> Ignacja Piotrowska
  • Główna bohaterka -> wuj -> Piotr Falkenhagen-Zaleski.

The prompt used underwent minor modifications:

Na podstawie podanego tekstu wyszukaj wszystkich krewnych lub powinowatych głównej bohaterki/bohatera tekstu: {name}. Możliwe rodzaje pokrewieństwa: ojciec, matka, syn, córka, brat, siostra, żona, mąż, teść, teściowa, dziadek, babcia, wnuk, wnuczka, szwagier, szwagierka, siostrzeniec, siostrzenica, bratanek, bratanica, kuzyn, kuzynka, zięć, synowa.
Wynik wypisz jako listę nienumerowaną w formie: główna bohaterka -> rodzaj pokrewieństwa (kim osoba była dla niej) -> osoba.
Każda pozycja w osobnej linii. Na przykład:
- główna bohaterka -> brat -> Jan Kowalski
- główna bohaterka -> siostra -> Anna
Wypisz tylko rodzaje pokrewieństwa, które występują w tekście.
Jeżeli w tekście nie ma żadnych informacji o pokrewieństwach głównego bohatera/bohaterki napisz: brak danych.

What do the results look like for the entire series of 50 biographical entries?

Character -> type of relationship/relationship -> related person Correct?
Aloe Franciszek Eljasz
główny bohater -> ojciec -> Jan Baptysta d'Aloy True
główny bohater -> matka -> Henryka Rakocy True
główny bohater -> brat -> Emanuel d'Aloy True
główny bohater -> siostry -> piękne siostry Aloe (imię niepodane) True
Bartoszewski Jan
brak danych True
Bezprym
główny bohater -> ojciec -> Bolesław Chrobry True
główny bohater -> matka -> nieznana z imienia Węgierka (być może córka księcia Gejzy) True
główny bohater -> brat -> Mieszko II True
główny bohater -> brat -> Otton True
Dąbrowska_Pelagia
główna bohaterka -> ojciec -> Michał Zgliczyński True
główna bohaterka -> matka -> Pelagia z Piotrowskich True
główna bohaterka -> mąż -> Jarosław Dąbrowski True
główna bohaterka -> ciotka -> Waleria Piotrowska True
główna bohaterka -> ciotka -> Ignacja Piotrowska True
główna bohaterka -> wuj -> Piotr Falkenhagen-Zaleski True
główna bohaterka -> syn -> (trzej synowie, imiona nie podane) True
Daszyński Ignacy
główny bohater -> ojciec -> Ferdynand Daszyński True
główny bohater -> matka -> Kamila Daszyńska z Mierzeńskich True
główny bohater -> brat -> Feliks Daszyński True
główny bohater -> żona (pierwsza) -> Maria Daszyńska z Paszkowskich True
główny bohater -> żona (druga) -> Cecylia Daszyńska z domu Kempnerówna True
Dzierżek_Natalia
główna bohaterka -> ojciec -> Henryk Dzierżek True
główna bohaterka -> matka -> Maria z Piątkowskich Nieczuja-Dzierżków True
główna bohaterka -> wujek (brat matki) -> Henryk Piątkowski True
Eufrozyna
główna bohaterka -> ojciec -> Kazimierz, ks. opolski True
główna bohaterka -> mąż (pierwszy) -> Kazimierz, ks. kujawski True
główna bohaterka -> syn -> Władysław Łokietek True
główna bohaterka -> syn -> Kazimierz True
główna bohaterka -> syn -> Ziemowit True
główna bohaterka -> mąż (drugi) -> Mszczuj II, ks. pomorski True
Ewild al. Eywild
główny bohater -> brat -> Eynurem True
Ezra ben Nisan
główny bohater -> ojciec -> Nisan True
główny bohater -> córka -> córka Jana Kazimierza (niepodane imię) False
Falęta
brak danych True
Fiorentini Władysław
główny bohater -> ojciec -> Antoni True
główny bohater -> dziadek -> Franciszek True
główny bohater -> żona -> Anna True
główny bohater -> teść -> Bazyle Popow True
główny bohater -> teściowa -> Bogumiła z Gizbertów True
Fuzorius Bartłomiej
główny bohater -> ojciec -> Stanisław Lwowczyk True
Gliński Iwan
główny bohater -> ojciec -> Lew Borysowicz True
główny bohater -> brat -> Michał True
główny bohater -> brat -> Wasyl True
główny bohater -> bratanica -> Helena True
Gołaski Jan
brak danych True
Grzegorzewski Jan
główny bohater -> ojciec -> Jakub Grzegorzewski True
główny bohater -> matka -> Anna Grzegorzewska z domu Zaleska True
Guicciardini Galeazzo
główny bohater -> brat -> nieznane imię True
Hincza z Rogowa
główny bohater -> ojciec -> Hinczka z Rogowa True
główny bohater -> brat -> Jakub True
główny bohater -> brat -> Henryk True
główny bohater -> żona -> Dorota z Koziegłowskich True
główny bohater -> siostra -> Małgorzata True
Hirschenfeld-Mielecki Józef
brak danych True
Jadwiga Jagiellonka
główna bohaterka -> ojciec -> Kazimierz Jagiellończyk True
główna bohaterka -> matka -> Elżbieta Rakuszanka True
główna bohaterka -> mąż -> Jerzy Bawarski True
główna bohaterka -> brat -> Władysław Jagiellończyk True
główna bohaterka -> brat -> Aleksander Jagiellończyk True
główna bohaterka -> brat -> Zygmunt I Jagiellończyk True
główna bohaterka -> córka -> Elżbieta True
główna bohaterka -> córka -> Małgorzata True
główna bohaterka -> wnuk -> Ruprecht hr. Palatynatu False
brak -> syn -> Ludwik False
brak -> syn -> Ruprecht False
brak -> wnuk -> (niewymieniony z imienia) False
Kakowski Aleksander
łówny bohater -> ojciec -> Franciszek Kakowski True
główny bohater -> matka -> Paulina Kakowska z domu Ossowska True
Krumhausen Gabriel
główny bohater -> ojciec -> Joachim Krumhausen True
główny bohater -> matka -> Gertruda Krumhausen z domu Schumann True
główny bohater -> żona -> Konstancja Krumhausen z domu Falcke True
główny bohater -> dziadek (po kądzieli) -> Stanisław Bornbach True
główny bohater -> brat -> Joachim Krumhausen True
Łańcucki Wojciech
główny bohater -> ojciec -> Stanisław True
Langfort Teodor Henryk
brak danych True
Leymiter Stanisław
główny bohater -> ojciec -> Mikołaj True
główny bohater -> matka -> Benigna True
główny bohater -> żona -> Zofia True
główny bohater -> teść -> Jan Tesznar True
główny bohater -> syn -> Jan True
główny bohater -> syn -> Stanisław True
główny bohater -> córka -> Barbara True
główny bohater -> córka -> Benigna True
główny bohater -> szwagier -> Jan Wierzyniek True
główny bohater -> szwagier -> Mikołaj Kreidler True
brak -> szwagierka -> Agnieszka False
brak -> szwagierka -> Katarzynę False
brak -> szwagierka -> Jan Tesznar False
brak -> brat -> Mikołaj Leymiter False
brak -> zięć -> Wincenty Beck False
brak -> zięć -> Jan Tretkop False
Mierzeński Aleksander
główny bohater -> ojciec -> Abraham True
główny bohater -> matka -> Elżbieta Morsztynówna True
główny bohater -> brat -> Jan Mierzeński True
główny bohater -> brat -> Samuel Mierzeński True
główny bohater -> brat -> Krzysztof Mierzeński True
główny bohater -> brat -> Daniel Mierzeński True
Mostowska z Bujwidów
Mostowska z Bujwidów Zofia -> ojciec -> Odo Bujwida True
Mostowska z Bujwidów Zofia -> matka -> Kazimiera z Klimontowiczów True
Mostowska z Bujwidów Zofia -> siostra -> Kazimiera Rouppertowa True
Mostowska z Bujwidów Zofia -> siostra -> Jadwiga Demelowa True
Mostowska z Bujwidów Zofia -> siostra -> Helena Jurgielewiczowa True
Mostowska z Bujwidów Zofia -> mąż -> Włodzimierz Mostowski True
Mostowska z Bujwidów Zofia -> syn -> Jerzy Mostowski True
Mostowska z Bujwidów Zofia -> syn -> Czesław Mostowski True
Patruus
główny bohater -> ojciec -> Jan «ojciec» (zm. 1538) False
główny bohater -> syn -> Jan True
główny bohater -> żona -> nieznana True
Pichgiel
główny bohater -> stryj -> Matthias Pichel True
główny bohater -> kuzyn -> Matthias Pichgiel młodszy True
główny bohater -> syn -> Christian Pichgiel młodszy True
główny bohater -> żona -> Barbara z domu Biettin True
główny bohater -> syn -> Christian True (dublet)
główny bohater -> syn -> Johan True
główny bohater -> syn -> Daniel True
główny bohater -> syn -> Emanuel True
Pion Maurice
główny bohater -> ojciec -> Antoine Claude True
główny bohater -> matka -> Anne z domu Pauli True
główny bohater -> żona -> Aleksandra Antonina z Budzyńskich True
główny bohater -> córka -> Adela True
główny bohater -> syn -> Adolf Stanisław True
główny bohater -> syn -> Władysław Stanisław True
główny bohater -> córka -> Kornelia, zamężna Quattrini True
główny bohater -> siostra -> Eugenia, zamężna Koss True
Piotrowiczowa z Rogolińskich
główna bohaterka -> ojciec -> Zygmunt Rogoliński True
główna bohaterka -> matka -> Ansberty z Badeńskich True
główna bohaterka -> mąż -> Konstanty Piotrowicz True
Popiel
główny bohater -> syn -> dwóch synów (ich imion nie podano) True
Renard Benedykt
główny bohater -> ojciec -> Andrzej True
główny bohater -> brat -> Jan Baptysta True
główny bohater -> siostra -> Anna Katarzyna (Anna Orzelska) True ?
Rossi Piotr
główny bohater -> ojciec -> Andrzej True
główny bohater -> żona -> Małgorzata (córka Józefa Baltazary) True
główny bohater -> syn -> Andrzej (ur. 1790) True
główny bohater -> syn -> Kornel (ur. 1791) True
główny bohater -> syn -> Klemens (ur. 1794) True
główny bohater -> córka -> Izabella (ur. 1792) True
główny bohater -> córka -> Feliksa (ur. 1793) True
brak -> teść -> Józef Baltazary False
Sapieha_Jan_Fryderyk
główny bohater -> dziadek -> Mikołaj (wojewoda witebski) True
główny bohater -> ojciec -> Fryderyk (podkomorzy włodzimierski) True
główny bohater -> matka -> Ewa ze Skaszewskich True
główny bohater -> brat -> Tomasz Kazimierz (oboźny litewski) True
główny bohater -> brat -> Aleksander Kazimierz (biskup wileński) True
główny bohater -> brat -> Krzysztof Franciszek (krajczy litewski) True
główny bohater -> kuzyn -> Kazimierz Leon Sapieha True
główny bohater -> żona -> Konstancja True
główny bohater -> córka -> Ludwika Konstancja (żona ks. Konstantego Szujskiego, pisarza wielkiego litewskiego) True
główny bohater -> syn -> Mikołaj Leon (wojewoda bracławski) True
główny bohater -> syn -> Kazimierz Władysław (wojewoda trocki) True
główny bohater -> syn -> Paweł Franciszek (biskup żmudzki) True
brak -> brata stryjecznego -> Jana Ferdynanda False
Siemowit
Siemowit -> ojciec -> Piast True
Siemowit -> matka -> Rzepicha (Rzepka) True
Siemowit -> syn -> Lestik (Lestek) True
Siemowit -> wnuk -> Siemomysł True
Siemowit -> prawnuk -> Mieszko I True
Śląska Aleksandra
Aleksandra Śląska -> ojciec -> Edmund Wąsik True
Aleksandra Śląska -> matka -> Helena Wąsik (z domu Masłowska) True
Aleksandra Śląska -> siostra przyrodnia -> Bożena Jewasińska (Naturska) True
Aleksandra Śląska -> brat -> Olgierd Edmund Wąsik True
Aleksandra Śląska -> krewne -> Eugenia Deutsch (z domu Taczanowska) True
Aleksandra Śląska -> mąż (1) -> Czesław Michał Górski True
Aleksandra Śląska -> syn -> Szczęsny Tadeusz Górski True
Aleksandra Śląska -> mąż (2) -> Janusz Warmiński True
Słowicki Józef
Słowicki Józef -> ojciec -> Józef Słowicki True
Śniadecka Kornelia Ludwika
główna bohaterka -> ojciec -> Jędrzej Śniadecki True
główna bohaterka -> matka -> Konstancja z Mikułowskich True
główna bohaterka -> siostra -> Zofia Balińska True
główna bohaterka -> brat -> Józef Konstanty Śniadecki True
główna bohaterka -> szwagier -> Michał Baliński True
główna bohaterka -> bratanek -> Jan Śniadecki False
główna bohaterka -> szwagierka -> Antonina Śniadecka True
główna bohaterka -> teść -> Kazimierz Sulistrowski False
główna bohaterka -> siostrzeniec -> Ignacy Abramowicz False
główna bohaterka -> siostrzeniec -> Mikołaj Abramowicz False
główna bohaterka -> szwagier -> Aleksander Skirmunt False
główna bohaterka -> mąż -> Michał Czajkowski (Mehmed Sadyk) True
Spektor Mordechaj
główny bohater -> ojciec -> kramarz, chasyd True
główny bohater -> matka (niewymieniona z imienia) True
główny bohater -> brat (niewymieniony z imienia) True
główny bohater -> żona -> Izabela z Frydbergów True
główny bohater -> syn False
główny bohater -> córka False
Spycigniew_z_Dąbrowy
główny bohater -> syn -> Zawisza True
główny bohater -> wnuk -> Spycigniew True
Stańczakowa ze Strancmanów
główna bohaterka -> ojciec -> Adolf Strancman (Franciszek Kotarbiński) True
główna bohaterka -> matka -> Maria Weinfeld (Helena z Koprowskich Kotarbińska) True
główna bohaterka -> brat -> Jan True
główna bohaterka -> mąż -> Zdzisław Stańczak True
główna bohaterka -> córka -> Anna True
główna bohaterka -> zięć -> Tadeusz Sobolewski True
Stanisław_Cielątko
główny bohater -> ojciec -> Jan True
główny bohater -> brat -> Jan Cielątki z Liszyna i Prusiecka True
główny bohater -> brat -> Mikołaj True
główny bohater -> szwagierka -> Anna z Oględowa True
główny bohater -> siostrzenica -> Małgorzata Marta False
główny bohater -> zięć (Małgorzaty Marty) -> Mikołaj Cikowski False
główny bohater -> teść (Małgorzaty Marty) -> Piotr Cikowski z Mikluszowic False ?
Strzelecki Wiesław Marian
główny bohater -> ojciec -> Felicjan True
główny bohater -> matka -> Stefania z Łękawskich True
główny bohater -> żona -> Barbara z Krzemińskich True
główny bohater -> syn -> Krzysztof True
Swach Jerzy
główny bohater -> ojciec -> Udalryk (Oldrzych) True
główny bohater -> matka -> Katarzyna True
główny bohater -> brat -> Karol Antoni True
Świrski Jerzy Włodzimierz
główny bohater -> ojciec -> Włodzimierz True
główny bohater -> matka -> Celina z Wasiłowskich True
główny bohater -> siostra -> Małgorzata (1. v. Kucharska, 2. v. Łyszkowska) True
główny bohater -> siostrzeniec -> Maria Konopnicka False
główny bohater -> żona -> pierwsza żona (imię nieznane) True
główny bohater -> żona -> Maria Wiercińska True
Szapira Majer
główny bohater -> ojciec -> Jakub Szamszon True
główny bohater -> matka -> Margula Szor True
główny bohater -> dziadek -> Samuel Izaak Szor True
główny bohater -> brat -> Abraham True
główny bohater -> żona -> Małka Towa True
Szapocznikow_Alina
główna bohaterka -> ojciec -> Jakub True
główna bohaterka -> matka -> Regina (Ryfka) z Auerbachów True
główna bohaterka -> brat -> Mirosław True
główna bohaterka -> mąż (1) -> Ryszard Stanisławski True
główna bohaterka -> mąż (2) -> Roman Cieślewicz True
główna bohaterka -> syn -> Piotr Stanisławski (adoptowany) True
Szczubioł_Andrzej
główny bohater -> ojciec -> Stefan (Szczepan) z Jasieńca i Ciechomic True
główny bohater -> matka -> Sędka (imię nieznane) True
główny bohater -> brat -> Mikołaj z Ciechomic True
główny bohater -> brat -> Jan z Dłotowa (Dłutowo) True
główny bohater -> żona (1) -> nieznana True
główny bohater -> syn (z 1. małżeństwa) -> Maciej True
główny bohater -> syn (z 1. małżeństwa) -> Szymon zwany Gostyńskim z Ciechomic True
główny bohater -> żona (2) -> Anna True
główny bohater -> syn (z 2. małżeństwa) -> Andrzej True
główny bohater -> synowa -> Anna, córka Ścibora z Sąchocina False
Sztaffel Izrael
brak danych True
Szumski Boksa
główny bohater -> dziadek lub pradziadek -> Jakub True
główny bohater -> prawdopodobny ojciec -> Krzesław z Szumska True
główny bohater -> brat -> Jan (Jaszek) Rej z Nagłowic True
główny bohater -> żona -> Stachna h. Poraj True
główny bohater -> syn -> Jan Rey True
główny bohater -> bratanek -> Jan Rey True
główny bohater -> bratanek -> Stogniew True
brak -> dziad -> Jakub False
brak -> synowa -> Prakseda False
brak -> szwgier -> Chociemir Garnek (Garnysz) z Pojałowic i Suchcic False
brak -> szwagierka -> Świątka False

In the analyzed biographical entries, there are a total of 245 relationships or lack of relationships (when the content of the biographical entry does not contain information about relatives and in-laws; in the previous analysis using GPT-3, I did not notice several relationships), of which the GPT-4 model correctly identified 215 - achieving 88% of correctness. Taking more typical measures, the number of correctly found relationships is 208, all found relationships is 229, all actually occurring relationships in biographies is 235, which would give a value of precision = 0.9, recall = 0.88 and f1 = 0.889.

This is clearly a better result than the previous one achieved by GPT3 (model 'davinci-003'), but also in line with expectations, since, according to OpenAI's technical report on GPT4 (https://arxiv.org/abs/2303.08774), the new model is 29% better at avoiding 'closed domain hallucinations', i.e. making up false information, despite instructions that the information is to come only from the given context, e.g. an anlized article.

For some biographies, e.g. 'Śniadecka Kornelia Ludwika' , 'Leymiter Stanisław' or 'Stanisław Cielątko' the errors are numerous, perhaps this is due to the length and intricacy of the sentences. Perhaps this is influenced by the structure of the task - information about the family relations of the main character is expected, if it is given not directly, e.g. 'The sister of John Kowalski's wife was Amelia...' this requires the transformation of the given information to the required form -> 'sister-in-law'.

Still a certain problem is the non-deterministic nature of large language models, the same prompt run repeatedly can give slightly different results, even with the same correctness, but slightly differently worded. Despite the explicitly recommended response format in the above analysis (main character -> relationship -> person), it happened that the model returned either the phrase "main character/woman" or provided the actual first and last name of the main character here. It also happened that family relations of other people appearing in the text were returned. So the result is not always a ready-made product for further analysis, it needs to be processed and made consistent.

Processing of the Historical and Geographical Dictionary entry into XML format - GPT4

Test of automatic processing of a fragment of the Historical and Geographical Dictionary (entry Balice, part of item 3) using the GPT4 model (via API, temperature parameter = 0) into XML format. The prompt used:

Przetwórz proszę poniższy tekst zawierający regesty na plik XML. Regest zaczyna się od daty np. 1245 lub zakresu dat 1245-56 lub daty przybliżonej np. a. 1456, po której następuje treść regestu, a po niej - w nawiasie - źródło informacji. Po nawiasie pojawia się średnik oddzielający regesty. Jeżeli nie ma daty na początku, oznacza to, że data jest taka sama jak w poprzednim regeście. W treści regestu oznacz występujące w niej osoby tagiem <persName>, miejsca tagiem <placeName>, nazwy geograficzne tagiem <geogName> zaś nazwy urzędów zawodów lub funkcji tagiem <occupation>. Pamiętaj, że jednoliterowe skróty, takie jak 'B.', oznaczają miejscowość, której dotyczą regesty. Osoby pojawiające się w treści regestu to postacie średniowieczne, które nie miały nazwisk za to dopisywały do imienia miejscowość z której pochodzą np. Jan z Grzędowa, w takich przypadkach oznacz osobę tagiem <persName> z miejscowością włącznie.

Przykład regestu:
a. 1396 kaszt. wiśl. Jaśko za zasługi przy chrystianizacji Litwy dostał od Władysława Jag. m. Wojsław [nie zid.] i kilka wsi w ziemi krak. w tym wieś Grzędy w pow. sand., którą sprzedał Krzesławowi z Wolicy. Synem Jaśka był Jan z B. (J. Ossoliński, Pamiętnik 1595-1621, Wr. 1952, s. 4);

Przykład wyniku:
<s type="regest">
<date>a. 1396</date>
<content><occupation>kaszt. wiśl.</occupation> <persName>Jaśko</persName> za zasługi przy chrystianizacji <geogName>Litwy</geogName> dostał od <persName>Władysława Jag.</persName> m. <placeName>Wojsław</placeName> [nie zid.] i kilka wsi w ziemi krak. w tym wieś <placeNme>Grzędy</PlaceName> w pow. sand., którą sprzedał <persName>Krzesławowi z Wolicy</persName>. Synem <persName>Jaśka</persName> był <persName>Jan z B.</persName></content>
<biblio>(J. Ossoliński, Pamiętnik 1595-1621, Wr. 1952, s. 4)</biblio>;
</s>

Przykład regestu:
1467 Albert kmieć z B. (KRK 3 s. 23);

Przykład wyniku:
<s type="regest">
<date>1467</date>
<content><persName>Albert</persName> <occupation>kmieć</occupation> z <placeName>B.</placeName></content>
</s>

Oto tekst do przetworzenia:
1229 papież Grzegorz IX potwierdza kl. tyn. posiadanie m. in. B. (Tyn. 11b - bulla interpol. w XV w., por. J. Wyrozumski, Państwowa gospodarka solna w Polsce do schyłku XIV w., Kr. 1968, s. 25); a. 1286 komes Grzegorz zw. Żegocic dz. B., zabraniał kl. dominikanów w Krakowie przeprowadzić wodę z rz. Rudawy przez Krowodrzę, → też p. 6 (KK 1, 86); 1304-6 komes Andrzej z B. (KK 2, 242; 1, 114 przy tym dok. wisiała jego pieczęć); 1321, 1351-2, 1363 Grzegorz z B. (AS 2, 7; Mp. 3, 761; Wp. 3, 1495; ZDM 1, 63; KMK 1, 27); 1366 Jan z B. (ZDM 1, 117); 1367 Betico kmieć z B. (KRK 2 s. 13); 1387-96 Jan, Jaśko z Goźlic [pow. sand.], B. i Ossolina [pow. sand.], kaszt. wiśl. 1388-96, wg Długosza zabity przez Grota ze Słupczy [pow. sand.] w sporze o granice wsi Dwikozy [pow. sand.] (AGZ 5, 16; AS 2, 61; KK 2, 392, 401; Mp. 4, 1022; ZDM 6, 1540, 1548, 1584; KUJ 1, 8; AKP 8, 63; Proch. 12; DH 3 s. 552 na s. 372 i 466 wiadomości odnoszą się do kaszt. wiśl. Mikołaja z Bogorii [pow. sand.], a nie z Ossolina; MH 10 s. 148-9; Bon. 1 s. 86); a. 1396 kaszt. wiśl. Jaśko za zasługi przy chrystianizacji Litwy dostał od Władysława Jag. m. Wojsław [nie zid.] i kilka wsi w ziemi krak. (J. Ossoliński, Pamiętnik 1595-1621, Wr. 1952, s. 4);

The result in the form of XML:

<regests>
    <s type="regest">
        <date>1229</date>
        <content><persName>papież Grzegorz IX</persName> potwierdza <placeName>kl. tyn.</placeName>
        posiadanie m. in. <placeName>B.</placeName></content>
        <biblio>(Tyn. 11b - bulla interpol. w XV w., por. J. Wyrozumski, Państwowa gospodarka solna w Polsce do schyłku XIV w., Kr. 1968, s. 25)</biblio>;
    </s>
    <s type="regest">
        <date>a. 1286</date>
        <content><occupation>kom</occupation> <persName>Grzegorz zw. Żegocic</persName> dz.
        <placeName>B.</placeName>, zabraniał <placeName>kl. dominikanów</placeName> w
        <placeName>Krakowie</placeName> przeprowadzić wodę z rz. <geogName>Rudawy</geogName> przez
        <placeName>Krowodrzę</placeName>, → też p. 6</content>
        <biblio>(KK 1, 86)</biblio>;
    </s>
    <s type="regest">
        <date>1304-6</date>
        <content><occupation>kom</occupation> <persName>Andrzej z B.</persName></content>
        <biblio>(KK 2, 242; 1, 114 przy tym dok. wisiała jego pieczęć)</biblio>;
    </s>
    <s type="regest">
        <date>1321</date>
        <content><persName>Grzegorz z B.</persName></content>
        <biblio>(AS 2, 7; Mp. 3, 761; Wp. 3, 1495; ZDM 1, 63; KMK 1, 27)</biblio>;
    </s>
    <s type="regest">
        <date>1351-2</date>
        <content><persName>Grzegorz z B.</persName></content>
    </s>
    <s type="regest">
        <date>1363</date>
        <content><persName>Grzegorz z B.</persName></content>
    </s>
    <s type="regest">
        <date>1366</date>
        <content><persName>Jan z B.</persName></content>
        <biblio>(ZDM 1, 117)</biblio>;
    </s>
    <s type="regest">
        <date>1367</date>
        <content><persName>Betico</persName> <occupation>kmieć</occupation> z <placeName>B.</placeName>
        </content>
        <biblio>(KRK 2 s. 13)</biblio>;
    </s>
    <s type="regest">
        <date>1387-96</date>
        <content><persName>Jan</persName>, <persName>Jaśko z Goźlic</persName> [pow. sand.],
        <placeName>B.</placeName> i <placeName>Ossolina</placeName> [pow. sand.],
        <occupation>kaszt. wiśl.</occupation> 1388-96, wg <persName>Długosza</persName> zabity
        przez <persName>Grota ze Słupczy</persName> [pow. sand.] w sporze o granice wsi
        <placeName>Dwikozy</placeName> [pow. sand.]</content>
        <biblio>(AGZ 5, 16; AS 2, 61; KK 2, 392, 401; Mp. 4, 1022; ZDM 6, 1540, 1548, 1584; KUJ 1, 8; AKP 8, 63; Proch. 12; DH 3 s. 552 na s. 372 i 466 wiadomości odnoszą się do kaszt. wiśl. Mikołaja z Bogorii [pow. sand.], a nie z Ossolina; MH 10 s. 148-9; Bon. 1 s. 86)</biblio>;
    </s>
    <s type="regest">
        <date>a. 1396</date>
        <content><occupation>kaszt. wiśl.</occupation> <persName>Jaśko</persName> za zasługi
        przy chrystianizacji <geogName>Litwy</geogName> dostał od <persName>Władysława Jag.</persName>
        m. <placeName>Wojsław</placeName> [nie zid.] i kilka wsi w ziemi krak.</content>
        <biblio>(J. Ossoliński, Pamiętnik 1595-1621, Wr. 1952, s. 4)</biblio>;
    </s>
</regests>

However, it is important to remember that the context that GPT models can handle is limited, and using the API costs money, so you may want to consider a hybrid solution. For example, you could use more conventional methods (Python, spaCy, regex, etc.) to split the input text from the SHG dictionary into points, sub-points, and regests, and then use the LLM model to tag the content of the regests themselves (without the bibliography, which can also be handled by simpler methods).

Formatting results - JSON

In the examples of extracting information from biographies of historical figures, the result was presented in the form of a list, however, a more convenient option for further processing would be the result in JSON format. The GPT model is of course capable of doing this. The modification of the prompt involves replacing the part describing the result format in the form of a list with the text (in Polish):

Wynik przedstaw w formie listy obiektów JSON zawierających pola:
relacja: rodzaj pokrewieństwa (kim osoba była dla bohatera/bohaterki )
osoba: nazwa (imię i nazwisko osoby związanej relacją z bohaterem)

and also providing a new example result:

Przykład: "Soderini Carlos (ok. 1557–1591), kupiec i bankier.
Był jednym z pięciu synów Niccola i Annaleny Ricasoli, młodszym
bratem Bernarda (zob.). Jego bratanicą była Małgorzata Anna, żona
Winfrida de Loeve. S. ożenił się z Joanną, córką burgrabiego
krakowskiego Adama Kurozwęckiego."
Wynik:
[{"relacja":"ojciec", "osoba":"Niccola"},
 {"relacja":"matka", "osoba":"Annalena Ricasoli"},
 {"relacja":"brat", "osoba":"Bernard"},
 {"relacja":"bratanica", "osoba":"Małgorzata Anna"},
 {"relacja":"żona", "osoba":"Joanna"},
 {"relacja":"teść", "osoba":"Adam Kurozwęcki"}
]

the script processes the biography, e.g., of Jadwiga Jagiellonka, returning the result in JSON format, facilitating later automatic processing, comparing the result with the expected one, etc.

[{"relacja":"ojciec", "osoba":"Kazimierz Jagiellończyk"},
 {"relacja":"matka", "osoba":"Elżbieta Rakuszanka"},
 {"relacja":"mąż", "osoba":"Jerzy Bawarski"},
 {"relacja":"syn", "osoba":"Ludwik"},
 {"relacja":"syn", "osoba":"Ruprecht"},
 {"relacja":"córka", "osoba":"Elżbieta"},
 {"relacja":"córka", "osoba":"Małgorzata"},
 {"relacja":"brat", "osoba":"Władysław Jagiellończyk"},
 {"relacja":"brat", "osoba":"Aleksander"},
 {"relacja":"brat", "osoba":"Zygmunt I"},
 {"relacja":"teść", "osoba":"Ludwik Bogaty"},
 {"relacja":"zięć", "osoba":"Ruprecht hr. Palatynatu"}
]

By the way, what is the cost of processing the biography of Jadwiga Jagiellonka? The biography text is less than 5000 characters (2504 tokens), while the answer is 264 tokens, the price for using the GPT-4 model via the API is $0.03 for input data, $0.06 for the generated response (prices per 1,000 tokens). In the case of the discussed biography, this currently means a cost of $0.09 (June 2023). Therefore, it is not a cheap process.

Indeterminism and hallucinations

Extracting information from studies and historical sources requires accuracy and correctness of results. The language model, despite its immense capabilities in the field of text processing will also produce incorrect answers ('hallucinations'), it will also 'change its mind'. Setting the model's run parameter 'temperature' to 0 reduces its creative tendencies, which is a desirable effect for extracting knowledge from text, but the result of queries to the API returned by the GPT-4 model can and will still vary slightly with each call. LLMs are inherently non-deterministic (see https://platform.openai.com/docs/guides/gpt/faq - point: "Why are model outputs inconsistent?"). This effect can be observed by repeatedly running the same query on the family relations of Jadwiga Jagiellonka, which processes the same biographical text (link to the script). The query (prompt) was accompanied by an example of the data to be processed and an example of the result (few-shot learning). About 80-90% of the answers remain the same (and correct), However, the rest of the result changes, sometimes the answers are correct, sometimes they are completely wrong. It seems, based on a simple observation, that the variability applies to the more difficult to extract relations like 'son-in-law', 'father-in-law', 'grandson', while relations like 'father', 'mother', 'husband', 'daughter', 'son', 'brother' are searched for conventionally and correctly. Perhaps it is the way the content is formulated in the biography to be analyzed that matters. The more elaborate, "literary" the description, the greater the chance that the model will misinterpret the information.

10 tests were performed on the biography of Jadwiga Jagiellonka, the extracted information was practically different each time - with the same content of the prompt and input text. Of these, 10 relationships were repeated for each test:

 {"relacja":"ojciec", "osoba":"Kazimierz Jagiellończyk"},
 {"relacja":"matka", "osoba":"Elżbieta Rakuszanka"},
 {"relacja":"mąż", "osoba":"Jerzy Bawarski"},
 {"relacja":"syn", "osoba":"Ludwik"},
 {"relacja":"syn", "osoba":"Ruprecht"},
 {"relacja":"córka", "osoba":"Elżbieta"},
 {"relacja":"córka", "osoba":"Małgorzata"},
 {"relacja":"brat", "osoba":"Władysław Jagiellończyk"},
 {"relacja":"brat", "osoba":"Aleksander"},
 {"relacja":"brat", "osoba":"Zygmunt I"},

In addition, other relationships could appear, from 1 to 4. In two tests, the additional relationships were not present.

test 1:
 {"relacja":"teść", "osoba":"Ludwik Bogaty"} = OK
 {"relacja":"zięć", "osoba":"Ruprecht hr. Palatynatu"} = OK
test 2:
 {"relacja":"teściowa", "osoba":"Dorota Koniecpolska"} = ERR
 {"relacja":"zięć", "osoba":"Ruprecht hr. Palatynatu"} = OK
 {"relacja":"wnuczka", "osoba":"Małgorzata"} = ERR
test 3:
 {"relacja":"wnuk", "osoba":"Ruprecht hr. Palatynatu"} = ERR
test 4:
 {"relacja":"siostrzeniec", "osoba":"Ruprecht hr. Palatynatu"} = ERR
 {"relacja":"wnuk", "osoba":"wnuk Jadwigi Jagiellonki"} = OK
test 5:
 No additional relations
test 6:
 {"relacja":"zięć", "osoba":"Ruprecht hr. Palatynatu"} = OK
 {"relacja":"wnuk", "osoba":"wnuk Jadwigi Jagiellonki"} = OK
test 7:
 {"relacja":"wnuk", "osoba":"Ruprecht hr. Palatynatu"} = ERR
test 8
 No additional relations
test 9
 {"relacja":"teściowa", "osoba":"Dorota Koniecpolska"} = ERR
 {"relacja":"zięć", "osoba":"Ruprecht hr. Palatynatu"} = OK
 {"relacja":"wnuczka", "osoba":"Małgorzata"} = ERR
test 10:
 {"relacja":"wnuk", "osoba":"Ruprecht hr. Palatynatu"} = ERR
 {"relacja":"siostrzeniec", "osoba":"Ruprecht hr. Palatynatu"} = ERR
 {"relacja":"szwagierka", "osoba":"Anna, księżna wdowa cieszyńska"} = ERR
 {"relacja":"siostrzenica", "osoba":"Małgorzata, ksieni benedyktynek w Neuburg"} = ERR

As you can see, in 6 out of 10 tests there are accounts that are untrue, they cannot be justified in any way by the content of the biographical text, less damaging seems to be the complete failure to find existing accounts which happened in 2 tests.

Since in the case of extracting information from texts, we are dealing with information we do not yet know (we do not have a database or knowledge graph), it would be difficult to perform factual verification other than manually comparing the text with the model's extracted data. However, such a process is time-consuming and would negate any benefit of automating the processing of large amounts of text. Whether the solution would be to repeat each query e.g. 3 times and consider the repeated answers as reliable and the others as requiring verification - it is hard to say, but it is after all possible that consistently in each test there would be incorrect and therefore unreliable information. Manual verification of data obtained through large language models seems - for today - inevitable. However, it can be supported by additional tools that verify the structure of the results returned by the LLM, or the probability of the extracted facts (e.g., the age of the person should be in the range of 0-110), the names of family relationships should come from a certain set, etc.

Nous-Hermes-13b Model Test

Test results of the Nous-Hermes-13b model run locally (CPU only) on the same sample of 50 biographies on which the GPT-3 and GPT-4 models were tested for extracting family relationship information. The model tested (https://huggingface.co/NousResearch/Nous-Hermes-13b) is a version of Llama-13b. Since it is smaller than the GPT models and was run locally (which is quite time-consuming on a non-GPU computer), the processing of the biographies was simplified to a single question - about the father of the main character of the text.

Used prompt (in Polish):

Based only on the information from the given text, write who was the father of <person>.
Save the result in JSON format.
For example:
Text: "Łukasz Kowalski (1901-1987) ur. w Bogatce z ojca Hieronima i matki Heleny z Kruszyńskich."
Result: {"ojciec": "Hieronim Kowalski"}
Text: "Marcin Wielopolski (1700-1776), szlachcic pomorski, ur. w Ustce. Ojcem W. był Antoni, herbu Trójnóg."
Result: {"ojciec": "Antoni Wielopolski"}
Text: "Eustachy Wikozy (zm. 1233), pochodzenie nienane, klucznik gnieźnieński."
Result: {"ojciec":"brak danych"}

Text: <data>
Result:

Where in place of <person> was inserted the name of the main character, while in place of <date>. the simplified text of the biography. Compared to GPT-4, the Nous-Hermes-13b model can process a much smaller context size (2048 tokens), so both the question content, examples and the biography itself had to be limited. Biographies where they exceeded 1,700 tokens were limited to 3 initial and 2 final sentences, and those sentences where affinity keywords occurred. Shortening the text could unfortunately affect the model's performance.

Person / Result Correct?
Aloe Franciszek Eljasz
{"ojciec": "Jan Baptysta d’Aloy i Henryka Rakocy"} True?
Bartoszewski Jan
"The father of Jan Bartoszewski is not mentioned in the given text." True
Bezprym
{"ojciec": "Bolesław Chrobry"} True
Dąbrowska_Pelagia
{"ojciec": "Michał Zgliczyński"} True
Daszyński Ignacy
...Ignacy Daszyński miał ojca Ferdynanda. True
Dzierżek_Natalia
{"ojciec": "Henryk Dzierżek"} True
Eufrozyna
{"ojciec": "Kazimierz, ks. opolski"} True
Ewild al. Eywild
{"ojciec": "Eywild al. Eywild Jan"} False
Ezra ben Nisan
{"ojciec": "Ezra ben Nisan z Trok, inaczej Ezra Nisanowicz (ok. 1596–1666)"} False
Falęta
{"ojciec": "brak danych"} True
Fiorentini Władysław
{"ojciec": "Antoni Fiorentini"} True
Fuzorius Bartłomiej
{"ojciec": "Stanisław Lwowczyk"} True
Gliński Iwan
{"ojciec": "Lew Borysowicz"} True
Gołaski Jan
{"ojciec": "Jan Gołaski"} False
Grzegorzewski Jan
{"ojciec": "Jakub"} True
Guicciardini Galeazzo
{"ojciec": "Guicciardini Galeazzo"} False
Hincza z Rogowa
{"ojciec": "Hinczka z Rogowa (zm. przed 1415)"} True
Hirschenfeld-Mielecki Józef
{"ojciec": "brak danych"} True
Jadwiga Jagiellonka
{"ojciec": "Kazimierz Jagiellończyk"} True
Kakowski Aleksander
{"ojciec": "Franciszek Kakowski"} True
Krumhausen Gabriel
{"ojciec": "Joachim Krumhausen"} True
Łańcucki Wojciech
{"ojciec": "Stanisław Łańcucki"} True
Langfort Teodor Henryk
{"ojciec": "brak danych"} True
Leymiter Stanisław
{"ojciec": "Mikołaj Leymiter"} True
Mierzeński Aleksander
{"ojciec": "Abraham Mierzeński"} True
Mostowska z Bujwidów
{"ojciec": "Odo Bujwid, prof. bakteriologii UJ"} True
Patruus
{"ojciec": "Jan Patruus"} False
Pichgiel
{"ojciec": "Christian Pichgiel młodszy"} False
Pion Maurice
{"ojciec": "Antoine Claude Pion"} True
Piotrowiczowa z Rogolińskich
{"ojciec": "Zygmunt Rogoliński"} True
Popiel
{"ojciec": "Popiel"} False
Renard Benedykt
{"ojciec": ""} True
Rossi Piotr
{"ojciec": "Andrzej Rossi"} True
Sapieha_Jan_Fryderyk
...ojcem Jan Fryderyk Sapieha był Fryderyk True
Siemowit
The prompt asks to determine who was the father of Siemowit.. False
Śląska Aleksandra
{"ojciec": "Edmund Wąsik"} True
Słowicki Józef
{"ojciec": "Józef Słowicki"} True
Śniadecka Kornelia Ludwika
{"ojciec": "Jędrzej Śniadecki"} True
Spektor Mordechaj
{"ojciec": "Mordechaj Spektor"} False
Spycigniew_z_Dąbrowy
{"ojciec": "brak danych"} True
Stańczakowa ze Strancmanów
{"ojciec": "Adolf Strancman"} True
Stanisław_Cielątko
{"ojciec": "Jan Cielątko"} True
Strzelecki Wiesław Marian
{"ojciec": "Felicjan Strzelecki"} True
Swach Jerzy
{"ojciec": "Udalryk (Oldrzycha) Swach"} True
Świrski Jerzy Włodzimierz
{"ojciec": "Włodzimierz Świrski"} True
Szapira Majer
{"ojciec": "Jakub Szamszon (1861–1948)"} True
Szapocznikow_Alina
The father of Alina Szapocznikow is Jakub Szapocznik (1896-1938) True
Szczubioł_Andrzej
{"ojciec": "Stefan Szczubioł z Jasieńca i Ciechomic"} True
Sztaffel Izrael
{"ojciec": "Izrael Abraham Sztaffel"} False
Szumski Boksa
{"ojciec": "brak danych"} True?

In 2 doubtful cases a question mark was added to the True/False result (once the model returned both father and mother, the second time no data, meanwhile the biography mentions a probable father). The result of the model's work is 40/50 correct answers which means 80% accuracy, which seems a very good result. However, comparing it with the achievements of GPT-4, if you look only at the results for the 'father' category, the current best language model made only 1 error (98% accuracy) and the 'main character->father' relationship itself seems to be one of the easiest to obtain. Despite all this, however, Nous-Hermes-13b is many times a smaller and simpler model, is available for free for non-commercial use, can be run on a regular laptop without a GPU (but with 16GB RAM and it will run very slowly), but most importantly processes texts in Polish!

Other comments:

  • the model sometimes has a problem with returning the result in the expected format,
  • waiting time for the result, despite the shortening of the biographies is 2-7 minutes per biography,
  • the model is very sensitive to the shape and content of the prompt, a small change was able to significantly degrade the result

Verifying the results returned by LLM - Guardrails

The results returned by LLM are variable, not always in the correct expected format, not always true, even when high quality content is passed to the query context. Therefore, they require verification before further use, such as saving to a knowledge base. To facilitate this process, one can use guardrails, a Python language library that facilitates both the verification of the structure of the response and, to some extent, the verification of the facts.

The guardrails library uses specifications written as xml files in the Reliable AI Markup Language (RAIL) standard that describe the structure of the expected result, the format of the result fields, optional validations, and the prompt.

An example RAIL file for a query that returns basic hero/heroine biography data looks like this:

<rail version="0.1">

<output>
    <object name="person_info">
        <string name="place_of_birth" description="Miejsce urodzenia bohatera/bohaterki biogramu" />
        <string name="place_of_death" description="Miejsce śmierci bohatera/bohaterki biogramu" />
        <string name="place_of_burial" description="Miejsce pochówku bohatera/bohaterki biogramu " />
        <date name="date_of_birth" description="Data urodzenia bohatera/bohaterki biogramu" date_format='%Y-%m-%d'/>
        <date name="date_of_death" description="Data śmierci bohatera/bohaterki biogramu" date_format='%Y-%m-%d'/>
        <date name="date_of_burial" description="Data pochówku bohatera/bohaterki biogramu" date_format='%Y-%m-%d'/>
    </object>
</output>

<prompt>
Na podstawie podanego tekstu biografii wyszukaj miejsce urodzenia, miejsce śmierci i miejsce pochówku głównego bohatera/bohaterki.
Podaj także datę urodzenia i datę śmierci oraz datę pochówku.

Tekst: {{document}}

@xml_prefix_prompt

{output_schema}

@json_suffix_prompt
</prompt>
</rail>

Below is a simple script using the guardrails library and the RAIL specification stored in the person_basic.xml file:

""" guardrails - podstawowe informacje o postaci z biogramu  """
import os
from pathlib import Path
import guardrails as gd
import openai
from dotenv import load_dotenv


# api key
env_path = Path(".") / ".env"
load_dotenv(dotenv_path=env_path)

OPENAI_ORG_ID = os.environ.get('OPENAI_ORG_ID')
OPENAI_API_KEY = os.environ.get('OPENAI_API_KEY')

openai.api_key = OPENAI_API_KEY

# biogram
file_path = Path(".") / 'Szpręga Teodor.txt'
with open(file_path, 'r',encoding='utf-8') as f:
    content = f.read()

# create a Guard object
rail_spec_path = Path(".") / 'person_basic.xml'
guard = gd.Guard.from_rail(rail_spec_path)

raw_llm_output, validated_output = guard(
    openai.ChatCompletion.create,
    prompt_params={"document": content},
    max_tokens=800,
    model="gpt-3.5-turbo-16k",
    temperature=0
)

# result
print(validated_output)

The result of the script:

{
  "person_info": {
    "place_of_birth": "Czersk",
    "place_of_death": "Osieczna",
    "place_of_burial": "Osieczna",
    "date_of_birth": "1833-11-01",
    "date_of_death": "1911-07-26",
    "date_of_burial": null
  }
}

Example of information extraction from a PSB biography

The analysed biography of Teodor Szpręga comes from the 49th volume of the PSB (Polski Słownik Biograficzny) published in 2013. Using the GPT-4 model, an attempt was made to extract from the text of the biography all the information necessary to prepare the data for input into the wikibase instance. In particular:

  • basic data: date and place of birth, date and place of death, date and place of burial of the character
  • data on functions, offices held by the character
  • data on family relations
  • data on institutions with which the biography's protagonist was associated
  • data on the towns to which the biography's protagonist was connected
  • data on persons (other than relatives) important to the biographical hero and a one-sentence summary of the biography, which can be used as a description of the item in the wikibase
  • nicknames, variants of names and surnames of the biography's protagonist.

Below is a list of prompts with results, the examples use fictional character data.

Prompt for basic data:

Na podstawie podanego tekstu biografii wyszukaj miejsce urodzenia, miejsce śmierci i miejsce pochówku głównego bohatera/bohaterki.
Podaj także datę urodzenia i datę śmierci.
Wynik przedstaw w formie listy obiektów JSON zawierających pola:
place_of_birth: miejsce urodzenia bohatera/bohaterki
place_of_death: miejsce śmierci bohatera/bohaterki
place_of_burial: miejsce pochówku bohatera/bohaterki
date_of_birth: data urodzenia bohatera/bohaterki
date_of_death: data śmierci bohatera/bohaterki
date_of_burial: data pochówku bohatera/bohaterki
Jeżeli jakiejś informacji brak w podanym tekście napisz: 'brak danych'

Przykład 1.
Tekst: "Soderini Carlos (ok. 1557–1591), kupiec i bankier.
Był jednym z pięciu synów Niccola i Annaleny Ricasoli, młodszym
bratem Bernarda (zob.). Ur. się 1 czerwca, we wsi Andalewo koło Wyszeborga. Jego bratanicą była Małgorzata Anna, żona
Winfrida de Loeve. S. ożenił się z Joanną, córką burgrabiego
krakowskiego Adama Kurozwęckiego. Zmarł w Hurczynianach, pochowano go na miejscowym cmentarzu parafialnym."
Wynik:
[{"place_of_birth":"Andalewo"},
 {"place_of_death":"Hurczyniany"},
 {"place_of_burial":"cmentarz parafialny w Hurczynianach"},
 {"date_of_birth":"1557-06-01"},
 {"date_of_death":"1591"},
 {"date_of_burial":"brak danych"}
]

Tekst: [TEKST_BIOGRAMU]

Result:

[
  {"place_of_birth":"Czersk"},
  {"place_of_death":"Osieczna"},
  {"place_of_burial":"plac przed kościołem w Osiecznej"},
  {"date_of_birth":"1833-11-01"},
  {"date_of_death":"1911-07-26"},
  {"date_of_burial":"brak danych"}
]

Note: For this query, identical results were also returned by the `gpt-3.5-turbo' model. (significantly cheaper than GPT-4), but for the other queries the quality of the gpt-4 model's answer was significantly better.

Prompt for functions and offices held:

Na podstawie podanego tekstu biografii wyszukaj wszystkie urzędy i funkcje pełnione przez głównego bohatera/bohaterkę.
Wynik przedstaw w formie listy obiektów JSON zawierających pola:
function: funkcja, urząd pełnione przez bohatera/bohaterkę

Przykład 1.
Tekst: "Soderini Carlos (ok. 1557–1591), kupiec i bankier.
Był jednym z pięciu synów Niccola i Annaleny Ricasoli, młodszym
bratem Bernarda (zob.). Jego bratanicą była Małgorzata Anna, żona
Winfrida de Loeve. S. ożenił się z Joanną, córką burgrabiego
krakowskiego Adama Kurozwęckiego."
Wynik:
[{"function":"kupiec"},
 {"function":"bankier"}
]

Tekst: [TEKST_BIOGRAMU]

Result:

[
  {"role_or_office":"reformat"},
  {"role_or_office":"misjonarz"},
  {"role_or_office":"komisarz generalny w Poznańskiem"},
  {"role_or_office":"uczeń w gimnazjum katolickim w Chojnicach"},
  {"role_or_office":"zakonnik Zakonu Braci Mniejszych w Prow. Reformatów Niepokalanego Poczęcia NMP"},
  {"role_or_office":"student filozofii i teologii w klasztorze w Łąkach"},
  {"role_or_office":"kapłan"},
  {"role_or_office":"student teologii w Prow. Rekolektów Krzyża Świętego w Westfalii"},
  {"role_or_office":"wykładowca historii Kościoła w studium seminaryjnym w Miejskiej Górce"},
  {"role_or_office":"wicemagister nowicjatu w Wejherowie"},
  {"role_or_office":"kaznodzieja w Wejherowie"},
  {"role_or_office":"dyrektor Trzeciego Zakonu w Wejherowie"},
  {"role_or_office":"gwardian w Wejherowie"},
  {"role_or_office":"gwardian i dyrektor domu księży demerytów w Osiecznej"},
  {"role_or_office":"kaznodzieja w Zamartem i Miejskiej Górce"},
  {"role_or_office":"misjonarz apostolski"},
  {"role_or_office":"kapelan sióstr franciszkanek i ambasady austro-węgierskiej w Stambule"},
  {"role_or_office":"wikariusz w Kurzętniku"},
  {"role_or_office":"wikariusz w Zblewie"},
  {"role_or_office":"wikariusz parafii w Miejskiej Górce"},
  {"role_or_office":"duszpasterz w kościele zakonnym na Goruszkach"},
  {"role_or_office":"wikariusz parafii w Dubinie"},
  {"role_or_office":"zastępca prowincjała"},
  {"role_or_office":"komisarz generalny"},
  {"role_or_office":"dyrektor domu księży demerytów w Osiecznej"},
  {"role_or_office":"zastępca proboszcza parafii w Drzeczkowie"}
]

Note: all the information prepared by the model is correct, no function/office is likely to have been omitted, possible minor awkwardness may be noted - if the protagonist was deputising for a parish priest then (I think) he was not acting as `deputy parish priest', he was only temporarily a parish priest.

Prompt for family relationships:

Na podstawie podanego tekstu wyszukaj wszystkich krewnych lub powinowatych głównego bohatera tekstu: {name}. Możliwe rodzaje pokrewieństwa: ojciec, matka, syn, córka, brat, siostra, żona, mąż, teść, teściowa, dziadek, babcia, wnuk, wnuczka, szwagier, szwagierka, siostrzeniec, siostrzenica, bratanek, bratanica, kuzyn, kuzynka, zięć, synowa.
Wynik przedstaw w formie listy obiektów JSON zawierających pola:
family relation: rodzaj pokrewieństwa (kim osoba była dla bohatera/bohaterki )
person: nazwa (imię i nazwisko osoby związanej relacją z bohaterem)
Wypisz tylko rodzaje pokrewieństwa, które występują w tekście.
Jeżeli w tekście nie ma żadnych informacji o pokrewieństwach głównego bohatera napisz: "brak danych".

Przykład 1
Tekst: "Soderini Carlo (ok. 1537–1581), kupiec i bankier. Był jednym z pięciu synów Niccola i Annaleny Ricasoli, młodszym bratem Bernarda (zob.).
Jego bratanicą była Małgorzata Anna, żona Winfrida de Loeve. S. ożenił się z Joanną, córką burgrabiego krakowskiego Adama Kurozwęckiego."
Wynik:
[{"family_relation":"ojciec", "person":"Niccola Ricasoli"},
 {"family_relation":"matka": "person":"Annalena Ricasoli"},
 {"family_relation":"brat": "person":"Bernard"},
 {"family_relation":"bratanica": "person":"Małgorzata Anna"},
 {"family_relation":"żona": "person":"Joanna"},
 {"family_relation":"teść": "person":"Adam Kurozwęcki"}
]

Tekst: [TEKST_BIOGRAMU]

Result:

[
  {"family_relation":"ojciec", "person":"Ignacy"},
  {"family_relation":"matka", "person":"Katarzyna Sabiniarz"}
]

Note: this is the correct result, all family relationships of the main character in the biography are listed.

Prompt returning the institutions with which the biography's protagonist was associated:

Na podstawie podanego tekstu biografii wyszukaj instytucje związane z głównym bohaterem/bohaterką.
Wynik przedstaw w formie listy obiektów JSON zawierających pola:
institution: nazwa instytucji związanej z bohaterem/bohaterką
place_of_institution: miejscowość w której położona jest instytucja związana z bohaterem/bohaterką
Miejscowość podaj w mianowniku.
Jeżeli jakiejś informacji brak w podanym tekście napisz: 'brak danych'

Przykład 1.
Tekst: "Soderini Carlos (ok. 1557–1591), kupiec i bankier.
Był jednym z pięciu synów Niccola i Annaleny Ricasoli, młodszym
bratem Bernarda (zob.). Ur. się 1 czerwca, we wsi Andalewo koło Wyszeborga.
Pracował w Banku Czeskim we Wrocławiu, później zaś praktykował w Izbie Celnej miasta Gdańska.
Zmarł w Hurczynianach, pochowano go na miejscowym cmentarzu parafialnym."
Wynik:
[{"institution":"Bank Czeski", "place_of_institution":"Wrocław"},
 {"institution":"Izba Celna", "place_of_institution":"Gdańsk"}
]

Tekst: [TEKST_BIOGRAMU]

Result:

[
  {"institution":"Gimnazjum katolickie", "place_of_institution":"Chojnice"},
  {"institution":"Zakon Braci Mniejszych", "place_of_institution":"Wejherowo"},
  {"institution":"Klasztor w Łąkach", "place_of_institution":"Łąki"},
  {"institution":"Prowincja Rekolektów Krzyża Świętego", "place_of_institution":"Westfalia"},
  {"institution":"Studium seminaryjne", "place_of_institution":"Miejska Górka"},
  {"institution":"Dom księży demerytów", "place_of_institution":"Osieczna"},
  {"institution":"Klasztor przy kościele NMP (zwanej Draperis)", "place_of_institution":"Stambuł"},
  {"institution":"Kaplica ambasady austro-węgierskiej", "place_of_institution":"Stambuł"},
  {"institution":"Parafia w Kurzętniku", "place_of_institution":"Kurzętnik"},
  {"institution":"Parafia w Zblewie", "place_of_institution":"Zblewo"},
  {"institution":"Parafia w Miejskiej Górce", "place_of_institution":"Miejska Górka"},
  {"institution":"Kościół zakonny na Goruszkach", "place_of_institution":"Miejska Górka"},
  {"institution":"Parafia w Dubinie", "place_of_institution":"Dubin"},
  {"institution":"Parafia w Drzeczkowie", "place_of_institution":"Drzeczkowo"}
]

Notes: It is difficult to say where the model got the "embassy chapel" from, it is rather an example of hallucination - the text only mentions that the protagonist of the biography was a chaplain of the Austro-Hungarian embassy.

Prompt for localities associated with the hero/heroine of the biography:

Na podstawie podanego tekstu biografii wyszukaj miejscowości związane z głównym bohaterem/bohaterką.
Wynik przedstaw w formie listy obiektów JSON zawierających pola:
place: nazwa miejscowości związanej z bohaterem/bohaterką
date: data, kiedy bohater/bohaterka przebywał w danej miejscowości
Miejscowość podaj w mianowniku.
Jeżeli jakiejś informacji brak w podanym tekście napisz: 'brak danych'

Przykład 1.
Tekst: "Soderini Carlos (ok. 1557–1591), kupiec i bankier.
Był jednym z pięciu synów Niccola i Annaleny Ricasoli, młodszym
bratem Bernarda (zob.). Ur. się 1 czerwca, we wsi Andalewo koło Wyszeborga.
Pracował w Banku Czeskim we Wrocławiu w latach 1577-78, później zaś, od 1579 roku praktykował w Izbie Celnej miasta Gdańska.
Pod koniec życia zamieszkał w Elblągu w pobliżu portu.
Zmarł w Hurczynianach, pochowano go na miejscowym cmentarzu parafialnym."
Wynik:
[{"place":"Andalewo", "date":"1557-06-01"},
 {"place":"Wrocław", "date":"1577-1578"},
 {"place":"Gdańsk", "date":"1579"},
 {"place":"Elbląg", "date":"brak danych"},
 {"place":"Hurczyniany", "date":"1591"}
]

Tekst: [TEKST_BIOGRAMU]

Result:

[
  {"place":"Czersk", "date":"1833-11-01"},
  {"place":"Chojnice", "date":"brak danych"},
  {"place":"Wejherowo", "date":"1856-05-05"},
  {"place":"Łąki", "date":"1857-05-06"},
  {"place":"Westfalia", "date":"brak danych"},
  {"place":"Miejska Górka", "date":"1861-09-02"},
  {"place":"Osieczna", "date":"1865-07"},
  {"place":"Zamarte", "date":"1870"},
  {"place":"Stambuł", "date":"1872-05"},
  {"place":"Adampol", "date":"brak danych"},
  {"place":"Rzym", "date":"1881-07-05"},
  {"place":"Kurzętnik", "date":"1884"},
  {"place":"Zblewo", "date":"1885-01"},
  {"place":"Goruszki", "date":"1887-07"},
  {"place":"Dubinie", "date":"1887-09-05"},
  {"place":"Poznań", "date":"brak danych"},
  {"place":"Asyż", "date":"1895-05-16"},
  {"place":"Drzeczkowo", "date":"1900-10-09"}
]

Notes: The locality in which the biography's protagonist died was not included, perhaps because it also occurred earlier, and the query did not make it clear that localities could occur multiple times with different dates.

One of the localities on the list appears in a modified form (Dubina) despite a clear indication in the prompt for place names to be listed in the nominative.

The information concerning Poznań only mentions the hero's issuing of monastic rules, it does not necessarily mean that he stayed in this city, this result can therefore be considered questionable.

Vienna and Trieste, through which the hero travelled in 1872, are omitted.

Prompt returning a list of important people for the main character in the biography:

Na podstawie podanego tekstu biografii wyszukaj osoby związane z głównym bohaterem/bohaterką, lecz pomiń krewnych i powinowatych.
Wynik przedstaw w formie listy obiektów JSON zawierających pola:
name: imię i nazwisko osoby związanej z bohaterem/bohaterką
date: data, kiedy bohater/bohaterka spotkał/zetknał się z daną osobą
info: dodatkowe informacje o osobie np. funkcja, zawód
Jeżeli jakiejś informacji brak w podanym tekście napisz: 'brak danych'

Przykład 1.
Tekst: "Soderini Carlos (ok. 1557–1591), kupiec i bankier.
Był jednym z pięciu synów Niccola i Annaleny Ricasoli, młodszym
bratem Bernarda (zob.). Ur. się 1 czerwca, we wsi Andalewo koło Wyszeborga. Od 1567 roku uczył się w szkole wiejskiej
prowadzonej przez księdza Jana Tokalskiego z Krakowa. Następnie wstąpił na uniwersystet w Królewcu, gdzie zaprzyjaźnił się
ze Zdenkiem Kovacem, synem właściciela banku w Pradze, oraz z Czesławem Dąbkiem.
Pracował w Banku Czeskim we Wrocławiu w latach 1577-78, później zaś, od 1579 roku praktykował w Izbie Celnej miasta Gdańska.
Pod koniec życia zamieszkał w Elblągu w pobliżu portu, gdzie jeszcze w 1590 r. prowadził interesy handlowe z Morycem Wachowskim,
kupcem zbożowym.
Zmarł w Hurczynianach, pochowano go na miejscowym cmentarzu parafialnym."
Wynik:
[{"name":"Jan Tokalski", "date":"1567", "info":"ksiądz"},
 {"name":"Zdenek Kovac", "date":"brak danych","info":"syn właściciela banku"},
 {"name":"Czesław Dąbek", "date":"brak danych","info":"brak danych"},
 {"name":"Moryc Wachowski", "date":"1590", "info":"kupiec zbożowy"},
]

Tekst: [TEKST_BIOGRAMU]

Result:

[
  {"name":"Jerzy Jeschke", "date":"1858", "info":"chełmiński biskup pomocniczy"},
  {"name":"Pacyfik Bydłowski", "date":"1881","info":"były prowincjał i definitór generalny zakonu"},
  {"name":"Bernardyn Dal Vago", "date":"brak danych","info":"generał reformatów"},
  {"name":"Roger Binkowski", "date":"1889", "info":"prowincjał"},
  {"name":"Alojzy Canali", "date":"1890", "info":"generał reformatów"},
  {"name":"Florian Stablewski", "date":"1900", "info":"arcybiskup gnieźnieński i poznański"},
  {"name":"Euzebiusz Stateczny", "date":"1904", "info":"brak danych"},
  {"name":"Dionizy Schuler", "date":"1906", "info":"generał zakonu"}
]

Notes: omitted Rev. Michał Ławrynowicz, whose account the protagonist was writing down - which probably means that he met him (?).

Prompt creating a one-sentence summary of the biography:

Na podstawie podanego tekstu napisz jednozdaniowy opis głównego bohatera/bohaterki, który będzie opisem itemu w bazie wiedzy na temat tej postaci.

Przykład 1
Tekst: "Soderini Carlos (ok. 1557–1591), kupiec i bankier.
Był jednym z pięciu synów Niccola i Annaleny Ricasoli, młodszym
bratem Bernarda (zob.). Ur. się 1 czerwca, we wsi Andalewo koło Wyszeborga. Od 1567 roku uczył się w szkole wiejskiej
prowadzonej przez księdza Jana Tokalskiego z Krakowa. Następnie wstąpił na uniwersystet w Królewcu, gdzie zaprzyjaźnił się
ze Zdenkiem Kovacem, synem właściciela banku w Pradze.
Pracował w Banku Czeskim we Wrocławiu w latach 1577-78, później zaś, od 1579 roku praktykował jako młodszy asystent celny w Izbie Celnej miasta Gdańska.
Pod koniec życia zamieszkał w Elblągu w pobliżu portu, gdzie prowadził interesy handlowe z Morycem Wachowskim.
Zmarł w Hurczynianach, pochowano go na miejscowym cmentarzu parafialnym."
Wynik:
"Soderini Carlos (ok. 1557–1591), kupiec, bankier i asystent celny, studiował na Uniwersytecie w Królewcu."

Tekst: [TEKST_BIOGRAMU]

Result:

"Szpręga Teodor (1833–1911), reformat, misjonarz i komisarz generalny, prowadził
nauczanie w szkole seminaryjnej, służył jako kapelan w Stambule i pracował na
odbudowę zakonu w Polsce."

Result with parameter temperature = 0.0:

"Teodor Szpręga (1833-1911), reformat, misjonarz i komisarz generalny
w Poznańskiem, był wykładowcą historii Kościoła, kaznodzieją, kapelanem
sióstr franciszkanek i ambasady austro-węgierskiej w Stambule oraz dyrektorem
domu księży demerytów w Osiecznej."

Result prepared by the gpt-3.5-turbo model (also with parameter temperature = 0.0):

Szpręga Teodor, w zakonie Anastazy (1833—1911), reformat, misjonarz i komisarz
generalny w Poznańskiem, autor przetłumaczonej na język polski "Reguły Trzeciego
Zakonu S. O. Franciszka".

Prompt that searches for variants of a character's name, and their pesudonyms/cryptonyms:

Na podstawie podanego tekstu biografii wyszukaj wszystkie warianty nazwiska (także błędne),
imienia (także błędne) i pesudonimy lub kryptonimy
głównego bohatera/bohaterki (pomiń pseudonimy innych osób występujących w tekście).
Wynik przedstaw w formie listy obiektów JSON zawierających pola:
name_variant: wariant nazwiska bohatera/bohaterki
forname_variant: wariant imienia bohatera/bohaterki
nickname: pseudonim lub kryptonim bohatera/bohaterki

Przykład 1.
Tekst: "Soderini (Sodderini, Sodero) Carlos, pseud.: Carlito, Jan Będowski (ok. 1557–1591), kupiec i bankier.
Był jednym z pięciu synów Niccola i Annaleny Ricasoli, młodszym
bratem Bernarda (zob.). Jego bratanicą była Małgorzata Anna, żona
Winfrida de Loeve znanego też pod psed. Ikarus. S. ożenił się z Joanną, córką burgrabiego
krakowskiego Adama Kurozwęckiego."
Wynik:
[{"name_variant":"Sodderini"},
 {"name_variant":"Sodero"},
 {"forname_variant":"Karl"},
 {"nickname":"Carlito"},
 {"nickname":"Jan Będowski"},
]

Tekst: [TEKST_BIOGRAMU]

Result (for another biography - Wladyslaw Szpilman, as pesudonyms occur in it):

[{"name_variant":"Spielman"},
{"forname_variant":"Wolf"},
{"nickname":"Al Legro"},
{"nickname":"Wiktor Karwiński"}
]

Another person's nickname also appears in the biography, but is omitted, according to the prompt and example.

The same prompt run by the 'gpt-3.5-turbo' model (temperature = 0.0) returns a worse result:

[
  {"name_variant":"Spielman"},
  {"forname_variant":"Władysław"},
  {"nickname":"Al Legro"},
  {"nickname":"Wiktor Karwiński"},
]

GPT and PSB Biographies - Remarks and Conclusions

  • GPT-4 gives much better results than GPT-3 or GPT-3.5-turbo, even for the simplest questions about basic facts. If the biography is written in simple language and the data are provided directly, the results of gpt-3.5 and gpt-4 are similar, but the superiority of gpt-4 is visible in more difficult cases.
  • The cost of using gpt-4 is 10 times higher than gpt-3.5. The cost of gpt-3 is lower than gpt-4, but considering the quality of the results, it makes less sense to use it for extracting information from biographies.
  • Gpt-4, with a properly constructed prompt, is capable of extracting all the expected information from the text. The construction of the query and a suitable example in the prompt are of immense importance.
  • Gpt-4 is capable of returning information in a structured form, such as a JSON object, with virtually no errors. However, you can additionally use libraries such as guardrails to verify and validate the format (and even the results).
  • You will get better results if you ask for selected, specific information rather than a lot of information at once. A query limited to basic information or just family relationships will give very good results, but creating a large query that tries to extract all that data at once can make the results worse. For example, the model won't find the character's burial place, which it did flawlessly for a specific query. Unfortunately, this increases the cost of text processing, because for each biography, for example, you have to ask 6 questions each time you pass the text of the biography. The cost of processing 1 biography with the gpt-4 model then approaches several tens of cents.
  • The length of the biographies is a problem, the standard gpt-4 model has a context length of 8 thousand tokens (for Polish this is about 4 thousand words), the 32k model with four times greater capabilities is not yet widely available, but even in its case many of the PSB biographies contain longer text, creating the need to shorten the text of the biography or process it in parts. For example, the longest PSB biography, of Stanislaw August Poniatowski, counts 78076 tokens (excluding the bibliography section). Depending on the topic of the question, knowing how to construct biographies, you can use different methods of shortening. For basic information, which is usually placed in the first and last sentences, you can limit the biography in this way. Information about family relationships is hidden in sentences that contain certain keywords related to kinship and affinity, this is also an easy way to limit the biography, for example, to the first few sentences and sentences that contain these words. Otherwise, you can use the option of converting text into numbers by dividing the text into fragments (e.g. sentences, paragraphs), creating embeddings for them and storing them in vector databases, then finding and gluing the most similar sentences/fragments to the subject of the query until the maximum available context size for the model is reached. However, this approach runs the risk of omitting historical information if it is scattered evenly throughout the content of the biography, e.g. important people for the protagonist of the biography will appear throughout his life and thus throughout most of the biography. In this case, it may be better to process the entire biography, but divided into parts.
  • An attempt to use the cheaper gpt-3.5-turbo model to preprocess the biography, summarizing it to the content necessary to answer a question about, for example, basic data about the main character, places associated with a historical figure, failed. The model produced a reasonably correct summary, but lost some of the information, despite the inclusion of appropriate clues in the construction of the prompt. The resulting summary was therefore useless to the gpt-4 model, which could not find the information it was looking for in it.
  • You can test queries using the ChatGPT Pro interface, which allows the use of the gpt-4 model, but the results may be different from those obtained when querying the model directly through the API, because by using the API we can influence the parameters of the model's operation, not in ChatGPT. In particular, when extracting information from biographies, you should reduce the value of the temperature parameter to zero.
  • Data automatically extracted from biographies, of course, requires further processing before being entered into a database/knowledge base. Identification of persons, places, and institutions is necessary.
  • Aligning the results is also important - the model does not always strictly follow the guidelines, for example, in the absence of data, the answer "no data" usually appears in the results, but sometimes "unknown".
  • A separate issue specific to biographies is the question of modernizing pre-war spelling. The Polish Biographical Dictionary was published in 1935 and contains names in the form of Marjan (modern spelling: Marian), Apolonja (Apolonia).

An example of a larger analysis: a sample of 250 biographies from the Polish Biographical Dictionary: GPT_PSB

Automatic creation of knowledge graphs

All of the above examples of extracting knowledge from text were related to predetermined types of information that needed to be extracted. What if it is not known what information is contained in the historical study being processed, and we simply (!) want to extract all the facts from the text? The LangChain library has an interesting component called GraphIndexCreator that serves exactly this purpose.

An example of a script processing a fragment of the biography of Adam Wacław, a prince of the Silesian Piast dynasty. For now GraphIndexCreator has some limitations, it works better for shorter texts and returns results in English, but the effect is still interesting.

import os
from langchain.llms import OpenAI
from langchain.indexes import GraphIndexCreator
from pathlib import Path
from dotenv import load_dotenv

# api key
env_path = Path(".") / ".env"
load_dotenv(dotenv_path=env_path)
OPENAI_API_KEY = os.environ.get('OPENAI_API_KEY')

text = """Adam Wacław (1574–1617) z rodu Piastów, książę cieszyński, tytułujący się także
księciem górnogłogowskim, choć tego księstwa już nie posiadał,
był synem Wacława Adama i drugiej jego żony, Katarzyny Sydonji, księżniczki saskiej.
Urodził się 12 XII 1574 r. Miał 5 lat, gdy umarł mu ojciec."""

index_creator = GraphIndexCreator(llm=OpenAI(temperature=0, openai_api_key=OPENAI_API_KEY))
graph = index_creator.from_text(text)
result = graph.get_triples()

for item in result:
    print(item)

When you run the script, you get a series of triples (subject, object, predicate):

('Adam Wacław', 'member of the Piast dynasty', 'is a')
('Adam Wacław', 'prince of Cieszyn', 'is a')
('Adam Wacław', 'prince of Górnogłogów', 'is a')
('Adam Wacław', 'Wacław Adam', 'is the son of')
('Adam Wacław', 'Katarzyna Sydonji', 'is the son of')
('Adam Wacław', '12 December 1574', 'was born on')
('Adam Wacław', 'his father died', 'was 5 years old when')

And this is the result of processing one of the further sentences of the biography ("Dla poprawienia swego położenia wstąpił A. W. do służby w wojsku cesarskiem i jako dowódca oddziału, złożonego z jazdy, a więc na stanowisku podrzędnem, walczył z Turkami na Węgrzech..."):

('Adam Wacław', 'Imperial Army', 'joined the')
('Adam Wacław', 'a cavalry unit', 'was a commander of')
('Adam Wacław', 'the Turks', 'fought against')

GPT-3.5-turbo Model Fine-tuning Test

The model was fine-tuned with 10 examples (jsonl file in the repository: link, script: fine_tuning_gpt35_test.py), which were supposed to teach it to extract basic information about a historical figure and return the result in JSON format.

A test was conducted on the standard model and the model after fine-tuning using the query (in Polish):

Na podstawie podanego tekstu biografii wyszukaj miejsce urodzenia,
miejsce śmierci, miejsce pochówku, datę urodzenia, datę śmierci
i datę pochówku głównego bohatera/bohaterki. Jeżeli w tekście brak danych
na ten temat, zapisz: brak danych. Wynik przedstaw w formie listy obiektów
JSON.

Tekst: Adam Wacław (1574–1617) z rodu Piastów, książę cieszyński,
tytułujący się także księciem górnogłogowskim, choć tego księstwa
już nie posiadał, był synem Wacława Adama i drugiej jego żony, Katarzyny
Sydonji, księżniczki saskiej. Urodził się 12 XII 1574 r. Miał 5 lat,
gdy umarł mu ojciec. W czasie jego małoletności rządziła księstwem
matka wraz z dodanymi jej przez cesarza opiekunami księcia. Przyjeżdżała
ona w tym celu od czasu do czasu do Cieszyna, po powtórnem wyjściu zamąż
– z wiedzą króla Stefana Batorego – za Emeryka Forgacha, żupana trenczyńskiego,
A.-W. wychowywał się przez 8 lat na dworze elektora saskiego, w r. 1595 objął
rządy w księstwie i w tym samym roku ożenił się z Elżbietą, córką ks. kurlandzkiego,
Kettlera. A.-W. umarł w Cieszynie na Brandysie 13 VII 1617; ciało jego złożono
najpierw na zamku i dopiero 4 IV następnego roku pochowano w kościele dominikanów
cieszyńskich, gdzie spoczywały zwłoki wszystkich jego poprzedników. Zostawił
5 dzieci, z których Fryderyk Wilhelm, ostatni cieszyński Piast męski, i Elżbieta
Lukrecja, ostatnia Piastówna, rządzili kolejno Księstwem.

Result for standard model: gpt-3.5-turbo:

[
    {
      "imię": "Adam",
      "nazwisko": "Wacław",
      "miejsce_urodzenia": "brak danych",
      "miejsce_śmierci": "Cieszyn, Brandys",
      "miejsce_pochówku": "kościół dominikanów cieszyńskich",
      "data_urodzenia": "12 XII 1574",
      "data_śmierci": "13 VII 1617",
      "data_pochówku": "4 IV następnego roku"
    }
]

Result for the gpt_3.5-turbo model after fine-tuning:

{
  "place_of_birth": { "place": "brak danych" },
  "place_of_death": { "place": "Cieszyn" },
  "place_of_burial": {
    "place": "Cieszyn",
    "note": "kościół dominikanów cieszyńskich"
  },
  "date_of_birth": { "date": "1574-12-12" },
  "date_of_death": { "date": "1617-07-13" },
  "date_of_burial": { "date": "1618-04-04" }
}

Fine-tuning cost: approx. $0.30, duration - approx. 10 minutes.

It is also possible to compare the result of the standard gpt-3.5-turbo model with a longer prompt, used during the gpt-4 test (link to the file with the prompt text):

[
  {
    "place_of_birth": {
      "place": "brak danych"
    },
    "place_of_death": {
      "place": "Cieszyn, Brandys"
    },
    "place_of_burial": {
      "place": "kościół dominikanów cieszyńskich"
    },
    "date_of_birth": {
      "date": "1574-12-12"
    },
    "date_of_death": {
      "date": "1617-07-13"
    },
    "date_of_burial": {
      "date": "1618-04-04"
    }
  }
]

It must be admitted that the result obtained thanks to the fine-tuned model is indeed the best, comparable to GPT-4.

Processing 250 Biographies with the Fine-tuned GPT-3.5-turbo Model

However, the results of the fine-tuned model should be checked on a larger sample, for example, the same series of 250 biographies that were processed by the GPT-4 model in a separate project. Below are the results of such a test.

The overall accuracy of the 3.5-turbo model results (fine-tuning) in terms of extracting basic data (place and date of birth, place and date of death, place and date of burial) from PSB character biographies (sample of 250 biographies, overall accuracy includes both found data and data not found returned by the model):

Type of information Correct Incorrect
Place of birth 182 (72.8%) 68 (27.2%)
Place of death 222 (88.8%) 28 (11.2%)
Place of burial 233 (93.2%) 17 (6.8%)
Date of birth 226 (90.4%) 24 (9.6%)
Date of death 226 (90.4%) 24 (9.6%)
Date of burial 235 (94.0%) 15 (6%)
Total 1315 (87.5%) 185 (12.5%)

Data gaps (1500 potential information: 250 biographies, 6 types of information):

Type of information No data
Place of birth 45
Place of death 90
Place of burial 137
Date of birth 53
Date of death 23
Date of burial 220
Total 568

The places and dates of burial are found the least often; indeed, such information often does not appear in the biographies.

If we only consider the information that was found (i.e., excluding missing data), the effectiveness of the gpt-3.5-turbo model after fine-tuning looks as follows (250 biographies were analyzed, GPT-4 results are also provided for comparison):

Type of information Found Correct Found (GPT-4) Correct (GPT-4)
Place of birth 205 137 (66.83%) 154 137 (88.96%)
Place of death 160 137 (85.62%) 160 141 (88.12%)
Place of burial 113 99 (87.61%) 111 101 (90.99%)
Date of birth 197 174 (88.32%) 180 177 (98.33%)
Date of death 227 210 (92.51%) 230 229 (99.57%)
Date of burial 30 19 (63.33%) 26 23 (88.46%)
Total 932 776 (83.26%) 861 808 (93.84%)

Examining only the cases of missing data, the accuracy of the results returned by the model is higher, although a clearly weaker result in the case of the date of death is noticeable, where in nearly 1/3 of the biographies the model did not find information that was in the biography:

Type of information No data Correct
Place of birth 45 45 (100.00%)
Place of death 90 85 (94.44%)
Place of burial 137 134 (97.81%)
Date of birth 53 52 (98.11%)
Date of death 23 16 (69.57%)
Date of burial 220 216 (98.18%)
Total 568 548 (96.48%)

The results for the entire series of biographies show that the 3.5-turbo model after fine-tuning is significantly weaker than the gpt-4 model - see results for gpt-4. What is not visible in the numbers alone, is the frequent retrieval of correct but imprecise dates (e.g., yearly when daily can be found in the biography - 53 cases for the date of death of the character!), or frequent errors in the declension of geographical names - such data were counted as correct, however with an appropriate note indicating that the model's answer was not perfect. Considering this kind of data as incorrect would significantly worsen the model's result, e.g., for the date of death, the percentage of correctly extracted information would drop from 92 to 69! Detailed results for each biography are available in the repository.