A ceramic bowl in a museum display case is experienced through its form, color, weight, texture, and the patina of age. The same bowl in a digital catalog is experienced through a photograph, a set of metadata fields (material: ceramic; period: Joseon dynasty; dimensions: 12cm × 8cm), and a classification number. Something is gained in the translation—searchability, accessibility, comparability—and something is lost. The question of what is lost, and whether it matters, is at the center of current debates about heritage digitization.

The Semantic Gap

Spuriņa (2025) examines the "semantic gap" in museum digitization through a comparative analysis of national museum databases in Latvia, Estonia, and Finland. The semantic gap, as defined in the information retrieval literature, is the distance between what humans understand when they look at an object and what a machine-readable data structure can represent.

The comparative analysis reveals several dimensions of this gap:

Descriptive standardization vs. cultural specificity. International metadata standards (Dublin Core, CIDOC-CRM) provide interoperability across collections, but their generic categories may not capture culturally specific attributes. A Latvian folk textile that carries meanings tied to specific regions, ceremonies, and kinship systems is reduced to "textile, wool, 19th century" in a standardized schema.

Multilingual description. Baltic museum databases use national languages, but cross-border discoverability requires translation. Machine translation can help but introduces its own errors, particularly for specialized heritage terminology that may not appear in general translation models.

Visual vs. textual information. Digital photographs capture visual properties but not material properties (weight, texture, smell) or contextual properties (how the object was displayed, used, or valued). The semantic gap is not just between human and machine understanding—it is between visual and non-visual aspects of heritage objects.

LLM-Assisted Digital Libraries

El Ganadi and Ruozzi (2025), with 1 citation, present the Digital Maktaba project—a metadata-driven framework for Arabic digital libraries that uses large language models to assist with cataloging and metadata generation.

The project addresses a specific challenge: Arabic manuscript collections often have incomplete or inconsistent metadata, reflecting varying cataloging practices across institutions and centuries. LLMs can help by:

• Generating standardized metadata from free-text descriptions.
• Translating metadata between Arabic, English, and other languages.
• Identifying entities (authors, places, dates) in manuscript colophons and marginalia.

The results are mixed: LLMs perform well for standard bibliographic metadata (title, author, date) but struggle with specialized heritage metadata (script type, binding style, provenance chain). This pattern is expected—LLMs are trained primarily on modern text and have limited exposure to the specialized vocabulary of heritage cataloging.

The project's value lies in its framework rather than its current performance: it demonstrates how LLMs can be integrated into heritage workflows as assistive tools (augmenting human catalogers) rather than replacement tools (automating cataloging entirely).

AIGC for Intangible Heritage

Xinyu, Lei, and El Ganadi et al. (2025), with 1 citation, examine how AI-Generated Content (AIGC) technologies—including text generation, image synthesis, and video creation—can be applied to the digital display of intangible cultural heritage (ICH). The focus is on Chinese ICH categories: traditional performances, crafts, rituals, and oral traditions.

The paper identifies a paradox: AIGC can create visually compelling representations of ICH practices (animated demonstrations of a craft technique, synthetic video of a historical performance), but these representations may lack the cultural authenticity that makes ICH valuable. A generated video of a traditional dance may be visually accurate but miss the subtle embodied knowledge that distinguishes a master from a student.

The authors propose a framework that uses AIGC not to replace human practitioners but to create supplementary educational materials—contextual explanations, interactive demonstrations, multilingual descriptions—that support rather than substitute for direct cultural transmission.

AI-Enhanced Heritage Learning

Srivastava, Gavhane, and Itnal (2026) survey the emerging field of AI-enhanced cultural heritage learning platforms. As museums and cultural institutions digitize their collections, the challenge shifts from making collections accessible to making them educationally effective. AI tools can personalize heritage learning experiences—recommending related objects, generating contextual narratives, adapting difficulty level—in ways that static catalog displays cannot.

The survey identifies both promise and risk: promise in personalization and engagement, risk in algorithmic filtering that may narrowly guide users toward popular items while obscuring less-known but culturally important objects. The "filter bubble" problem familiar from social media applies to heritage platforms as well.

Critical Analysis: Claims and Evidence

<

Claim	Evidence	Verdict
Standardized metadata schemas reduce cultural specificity	Spuriņa's comparative analysis of Baltic museum databases	✅ Supported
LLMs can assist heritage metadata generation	El Ganadi et al.'s Digital Maktaba framework	⚠️ Uncertain — works for standard fields, struggles with specialized heritage vocabulary
AIGC can create compelling ICH representations	Xinyu et al.'s framework for Chinese ICH	⚠️ Uncertain — visual quality possible, cultural authenticity unverified
AI personalization risks creating heritage "filter bubbles"	Srivastava et al.'s survey analysis	⚠️ Uncertain — plausible but not yet empirically demonstrated

Open Questions and Future Directions

Culturally adaptive metadata: Can metadata schemas be designed to accommodate cultural specificity without sacrificing interoperability? Multi-ontological systems that support parallel classification schemes (Western, Indigenous, Islamic) are technically feasible but organizationally complex.

Heritage data sovereignty: When cultural objects are digitized and stored on external platforms, who controls the data? The question is particularly acute for Indigenous and postcolonial collections.

Validation of AI-generated heritage content: How do we ensure that AIGC representations of cultural practices are accurate? Community validation processes are essential but not yet standardized.

Long-term preservation: Digital formats evolve; a VR experience or AI model built today may be unplayable in a decade. How do we ensure that digital heritage outlasts its platform?

What This Means for Your Research

For heritage professionals, the semantic gap analysis provides a vocabulary for articulating what is lost in digitization—and for designing metadata schemas that minimize the loss.

For computer scientists, heritage applications push AI tools in productive ways: specialized vocabularies, multilingual content, and cultural sensitivity requirements that general-purpose models do not address.

Explore related work through ORAA ResearchBrain.

면책 조항: 이 게시물은 정보 제공 목적의 연구 동향 개요이다. 학술 저작물에 인용하기 전에 구체적인 연구 결과, 통계 및 주장을 원본 논문에서 반드시 확인해야 한다.

헤리티지 디지털화의 의미론적 격차: 사물이 데이터가 될 때

박물관 진열장 안의 도자기 그릇은 형태, 색상, 무게, 질감, 그리고 세월의 흔적을 통해 경험된다. 디지털 목록 속의 동일한 그릇은 사진, 일련의 메타데이터 필드(재료: 도자기; 시대: 조선 왕조; 크기: 12cm × 8cm), 그리고 분류 번호를 통해 경험된다. 이 변환 과정에서 얻는 것도 있고—검색 가능성, 접근성, 비교 가능성—잃는 것도 있다. 무엇이 사라지는지, 그리고 그것이 중요한지에 대한 질문은 현재 헤리티지 디지털화 논쟁의 핵심에 있다.

의미론적 격차

Spuriņa(2025)는 라트비아, 에스토니아, 핀란드의 국립 박물관 데이터베이스 비교 분석을 통해 박물관 디지털화의 "의미론적 격차"를 검토한다. 정보 검색 문헌에서 정의하는 의미론적 격차란, 인간이 사물을 바라볼 때 이해하는 것과 기계가 읽을 수 있는 데이터 구조가 표현할 수 있는 것 사이의 거리이다.

비교 분석은 이 격차의 여러 차원을 드러낸다:

기술적 표준화 대 문화적 특수성. 국제 메타데이터 표준(Dublin Core, CIDOC-CRM)은 컬렉션 간 상호 운용성을 제공하지만, 그 일반적인 범주들은 문화적으로 특수한 속성을 포착하지 못할 수 있다. 특정 지역, 의례, 친족 체계와 연결된 의미를 지닌 라트비아 민속 직물은 표준화된 스키마에서 "직물, 양모, 19세기"로 축소된다.

다국어 기술. 발트해 연안 박물관 데이터베이스는 국가 언어를 사용하지만, 국경을 초월한 검색 가능성을 위해서는 번역이 필요하다. 기계 번역이 도움이 될 수 있지만, 특히 일반 번역 모델에 등장하지 않을 수 있는 전문화된 헤리티지 용어에서는 고유한 오류를 발생시킨다.

시각 정보 대 텍스트 정보. 디지털 사진은 시각적 속성을 포착하지만, 물질적 속성(무게, 질감, 냄새)이나 맥락적 속성(사물이 어떻게 전시되고, 사용되고, 가치 있게 여겨졌는지)은 포착하지 못한다. 의미론적 격차는 인간과 기계의 이해 사이에만 있는 것이 아니라, 헤리티지 사물의 시각적 측면과 비시각적 측면 사이에도 존재한다.

LLM 기반 디지털 라이브러리

El Ganadi와 Ruozzi(2025)는 1회 인용으로, 목록화 및 메타데이터 생성을 지원하기 위해 대형 언어 모델(LLM)을 활용하는 아랍어 디지털 라이브러리의 메타데이터 기반 프레임워크인 Digital Maktaba 프로젝트를 발표한다.

이 프로젝트는 특정 과제를 다룬다: 아랍어 필사본 컬렉션은 기관과 세기에 걸쳐 다양한 목록화 관행을 반영하여 불완전하거나 일관성 없는 메타데이터를 가지는 경우가 많다. LLM은 다음과 같은 방식으로 도움을 줄 수 있다:

• 자유 텍스트 기술에서 표준화된 메타데이터 생성.
• 아랍어, 영어 및 기타 언어 간 메타데이터 번역.
• 필사본 간기(colophon) 및 여백 주석에서 개체(저자, 장소, 날짜) 식별.

결과는 복합적이다: LLM은 표준 서지 메타데이터(제목, 저자, 날짜)에서는 우수한 성능을 보이지만, 전문화된 헤리티지 메타데이터(서체 유형, 제본 방식, 소장 경위)에서는 어려움을 겪는다. 이러한 패턴은 예상된 것이다—LLM은 주로 현대 텍스트로 훈련되었으며 헤리티지 목록화의 전문 어휘에 대한 노출이 제한적이다.

이 프로젝트의 가치는 현재의 성능보다 프레임워크에 있다: LLM이 목록화를 완전히 자동화하는 대체 도구가 아닌, 보조 도구(인간 목록 담당자를 보조하는)로서 헤리티지 워크플로에 통합될 수 있음을 보여준다.

무형 헤리티지를 위한 AIGC

Xinyu, Lei, El Ganadi 외 (2025)는 1회 인용을 기록하며, 텍스트 생성, 이미지 합성, 동영상 제작 등 AI 생성 콘텐츠(AIGC) 기술이 무형문화유산(ICH)의 디지털 전시에 어떻게 활용될 수 있는지를 고찰한다. 연구의 초점은 전통 공연, 공예, 의례, 구전 전통 등 중국의 ICH 범주에 맞추어져 있다.

이 논문은 하나의 역설을 제기한다. AIGC는 ICH 관행을 시각적으로 인상적인 방식으로 재현할 수 있으나(공예 기법의 애니메이션 시연, 역사적 공연의 합성 영상 등), 이러한 재현물은 ICH를 가치 있게 만드는 문화적 진정성을 결여할 수 있다는 것이다. 전통 춤을 생성한 동영상은 시각적으로는 정확할 수 있으나, 장인과 견습생을 구별짓는 섬세한 체화된 지식을 포착하지 못할 수 있다.

저자들은 AIGC를 인간 전승자를 대체하는 수단이 아니라, 직접적인 문화 전승을 보완하는 부가적 교육 자료—맥락적 설명, 인터랙티브 시연, 다국어 설명—를 창출하는 데 활용하는 프레임워크를 제안한다.

AI 기반 문화유산 학습

Srivastava, Gavhane, Itnal (2026)은 AI 기반 문화유산 학습 플랫폼이라는 신흥 분야를 개관한다. 박물관과 문화기관이 소장품을 디지털화함에 따라, 당면 과제는 소장품에 대한 접근성 확보에서 교육적 효과성 확보로 전환되고 있다. AI 도구는 관련 유물 추천, 맥락적 내러티브 생성, 난이도 조절 등을 통해 문화유산 학습 경험을 개인화할 수 있는데, 이는 정적인 카탈로그 전시 방식으로는 불가능한 것이다.

이 개관 연구는 가능성과 위험성을 함께 제시한다. 개인화와 참여 유도라는 가능성이 있는 한편, 알고리즘 필터링으로 인해 이용자가 인기 있는 유물에만 편중되고 덜 알려졌으나 문화적으로 중요한 유물이 가려질 위험성이 존재한다. 소셜 미디어에서 익히 알려진 "필터 버블" 문제가 문화유산 플랫폼에도 동일하게 적용된다.

비판적 분석: 주장과 근거

<

주장	근거	판정
표준화된 메타데이터 스키마는 문화적 특수성을 약화시킨다	Spuriņa의 발트해 지역 박물관 데이터베이스 비교 분석	✅ 지지됨
LLM은 문화유산 메타데이터 생성을 보조할 수 있다	El Ganadi 외의 Digital Maktaba 프레임워크	⚠️ 불확실 — 표준 필드에는 효과적이나 특수 문화유산 어휘에는 취약
AIGC는 설득력 있는 ICH 재현물을 창출할 수 있다	Xinyu 외의 중국 ICH 프레임워크	⚠️ 불확실 — 시각적 품질은 가능하나 문화적 진정성은 미검증
AI 개인화는 문화유산 "필터 버블"을 야기할 위험이 있다	Srivastava 외의 개관 연구 분석	⚠️ 불확실 — 개연성은 있으나 아직 실증적으로 입증되지 않음

미해결 과제와 향후 방향

문화적으로 적응 가능한 메타데이터: 메타데이터 스키마가 상호운용성을 희생하지 않으면서 문화적 특수성을 수용하도록 설계될 수 있는가? 서구, 토착, 이슬람 등 병렬적 분류 체계를 지원하는 다중 온톨로지 시스템은 기술적으로는 실현 가능하나 조직적으로는 복잡하다.

문화유산 데이터 주권: 문화 유물이 디지털화되어 외부 플랫폼에 저장될 때, 데이터는 누가 관리하는가? 이 문제는 특히 토착 및 탈식민지 소장품에 있어 첨예하게 대두된다.

AI 생성 문화유산 콘텐츠의 검증: AIGC로 재현된 문화적 관행이 정확하다는 것을 어떻게 보장할 수 있는가? 커뮤니티 검증 절차는 필수적이나 아직 표준화되지 않았다.

장기 보존: 디지털 형식은 끊임없이 진화한다. 현재 제작된 VR 경험이나 AI 모델은 10년 후에는 재생이 불가능할 수 있다. 디지털 문화유산이 해당 플랫폼보다 더 오래 존속하도록 하려면 어떻게 해야 하는가?

연구에 대한 시사점

문화유산 전문가들에게 있어, 의미론적 격차 분석은 디지털화 과정에서 상실되는 것이 무엇인지를 명확히 표현하고, 그 손실을 최소화하는 메타데이터 스키마를 설계하는 데 필요한 어휘를 제공한다. 컴퓨터 과학자들에게 있어 문화유산 응용 프로그램은 AI 도구를 생산적인 방향으로 발전시킨다. 범용 모델이 다루지 못하는 전문 어휘, 다국어 콘텐츠, 문화적 민감성 요구 사항이 그 예이다.

관련 연구는 ORAA ResearchBrain을 통해 탐색할 수 있다.