این مقاله به بررسی تحول روش‌های مطالعۀ متون باستانی در چارچوب علوم انسانی دیجیتال می‌پردازد و نشان می‌دهد که آن را باید به‌مثابه دگرگونی‌ بنیادین در ماهیت داده و دانش در نظر گرفت. این مقاله با تکیه بر تمایز میان «داده» و «کپتا»، استدلال می‌کند که داده‌های باستانی محصول فرایندهای انتخاب، استانداردسازی و بازنمایی هستند. این مقاله، سه فاز روش‌شناختی متمایز و پیوسته را شناسایی می‌کند: فاز فیلولوژیک، فاز پیکره‌های دیجیتال، و فاز یادگیری ماشین و هوش مصنوعی. این پژوهش با رویکردی مروری و انتقادی، مطالعات منتخب دربارۀ کارکرد روش‌های محاسباتی و یادگیری ماشین در تحلیل متون باستانی را بررسی و از نظر وظایف، روش‌ها، محدودیت‌ها و اعتبار تاریخی ارزیابی می‌کند. در سطح تحلیلی، مقاله یک چارچوب مفهومیِ چندلایه از تصویر تا مدل انتزاعی ارائه می‌دهد و وظایف بینایی ماشین و پردازش زبان طبیعی را با روش‌های آماری، مدل‌های یادگیری عمیق و چندوجهی در سطوح مختلف سازمان‌دهی می‌کند. این چارچوب با هدف پیوند دادن مراحل تبدیل شیء مادی به داده محاسباتی، بازشناسی نشانه، مدل‌سازی توالی، تحلیل ساختاری و ارزیابی تاریخی خروجی‌ها تحلیل شده‌است. همچنین، نقش مدل‌های آماری، شبکه‌ای و معماری‌های عمیق در استخراج الگوهای پنهان و یکپارچه‌سازی داده‌های ناهمگن بررسی می‌شود. یافته‌ها نشان می‌دهند که این رویکردها امکان تحلیل در مقیاس، کشف الگوها و افزایش بازتولیدپذیری را فراهم می‌کنند، اما خروجی آن‌ها ماهیتی احتمالاتی دارد و در غیاب «حقیقت مبنای» قطعی، نمی‌توان به‌مثابه تفسیر نهایی قلمداد کرد. از این‌رو، تمایز میان پردازش محاسباتی و تفسیر انسانی اهمیت روش‌شناختی می‌یابد. مقاله در نهایت، نشان می‌دهد که آیندۀ این حوزه در توسعۀ سامانه‌های انسان-در-حلقه نهفته است؛ جایی‌که مدل‌های محاسباتی درکنار ارزیابی انسانی به نتایج بهتری ختم می‌گردد.