Split (1)

train · 96.9k rows

text stringlengths 0 473k

[SOURCE: https://he.wikipedia.org/wiki/פורטל:ישראל] \| [TOKENS: 4720]
פורטל:ישראל רענון הפורטל כיצד אוכל לעזור? מדינת ישראל המודרנית נוסדה ב-1948 (ה' באייר תש"ח), כשלוש שנים לאחר השואה. הקמתה לוותה במלחמה עם הערבים המקומיים וארצות ערב השכנות לה. הסכסוך הערבי-ישראלי קיים ושריר עד היום, למרות מאמצי פיוס ושלום שנעשו במהלך השנים. בשל הסכסוך, בישראל יש גיוס חובה לצבא הגנה לישראל, הנחשב לצבא החזק והמתקדם ביותר באזור. בישראל חיים כ-9.5 מיליון אזרחים, רובם יהודים, אך ישנן קבוצות מיעוט גדולות: ערביי ישראל (רובם מוסלמים ומקצתם נוצרים), דרוזים ובדואים, וכמה קבוצות מיעוט שוליות כמו הצ'רקסים. לישראל כלכלה חזקה יחסית המבוססת על תעשיית היי-טק, מדע, מסחר, שירותים וחקלאות. לערך המלא תל גזר הוא אתר ארכאולוגי וגן לאומי השוכן ליד דרך הים הקדומה, בתחום מועצה אזורית גזר, בין לטרון לרמלה, ומזוהה עם העיר הכנענית העתיקה גזר. התל הוא מהחשובים שבתלי ארץ ישראל, יחד עם תלי חצור, מגידו ובאר שבע. עברו משתרע על כ־5,000 שנים, מתום העת הנאוליתית עד לימי הצלבנים. הוא נתגלה בשנת 1871, ומאז הפך לאתר של חפירות ארכאולוגיות רבות. התחום מהווה מפתח חשוב לחקר אורח החיים של יושבי ארץ ישראל הקדומה. הגישה אל התל היא דרך היישוב כרמי יוסף, על כביש 44, בין צומת נחשון לרמלה. כל 12 ראשי הממשלות שכיהנו בישראל, לא סיימו את תפקידם במועד שנקבע מראש לפי החוק. דוד בן-גוריון (פעמיים), משה שרת, גולדה מאיר, מנחם בגין, אהוד ברק ואהוד אולמרט התפטרו, לוי אשכול נפטר טרם סיום כהונתו, אריאל שרון חלה במהלך כהונתו, כהונתם של יצחק שמיר (פעמיים) ובנימין נתניהו התקצרה בשל הקדמת הבחירות, שלאחריהן לא המשיכו לכהן בתפקיד, שמעון פרס כיהן בממשלת הרוטציה והעביר את התפקיד ליצחק שמיר בקדנציה הראשונה, והקדים את הבחירות בקדנציה השנייה ויצחק רבין הקדים את הבחירות בקדנציה הראשונה ונרצח כשנה לפני סיום כהונתו השנייה. תולדות עם ישראל: העלייה מרומניה - יהדות בוקרשט - ישיבת טלז - מערכות המסתור של בר כוכבא תולדות היישוב: ארגון צבאי לאומי - גדר הצפון - ההגנה - ההעפלה - היישוב הישן - העלייה לביריה - הרכבת המנדטורית - השומר - חי"ש - פרשת הסרג'נטים - פרשת הרצח בחולות תל נוף מדינת ישראל: גבולות מדינת ישראל - דגל ישראל - ההסתדרות הכללית של העובדים בארץ ישראל - החקיקה בישראל - המשפט בישראל - חוק ההסדרים - חוק יסוד: נשיא המדינה - ישראל במלחמת יום הכיפורים - מבצע ערצב 19 - מדיניות לשונית בישראל - משבר קרנות הפנסיה הגרעוניות - משמר הגבול - נסיגת צה"ל מסיני ומעזה (1956–1957) - פסק דין ירוס-חקק נגד היועץ המשפטי לממשלה - תל אביב במלחמת העצמאות - בג"ץ נוער כהלכה נגד משרד החינוך יחסי חוץ: יחסי ישראל-סרי לנקה - יחסי הפיליפינים-ישראל - יחסי ישראל-מלזיה ארץ ישראל: אשדוד - התקופה הממלוכית בארץ ישראל - חמת גדר - טבריה - ים המלח - כפר סבא - מערת הנחל - מערת מיסליה - מצדה - מרכז הכרמל - נשר (עיר) - עצים עתיקים בארץ ישראל - תל אבו הואם - צפע מצוי - כלנית מצויה צבא הגנה לישראל: דחפור די-9 בשירות צה"ל - חוק העיטורים בצבא הגנה לישראל - חיל ההנדסה הישראלי - יהל"ם - מרכבה (טנק) - נגמ"שים כבדים בצה"ל - ספינות שרבורג - שייטת ספינות הטילים - מבצע פעמון החירות - פרשת הניסוי בחיסון נגד גחלת בצה"ל (עומר 2) - חטיבה 188 במלחמת יום הכיפורים - החזית הסורית במלחמת יום הכיפורים ירושלים: גבעת המבתר - הגן הארכאולוגי ירושלים - חומות ירושלים - ירושלים בתקופה הצלבנית - כנסיית הקבר - מנורת הכנסת - קריית עיריית ירושלים - תלפיות - רחוב הנביאים - איליה קפיטולינה ביוגרפיות: אבא חושי - אברהם יצחק הכהן קוק - אליעזר ליבנה - ארתור שפנייר - זאב ז'בוטינסקי - יוסף בכור שור - יצחק דנציגר - יצחק בר לווינזון - יצחק שמיר - ישראל בר - ישראל קסטנר - לוי אשכול - מנחם אלון - מנחם בגין - משה גרשוני - משה דיין - נפתלי הרץ וייזל - פייבל פולקס - שלמה פיינגולד - שמואל דוד לוצאטו - שמחה בלאס - שמעון פרס - שולמית אלוני - שמואל יוסף עגנון - נתן אלתרמן - הורקנוס לבית טוביה - טובה סנהדראי - חייקה גרוסמן - יגאל אלון - עמוס קינן - גדעון רז - מתי פלד - פנחס רוטנברג תרבות ואמנות: אמנות חזותית בישראל - אנג'ליקה שץ - דלות החומר - היסטוריה של נבחרת ישראל בכדורגל - הרמן שטרוק - יוסף זריצקי - יצחק דנציגר - יגאל תומרקין - מוזיקה קלאסית ישראלית - משינה - נמרוד (פסל) - ספריית גרשם שלום - פיסול ישראלי - קולנוע חרדי - תיאטרון יידיש - תחיית הלשון העברית - בלבב ימים - גילוי אליהו אסונות ותאונות: טביעת האונייה מצדה להלן קטגוריות המשנה שתחת קטגוריית ישראל בוויקיפדיה: לגלריית התמונות המלאה דודו גבע (14 במרץ 1950 – 15 בפברואר 2005), אמן, מאייר ומחבר ספרי קומיקס, קריקטוריסט והומוריסטן ישראלי. גבע פרסם לאורך שנים רצועות קומיקס סאטיריות ומדורים הומוריסטיים בעיתונות הארצית והמקומונית, שחלקן הגדול גם יצא לאור בעשרות ספריו. בשנותיו האחרונות פעל גבע גם מחוץ למסגרת העיתונות הממוסדת, והיה בין פעילי זירת הקומיקס האלטרנטיבית והתרבות המחתרתית. מסיום שירותו הצבאי ועד יום מותו, לא חדל גבע לעבוד ולפתח את תרבות הקומיקס, האיור וההומור הישראלית. גבע פרסם קריקטורות ומדורי סאטירה בעיתונים "העולם הזה" (זו ארץ זו), "חדשות" (המדורים "שירת הברווז", "משמעות החיים" ואחרים), "כל העיר" ("אהלן וסהלן בפרשת הפנדל המפוקשש"), "העיר" ("יוסף ואחיו", "שתיקת הברווז"), "מעריב" ("יומן גבע", "הדרך אל האושר") ו"הארץ". בנוסף לעבודתו העיתונאית, פרסם גבע עשרות ספרים והיה שותף, בעיקר באיור, לספר "זו ארץ זו", שאיגד את מדורי הסאטירה שהופיעו ב"העולם הזה". לערך המלא – דמויות נוספות רשימה זו מכילה בקשות לערכים העוסקים במדינת ישראל: אישים דפים שחסרים לפי כמות הפניות ראו גם הערות שוליים מהו פורטל? – רשימת כל קטגוריות המשנה והערכים
========================================

[SOURCE: https://he.wikipedia.org/wiki/%D7%95%D7%99%D7%A7%D7%99%D7%A4%D7%93%D7%99%D7%94:%D7%9E%D7%96%D7%A0%D7%95%D7%9F] \| [TOKENS: 64263]
תוכן עניינים ויקיפדיה:מזנון המזנון משמש לדיוני מדיניות ודיונים כלליים שאין להם מקום מתאים אחר. בעניינים אחרים יש לפנות לדפים הבאים: [ עריכה ] ↓ מעבר לתחתית הדף↓ מעבר לתחתית הדף הכתיב "נצי" בשמות ערכים מצב טיפול: בדיון בכמה וכמה ערכים מצוי הכתיב "נצי" (או "נצים"), כתיב מיושן שכבר אינו תקני. הכתיב התקני כיום הוא "ניצי", "ניצים". אני מציע להעביר את כולם לכתיב התקני. בין היתר: נציים, נצים, נצים אפורים, עיט נצי טרופי, עיט נצי אדום-בטן, עיט נצי מצויץ, עיט נצי אורמטי וינשוף נצי. אנונימי התחיל מזמן דיון בשיחה:נציים#כתיב, ולא נענה. וראו שם את תמיהתו על כפל הערכים עיט ניצי ועיט נצי. מור שמש • שיחה 21:00, 22 בנובמבר 2025 (IST)תגובה מאחזים בעקבות כך שההחלטה האחרונה בנושא התקבלה לפני 17 שנים, ובעקבות שינויים משמעותיים בנסיבות ובהתחשב בשינוי בסטטוס של המאחזים והיות הרבה מהם כיום יישובים דה-פקטו, אני מבקש לחדש את הדיון בנושא לאילו מאחזים זכאות לערך, ולהציע את המודל הבא: מאחז זכאי לערך – ובלבד שעונה על אחד התנאים הבאים: מה דעתכם? אור גנוז • שיחה 22:20, 23 בנובמבר 2025 (IST)תגובה מנסה לסדר מחדש על מנת להקל על החלטה: מאחז זכאי לערך – ובלבד שעונה על אחד התנאים הבאים: אור גנוז • שיחה 23:24, 15 בדצמבר 2025 (IST)תגובה מאחז זכאי לערך – ובלבד שעונה על אחד התנאים הבאים: אור גנוז • שיחה 18:11, 27 בדצמבר 2025 (IST)תגובה מיקום הערות שוליים מצב טיפול: בדיון מטפל: איש עיטי אי שם ב–2008 התקיים דיון על מיקומם הראוי של וק:הערות שוליים, לפני סימני פיסוק או אחריהם. ההחלטה הסופית הייתה איש הישר בעיניו יעשה ובלבד שתהיה אחידות (או לפני סימני הפיסוק או לאחריהם בכל הערך). הנושא הועלה לדיון לאחרונה בויקיפדיה:בוט/בקשות/ארכיון 2#בוט נקודה הערה, והייתי רוצה לדעת האם חל שינוי בעמדת הקהילה מאז לגבי המקום הראוי להערות שוליים (בכל זאת חלפו אי־אלו שנים). איש עיטי – הבה נשיחה 13:15, 5 בדצמבר 2025 (IST)תגובה בירוקרטים שלום לחברים. כולנו כאן בהתנדבות, ואף אחד לא יכול להורות לאף אחד אחר "לעבוד יותר". פעם היה מין כלל כזה "לא פעיל - לא מפעיל", אבל כיוון שאין מגבלה מעשית או מדומה על מספר המפעילים, לא נורא אם יש מפעיל פעיל פחות - הוא או היא לא "תופסים מקום" של מפעיל פעיל יותר, והכלל המיותר הזה לא נשמר. כשמדובר בבודקים ובביורוקרטים המצב שונה במקצת: מסיבות השמורות עמה, הקהילה החליטה להגביל את מספרם, ולכן בודק או ביורוקרט כן "תופס מקום" שמישהו אחר יכול היה למלא. כאשר עורך מתנדב ומעמיד עצמו לבחירה לאחד התפקידים הללו, הוא למעשה מקבל על עצמו התחייבות להיות זמין, להשקיע בתפקיד כמה זמן שנחוץ, ולבצע את התפקיד כמצופה. נראה שהביורוקרטים הנוכחיים מתקשים בכך. יש דיון ששוכב בבירורים כבר זמן רב, ואפילו סומן כ"הדיון מוצה" לפני יותר משבועיים, אך הביורוקרטים לא מתפנים לסכם עניין ולארכב. בדומה, בקשות ופניות ב"בקשות להרשאת עורך ממשק" לא מטופלות תוך פרק הזמן הזמן הסביר והמצופה. אין לי טענות ברמה האישית, אבל אם מישהו העמיד עצמו לבחירה כביורוקרט ואז "החיים הממשיים" התערבו ומתברר שעכשיו אין זמנו פנוי למלא את התפקיד, דעתי היא שהדבר הנכון לעשותו הוא להודיע לקהילה, לארגן בחירות חדשות, ולפנות מקום למישהו שזמנו כן פנוי לכך. כרגע יש שני חברים עם הרשאת ביורוקרט וכמדומני שהקהילה מרשה שלושה, אז אולי אין צורך מיידי ב"פינוי" אבל יש צורך ב"מינוי". אישית, הייתי ממנה ביורוקרט עבר (אצביע על @יונה בנדלאק - סליחה ומחילה על הסימון) כ"ביורוקרט זמני" לטיפול בדברים הדחופים עד שימונו ביורוקרטים חדשים. אשמח כמובן לשמוע שמצוקת הזמן של הביורוקרטים היא זמנית - אם הם יודיעו משהו כמו "אני אכן עסוק עכשיו וזמני אינו פנוי למילוי התפקיד, אבל המצב הזה צפוי להשתנות עוד שבוע ורבע, ואז אוכל למלא את התפקיד כפי שמצופה" אפשר להמתין קצת, אבל אם לא זה המצב, לדעתי עלינו לגייס ביורוקרטים חדשים - אחד כתגבורת ושניים נוספים כתחליף. אם בעצם אין בעיה ו"הכל בראש שלי", אשמח לשמוע את הביורוקרטים עצמם אומרים זאת, וכמובן אשמח לראותם סוגרים את הדיון בבירורים ומטפלים בבקשות בדפי ההרשאות. בברכה - קיפודנחש 21:26, 11 בדצמבר 2025 (IST)תגובה קודם צריך לתקן את הנוהל הגרוע של בחירת בירוקרטים, הקיים היום, ואז לעשות הצבעה נוספת. שני בירוקרטים זה מעט מידי. ראשית חשוב שיהיה מספר אי זוגי. מינימום 3 בירוקרטים * חנה Hanay • שיחה • דרך ארץ קדמה לתורה - רן גואילי החטוף האחרון 16:45, 18 בדצמבר 2025 (IST)תגובה מתקפת איכות בנוגע לערכים הקשורים לסומלילנד בעקבות הכתבה הזאת מ-2022 והזאת מהיום סעיד איברהים, עורך "הסומלילנד כרוניקל", בניגוד לדינוזאור של האו"ם, ישראל עמדה לצד סומלילנד - ולא בפעם הראשונה \| טור מיוחד \| היום, באתר ישראל היום, 27 בדצמבר 2025 בה הביאו מסמך של בקשת ישראל באו"ם ב-1990 בנוגע לטבח בסומליה כלומר בסומלילנד נחשפתי לכך שיש לנו למשל את הערך רצח העם של בני האיסק שכלל לא (היה) מקושר לסומלילנד. האם ישנם עוד ערכים כאלו ? האם ניתן בעתיד הקרוב להרים מיזם חד פעמי בדומה למקבצים שעסקו במתקפת איכות של מדינה כזו וכזו אך הפעם עבור סומלילנד ? נכון לא די בהכרה של כ-3 מדינות, ברם בכל זאת מדוב ביחידת שטח מובחנת היסטורית ואתנית. את מי לדעתכם נכון לתייג בשאלה זו. כך או כך מדובר בסביבת ערכים שכעת זוכה לענין רב מסיבה זאת אתייג גם את אגסי שמא יאות לחוות דעתו. מי-נהר • שיחה 00:02, 29 בדצמבר 2025 (IST)תגובה לשם הדגמה לצורך איידע פה בנוגע לעדנה אדן איסמעיל (אנ') (כנראה הדמות החשובה ביותר כיום בסומלילנד במובן של האבות המייסדים ולכל הפחות דמות מופת שם) כנראה מהבנות האפריקאיות הראשונות שזכו לחינוך. בשנות ה-50 למדה סיעוד ומיילדות בבריטניה, והייתה האישה הסומלילנדית הראשונה שלמדה שם. עם שובה, עבדה כמיילדת והייתה נשואה למוחמד חאג'י איברהים עגל (אנ') שכיהן כראש ממשלת מדינת סומלילנד בחמישה ימי העצמאות לפני המיזוג עם סומליה, ולאחר מכן כראש ממשלת הרפובליקה הסומלית (1960–1960) ו-(1967–1969), וכנשיא סומלילנד (1993–2002). כיהנה כאישה הראשונה בממשלת סומלילנד כשרת הרווחה והפיתוח החברתי בסומליה וכשרת החוץ הראשונה של סומלילנד (2003-2006). עבדה בארגון הבריאות העולמי (WHO) והייתה נציגתו בג'יבוטי. ב-2002 ייסדה את בית החולים ללידה על שמה בהרגייסה, שהפחית משמעותית תמותת אימהות ותינוקות. הבית חולים הפך לאוניברסיטה להכשרת אנשי רפואה. היא פעילה מובילה במאבק נגד מילת נשים (FGM), מניסיונה האישי. היא גם נשיאת הארגון לקורבנות עינויים. במרץ 2022 הפכה לנשיאת ארגון העמים ולאומים שאינם מיוצגים. ב-2023 זכתה בפרס טמפלטון היוקרתי על תרומתה לבריאות נשים וזכויותיהן. אתייג את Hila Livne שמא תאות לחוות דעתה היכן נכון לבקש את יצירת הערך כגון האם ניתן לתעדף ערך כזה במסגרת תור המשימות של ויקיפדיה:מועדונים/מועדון 51%? מי-נהר • שיחה 22:14, 2 בינואר 2026 (IST)תגובה מדיניות בוויקיפדיה שלום לחברים. הסעיף הזה אינו הצעה ולא בקשה שמישהו יעשה משהו. בדיון קודם שאל מישהו "מה הם כן דפי המדיניות הרשמיים של ויקי העברי?", ונאלצתי להסכים שהנושא מעורפל. אישית הערפול הזה לא מאד הפריע לי, אבל יש ראיות ממשיות שעורכים חדשים מתקשים ומתבלבלים בשאלות "מה המדיניות", "איך נקבעת מדיניות", "איך משנים מדיניות" ו"איך נכון להתנהג", אז חשבתי לכתוב מאמר קצר (כלומר ההכי הקצר שיש לאל ידי - בדרך כלל זה לא באמת קצר לצערי) שיתאר את המצב כפי שאני רואה אותו. סביר שיהיו בדברי אי דיוקים, טעויות, ואולי אפילו טעויות קשות - כאן המזנון, חושו חופשי לגעור בי, לנזוף בי, ולהעמידני על טעויותי. אתחיל בתיאור ההיסטוריה "למיטב ידיעתי": כאשר נוסדה ויקיפדיה בעברית, החברים שהצטרפו למיזם לא התרכזו בכתיבת ספרי חוקים, אלא בכתיבת אנציקלופדיה. כאשר צצו חילוקי דעות ניסו להגיע להסכמה והבנה ולהמשיך הלאה, אבל פה ושם אי אפשר היה להגיע להסכמה בנושא זה או אחר, ובשלב כלשהו התחילו לפתור מחלוקות בעזרת "הצבעות". ה"קהילה" הייתה מצומצמת, לפעמים רק קומץ עורכים השתתפו בהצבעה כזו, ואפשר היה לסמוך על כך ש"כולם" מודעים למחלוקת, ו"כולם" יודעים מה הוחלט. ויקיפדיה שגשגה ופרחה, עורכים חדשים הצטרפו, התברר גם שעורכים ותיקים עוזבים, נוצר צורך למסד ולתעד את ההחלטות לטובת "החדשים", והחלו להיכתב "דפי מדיניות". זה קרה "באופן אורגני", לא ממוסד ולא מסודר: כך למשל רוב דפי המדיניות נכתבו במרחב ויקיפדיה, אבל חלק מהם נמצאים דווקא במרחב "עזרה" (כך למשל הכללים לגבי חתימות נמצאים בעזרה:חתימה, הכללים לגבי שם משתמש נמצאים בעזרה:חשבון חדש/שם משתמש, ונדמלי שיש עוד כמה דפים במרחב העזרה שמכילים "מדיניות"). בשלב מסוים קוטרגו דפי מדיניות בקטגוריה:ויקיפדיה - מדיניות פנים (וקטגוריות משנה שלה), אבל כהרגלנו, לא באופן כולל ועקבי: כך למשל יש כללים שנוגעים לדפי שיחה שנמצאים בויקיפדיה:דף שיחה (כמו "אין לערוך דברי אחרים" ועוד כמה) שלא מופיע באחת הקטגוריות הללו. יש מדיניות שנקבעה אחרי דיון קהילתי וקונצנזוס, יש מדיניות שנוסחה על ידי ויקיפד אחד או יותר בלי שהתקיים דיון מסודר, ויש מדיניות שנקבעה אחרי הצבעה (בשלב כלשהו נוסד דף שמיועד להצבעות על מדיניות כללית. ויקיפדיה בעברית חרגה כאן מרוחה של ויקיפדיה: ויקיפדיה הקפידה מאז ומעולם לתת לתפקידים ומוסדות שמות צנועים ולא יומרניים, כדי ש"לא יעלה השתן לראש": כך למשל לא קוראים למי שמנהל את המיזם בפועל "מנהלים" אלא "מפעילים", למי שמנהל אותם לא קוראים "מנהלי על" אלא בשם הלא יומרני "ביורוקרטים", ומי שמנהלים את כולם לא נקראים "מלכי המלכים" אלא בשם הצנוע "דיילים". המוסד בו נקבעים רוב הדברים נקרא "מזנון", אבל מסיבה כלשהי, דווקא לדף בו מצביעים על מדיניות נבחר השם היומרני והנפוח "פרלמנט" - לשגיאה הזו נזק ממשי כי יש חברים שמייחסים ל"כך הוחלט בפרלמנט" מעלת קדושה כמו ל"דאורייתא"). בפועל, חלק הארי של מדיניות ויקיפדיה התגבש בלי הצבעות ולפעמים אפילו בלי יותר מדי דיונים: כך למשל, אחד מדפי המדיניות החשובים ביותר, שמתאר מדיניות שהפרותיה גרמו ליותר חסימות מכל מדיניות אחרת, שנקרא "ויקיפדיה:כללי התנהגות בין חברי הקהילה" נקבע והתגבש במשך הזמן בלי דיון רציני, קל וחומר הצבעה (זו לא בעיה - הדף מתאר כללים שהשכל הישר מחייב, וקשה לתאר מישהו שיערער על אחד מהכללים שרשומים בו. במסגרת כתיבת המאמר הזה בדקתי שם משהו, והתחוור לי שהשינוי המשמעותי האחרון או הלפני אחרון נעשה על ידי - הסרת "כלל" מופרך שנוסף לכללים בלי שום דיון ומעולם לא נשמר. ההסרה נעשתה בעקבות דיון במזנון שהחלטתי שהגיע ל"קונצנזוס"). בפועל, חלק נכבד מה"מדיניות" בוויקיפדיה בפועל מבוססת על נורמות והסכמה, לא על צרור חוקים קבועים. לדעתי ולדעת ויקיפדים ותיקים לא מעטים זו לא בעיה ואולי זה אפילו המצב הנכון, אבל קשה להכחיש שהמצב הזה לא ממש עוזר לעורך חדש להשתלב בקהילה ולספוג ולהפנים את "רוח המיזם". האם "ספר חוקים" מסודר ומתועד, מודפס וכרוך בכריכה קשה (בצבע כחול כהה) היה משפר את המצב? ספק רב בכך - לדעתי לא. המצב הנוכחי הוא שכאשר מישהו פועל בניגוד לכללים אבל עם "כוונה טובה" בדרך כלל לא מענישים אותו ולא מביישים אותו אלא אומרים לו "שים נא לב שלא נהוג "אצלנו" לעשות כך, אנא הימנע מכך בעתיד", ובדרך כלל זה מספיק. יש בעולמנו אנשים שונים, ומתברר שיש אנשים שנוח להם יותר עם "חוקים" ו"כללים" כתובים, ברורים ומפורשים - לצערנו על ויקיפדיה בעברית לעבור עוד כברת דרך ארוכה לפני שה"חוקים" שלה ישביעו את רצונם של אנשים אלה. לשמחתי (או אולי להוותי) לי המצב הנוכחי מתאים... תודה, בבקשה, סליחה - קיפודנחש 05:20, 29 בדצמבר 2025 (IST)תגובה חשיפת קבוצות תיאום/גיוס והשפעה מאורגנת על התוכן בוויקיפדיה העברית מצב טיפול: בדיון מטפל: יורי זמן קצר לאחר התפוצצות פרשת הטיית ההצבעות והדיונים, הגיעו לידיי צילומי מסך חלקיים מתוך התכתבויות בשתי קבוצות וואטסאפ בעלות אופי פוליטי. מן החומר שבידי עולה כי בקבוצות אלה נעשה שימוש בגיוס משתתפים מהצד השמאלי של המפה הפוליטית, להצבעות ולדיונים פוליטיים/רגישים בוויקיפדיה ובהכוונת אופן ההשתתפות בהם. החומר הועבר אליי בידי אדם שהיה חבר בקבוצות בתקופה הרלוונטית, והוא גם אישר לי לפרסם אותם בפומבי. למיטב ידיעתי, לביורוקרטים מצויים לכל הפחות אותם צילומי מסך, וייתכן שגם חומר נוסף. אני מייחס חשיבות להצגת המנגנון כפי שהוא משתקף מן ההתכתבויות. פוסט זה כולל מספר ציטוטים קצרים מן הקבוצות, שבעיניי מייצגים את אופן ההתנהלות בהן, וזאת כדי שהקהילה תוכל להתרשם ישירות מן האופן שבו נעשו הגיוסים וההכוונות, ולהעריך בעצמה את חומרת התופעה. ישנה גם חשיבות רבה בעיניי בהבנת דפוסי הפעולה והשלכותיהם האפשריות על ניטרליות המיזם בהווה ובעתיד, ובפרט היכולת של בעלי ההרשאות לזהות בזמן אמת דפוסים דומים ולטפל בהם בהתאם. חשוב לי לציין שזהות הכותבים בחלק מהמקרים אינה ידועה. למעשה, רוב החברים בקבוצות, המנהלים וכותבי ההודעות אינם מזוהים עד היום. ההתלבטות שלי אם לפרסם את הדברים הייתה ממושכת, ונמשכה חודשים. התייעצתי עם כמה וכמה ויקיפדים בנושא. עם זאת, רצף אירועים בתקופה האחרונה חיזק אצלי את המסקנה שדיון קהילתי פומבי הוא נחוץ: התחושה של "סערה פוליטית" מתמשכת סביב ערכים ודיונים רגישים, ניסיונות חוזרים להשפיע עליהם בהיקף חריג, ובצדם התבססות הטענה שאין ולא היו קבוצות גיוס או הטיה, כל אלה יחד תרמו לתחושה של שחיקה מתמשכת במרקם הקהילתי העדין, ולתפיסה הולכת ומעמיקה של המיזם כזירה מחולקת פוליטית. מטרתי היא לאפשר דיון קהילתי מעשי בשאלות הבאות: האם במוצג להלן ניכר דפוס של גיוס/תיאום שפוגע בנייטרליות של ויקיפדיה גם כיום? האם הפעולות שננקטו עד כה לצמצום תופעת הגיוסים וקבוצות ההטיה מספיקות, ואם לא, אילו צעדים נוספים יכולים הקהילה ובעלי ההרשאות לנקוט כדי לצמצם נזק ולהרתיע תופעות דומות בעתיד? יצוין שלמיטב הבנתי, שתי הקבוצות היו פעילות גם לפני וגם אחרי החלונות המתועדים. אין בידי ראיות מלאות להיקף פעילותן מחוץ לחלונות הללו, אך מן החומר עולה לכל הפחות שקיים חשש סביר שמנגנוני גיוס/תיאום מסוג זה עשויים להמשיך להתקיים גם כיום. בשתי הקבוצות היה דגש ברור על גיוסים להצבעות, כולל מעקב אחרי מצב ההצבעה וקריאות להצטרף להצבעה: לעיתים הודעת הגיוס לוותה ב-"דברי הסבר" שממסגרים את המחלוקת, שלאחריה הגיעה קריאה להשתתף בהצבעה או בדיון הרלוונטי: במקרים אחרים ההנחיה הייתה ישירה ובוטה: "תתמכו ב־X ותתנגדו להצעה של Y". כחצי שעה לפני סגירת ההצבעה, פרסמה אחת ממנהלות הקבוצה הודעה שבה כתבה "יש להם 56%" והסבירה שצריך עוד 3 עד 15:20 כדי שזה ירד מתחת ל־55% (וכך הערך לא יימחק). בחצי השעה שלאחר מכן ועד לסגירת ההצבעה, הצביעו 6 ויקיפדים בעד השארת הערך מה שהביא לשינוי תוצאות ההצבעה ברגע האחרון. אגב, להוציא אחד, כל המצביעים הנ"ל החלו לפעול בויקיפדיה בין אפריל 2023 לספטמבר 2023 (ראו הרחבה על כך בהמשך). הקבוצות לא עסקו רק בהצבעות, אלא גם בגיוס תגובות/עמדות בדיונים. באחת הקבוצות למשל הופיעו "הזמנות" להשתתף בדיונים פוליטיים שונים שכללו ניסוחים כמו: במקרה אחד נכתב שאם תהיה מספיק תמיכה, אפשר יהיה להכניס את המידע לערך ואז לפתוח "דיון על עוד משהו". בקבוצות ניכר עיסוק מתמשך בהשגת זכות הצבעה וגיוס חברים נוספים שכלל הפצת "מדריך" איך לבדוק אם יש זכות הצבעה והודעות כמו: חלק מהודעות הגיוס סומנו כ-"הועברה", מה שמרמז שלא מדובר בשתי קבוצות בלבד אלא באקוסיסטם של קבוצות שמפיצות זו לזו הודעות גיוס. בחלק מן ההודעות מופיעים ניסוחים המלמדים על חשש שהפעילות תיתפס כתיאום חוץ־ויקי או כפעילות שאינה מקובלת בקהילה. למשל באחת הקבוצות התבקשו מי שמגיעים לאחד ממפגשי ויקיפדיה שאורגנו "לא לדבר על ההדרכות ועל הקבוצה הזאת!" (ההדגשה במקור) ונוסף הסבר שזה לא שהם עושים משהו רע, אבל לא צריך "לתת תחמושת למי שרוצה לתקוף ולטפול האשמות שווא". פוסט אחר הלך רחוק יותר וכלל הנחיות שמטרתן להפחית סימני זיהוי של פעילות מתואמת (ראו פירוט להלן). בשתי הקבוצות התקיימו הדרכות (כנראה זום). חלקן אולי תמימות, אך בחלקן מופיעים מסרים שמלמדים על תפיסה אינסטרומנטלית של המיזם. למשל באחת ההודעות באחת הקבוצות הזכירו לחברי הקבוצה שבאחת ההדרכות נאמר ש-"רוב בדיון קובע מה ייכתב בערך", ולכן זו "הדרך שלכם להשפיע על ויקיפדיה", ושאם חברי הקבוצה ייכנסו לערך ויתמכו בעריכות המדוברות, ניתן יהיה להכניס את המידע תוך שבוע. ממה שהצלחתי להבין, פרופיל החברים בקבוצות הנ"ל מתחלק בקירוב ל־3 סוגים: לאחר שהתפוצצה פרשת ההטיות ביוני 2024, פורסמה בקבוצה ב׳ הודעה על הפרשה. מפרסם ההודעה הוא אחד ממנהלי הקבוצה. זהותו אינה ידועה (למיטב ידיעתי) עד היום. בהודעה נטען שוויקיפדיה "סוערת" בעקבות "חשיפת התארגנויות להכנסת הטיות פוליטיות למרחב הערכים באמצעות שיתופי פעולה מתואמים בהצבעות ובדיונים", וכן נטען ש-"למעלה מ־40 עורכים" נחסמו לצמיתות, תוך הדגשה שרובם "ביביסטים ומשיחיסטים". בהמשך נטען שהקבוצה "לא נועדה להכנסת הטיות אלא למניעת הטיות", עם "הקפדה על ניטרליות, סימוכין והצגת המציאות כמות שהיא… בדיוק כמו שלימדו אתכם בהדרכות", וכי מטרתה שחבריה יהיו "עורכים טובים ועצמאיים" ולא שיגידו להם "היכן לערוך או מה להצביע". יחד עם זאת, לאור כך ש-"מכונת הרעל לא עוצרת" ועלולות להיות האשמות על "התארגנויות לא חוקיות", התבקשו חברי הקבוצה "לשמור על דיסקרטיות" לגבי קיומה של הקבוצה. בסוף ההודעה הובאו "טיפים" שנועדו, לפי הניסוח שם, לצמצם את החשד שעלול לעלות שהקבוצה פועלת כחלק מהתארגנות פוליטית. להלן תקציר של הנוסח המקורי (לצורך הבנת המנגנון): להלן ההצבעות/דיונים שלגביהם תועדה הודעת גיוס מתוך החומר שברשותי. אדגיש שוב: בידי חלק קטן בלבד מן ההתכתבויות מחלון זמן קצר יחסית. סביר שהיקף ההטיות גדול הרבה יותר. למען הסר ספק אני לא טוען שכל מי שהשתתף באחד מהדיונים או אף בהרבה מהדיונים הנ"ל הוא בהכרח “מגויס”. ההיפך מכך, רוב המשתתפים ברוב הדיונים שבוצע אליהם גיוס, לא היו "מגוייסים". מטרתי היא כאמור בהצגת דפוסי פעולה כפי שהם משתקפים מן החומר ובנתוני ההשתתפות בדיונים/הצבעות כדי לאפשר לקהילה דיון מעשי בשאלה מה עושים עם גיוס חוץ־ויקי וההשפעות שלו על המיזם. אם מי מהמעורבים סבור שהובאה להלן טעות עובדתית או בכלל טעות או אי-דיוק מסוג כלשהו, אשמח לתיקון/לדיוק/הבהרה בהתאם. רשימת הדיונים/הצבעות לפי קבוצות (לחיצה לפתיחה/סגירה) ביצעתי ניתוח כמותי של המשתתפים בדיונים ובהצבעות שלגביהם תועדה הודעת גיוס בשתי הקבוצות: סה״כ 23 אירועים (14 בקבוצה א׳, 9 בקבוצה ב׳). כדי לא לנפח ספירות בגלל כמה דיונים סביב אותו ערך/נושא, במקרים שבהם היו כמה דיונים שהוטו בדף השיחה של אותו הערך, ספרתי כל משתמש פעם אחת (להלן: "הסט המגויס"). אדגיש, שהגדרתי "משתתף" כמי שהגיב באחד הדיונים או ההצבעות שבוצע אליהם גיוס. לצורך בקרה על הממצאים בניתי סט בקרה הדומה ככל הניתן של 23 דיונים פוליטיים שהתקיימו במהלך שנת 2022 שלא ידוע שבוצע אליהם גיוס (להלן: "סט הבקרה"). להלן הנתונים הגולמיים שלפיהם ביצעתי את הניתוחים שלהלן: תקצירים וסטטיסטיקה (לחיצה לפתיחה/סגירה) הסט המגויס: השתתפויות = בכמה דיונים/הצבעות שבוצע אליהם גיוס הויקיפד השתתף. סט בקרה משנת 2022: מסקנה: מה צפוי בדיונים רגילים (שלא בוצע אליהם גיוס): "זנב ארוך" טבעי, קרי מעט עורכים משתתפים בהרבה דיונים, והרבה עורכים משתתפים במעט. לכן השתתפות רבה בדיונים שהוטו היא כשלעצמה לא בהכרח אומרת הרבה אלא אולי אם יש "ראיות נסיבתיות" נוספות כגון זהות פוליטית דומה בין המשתתפים, קשרים ידועים של תמיכה האחד בשני וכו'. החריגות העיקריות כאן אינה “יש מי שהיה פעיל בהרבה דיונים שהוטו”, אלא השילוב הבא שחוזר שוב ושוב בדיוק סביב אירועי גיוס מתועדים: הנתונים כאן: סט של 23 אירועי דיון/הצבעה עם תיעוד גיוס והשוואה לסט הבקרה. כל "השתתפות" = הופעה באחד מ־23 האירועים. גלי הצטרפות חריגים בולטים בתוך הסט (תאריך עריכה ראשונה של משתתפי הסט) 2022: ממוצע של כ-1.6 נרשמים לחודש. החריגות הגדולות ביותר הן 8 נרשמים בדצמבר 2021 ו-7 נרשמים במרץ 2022. ממוצע של כ-1.6 נרשמים לחודש, לא כולל גלי ההצטרפות החריגים: אפר׳–מאי 2023: 27 נרשמים (13.5 לחודש) אוג׳–ספט 2023: 21 נרשמים (10.5 לחודש) בין הגלים מספר הנרשמים נמוך בהרבה. ינו׳-מרץ 2023: 5 נרשמים (1.67 לחודש). יונ׳–יול׳ 2023: 4 נרשמים (2 לחודש). אוקט׳-דצמ 2023: 9 נרשמים (3 לחודש). בסט המגויס יש שיעור גבוה של ויקיפדים חדשים שהצטרפו למיזם במרוכז בשני חלונות זמן (גל אפר׳–מאי וגל אוג׳–ספט 2023), בעוד שבחודשים סמוכים הקצב קרוב לנורמלי. הסיכוי לראות קפיצות כאלה "במקרה" (אם הקצב באמת כמו ב-2022 או אפילו ביחס לקצב בשאר 2023 בסט המגויס) הוא קטן מאוד (כ-0.01%). חריגי ייצוג־יתר קיצוני 2 = 2 משתמשים עמדו בקריטריון 12 = 12 משתמשים עמדו בקריטריון “חריג” כאן = משתמש שביחס לכמות העריכות שלו לא היה אמור כמעט להופיע בסט הדיונים שבוצע אליהם גיוס, אבל בפועל הופיע שוב ושוב (לפחות 3 פעמים) ובפער של פי 50+ מהצפי. בסט הבקרה יש רק 2 חריגים כאלה, בסט המגויס יש 12. מתוך ה-12: 9 מגל המצטרפים של אפר׳–מאי ו־1 מהגל של אוג׳–ספט (10/12 ≈ 83%). קרי, 83% מה-"משתמשים החריגים" הם מגלי ההצטרפות כדי להבין איך בכלל אפשר לזהות "תקופות גיוס", צריך להבחין בין שני דברים שונים: הבדיקה אינה שואלת "כמה נרשמו לויקיפדיה העברית באפריל 2023 בכלל", אלא שואלת שאלה ממוקדת בהרבה: מתוך 279 המשתמשים שהשתתפו לפחות פעם אחת ב־23 הדיונים/ההצבעות שלגביהם יש תיעוד של הודעות גיוס, מתי כל אחד מהם התחיל לפעול במיזם? (בדרך כלל: מועד העריכה הראשונה). אם לא היו גיוסים מרוכזים, היינו מצפים שתאריכי ההתחלה של אותם 279 משתמשים יהיו מפוזרים יחסית באופן אחיד לאורך השנים - כלומר שבכל חודש יופיע מספר קטן של משתמשים חדשים, ולא “קפיצות” חדות. וזה אכן מה שנצפה לאורך כמעט כל התקופה, למעט שני חלונות זמן קצרים שבהם מופיעים “גושים” גדולים במיוחד של חשבונות חדשים. בסך הכול, מספר המשתתפים בדיונים שהוטו מקרב מי שהחלו לפעול באפריל–מאי 2023 ואוגוסט–ספטמבר 2023 הוא 48. גם בהנחה מקלה, ובהתבסס על הממוצע הרב־שנתי (כ-1.6 לחודש עבור השנים 2022 עד 2024 בלי לכלול את החודשים החריגים), המספר הצפוי לארבעה חודשים כאלה היה אמור לעמוד על כ־7, גג 10 ב-"תרחיש האופטימי". פער זה חריג מאוד סטטיסטית, ומעיד ברמת ודאות גבוהה על גלי כניסה/גיוס מרוכזים בתקופות הללו לקבוצות שנבחנו (ואולי גם לקבוצות נוספות). כדי לבדוק האם הממצאים לעיל הם פשוט “התנהגות רגילה” בדיונים פוליטיים, בניתי סט השוואה משנת 2022, בנושאים דומים ככל האפשר לדיונים שהוטו: 6 הצבעות מחיקה, 2 מחלוקת, דיון במפעיל נולד אחד, דיון במזנון אחד, והשאר דיונים מדפי שיחה של ערכים. בסט ההשוואה היו 765 “השתתפויות” מול 963 במדגם המקורי (יש לזכור שמדובר בתקופה שלפני "סערת הרפורמה המשפטית" ולפני תופעות קבוצת ההטיה, ולכן גם הגיוני שכמות המשתתפים הכוללת בדיונים תהיה נמוכה יותר). בסט 2022 לא נראתה קפיצה קיצונית בתאריכי התחלת פעילות כמו באפריל–מאי 2023 או באוגוסט–ספטמבר 2023. הממוצע הוא כ-1.6 והקפיצות החריגות ביותר היו דצמבר 2021 ומרץ 2022 עם 8 ו־7 (פי ~3.5) – חריג במעט, אבל לא באותם סדרי גודל. בבדיקה זו ניסיתי לזהות משתמשים בעלי תרומה נמוכה למרחב הערכים, אבל כאלה שבכל זאת מופיעים שוב ושוב דווקא בסט ממוקד של 23 אירועי גיוס. יש לציין כי לעיתים מספר העריכות הנמוך במרחב הערכים נובע מכך שמדובר במשתמש חדש אלא שגם במקרה כזה, זה תמוהה אם אותו משתמש מששתף במספר גבוה של דיונים בסט של אירועי הגיוס. לצורך הבדיקה: לבסוף חישבתי Ratio = Actual/Expected (“פי כמה הוא השתתף מעל הצפי”). הגדרתי חריגה באמצעות שני תנאים מצטברים: Actual ≥ 3 (לפחות 3 הופעות בפועל), ו-Ratio ≥ 50 (פי 50 ומעלה מעל הצפי לפי פעילות כללית). הסיבה שלקחתי Ratio מאוד גבוה היא בגלל ההטיה המדוברת לעיל. התוצאה בסט המגויס נמצאו: 12 משתמשים חריגים מאוד: מתוך ה-12 הללו 10 הם משתמשים מגלי ההצטרפות החריגים: 9 החלו לפעול ב־אפר׳–מאי 2023 ו-1 החל לפעול ב־אוג׳–ספט׳ 2023. רק 2 הם חשבונות ותיקים יותר (2019–2020). כלומר, רוב החריגים הקיצוניים מבין כלל המדגם לא מפוזרים אקראית לאורך השנים, אלא הם מרוכזים בגלי הצטרפות שכבר זוהו כחריגים בתוך סט הדיונים המגויס. מכיוון שמשתמשים חדשים צברו באופן טבעי פחות עריכות, בדקתי גם האם ריכוז ה-"חריגים" הללו בגלי ההצטרפות נובע רק מכך שהם "חדשים" ולא מכך שהם "מגויסים". כשמשווים רק בין משתמשים שהצטרפו ב-2023: בגלי ההצטרפות (אפר-מאי + אוג-ספט) יש 10 חריגים מתוך 48 (21%), בעוד שבשאר 2023 (ינו-מרץ + יונ-יול + אוק+) יש 0 חריגים מתוך 27 (0%). הסיכוי לפער כזה במקרה הוא כ-0.8%. בנוסף, כשמריצים את אותה בדיקה על סט הבקרה, מספר החריגים הקיצוניים קטן מאוד - רק 2 חריגים (הסיכוי לראות פער כזה באופן מקרי בין הסט המגויס לסט הבקרה הוא כ-1.6%). זה מעיד על כך שגם בסט “רגיל” (ללא תיעוד גיוס), בהחלט יכולים להיות 1–2 חריגים פה ושם, אבל בסט המגויס יש פי כמה וכמה יותר חריגים מהסוג הזה, ובאופן לא־אקראי הם גם מרוכזים בגלי הצטרפות ספציפיים. מרבית הנרשמים בתקופות החריגות הללו (כאמור 48 במספר) הם בעלי נטייה פוליטית מובהקת. סיווגתי לשמאל ולימין של המפה הפוליטית לפי ההצבעות ותגובות שראיתי בקרב הקבוצה הזו בדיונים ספציפיים. הסיווג הוא כמובן משוער ואם עשיתי טעות, אני מתנצל מראש. 4 משתמשים לא סיווגתי כי לא הרגשתי רמת ביטחון מספקת כדי לקבוע. מבין המסווגים: 15 (~34%) ניכר כי שייכים למחנה הימין ו-29 (~66%) שייכים למחנה השמאל. בקבוצת הימין יש פחות השתתפויות בדיונים יחסית לקבוצת השמאל: רק 4 (25%) השתתפו ב־3 דיונים ומעלה. בקבוצת השמאל 17 (~60%) השתתפו ב־3 דיונים ומעלה (לא מאוד מפתיע: כל הניתוח בוצע על דיונים שבוצע אליהם גיוס בקבוצות השמאל). מבחינת מי פעיל/לא פעיל/חסום בויקיפדיה נכון להיום: הערות: להלן הטבלה המלאה של נרשמי אפריל–מאי ואוגוסט–ספטמבר 2023. היא מציגה נתונים כמו תאריכים פעילות, מספר עריכות במרחב הערכים לתקופה הרלוונטית וספירת מספר השתתפויות בדיונים שבוצע אליהם גיוס. הקהילה מוזמנת בעצמה לבחון את הדפוסים (מי שמזהה טעות, אשמח לתקן): לא עברתי אחד־אחד על כל קבוצת המשתמשים ה-"חריגים" שלעיל, אך בבדיקה מדגמית רחבה ניכרים דפוסי פעילות חריגים מבחינת תזמון ותמהיל פעילות, כפי שמשתקף מן הדוגמאות. אתן רק כמה דוגמאות: הדוגמאות הללו כאמור הן דוגמית בלבד, יש דוגמאות רבות דומות עם דפוסי פעילות חשודים דומים. מזמין אתכם לבדוק בעצמכם. ישנה גם קבוצה קטנה של עורכים ותיקים שנמצאים ב־2% העליונים במספר ההשתתפויות (14+). החריגות כאן אינה מתמצה בעצם היקף ההשתתפות, שכן גם בבדיקת הבקרה שביצעת על דיונים משנת 2022, ניתן לזהות "זנב ארוך" של משתתפים כבדים, אלא בהרכב הקבוצה עצמה. מדובר בויקיפדים המוכרים ככאלה שבשנים האחרונות תומכים זה בזה באופן עקבי בדיונים, במיוחד בהקשרים פוליטיים. חלקם נקשרו בעבר לגיוסים או לקבוצות הטיה, וחלקם פעלו או פועלים באופן אקטיבי ונמרץ לשחרור ויקיפדים שנחסמו בשל מעורבות בקבוצות הטיה. לעומת זאת, ב־2% העליונים בסט הבקרה מ־2022 לא הצלחתי לזהות מאפיין משותף ברור בין הויקיפדים, מעבר לנטייה כללית להשתתפות בדיונים טעונים ופוליטיים. כך למשל, Hila Livne ו־La Nave Partirà נחסמו לאחר שנתפסו בגיוסים, ובעניינה של הילה אף ציינו הביורוקרטים הקודמים כי (הייתה חלק מקבוצת ווטסאפ מאורגנת להטיית דיונים). אמא של הודתה שסייעה לאיתמראשפר ולעורכים נוספים בכתיבת התלונה במטא שעסקה בטענות (שקריות) להשתלטות דתית־לאומנית על ויקיפדיה העברית, והיא גם נחסמה בגין מסירת הסיסמא לחשבונה לאיתמראשפר לאחר שהוא נחסם. לאחר שנחסמה פעם נוספת (בגין אמירות פוליטיות מחנאיות, מפלגות ולא נכונות), ציינה בדף שיחתה כי הביאה לשחרורם של חמישה עורכים "ליברליים" במסגרת הליך הערעור. Sofiblum בסבירות גבוהה סייעה אף היא לאיתמראשפר בכתיבת התלונה במטא, והיא זו שכתבה את התלונה השנייה לוועדת ה־U4C. יודגש כי העניין כאן אינו עצם הגשת התלונות במטא, אלא הדפוס המצטייר של מה שנראה כמו שיתוף פעולה בין ויקיפדים אלה. חשוב לציין כי אין בידי "אקדח מעשן" המעיד באופן ישיר על חברות פעילה שלהן בקבוצות ההטיה שצילומי המסך שלהן הגיעו לידי, או בקבוצות דומות אחרות. כמו כן, עצם הימצאותן בראש רשימת המשתתפים בדיונים ובהצבעות שבוצע אליהם גיוס אינה כאמור, כשלעצמה, הוכחה לפעילות פסולה. עם זאת, העובדה שדווקא עורכים אלה, שלהם היסטוריה מתועדת של מעורבות בגיוסים ו/או בקבוצות הטיה ו/או במאמצים מתואמים סביב שחרור החסומים בפרשת קבוצות ההטיה, מופיעים באופן בולט בראש רשימת המשתתפים בדיונים ובהצבעות שאליהם תועד גיוס, אינה ניתנת בעיניי להתעלמות, גם אם אין בה כשלעצמה הוכחה לפעילות פסולה. אשמח לשמוע מהקהילה מה דעתה על התמונה המצטיירת מן החומר והנתונים שהבאתי לעיל. האם אתם סבורים כמוני שיש חשש למנגנון פעיל, מתוחכם ולומד, שייתכן שממשיך לפעול גם כיום? שניכר כאן דפוס של גיוס/תיאום חוץ־ויקי לדיונים והצבעות ושהוא בעל פוטנציאל להביא לפגיעה קשה בויקיפדיה? אם כן, איזה צעדים, אם בכלל, יש לדעתכם לנקוט בנושא? האם לדעתכם הטיפול שנעשה עד כה בפרשה מצד בעלי ההרשאות היה נכון ומספק? אשמח גם לשמוע מבעלי ההרשאות (מפעילים@Eldad, Funcs, Geagea, HiyoriX, Idoc07, Ili Kaufmann, Lostam, Neriah, Politheory1983, PurpleBuffalo, אלעדב., ארז האורז, דגש, דוד שי, דולב, היידן, יודוקוליס, יונה בנדלאק, מקף, ניב, ערן, שמזן, ו־שיפוץ-ניק: ובודקים@דגש, יונה בנדלאק, TheStriker, PurpleBuffalo, ו־Barak a:), האם החומר המובא לעיל מוכר לכם, ועד כמה הייתם מודעים להיקף הדברים מעבר למה שפורסם עד היום. ולסיום, אודה לתגובת הבירוקרטיםמשתמשת:Funcsמשתמש:ארז האורז: האם בכוונתכם לבחון את הדברים ולבצע פעולות נוספות במסגרת הפרשה, ואם כן, באיזו מה בכוונתכם לעשות? אם לא, אשמח להבין מה השיקולים/המדיניות שמנחים אתכם בכך? יורי - שיחה 19:19, 4 בינואר 2026 (IST)תגובה סליחה על האיחור בתשובה. פוליתיאורי, אני לא מקבל את הגישה של "אי אפשר לפקח על מה עושים מחוץ לוויקיפדיה, אז בואו נפסיק לדוש בפרשה". קושי באכיפה אינו טיעון לטובת הפקרות, ההיפך מכך, זה בדיוק הטיעון למה צריך מדיניות ברורה, עקבית ומרתיעה כשיש אינדיקציות חזקות. "גיוס קולות" הוא פסול גם בתוך המיזם וגם מחוצה לו מסיבה פשוטה: הוא הופך הכרעות אנציקלופדיות לתחרות "מי מצליח להתארגן על קבוצת תומכים טוב יותר ולהביא יותר אנשים בזמן", במקום לדיון ענייני של עורכים אמיתיים. אתה צודק שהרף לזכות הצבעה הועלה וזה צעד מבורך. אבל זה פתרון חלקי בלבד. גם 900 עריכות במרחב הראשי (כשעריכות אוטומטיות נספרות חלקית) אינן "בלתי־עבירות" למי שממוקד מטרה. מה שמרתיע באמת הוא לא רק סף טכני, אלא הבנה ברורה שארגון, ניהול קבוצת הטיה וגיוס סלקטיבי לא משתלמים במיזם הזה. לגופו של עניין, יש הבדל בין עידוד עריכה כללית לבין הכוונה סלקטיבית לדיון/הצבעה מסוימים, במיוחד בנושאים פוליטיים/רגישים. "גיוס קולות" כהגדרתו אצלנו אסור: ויקיפדיה:הצבעה#נוהל ההצבעה קובע במפורש: ”גיוס קולות, שבו מזמינים באופן אקטיבי וסלקטיבי להצבעה או לדיון, עורכים שהפונה מאמין שצפויים לתמוך בצד מסוים של הדיון – נוגד את ערכי המיזם, ולכן אסור.” זו לא גחמה מקומית, זו הנורמה גם במיזמים אחרים (למשל ראה את דף המדיניות בויקיפדיה האנגלית). זו אגב גם תשובה ליונה שאמר ש-"חלק מהדוגמאות שהובאו מהקבוצות אינן בעייתיות". זה לא נכון, הקבוצה הייתה של פעילי קפלן והייתה מכוונת מטרה. לכן כל הדוגמאות שהבאו מהקבוצות בעיתיות ואסורות לפי הנהלים שלנו ושל שאר מיזמי ויקיפדיה. הטענה שלך ש-"רוב העורכים הפעילים יודעים למצוא הצבעות גם בלי ווטסאפ" מחמיצה את העיקר: הבעיה אינה "איך הם מצאו", אלא איך הם הובאו, באופן סלקטיבי, לצורך השגת רוב, ובחלק מהמקרים עם ניסוחים שמדברים במפורש על "להשיג רוב", "לא כולם בבת אחת", ועם "טיפים" לצמצום חשד. זה בדיוק ההבדל בין קהילה שהתאגדה כדי לכתוב אנציקלופדיה לבין מנגנון להטיות פוליטיות. אגב, זה לא רק הצבעות, זה גם דיונים, משהו שיותר קשה להגיד שרוב העורכים הפעילים יודעים למצוא. יונה ב., לעניין "הקהילה התחילה להתאושש": אני לא רואה התאוששות, אני רואה נרמול של מצב שבו מרחב הערכים מוכרע שוב ושוב ע״י גושים ותיאומים. גם במעבר על ערכים והצבעות אפשר לראות הרס מתמשך שמזכיר, במידה מטרידה, את מה שקורה בויקיפדיה האנגלית סביב ערכי ישראל, רק שעדיין לא באותה עוצמה. מי שבוחר להתייחס לזה כ-"לא סוף העולם" בעצם משלים עם הפיכת המיזם לזירת מאבק פוליטי, וזה בדיוק מה שמאיץ את ההידרדרות. העובדה שהקבוצה הימנית נחסמה בעוד שהקבוצה המקבילה משמאל קיבלה בפועל מרחב נשימה להמשיך לפעול, אולי הורידה את כמות ההתכחשויות והרעש, אבל במחיר כבד: הטיה הולכת ומעמיקה של המיזם, והמסר הכי גרוע שאפשר לשלוח הוא ש-"יש גיוס שמקבל ענישה מחמירה ובלתי מתפשרת ויש גיוס שמקבל טיפול רך". אולי פשוט שכחת איך המיזם היה נראה עד לפני כמה שנים. כשעברתי על דיונים מ-2022 נזכרתי כמה טוב היה פה פעם וכמה לא הערכנו את זה. כנראה התרגלת למצב הזוועתי שאנחנו נמצאים בו היום או שאתה פשוט בוחר לעצום עיניים. לעניין "רק 7–8 עדיין פעילים": גם מספר כזה מספיק כדי "להזיז" דיונים והצבעות לכיוון ה-"רצוי". לא צריך "צבא". בהרבה דיונים/הצבעות לא צריך הרבה יותר מ-5-6 קולות כדי להזיז את הדיון/הצבעה מצד אחד לשני. חוץ מזה, זה "7–8" לפי ניתוח מחמיר וחלון נתונים מצומצם ותיעוד חלקי בלבד. כתבתי במפורש שהמסקנות שלי שמרניות: מה שחשפתי הוא המינימום. אני יכול להביא לך עוד משתמשים עם דפוס פעילות חשוד מאוד (בלשון המעטה) וגם חריגים סטטיסטית פשוט לא היו מספיק חריגים ביחס לרף שקבעתי ולכן הם לא הוזכרו בניתוח. שאלתך "האם בשנה האחרונה יש בעיה באופן הפעילות שלהם" מפתיעה אותי מאוד. קודם כל התשובה היא כן. הם עדיין פועלים במידה רבה כגוף אחד - מצביעים ביחד ותומכים אחד בשני. אבל יותר מזה, דבריך מחמיצים את העיקר. בפרשות כאלה השיקול אינו רק "האם הם תורמים היום", אלא הרתעה, עקביות, והימנעות מתקדים שמכשיר בדיעבד התארגנויות. זה אותו היגיון שהביורוקרטים עצמם ציינו בשיחת משתמשת:בן-צור#תוצאות הערעור, כשאמרו למשתמשת שנחסמה עקב חברות בקבוצת ההטיה של הימין, שלמרות שהפעילות שלה מהחשבון החדש לאורך חודשים אינה פוליטית, ויש לה תרומה אמיתית למיזם בערכי פסיכולוגיה, שחרורה ייצור תקדים לשחרורם של אחרים שנחסמו. אני מסכים איתם ב-100%. אגב, לגבי טרולים יש לנו מדיניות דומה, בויקיפדיה:התמודדות עם טרולים כתוב שאם מי שזוהה כטרול כתב ערך לגיטימי ומצוין על צרפת, אסור לקבל את זה מטעמים עקרוניים כי הנזק שבקבלתו עולה לאין שיעור על התועלת. למה היגיון דומה לא עובד פה? נניח שלצורך הדיון יוכח שמאז הם כבר לא מצביעים "כאיש אחד" או תומכים האחד בשני (כאמור זה לא נכון, אבל נניח). למה זה אמור להצדיק חנינה גורפת? אנחנו מדברים על התארגנות שגרמה נזק עצום למיזם: ערעור אמון שיטתי, קריעת ויקיפדיה לגזרים עד כדי כך שהביאה בפועל להתמוטטות עצבים של ביורוקרט מכהן ולפרישתו, ניסיון להציב "ביורוקרט מטעם" כתחליף, הוצאת דיבתה של ויקיפדיה העברית בפומבי, ובאופן כללי טלטול המיזם לתוך טרללת ממושכת שפגעה בו קשות. למה מי שהוביל/לקח חלק בזה זכאי ליחס מקל רק כי כיום הוא "מתנהג יפה"? ומגיעה להם חנינה? למה הקבוצה הימנית לא זכתה לאותה "הזדמנות"? למה רק לקבוצה השמאלית יש את הפריבילגיה של טיפול רך, בעוד שאצל חברי הקבוצה המקבילה המדיניות הייתה ונשארה נוקשה ולא סלחנית? אם זו המדיניות החדשה (סלחנות כדי "לאחות את הקרעים"), שתהיה שוויונית, ואם המדיניות הישנה תקפה, אין שום הצדקה לחריגות. בירוקרטיםמשתמשת:Funcsמשתמש:ארז האורז, אני מבקש שוב תשובה ברורה: הוצגו כאן אינדיקציות חזקות לכך שיש מספר משמעותי של מעורבים מהקבוצה השנייה שלא נחסמו, וחלקם עדיין פעילים בדיונים ובהצבעות פוליטיים. מה המדיניות שלכם כיום ביחס למעורבות בקבוצות גיוס/הטיה? האם מה שיונה אומר נכון והמדיניות שלכם השתנתה? ואם כן, האם היא הולכת להיות מיושמת באופן עקבי ושוויוני? ואם לא, מה בכוונתכם לעשות ביחס למעורבים בקבוצות ההטיה שהצגתי לעיל שלא טופלו? יורי - שיחה 21:23, 16 בינואר 2026 (IST)תגובה בקבוצות אלו הופצו גם קריאות המעודדות אנשים להשפיע על השיח הציבורי - להתפקד למפלגה, להגיב על ידיעות חדשותיות, להעלות פוסטים לפייסבוק ורשתות חברתיות אחרות, וכן, גם להצטרף כעורכים לויקיפדיה העברית. בתקופה זו היו מספר כתבות עיתונאיות על ההשפעה הפוליטית בויקיפדיה העברית, נדמה לי שנחשפה פרשת בובות הקש של קהלת, שסביר שגם הכתבות אודותיה הופצו בקבוצות כאלה. אפשר לשער גם שחלק מהמשתמשים החדשים לפעמים לא הכירו היטב את הקהילה ודרכי העבודה בה, את הדרך לפתור מחלוקות, לפעמים גם קיבלו עידוד שגוי ממי שהמריץ אותם להצטרף ("חשוב להצטרף כדי לצבור זכות הצבעה") וייתכן שחלקם גם ניסו לארגן קבוצות להשפעה פסולה בוויקדפדיה. זה לא אומר שכולם היו בקבוצות כאלה. אין פלא שהיו לא מעט מצטרפים מהתקופה הזו שהפגינו עניין רב במחלוקות פוליטיות והצטרפו לדיונים בנושא, יותר עניין מזה שמשתמשים חדשים בתקופה מקבילה הפגינו. וזה כל מה שהניתוח של יורי מוכיח - שהמשתמשים החדשים מהתקופה ההיא הפגינו עניין בנושאים פוליטיים. זה הגיוני, סביר, מתבקש, מתקבל על הדעת, ולא מוכיח שום דבר שלילי לגבי אותם משתמשים שנדמה לי שכולם כבר בנו מוניטין רציני בהרבה מזה שיורי מנסה לשוות להם. מדיניות קישורים חיצוניים קישורים חיצוניים נועדו לתת עומק והרחבה לקוראים לדברים שאינם אנציקלופדים. מדיניות זאת שאותה אני מציע כאן, באה לסגור פרצות. יש משתמשים ששמים קישורים חיצוניים בצורה סיטונאית. ואני רואה אותם כמשחיתים שגורמים נזק. להלן כמה דברים, שיש להמנע מהם: בתגובה לטענות אלו, אותם העלתי במזנון לפני כמה זמן, השוו את זה עם החומרים "לקריאה נוספת". ההשוואה הזאת פסולה ממספר סיבות. לכן אני חושב שקישור חיצוני נעול ישמש רק למקרים בהם הוא שימש מקור להרחבת הערך. מהיסטוריית העריכות זה לא קורה, ורוב הקישורים החיצוניים נראים כמו "תראו מה קראתי". אני עוסק רבות במחיקת קישורים חיצוניים: בעיקר בקישורים נעולים, עוסקים בנושאי השעה, אבל לא רלוונטיים כמה שנים אחר כך. וראיונות יח"צ. באמת שקישורים חיצוניים מיותרים גורמים לי לעצבנות ויקי דווקא בגלל הסטנדרט הגבוה שנוצר לשם. מתייג את עוד אחד, Mr.Shoval, Shoshie8 Galzigler: הדף מדיניות הזה נוצר בזכותכם, ואתם מוזמנים להגיב את טענות הנגד. HofEz96 • שיחה 20:42, 8 בינואר 2026 (IST)תגובה נגד כל הסרה של קישורים חיצוניים לאתרים "הארץ" "דה מרקר" ו"ידיעות אחרונות אין מדיניות כזאת. המדיניות היא להעדיף קישורים פתוחים, אבל אם אין, אז אין. העיתונים האלה במיוחד הארץ ודה מרקר הם מקורות מידע איכותיים, שפעמים רבות כותבים על דברים, שאחרים לא כותבים. האם תסיר מקורות מספרים כי הספר לא זמין לך?. * חנה Hanay • שיחה • דרך ארץ קדמה לתורה - רן גואילי החטוף האחרון 09:45, 9 בינואר 2026 (IST)תגובה יש זוכים בתחרות הכתיבה השתים-עשרה! צהריים טובים לכולם, אמש פורסמו התוצאות של תחרות הכתיבה השתים-עשרה. ברכות לזוכים, כל הכבוד לכל מי שהשתתף, ותודה לכולכם על התרומות המושקעות! התחרות ה-12 החלה ב־10 בספטמבר 2025, ובשלושת החודשים שלאחר מכן הוגשו עשרות ערכים שנכתבו, הורחבו ותרגמו במסירות רבה. המשתתפים, ותיקים וחדשים כאחד, השקיעו זמן ומחשבה בכתיבת ערכים ובשיפור ערכים קיימים, המבוססים על מקורות איכותיים וכתובים בצורה נגישה לקוראים. התחרות השנה הציגה מגוון רחב של נושאים ושל סגנונות כתיבה. כל הכבוד לכל מי שלקח וללקחה חלק בתחרות! אנו מוקירים את ההשקעה, הדיוק והמאמץ שהושקעו בכל ערך וערך, ומקווים שהתהליך היה עבורכם מלמד, מספק ומעורר השראה להמשך כתיבה ותרומה. בברכה, השופטים ומזכירת התחרות ‏♪ ‏Funcs‏ ⌘ שיחה ♪ 00:54, 9 בינואר 2026 (IST)תגובה לתחרות הוגשו יותר מ-30 ערכים, רבים מהם מעניינים וכתובים היטב. השופטים בחרו כמצטיינים במיוחד את הערכים הבאים. השופטים מודים גם למשתמשת:funcs על ריכוז נעים ויעיל של הליך השיפוט. פרופ' רמי אייזנבוד, פרופ' עוזי וישנה תודה לכל המשתתפים וברכות לזוכים, צוות השופטים עמית אבידן-Funcs צוות השופטים יום שלישי, יודוקוליס ו-ס.ג'יבלי ברכות לזוכים, לאלו שקיבלו ציון לשבח, וכל הכבוד לכל המשתתפים! Crocodile2020, Barak a, IdanST, HanochP, Avishay, מקף־עברי, חייל־המשמר, TheStriker, ארז האורז, לברן מזכירת התחרות, ‏♪ ‏Funcs‏ ⌘ שיחה ♪ 01:21, 9 בינואר 2026 (IST)תגובה ערכים בתרגום מכונה - בעיה של איכות לאחרונה שמתי לב לעלייה באחוז הערכים הנכתבים באמצעות תרגום מכונה. שלא תהיה אי הבנה, אני בעד שימוש בתרגום מכונה ככלי עזר, אך בפועל איכות התוצר שמועלה לעיתים קרובות פשוט גרועה. משפטים סתומים שקשה להבין, מילים באנגלית שלא תורגמו כלל, וניסוחים צולעים שאינם טבעיים בעברית. הרי כל אחד יכול להיכנס לערך באנגלית וללחוץ על כפתור כדי לקבל תרגום מכונה אוטומטי. מהו אם כן היתרון בייבוא המלל הזה כפי שהוא אל תוך ויקיפדיה העברית? בעיניי, ערכים הכתובים בצורה ירודה פוגעים במיזם יותר משהם מועילים. למשל, הערכים שזכו בתחרות מקצרמר למובחר מלכת נמלים ומלכת דבורים לוקים בעיניי בבעיות חמורות של תרגום וניסוח, ואינני מבין כיצד ערכים במצב כזה נבחרו למקום הראשון. האם קיימים כלים או מנגנונים יעילים להתמודדות עם הבעיה הזו? Assafn • שיחה 21:56, 9 בינואר 2026 (IST)תגובה Crocodile2020, בכל דיון עקרוני ורחב תמיד יש שדורשים דוגמאות קונקרטיות. ערכיך שצוינו הם רק דוגמאות לבעיה רוחבית הקיימת בויקיפדיה. באותו אופן יכלו לתת דוגמאות של ערכים אחרים על מנת להעביר את אותו המסר לפתיחת הדיון. אני לא חושב שאתה צריך לקחת את שנאמר באופן כל כך אישי. ולעניין בגינו הדיון נפתח, אני רואה בשאלות שהועלו כבעיה שורשית מאחר ואנו שבויים בקונספציה כמותית, הקיימת עוד מראשיתה של ויקיפדיה וטבועה בנו עד היום. קצרמרים בני מספר שורות שנכתבו בעבר הרחוק שקולים מבחינתי לערכים ארוכים יותר הנכתבים היום בעזרת בינה מלאכותית מאחר והזמן לייצר אותם דומה. ניתן להתווכח על כך. אני מניח שיהיו כאלו שייראו במצב של היום נחות יותר מהמצב ששרר בראשיתה של ויקיפדיה. דוגמה אחת להיותנו שבויים בקונספציה הכמותית היא הענקת ה"עיטורים" למשתמשים הכותבים הכי הרבה ערכים במיזם "לטיפול דחוף". אני חוזר, הדוגמה שנתתי היא לשם הבהרת דבריי. אין לראות בכך דברי תוקפנות כלפי המיזם המבורך הזה. אני מניח שויקיפדים נוספים יכולים לתת דוגמאות רבות לנקודה שאני מנסה להעביר כי זה פושה בכל פינה במיזם. רק לאחרונה התקיים דיון על איך לקרוא לעיטורים החדשים, כי הכמויות של הערכים שמשתמשים מייצרים בזמן קצר שוברות שיאים. בנוסף, אנו שבויים בצבירת רייטינג. היו על כך דיונים בעבר. דוגמה נוספת היא הצגת כלל הערכים שכתבנו בדפי המשתמש (מודה שגם אני חוטא בכך). אנו מעריכים את תרומתנו למיזם בצורה כמותית. בגדול, אני חושב שאותה קונספציה כמותית הייתה נכונה לראשיתה של ויקיפדיה, והיום "ערב 400,000 ערכים" (מי פותח ומוביל מיזם איכות "לקראת 400,000 ערכים"?) אני משוכנע כי יש לזנוח גישה זו. מפעם לפעם נתקלים בעידוד יצירה מוגברת של ערכים, בעיקר לקראת מספר עגול של ערכים, כי מי לא רוצה לראות את ויקיפדיה מגיעה למיליון ערכים? בעבר היו פה מיזמים כדוגמת ויקיפדיה:סופשבוע ללא ערכים שהדגישו את האיכות על פני הכמות. אני מודע לכך שקשה לגייס קבוצות עורכים לאורך זמן תחת מיזם אחד ולכן אני חושב שכל אחד יכול לבצע מספר דברים בחלקת האלוהים הקטנה שלו. 1. מפעם לפעם אני נכנס לדף [], ממיין בלחיצת כפתור את הערכים שכתבתי בעבר לפי אורכם מהקטן לגדול, נכנס לערך הקצר ביותר ומרחיב אותו. 2. כתיבה בנושאים בהם אני בקיא או לפחות מכיר בצורה שהיא יותר מבסיסית. 3. כתיבה בכל אחד ממיזמי השכתוב/עריכה/הרחבת הליבה וכו'. ולבסוף, בחרת ערך לכתיבה? 1. כתוב אותו. 2. חזור אליו לאחר מספר ימים וקרא שוב בצורה רציפה. לפעמים קשה לקרוא ערך לכל אורכו בפעם אחת, אז פשוט לחלק את הקריאה. 3. חזור אליו שוב ותקרא. מניסיון, גם בקריאה שלישית מוצאים מה לתקן. לא סתם ערך נקרא "ערך". תיצרו ערכים עם ערך. המשך ערב נפלא. בברכה, Avishay • שיחה 22:22, 11 בינואר 2026 (IST)תגובה אני רוצה להחזיר את הדיון לשאלה המקורית. כיצד להתמודד עם התופעה באופן רוחבי בכלל הערכים בוויקיפדיה העברית. מאחר שלא ניתנה כאן התייחסות ממשית לשאלה הזו, אציע כיוון פעולה ונראה כיצד הוא מתקבל. בעיניי, ערך קצר אך קריא וברור עדיף על ערך ארוך בלתי קריא ומלא שגיאות. הבעיה היא שהקלות שבה ניתן כיום לייצר ערכים באמצעות מחוללי טקסט מובילה להצפה של מרחב הערכים בטקסטים בעייתיים, בקצב שהקהילה איננה יכולה לעמוד בו באמצעות תיקוני עריכה שוטפים. כתוצאה מכך, ערכים כאלה נשארים במרחב הערכים ופוגעים בחוויית הקריאה ובאמינות של ויקיפדיה. לכן אני מציע לאמץ גישה פרואקטיבית יותר לאפשר הצבת תבנית שכתוב ייעודית (הכולל את רשימת הבעיות) עם מגבלת זמן, כך שאם בתום פרק זמן מוגדר הערך לא משתפר באופן ממשי הוא יוחזר אוטומטית למרחב הטיוטה של הכותב. החזרה למרחב הערכים יכולה להתבצע כשהערך יזכה בתמיכה של רוב ויקיפדי בדף השיחה או לפחות ויקיפד אחד לפחות. Assafn • שיחה 13:18, 12 בינואר 2026 (IST)תגובה דיון מחודש: מדיניות כתיבת ערכים על פרקי המקרא אני מבקש לפתוח דיון עקרוני בנוגע לכתיבת ערכים על פרקים בודדים בתנ"ך. באוגוסט 2023 התקיימה הצבעת מחיקה על שלושה ערכים ספציפיים, שהוכרעה ברוב למחיקה. בעקבותיה השתרשה תפיסה לפיה כתיבת ערכים על פרקי המקרא אינה רצויה, אלא רק על "סיפורים" או "נושאים". אני סבור שפרשנות גורפת זו שגויה ופוגעת במרחב הערכים, ואני מציע גישה של "כל מקרה לגופו" על פני איסור קטגורי. להלן הנימוקים מדוע התפיסה הנוכחית בעייתית, ומדוע יש לאפשר ערכי פרקים במקרים המתאימים: אלה ערכים שכתבתי לפני שנודע לי על ההסתייגות: ההצעה שלי: אין לפסול ערכים רק משום ששמם הוא "ספר X פרק Y". יש לבחון את הערך על פי תוכנו ומהותו: האם הוא מספק לקורא מעטפת אנציקלופדית רחבה – הכוללת מחקר, פרשנות, הקשרים היסטוריים וביקורת נוסח – החורגת מעבר לציטוט הטקסט המקראי גרידא? אם התשובה חיובית, הרי שיש לו חשיבות ומקום באנציקלופדיה. אביעד‏ • שיחה 14:45, 14 בינואר 2026 (IST)תגובה אם ננסה ליצור ערכים רק לפי יחידות ספרותיות, ניאלץ לבצע הכרעות פרשניות לגבי גבולות היחידה ושמה, ויכול להיות שמקבצי פרקים גם הם יוקצו אופן מלאכותי. לכן, השימוש בפרק משמש כעוגן טכני ונייטרלי להתמצאות - שם הפרק חשוב מאוד להתמצאות, כי קורא יתקשה למצוא ולנווט בערך עם של של נושא שאינו מוגדר היטב ולא מוכר במחקר או מסורתית. הערך משמש כ"אכסניה": הכותרת היא הפרק, ובגוף הערך ניתן (ורצוי) להביא את המחקר, להציג את המבנה הספרותי ואת הדעות השונות לגביו. אביעד‏ • שיחה 10:44, 15 בינואר 2026 (IST)תגובה אביעד, רק לוודא - אתה מתכוון שבעצם לפי הקריטריונים שאתה מציע ספר שופטים, פרק ה' הוא פרק שלא ניתן יהיה לכתוב עליו ערך, משום שהוא חופף לערך שירת דבורה, אך על ספר שופטים, פרק ו' ניתן יהיה לכתוב? וכך נמפה פרקים רבים בתנ"ך בערכים על פי פרקים, עם מלא חורים, בתור עניין של מדיניות? בעיניי זה רעיון משונה מאד, שמלבד (כמעט) כל החסרונות המנויים לעיל, (ובצורה מפורטת יותר בדיונים הקודמים), מתווסף אליו החסרונות של א) חוסר רציפות, ב) חוסר בהירות לעורכים שלא יהיו מודעים לקריטריונים המאד לא אינטואיטיביים הללו, שכמעט ללא ספק עתידים להשקיע את מרצם וזמנם בערכים שאסור לכתוב אותם, ולבסוף צפוי להם מפח נפש כשיימחק הערך, (שהרי הערך המקביל כבר יהיה קיים, ברוב המקרים). לאחר מכן כמובן שהנושא יעלה שוב לדיון, ובמקום לכתוב ערכים, נבלה את זמנינו בויקיפדיה בדיונים במקום לשפר את המיזם, וחוזר חלילה... ככל שקריטריונים ברורים יותר - כך הם טובים יותר. לא עדיפה האלטרנטיבה הפשוטה? לובש צדק • שיחה • ג' בשבט ה'תשפ"ו • 20:29, 20 בינואר 2026 (IST)תגובה ושוב AI נתקלתי בערך מצלצל הפעמונים שנראה שכולו נכתב ב-ai. האם אין זאת ״עבירה״ על החלטת הפרלמנט שעל כותב ערך לקרוא בעצמו את המקור? אם אכן הערך נכתב כך - האם לא עלינו למחוקו ב״מחיקה מהירה״? מאליה תישאל השאלה, מדועי איני שואל זאת בשיחת הערך. יש כאלו כבר עשרות ערכים, ולכן זוהי שאלה למזנון. Shannen • שיחה 16:13, 14 בינואר 2026 (IST)תגובה מדיניות מקורת מתרגום vs מקורות בינה מלאכותית לא קראתי את כל הדיון, כך שאני מתנצל אם פספסתי משהו. אני לא חושב שיש איזשהיא רלבנטיות לשאלה איך נכתב הערך. צריך לשאול איך הוא נראה עכשיו. אם הוא כתוב בצורה לא ברורה וקשה לקריאה, צריך לשפר ובמקרה הצורך להעביר לטיוטה. לגבי המקורת, יש לנו נוהל שצריך לקרא אותם. אם עולה חשד הכותב לא קרא, יש לשאול אותו (ולהניח כוונה טובה באשר לתשובתו). גם זה לא קשור לשימוש בבינה מלכותית. ―Aizenr (שיחה \| תרומות \| מונה) לא חתם ‌ 00:00, 10 בינואר 2000 (IST)תגובה גוש התיישבות יש סדרת ערכים שנכתבה בשנה האחרונה שעושה שימוש נרחב במונח הזה. נוסף גם ערך כזה לוויקיפדיה. בעיניי מדובר בחוסר הגינות בניסיון לנצל מושג היסטורי ולהחיל אותו באופן אנכרוניסטי על מציאות שבה ליהודים יש מדינה, תוך נרמול והלבנה. ―Barhai (שיחה \| תרומות \| מונה) לא חתם ‌ 00:00, 10 בינואר 2000 (IST)תגובה ערכים אודות עבריינים ונפגעי עבירות אני מציע לקהילה לשקול לאמץ באופן רשמי ומסודר את המדיניות הבאה: כאשר אדם מתפרסם בעיקר בשל חלק שלקח באירוע פלילי אחד בלבד, בין אם כעבריין ובין אם כנפגע עבירה, יש להעדיף ליצור ערך אודות האירוע ולא אודות האישיות. במקום ליצור ערך על האישיות, ניתן ליצור הפנייה מתאימה. אני לא מציע להמציא את הגלגל, אלא למסד בצורה מסודרת נוהג שממילא קיים, כך שיהיה גם דה פקטו וגם דה יורה. כפי שתאיר ראדה ורומן זדורוב זה הפניות אל רצח תאיר ראדה, וכפי ששירה בנקי וישי שליסל זה הפניות אל הרצח במצעד הגאווה בירושלים, ועוד ועוד. יוניון ג'ק • שיחה 13:03, 16 בינואר 2026 (IST)תגובה כאשר אדם מתפרסם בעיקר בשל חלק שלקח באירוע אחד בלבד, יש להעדיף ליצור ערך אודות האירוע ולא אודות האישיות. במקום ליצור ערך על האישיות, ניתן ליצור הפנייה מתאימה. Feminism and Folklore 2026 starts soon Dear Wiki Community, We are pleased to invite Wikimedia communities, affiliates, and independent contributors to organize the Feminism and Folklore 2026 writing competition on your local Wikipedia. The international campaign will run from 1 February to 31 March 2026 and aims to improve coverage of feminism, women’s histories, gender-related topics, and folk culture across Wikipedia projects. Feminism and Folklore is a global writing initiative that complements the Wiki Loves Folklore photography competition. While Wiki Loves Folklore focuses on visual documentation, this writing campaign addresses the gender gap on Wikipedia by improving encyclopedic content related to folk culture and marginalized voices. Communities can contribute by creating, expanding, or translating articles related to: Participants may work from curated article lists or generate new article suggestions using campaign tools. Organizers are requested to complete the following steps to register their community: The Wiki Loves Folklore Tech Team has introduced tools to support organizers and participants: Both tools are now available for use in the campaign. Click here to access the tools For detailed information about rules, timelines, and prizes, please visit the Feminism and Folklore 2026 project page. If you have any questions or need assistance, feel free to reach out via: We look forward to your collaboration and coordination in making Feminism and Folklore 2026 a meaningful and impactful campaign for closing gender gaps and enriching folk culture content on Wikipedia. Thank you and best wishes, Feminism and Folklore 2026 International Team Stay connected: ―MediaWiki message delivery (שיחה \| תרומות \| מונה) לא חתם ‌ 00:00, 10 בינואר 2000 (IST)תגובה Invitation to Host Wiki Loves Folklore 2026 in Your Country Hello everyone, We are delighted to invite Wikimedia affiliates, user groups, and community organizations worldwide to participate in Wiki Loves Folklore 2026, an international initiative dedicated to documenting and celebrating folk culture across the globe. Wiki Loves Folklore is an annual international photography competition hosted on Wikimedia Commons. The campaign runs from 1 February to 31 March 2026 and encourages photographers, cultural enthusiasts, and community members to contribute photographs that highlight: Through this campaign, we aim to preserve and promote diverse folk cultures and make them freely accessible to the world. Project page on Wikimedia Commons As we celebrate the eight edition of Wiki Loves Folklore, we warmly invite communities to organize a local edition in their country or region. Hosting a local campaign is a great opportunity to: Sign up to organize: If your team prefers to organize the competition in either February or March only, please feel free to let us know. If you are unable to organize, we encourage you to share this opportunity with other interested groups or organizations in your region. If you have any questions, need support, or would like to explore collaboration opportunities, please feel free to contact us via: We are also happy to connect via an online meeting if your team would like to discuss planning or coordination in more detail. Warm regards, The Wiki Loves Folklore International Team MediaWiki message delivery • שיחה 15:21, 18 בינואר 2026 (IST)תגובה Annual review of the Universal Code of Conduct and Enforcement Guidelines I am writing to you to let you know the annual review period for the Universal Code of Conduct and Enforcement Guidelines is open now. You can make suggestions for changes through 9 February 2026. This is the first step of several to be taken for the annual review. Read more information and find a conversation to join on the UCoC page on Meta. The Universal Code of Conduct Coordinating Committee (U4C) is a global group dedicated to providing an equitable and consistent implementation of the UCoC. This annual review was planned and implemented by the U4C. For more information and the responsibilities of the U4C, you may review the U4C Charter. Please share this information with other members in your community wherever else might be appropriate. -- In cooperation with the U4C, Keegan (WMF) (talk) 23:01, 19 בינואר 2026 (IST) כמה זמן משאירים עובדה עם [דרוש מקור]? בערך פשיעה באירופה מופיע המשפט הבא בראש הערך: "בעשורים האחרונים, לאור גלי הגירה ממדינות האסלאם לאירופה התגברו פעולות הטרור באירופה ובפרט הטרור האסלאמי באירופה." הוספתי למשפט הזה תבנית [דרוש מקור]. על הערך מתקיים עכשיו דיון חשיבות. אם הערך ישרוד את דיון החשיבות/מחיקה, כמה זמן מקובל שטענה כזו תישאר ללא מקור? האם מקובל או יש מדיניות שאחרי זמן מסויים שלא צויין מקור, אפשר למחוק את המשפט? --HananCohen • שיחה 18:32, 21 בינואר 2026 (IST)תגובה לא חושב שצריכה להיות הגבלת זמן. כשאין משהוא שחולק אקטיבית על העובדה ("אני חושב שזה לא נכון או לפחות חשוד מאוד") וכשלא מדובר בנושא רגיש, מקור הוא דבר חשוב ומעשיר, אך לא הכרחי. אנחנו צריכים לשאוף לקח שכל פיסת מידע לא טריביאלית תהיה מגובה במקורות, אבל אנחנו לא צריכים להגיע לזה מיד. תבנית "דרוש מקור" מזהירה את הקורא ומשוכת תשומת לב לנקודה שטעונה שיפור אבל לא שופכת את התינוק עמ המיים. לאומת זאת, אם יש משהוא שחולק אקטיבית על העובדה, אין להשאירה בלי מקור. אם מדובר בנושא רגיש, אז גם בלי משהוא שחולק אקטיבית על העובדה, אין להשאיר יותר ממספר ימים. רמי (Aizenr) • שיחה 07:30, 30 בינואר 2026 (IST)תגובה טקסונומיה סדורה לציפורים עבור ויקיפדיה העברית עד היום ככל הידוע לי לא הייתה החלטה מסודרת לפי מה תיקבע הטקסונומיה של ערכי העופות בויקיפדיה העברית. לאחרונה קובצו כל הרשימות העולמיות הקודמות לרשימה אחודה חדשה בשם AviList, וגם ויקיפדיה האנגלית עוברת אט אט לעקוב אחרי הטקסונומיה שם. אני מציע שגם כאן נקבע באופן מסודר שערכי הציפורים יסודרו ויעודכנו לפי הטקסונומיה שלהם. מתייג את בעלי הידע בבעלי חייםיונה בנדלאק, Santacruz13, Aziz Subach,מנחם.אל, PurpleBuffalo‏, Tshuva, נחש קטן, יאיר דב, Gidip, פעיל למען זכויות אדם, אליגטור, Squaredevil, MathKnight‏, פרצטמול, assafn, דוב, מר בונד 007, עורך גיימינג ופרוגנתודון YedidyaPopper • שיחה 10:30, 22 בינואר 2026 (IST)תגובה הצעה להרחבת פרק חשיבות הערה: הצעה זו היא חלק מפעילות הצוות לשיפור האקלים בוויקיפדיה. אחת הפעילויות שהוגדרו לצוות היא הוספת דפי מדיניות בנושא חשיבות, הוספת דפי מדיניות כאלו תחסוך בעתיד חלק מדיוני החשיבות, מהצבעות החשיבות, המשאבים, חילוקי הדעות והמתחים הנלווים לפעילויות אלו. תחת ויקיפדיה:עקרונות וקווים מנחים ליצירת ערכי אישים קיים הדף ויקיפדיה: ויקיפדיה:עקרונות וקווים מנחים ליצירת ערכי אישים/ציירים ופסלים. דף זה עוסק בציירים, פסלים ואמני קרמיקה. לקרוא לדף: "עקרונות וקווים מנחים ליצירת ערכי אישים אמנים בתחום האמנות החזותית", בהצעה זו "צייר או פסל" יוחלף ב"אמן בתחום האמנות החזותית". כל שאר התנאים נשארים כפי שהם כיום. (הערה: האמנות החזותית מכילה בויקיפדיה: ציור, רישום, איור, גרפיטי, צילום סטילס, פיסול, תבליט, הדפס.) לקבל את ההצעה 1, ולהוסיף ל-4 התנאים הקיימים גם את סעיף 5 המוצג להלן (תוספת זו באה לכסות את המקרים בהם אמנים זוכים בהישגים בינלאומיים בתערוכות ו/או תחרויות בינלאומיות.) לקבל את הצעה 1 ו-2 ולהוסיף ל-5 התנאים גם את סעיף 6. הערה: עורכים הבקיאים בפרטים יכולים להציע להוסיף ארגונים מובילים בעלי-חשיבות דומה. HanochP • שיחה 17:36, 24 בינואר 2026 (IST)תגובה איני מתמצא כלל בתחום האומנות, ולכן אני נייטרלי בשאלת קריטריוני החשיבות לאומנים. באופן כללי אני נגד האמירה שבמבוא, לפיה יש עניין לקבוע קריטריונים קשיחים לחשיבות במגוון נושאים. יתכן שזו ההחלטה הנכונה במקרה הזה, אבל באופן כללי, כמעט בלתי אפשרי לתפוס את החשיבות האנציקלופדית של דבר בעזרת רשימה קשיחה של קריטריונים, ועדיף בדרך כלל להשאיר לקהילה את מרווח שיקול הדעת. "דיוני החשיבות, הצבעות החשיבות, המשאבים, חילוקי הדעות" שנלווים להחלטות אלה - הם חלק בריא מתהליך הבקרה העצמית של האנציקלופדיה, ולא דבר שלילי שצריך לצמצם למינימום ההכרחי (בניגוד ל"מתחים הנלווים", שאכן טוב לצמצם). מיכאל.צבאן • שיחה • י' בשבט ה'תשפ"ו • 19:30, 27 בינואר 2026 (IST)תגובה בעד. רמי (Aizenr) • שיחה 07:24, 30 בינואר 2026 (IST)תגובה הודעה על פתיחת הצבעה בפרלמנט הודעתי גם בלוח המודעות, אבל גם פה אני כותב לאור חשיבות ורגישות העניין: נפתחה הצבעה בפרלמנט על אודות חשיבותם האנציקלופדית של חטופי וחטופות השבעה באוקטובר. ראו כאן. מדובר ביוזמה מבורכת של @AviStav. הצביעו והשפיעו! ניב • שיחה 16:28, 27 בינואר 2026 (IST)תגובה חשיבות קידום חוקים בכנסת לקראת הבחירות הקרבות ובאות עלינו לטובה, ערכים רבים על פוליטיקאים עוברים בעת האחרונה עיבוי, ובכלל זוכים לתשומת לב מוגברת. לאחרונה נתקלתי בעריכה שהסבה את תשומת לבי לשאלה כללית יותר: מתי נכון לכתוב בערך על חבר הכנסת על חוק שאותו חבר קידם? כהנחת מוצא, אני סבור שלמעט מקרים חריגים (כמו הרפורמה המשפטית), אם החוק לא עבר בקריאה שלישית אין להזכיר אותו בערך. יש לי שתי שאלות לקהילה, בהנחה שמדובר בחוק שנכנס לבסוף לספר החוקים: מיכאל.צבאן • שיחה • י' בשבט ה'תשפ"ו • 19:50, 27 בינואר 2026 (IST)תגובה ליאב שמר ז"ל ברביעי במרץ 2025 הלך לעולמו בטרם עת מפקח ליאב שמר ז"ל, לוחם במשמר הגבול, בגיל 24 בלבד. הוא ערך פה תחת השם מש:Liavshe, וכתב את הערכים גאוגרפיה של אסטוניה, גאוגרפיה של קמבודיה המנון אקוודור, נתרן ציאניד ויוהנס הנס דניאל ינסן. מוזמנים לקרוא עוד עליו באתר יזכור. יהי זכרו ברוך ס.ג'יבלי - שיחה - הצטרפו למיזם סין 21:39, 28 בינואר 2026 (IST)תגובה לגבי תרבות הדיון בוויקיפדיה - צוות יוזמה לשיפור האקלים בוויקיפדיה שלום לכם/ן, בהמשך להודעה על הקריאה לשיפור האקלים בוויקיפדיה, אנחנו קבוצת עורכים שהתנדבו לעזור לקהילה לשפר את אופי הדיונים בקהילה על מנת שלכולנו יהיה נוח ומכבד להשתתף בהם. הקמנו צוות המקיים דיונים שוטפים בשאלה כיצד נוכל לסייע ולשפר זאת. עם סיום הדיונים - נפנה לקהילה עם מסקנות והצעות אופרטיביות. בלא מעט מקרים השיח בוויקיפדיה מתלהט, פוגע, או עולה לפסים אישיים. בלי קשר לתוכן ולסוגיות שבדיון, ובלי קשר לזהות המשתתפים בדיון, מטרת הצוות היא לנסח הצעות קונקרטיות שיעזרו לשפר את השיח. בינתיים, חשוב לנו להזכיר להתבטא באופן מכבד ויקיפדיה:כללי התנהגות בין חברי הקהילה וקוראים לכל אחד מכם/ן להעיר ולהתערב כשאתם רואים התבטאויות פוגעות או מעליבות. בסוף כולנו בני אדם מאחורי המקלדת וחבל שנעבוד ונייצר ידע בויקיפדיה תוך שצוברים תחושות רעות. לכולנו חשוב שוויקיפדיה תהיה מקום טוב יותר, בואו נשפר את האווירה וסביבת היצירה שלנו ביחד. עורכים נוספים מוזמנים להצטרף לצוות שלנו. בברכה, המקיסט בשם צוות יוזמה לשיפור האקלים בוויקיפדיה (רשימת העורכים בצוות מופיעה בסיכומי הדיונים בהודעה אליה קישרתי קודם) המקיסט - על דא ועל הא - גם לוויקיפדיה יש עיתון 21:25, 28 בינואר 2026 (IST)תגובה HananCohen, מסכים - הכוונה היא להכווין שיח בדיוק שמגיע לנקודות כאלה למחוזות בריאים יותר. המקיסט - על דא ועל הא - גם לוויקיפדיה יש עיתון 19:10, 4 בפברואר 2026 (IST)תגובה תודה על ההערות וההארות שנכתבו כאן. לקחתי לתשומת לבי. יוצא מנקודת הנחה שיהיה מורכב להביא "שוטר" לכל דיון ודיון אבל מבין את הצורך בזה ויכול להגיד שבצוות מודעים לצורך בהתערבות בדיונים גם. מי-נהר- תודה קודם כל על המילים החמות בנימה האישית. בגלל אותה חשיבות שמשייכים לשקיפות מפרסמים סיכומי דיונים של מפגשים, וגם חשוב להגיד שמזמינים נוספים (כולל אותך כמובן) להצטרף לקבוצה. גם אי אפשר להצטרף ללוז ספציפי יש קבוצת ווטסאפ ואפשר להסתנכרן ולעלות ללוז עתידי. מה גם שכשיקודמו דברים רציניים יותר הם יוצגו לקהילה לדיון ובשביל לקבל את תמיכתה.המקיסט - על דא ועל הא - גם לוויקיפדיה יש עיתון 18:40, 5 בפברואר 2026 (IST)תגובה איורים בערכים על תנוחות מין היי חברים, פנה אלי מנהל בית ספר יסודי בנוגע לאיור 'הגרפי והמפורט' לדבריו שמופיע בערך 69 (תנוחה). מהסתכלות בדף השיחה שם קיבלנו לאורך השנים לא מעט הערות ומשובים אנונימיים לערך בנוגע לאיור שם. הלכתי להסתכל מה קורה בערכים אחרים על תנוחות מין ואני רואה שבכולן יש איורים (רובם מאותה הסדרה), ובכולם האיור אינו מוסתר כך שתדרש פעולה אקטיבית לפתוח אותו - כולם למעט הערך 'תנוחות מין' שבו הן דווקא כן מוסתרות, ובערך מציצה עצמית שם מדובר ממש בתצלום. אני נוטה לחשוב שבאנציקלופדיה מסוגנו, שמשמשת מגוון רחב של קהלים, בגילאים שונים, לרבות קטינים וכו' - יש מקום לאפשר לקורא האם להיחשף או שלא לאיורים גרפיים ריאליסטיים של מיניות. מביא את הנושא כאן לדיון. ניצן צבי כהן • שיחה 17:23, 29 בינואר 2026 (IST)תגובה באופן כללי אני חושב שכל תמונה שעלולה להפריע לאחוז לא זניח מהאוכלוסיה צריכה להיות מוסתרת. זאת מהסיבות הבאות: תודה, רמי (Aizenr) • שיחה 07:12, 30 בינואר 2026 (IST)תגובה פנתה אלי כעת חברה נוספת בנושא, שלא ידעה על הפנייה הקודמת של מנהל בית הספר. מביא את ההודעה ששלחה לי כלשונה בהשמטת שם הילד: "טרנד ה-67 (six sevev) הבלתי הוליד טרנד חמור מאוד: 69 (six nine). ילדים צעירים ותמימים שלא יודעים מה זה, כותבים בגוגל 69 והתוצאה הראשונה שהם מקבלים היא ערך הויקיפדיה של התנוחה המינית 69. כשהם לוחצים על הקישור מוצג ביטוי גרפי מאוד בוטה של התנוחה בראש דף הויקיפדיה של הערך 69.אני מבינה שיש אנשים שרוצים שיהיה ערך כזה בויקיפדיה, אבל אולי אפשר להעביר את התמונה לתחתית העמוד? כך לפחות זה לא יקפוץ לילדים מול העיניים? זה קרה לע' (בן 9) וזה מאוד הביך אותו. הוא הבין מייד שזה תוכן שלא תואם את גילו וסגר את זה, אבל אולי יש דרך להימנע מזה? לא היה לו מושג מה זה. רק שמע על 6-9 מילדים בכיתה". ניצן צבי כהן • שיחה 15:08, 30 בינואר 2026 (IST)תגובה אולי יש מקום לשקול ליצור תבנית, בדומה לתבניות אחרות הקיימות בקטגוריה:תבניות הבהרה ואזהרה, המזהירות מפני ערכים שתוכנם עלול שלא להתאים לילדים/קטינים (אלימות / מין). יוניון ג'ק • שיחה 18:47, 30 בינואר 2026 (IST)תגובה אני חושב שאנחנו טיפה מתפזרים, חברים יקרים. ההצעה פשוטה, אבל ההתנגדויות והטענות מתחילות לצאת מהאזור שממנו התחילו. אנסה לרכז את הטענות שעלו, ואני מבקש להתייחס בקצרה בעד או נגד לסעיפים שעלו. זכותכם המלאה לכתוב הררי מלל ואין לי את הסמכות או את הרשות למנוע מכם לכתוב אותם, אבל הם מסיחים את הדעת ומדרדרים את הרכבת מהמסילה. הבעיה שהועלתה על ידי ניצן: טיפה התפזרות: טיפה דמגוגיה: ההצעות שעלו באשר לתמונות: אני מקווה שתמצאו את הסיכום מועיל. אם לדעתכם הדילמה שאני מציג כוזבת או שאני בעצמי השתמשתי בדמגוגיה, אל תהססו להעיר. פרוגנתודון 🙧 שיחה 🙥 🦖מה הדינוזאור האהוב עליכם?🦕 15:27, 1 בפברואר 2026 (IST)תגובה שגיאה בתבניות "אישיות" בדקתי היום ערך שיצרתי אתמול (ירין הא), והופעתי שיש בו שגיאה (שגיאת לואה ביחידה יחידה:עיצוב_יצירות_מוזיקליות בשורה 42<includeonly></includeonly>: attempt to call field 'contains_any_csv' (a nil value).) חשבתי שזה רק בערך הזה אבל כשהתחלתי לבדוק ערכים נוספים ראיתי שהוא קיים בהם (דוגמת אוליביה רודריגו, טיילור סוויפט והארי סטיילס). מישהו יודע מהו המקור של השגיאה ואיך ניתן לתקן אותה? תודה מראש! Shahar124 • שיחה 14:45, 31 בינואר 2026 (IST)תגובה עזרה קטנה בייבוא נוסחאות בערך מכסת דרופ אני מתקשה לייבא את הנוסחאות מהערך האנגלי, אשמח אם מישהו יעשה זאת בדקה או שתיים :) אבי גרינצייג • שיחה 07:53, 2 בפברואר 2026 (IST)תגובה הסקריפט לשחזור מהיר של השחתות - האם הוא עדכני? הבוקר היו מספר השחתות בוטות ברצף של ערכים. כמו שנעשה במקרים כאלה בעבר, הרצתי את סקריפט הטיפול בהשחתות. כשבדקתי את התוצאות, ראיתי שהוא שחזר גם לא מעט עריכות תקינות. האם לאחר השינויים בוויקיפדיה לאחרונה, עם מספרי האיי-פי הזמניים, עדיין בטוח להשתמש בסקריפט הזה? (נאלצתי לשחזר ידנית לא מעט עריכות שנראו לי תקינות). אלדד • שיחה 08:28, 2 בפברואר 2026 (IST)תגובה "דרוש ציטוט" בערכים מתורגמים זאת לא פעם ראשונה שאני נתקל במקרה כזה, ואיני חושב שיש איזשהו התייחסות לכך ככל שהצלחתי לראות עד כה בדפי המדיניות ודיונים בנושא. ראו דוגמה בערך אטלייה, שם ייובא ערך מויקי האנגלי, והערך במקור זרוע בלא מעט "דרוש מקור". המתרגם לא העבירם על אך שהעביר את התוכן, (נתקלתי בכך בעת סקירה של התרגום ושיפור חלקי בזרימת הטקסט ונכונות התרגום). ואני תוהה האם בהעתקת טענות שהערך המקורי דורש מקור חובה להעתיק את התבנית גם לערך המתורגם? (אני חושב שאם מדובר בטענה הדורשת לפי הכללים מקור רצוי להשאיר) Szibre • שיחה 19:36, 5 בפברואר 2026 (IST)תגובה אני הצעתי בזמנו להוסיף לתבנית {{הערה}} פרמטר או שדה בשם "נבדק" או "אוחזר" ובו תאריך הבדיקה בו המשתמש או עורך קרא את המקור ואישר שהוא אכן תומך בכתוב. אם בפרמטר "נבדק" הערך הוא "לא" ההערה לא מוצגת בערך (בתצוגת הקריאה) אבל כן קיימת בקוד המקור - וכך עורכים אחרים יכולים לדעת על מה לכאורה התבססה הטענה ולבדוק את זה. – ד"ר MathKnight ✡ (שיחה) 14:35, 7 בפברואר 2026 (IST)תגובה תדירות תחרויות כתיבה שלום, אשמח לשמוע מכם - מה התדירות שאתם חושבים שתהיה הטובה ביותר לתחרויות כתיבה? הכוונה היא לתחרויות כתיבה מצומצמות יותר מהתחרות שבדיוק נגמרה, למשל תחרות בלי חלוקה לבתים (חלוקה למתורגם מול מקורי למשל), או תחרות בנושא מסוים. תודה ‏♪ ‏Funcs‏ ⌘ שיחה ♪ 22:50, 5 בפברואר 2026 (IST)תגובה הצעה - הרחבת סמכויות המפעילים לעצור מיידית פעולות המזיקות לקהילת ויקיפדיה אירועים שונים שאני עוקב אחריהם בשנים האחרונות הביאו אותי למחשבה שלפעמים צריך להיות גבול לדמוקרטיה ודרושים "מבוגרים אחראים" שיעצרו מיידית תהליכים שמזיקים לקהילת ויקיפדיה מבפנים שגם מוציאים שם רע לקהילה. אני כותב את הצעתי בעקבות פתיחה במקביל של דיוני חשיבות על 9 ערכים של חטופים. דיוני החשיבות האלה היו מיותרים לקהילה פנימה וגם עוררו כעס על הקהילה ופורסמה על כך ידיעה באתר מאקו. ההצעה שלי היא כזו (בערך, כן?): במקרים נדירים שבהם מפעילי מערכת מעריכים שפעולה מסויימת עלולה לפגוע בקהילה מבפנים או בדימוי שלה מבחוץ, תהיה להם סמכות מיידית למחוק תכנים בדפי שיחה ולחסום אותם. הפעולה המיידית תהיה רק בהסכמה של כמה מפעילים כאשר העיקרון היחיד הוא הגנה על הקהילה. המחיקה והחסימה יהיו עד ל 24 שעות בלבד. בזמן המחיקה והעצירה יקיימו המפעילים שיחות בין עצמם ועם המעורבים כדי להרגיע את הרוחות ולחשוב כיצד לחדש את השיחה באופן שייטיב עם הקהילה. אני חושב שכדאי שההצעה הזו תידון בצוותים שעוסקים בשיפור האקלים בוויקיפדיה. אני מקווה שגרסה זו או אחרת של הצעתי תובא לדיון והצבעה בעתיד זה או אחר. HananCohen • שיחה 14:18, 8 בפברואר 2026 (IST)תגובה בשביל מקרי קיצון ישנם בירוקרטים שנבחרו כדי לתת את המילה האחרונה בסוגיות מורכבות שיש לתת עליהן את הדעת. בתור עורך מן המניין אני לא רוצה שקבוצת בעלי הרשאות מסוימת תחזיק בסמכויות דרקוניות, ובתור מפעיל אני לא צריך עוד תחומי אחריות שמוגדרים בשטח אפור. בין כה וכה תחומי האחריות והמשימות של המפעילים רחבים ותמידיים (וישנו המחסור הידוע והקבוע במצבת המפעילים). במקרה דנן, תבניות החשיבות הוסרו לאחר פנייה (גילוי נאות: שלי) לעורך שהניח אותן מלכתחילה, ואף שהגיב ופעל כיומיים אחר כך, העורך נמלך בדעתו ובא לציון גואל. נכון שהנזק נעשה בדמות יח"צ גרוע לקהילה (אין זה אומר שהכתבה ההיא במאקו הייתה נאמנה לאמת כולה), אבל זה חלק מהמחיר מניהול וכתיבת אנציקלופדיה בשפה העברית - שרוב מוחץ של דובריה הם אזרחי אחת המדינות המורכבות בתבל. ניב • שיחה 08:17, 11 בפברואר 2026 (IST)תגובה תבנית:החלטת פרלמנט וביקורת {{לצערי נפתחה אותה הצבעת חשיבות סיטונאית ל10 ערכים על חטופים. לא מדובר רק בתדמית של ויקיפדיה ופחד מביקורת חיצונית למרות שחשוב להיות קשובים גם לזה . מדובר בהפרה של החלטת פרלמנט שהתקבלה זמן קצר מוקדם יותר, לאחר לאחר ויכוחים ולאחר הצבעה. לכן, או שהקריטריונים לא היו די ברורים או שיש כאלה שלא מכבדים החלטות.}}Talitova • שיחה 17:46, 14 בפברואר 2026 (IST)תגובה חשיבותם של ערכי יישובים עתידיים בישראל עלתה מחלוקת ביני לבין Mertaro אודות חשיבותם של ערכי יישובים עתידיים בישראל. אני סבור שיישובים שהוחלט על הקמתם במוסד הרלוונטי לפי החוק (=הממשלה המכהנת או ועדה מוסמכת מטעמה) ראויים לערך בויקיפדיה ויש להם חשיבות אנציקלופדית, ולעומתי מרטרו, כמו שאני מבין את דעתה, סבורה שאין לכתוב ערכים על יישובים עתידיים עד שישלימו את הליך הקמת היישוב במדינה בדמות צירוף למועצה אזורית, תיחום שטח, או בכל דרך אחרת (מרטרו – אנא דייקי אותי אם אני טועה בהבנת דעתך). מאחר שבקטגוריה:ישראל: יישובים עתידיים ישנם 33 דפים העומדים למחיקה על פי דעתה של מרטרו, ולאור זאת שיש ערכי יישובים עתידיים רבים העשויים להיכתב – למשל מטר ואורחה בגולן, דיה, גבעות עדרים, טליה ונבטים דרום בנגב, שלם, טמון והר בזק בשומרון ונוספים, אני מעוניין להגיע כאן להחלטת קהילה חד-משמעית: האם יש חשיבות לערכים אודות יישובים עתידיים במדינת ישראל? דיונים קודמים, שעסקו במקרים מסוימים ללא ניסיון להגעה לעיקרון מוחלט: שיחה:אופיר (יישוב)#חשיבות, שיחה:טמון (יישוב ישראלי)#חשיבות, שיחה:שלם (יישוב)#חשיבות, שיחה:הר בזק (יישוב)#חשיבות, ויקיפדיה:רשימת מועמדים למחיקה/:הר בזק (יישוב), שיחה:כוכב השחר צפון#חשיבות, שיחה:בית חורון צפון#חשיבות. מציב שתי אפשרויות בחירה ביניהן הקהילה צריכה לבחור, כמובן שאפשר להציע אפשרויות נוספות: כמו כן מזכיר שההחלטה, אם תגיע בצורת הצבעה, יכולה לדרוס החלטות קהילה קודמות – כמו החלטה זו, ואולי אף להחזיר למרחב ערכים שנמחקו. מתייג גם את IdanST, שהביע עמדה בנושא הזה בדיוק. אור גנוז • שיחה 18:14, 8 בפברואר 2026 (IST)תגובה מיהו יהודי בהרבה ערכים אישיות, שלה הורה אחד יהודי. מוצגת כיהודי. בהתאם לכך אני מציע שינוי הגדרות: גדל כיהודי: משמעותו לפחות אחד מאלה: למד בבית ספר יהודי, חגג את חגי ישראל בבית (גם אם רק בצורה תרבותית, ולא הלכתית), וכן עשה בר/בת מצווה. לפי זה למשל אמי רוסום - יהודיה. דניאל רדקליף - ממוצא יהודי. HofEz96 • שיחה 22:06, 8 בפברואר 2026 (IST)תגובה תודה לכם. הדיון הזה נוצר כי אני נתקל בהרבה מאוד ערכים אנשים שמוגדרים ישר כיהודים, למרות שיש להם הורה יהודי אחד, ולא ראו את עצמם כיהודים. וגם לא הסביבה שלהם. כמו הדוגמה של דניאל רדקליף או מרתה ארחריץ'. מספחים פה אנשים לעם ישראל מבלי שראו את עצמם ככאלה. ואיך יודעים שהם גדלו כיהודים, לפי מה שאנחנו יודעים על ראשית חייהם או בראיונות. גם אכן זה לא הדיון הראשון שנעשה, וגם אני לפני כמה שנים היה דיון דומה. אני חושב שצריך קו הנחיות מוסכם מי יוגדר כיהודי בתיאור הראשוני שלו. --HofEz96 • שיחה 18:57, 9 בפברואר 2026 (IST)תגובה Absolutely. I really do. My dad is Northern Irish and my mum is Jewish. That’s working blood. Though I am not religious in the least, I am very proud to be Jewish. ”כל עוד תורת היחסות מקובלת כנכונה, העיתונים בגרמניה מתארים אותי כ"גרמני" ואלו שבאנגליה מתארים אותי כ"יהודי שוויצרי". אם יתברר שהתורה מוטעית המצב יתהפך - האנגלים יקראו לי גרמני והגרמנים יקראו לי יהודי"” אני רוצה לנסות למקד את הדיון בשאלה מתי ראוי להגדיר אדם כיהודי בפתיח – בלי קשר לשאלה "מיהו יהודי". אני חושב שאין סיבה לעשות זאת, אלא אם לעובדה הזו יש השפעה ממשית על העיסוק/מעשים שמקנים לו חשיבות אנציקלופדית או על הביוגרפיה שלו, ובכל מקרה כאשר הביוגרפיה של אדם מורכבת מהגדרה פשוטה, עדיף לשמור את הפרטים לגוף הערך. בגוף הערך יש את המקום הדרוש כדי לתאר את הרקע של אדם באופן עובדתי, מבלי לעסוק בהגדרות. פוליתיאורי • שיחה 16:59, 10 בפברואר 2026 (IST)תגובה אדם לא יכול לברוח מהיהדות שלו, אפילו אם הוא ייתנצר/יתאסלם/ימיר-דת. היהדות, בין אם מושא הערך מתגאה בה או מתכחש לה, עדיין מהווה חלק חשוב בזהותו, ולכן יש לציינה (לעיתים בצורת "ממוצא יהודי" אם אמו לא יהודייה או שהתנצר/התאסלם). – ד"ר MathKnight ✡ (שיחה) 19:09, 11 בפברואר 2026 (IST)תגובה ציון הליגות הישראליות הבכירות כישראליות הנושא הזה עלה כבר בעבר, אבל אני לא בטוח שכשנושא בפני עצמו. כשנכנסתי לקטגוריה:ליגות הכדורסל העליונות באירופה, שמתי לב שוב לעובדה שליגת העל הישראלית לא מצוינת ככזו בשם הערך. ישנה כאן אמירה חוזרת (ונכונה) לפיה ויקיפדיה העברית היא עברית ולא ישראלית. מדוע אם כן לא נשנה את כל שמות הליגות הישראליות השונות כך שיכילו את המילה "הישראלית"? כך לליגת העל הישראלית בכדורסל נשים, ליגת העל הישראלית בכדורגל, ליגת העל הישראלית בכדורסל, ליגת העל הישראלית בכדורעף וכן הלאה. ההצעה שלי נוגעת בשלב זה רק לליגות העליונות. בליגות הנמוכות יותר המצב פחות חמור, אבל בליגות העליונות שמם של רוב הערכים זהה (כמעט תמיד ליגת העל). תאו הארגמן - שיחה 13:28, 10 בפברואר 2026 (IST)תגובה דרוש בוט ― הועבר לדף ויקיפדיה:בוט/בקשות העברה לטיוטא כתרגיל מחיקה בלי הצבעה הערך הנוכחי מוצא הרומנים, שוכן בוויקיפדיה עברית מזה יותר מעשרים שנה ויש לו מקבילים בעוד לפחות תריסר ויקיפדיות. הערך תורגם משפות אחרות ואין לו מקורות בעברית. ברומנית ובאנגלית מדובר בערך גדול מאוד עם הרבה מקורות. בגלל הכלל שאין להביא מקורות, שלא קראנו בעצמינו, איני יכול להביא את המקורות לערך העברי, אין לי גישה למקורות. אני מבקש לציין שזה מצב שכיח בהרבה ערכים מתורגמים, אך הערך הזה מותקף כרגע ומבקשים להביא למחיקתו על ידי העברה לטיוטא. אם הוא יעבור לטיוטא, זה אמור להיות גורלם של מאות או אלפי ערכים נוספים המסתמכים על מקורות בוויקיפדיות אחרות, לכן מדובר כאן בהחלטה של מדיניות. בברכה. ליש • שיחה 16:58, 11 בפברואר 2026 (IST)תגובה ליש, מפנה את תשומת לבך לכך שעל פי הכללים, "לאחר ההעברה לטיוטה, ניתן להחזיר את הערך למרחב הערכים אם נמצא בעל זכות הצבעה שסבור כי הערך נמצא כעת במצב ראוי למרחב הערכים (מלבד כותב הערך המקורי), ללא דיון מקדים." זה אמור להפיג כל חשש מ"תרגיל מחיקה בלי הצבעה" – קל להפוך את ההחלטה, לעומת ערך שנמחק בהצבעה, שחייב דיון שחזור ואם אין שינוי מהותי, יכול לחזור רק ברוב מיוחס. פוליתיאורי • שיחה 23:55, 12 בפברואר 2026 (IST)תגובה האי-שלמות או אי-השלמות ― הועבר מהדף שיחת ויקיפדיה:לשון כשראיתי את הערך משפטי האי-שלמות של גדל הכותרת מאוד צרמה לי. פניתי לדף השיחה וכמעט השתכנעתי מאלדד ודניאל ב, שטענו ש"אי" היא מילית כמו "בלתי" או "לא", והביאו בתור דוגמה את "המספר האי-זוגי", כאשר ברור שהביטוי "המספר אי-הזוגי" אינו תקין. אבל אז קראתי את דברי האנונימי שהצביע על כך שהסיבה לחוסר התקינות של הביטוי "המספר אי-הזוגי", היא ש"זוגי" הוא תואר ולא שם ולכן גם "אי-זוגי" הוא תואר ואינו סמיכות. לעומת זאת, "שלמות" או "זוגיות" הן שמות פעולה (תכונות), וכשמצורפת להם המילה "אי", היא מתפקדת כשם נרדף ל"חוסר" או "העדר", ולכן אפשר לומר "אחת מתכונות המספר 7 היא אי-הזוגיות שלו" — כלומר יש לו חוסר זוגיות. בדף הזה של האקדמיה מוסבר שבמקרא ובחז"ל "אי" אכן שימשה כמילית שלילה כמו "בלתי" ו"לא", וכך היא נשארה עד היום בביטויים כמו "אי-אפשר" וגם "אי-זוגי" (שלילת פועל או תואר). אבל בעברית החדשה נוצרו ביטויים חדשים כמו "אי-שלמות", "אי הבנה", "אי-ציות", "אי-סדר", שבכולם "אִי" מתפקדת בדומה לשם "אָיִן" ומבטאת את חסרון השלמות, ההבנה, הציות הסדר. לדעתי לא בכדי במושגים אלה לא נעשה שימוש במילים "בלתי" ו"לא", שמשמשות לשלול בעיקר תארים או פעלים (בלתי נראה, בלתי הפיך, בלתי תלוי; הלא נודע). לכן לחלק גדול מהמגיבים באותה שיחה הביטוי "האי שלמות" נשמע לא תקני. האקדמיה נמנעה מלהחליט איזו מהצורות נכונה (והיא מתייחסת במפורש למילה "אִי" בהזכרת הצירוף "אי-תלות"), ולדעתי זה בגלל שהיא הבינה שהמילה "אי" התפתחה בשפה להתנהג כמו שם (השמינה). יש לנו אפשרות ללכת ראש בקיר ולטעון ש"אי" זה לא שם אמיתי כיוון שלא משתמשים בו מחוץ לצירופים כאלה, אבל לדעתי עדיף לקבל את השפה הטבעית והאינטואיטיבית. אשמח לשמוע מה דעת בעלי הידע בלשון על עניין זה. אולי הגיע הזמן לשנות את המדיניות, או לפחות לקבוע מדיניות אחידה לכל האתר. בחיפוש באתר מצאתי שלעומת המקרים "האי שלמות" ו"האי ודאות", הביטוי "אי האמון" נפוץ אצלנו הרבה יותר מהביטוי "האי אמון". רוב הדפים באתר שעוסקים בביטויים כאלה משתמשים ביידוע של ה"אי", כנראה על בסיס הדיון של משפטי גדל. דוגמאות: משפט האי-שלמות של צ'ייטין, משפט האי-שכפול, משפט האי-גדירות של טרסקי, עקרון האי-ודאות, חוק האי-סתירה, הוכחת האי-מנייה הראשונה של קנטור. מהצד השני מצאתי רק את בעיית אי הזהות. (אנקדוטה: שאלתי כמה פעמים AI שונים מה הצורה הנכונה, והם זגזגו לחלוטין בין התשובות). סליחה על ההעברות המרובות, לקח לי זמן להיזכר איפה פותחים דיונים כאלה. בברכה, עמד • תייגו אותי במענה לדברי - שיחה • כ"ו בשבט ה'תשפ"ו • 01:43, 13 בפברואר 2026 (IST) ― סוף העברהתגובה הפניה לפורטל מראש הערך ראיתי את העריכה הזו והתקשתי לגבש דעה עליה. הנחתי שכך או אחרת זה מסוג הדברים שכדאי שיהיה סטנדרט אחיד לגביהם. בסך הכל נראה לי נחמד להפנות לתבנית ניווט או לפורטל מראש הערך, אבל אני לא סגור על היישום. באופן אישי אני חושב שאולי מתחת לתבנית הפותחת של הערך (ולא מעליו כמו בעריכה הזו), זה יכול להיות נחמד להפנות לפורטלים. אתייג את Thefarmeryes. איש השום (HaShumai) - כתבו לי הודעה - מחשבות על ייעול מחלוקות 10:35, 14 בפברואר 2026 (IST)תגובה דיון חשיבות משותף בהמשך לעצותיהם של @יונה בנדלאק @שמזן ו@Funcs אני פותחת דיון חשיבות משותף על תשעה ערכים (בסוף 9 ולא 10 כי לגבי אחד מהמאחזים שיש להם שני שמות היה מדובר בסוף באותו ערך). הדיון הזה מחליף את הדיונים הפרטניים. הסיבה לכך שלא נפתחים תשעה דיוני חשיבות פרטניים היא שמדובר בדיונים זהים. הערכים הם על מאחזים שקמו/שהוכרז שיקומו בשנת 2024 ובשנת 2025. אנא קראו את הערכים ואם יש מביניהם כאלה שאתם מעדיפים שאפתח בנוגע להם דיון חשיבות פרטני תגידו. כמו דיון חשיבות פרטני גם הדיון הזה ימשך שבוע, כלומר עד ה 21 לפברואר בשעה 21:40. לאחריו נעבור ישר להצבעה. אשים עכשיו תבנית חשיבות אחת על אחד הערכים לא לשם דיון חשיבות פרטני רק כדי להפנות לדיון זה כך שאף אחד לא יפספס אותו. הערכים הם: 1. ראש העין מזרח (נקרא גם שירת דוד), 2. טירת בנימין (מבוא הר-אל), 3. כוכב השחר צפון (נקרא גם נחלת אפרים), 4. משעול (יישוב עתידי) (נקרא גם השלום), 5. בית חורון צפון, 6. כוכב השחר צפון, 7. אפקה (יישוב), (נקרא גם קנז (יישוב) וגם נוה עתניאל), 8. ייט"ב מערב 9. יציב בדומה לדיון על הר בזק שהוחלט ברוב משמעותי שאין לו חשיבות, גם כאן מדובר במאחזים לא חוקים ולא יציבים ומבוססים. כפי שכבר הזכרתי, יש ערך על "רשימת מאחזים", "החוות החקלאיות ביהודה ושומרון" , "מאחז", "חוות בודדים", "התנחלות" . לדעתי זה מספיק. זה בסדר גמור שיהיו ערכים על מאחזים ותיקים אבל לא על כל מאחז חדש שקם. הערכים המדוברים הם על יישובים שרק לפני רגע אישרו את הקמתם בקבינט ושבשלב זה אינם חוקיים. מדובר במאחזים שקמו לא מזמן, ובנוסף או שאין אף מקור בו כתוב כמה אנשים גרים בהם, או שיש מקור כזה וכתוב בו על משפחה אחת או על משפחות ספורות שגרות בו. העובדה שניתן אישור ראשוני להקים שם יישוב לא מספיקה כדי לתת 'בשר' לערך". לפי המקור הזה מספר המאחזים עלה מ 30 לפני טבח שבעה באוקטובר ל-120 נכון ליולי 2025. לפי המקור הזה מתחילת 2023 עד דצמבר 2025 קמו כ-140 מאחזים. לא סביר בעיני לכתוב על כל אחד מהם ערך. בנוסף, בדיון במזנון הרוב המכריע סבר שאין חשיבות אוטומטית ליישוב עתידי. Mertaro • שיחה 21:40, 14 בפברואר 2026 (IST)תגובה אני חושב שנכון לשים תבנית חשיבות על כל ערך בנפרד, ובמידת הצורך להפנות לדיון כאן במזנון. אחרת אין לדיון הזה משמעות, הוא לא נערך לפי הנוהל שמסדיר מחיקת ערכים בדיון חשיבות, ראה ויקיפדיה:חשיבות. תומר • שיחה 16:05, 15 בפברואר 2026 (IST)תגובה גלי וזיו ברמן למה צריך ערך נפרד לכל אחד מהם שבשניהם התוכן זהה כמעט לחלוטין במקום ערך משותף כפי שהם מוכרים. ~2026-10124-31 • שיחה 02:18, 15 בפברואר 2026 (IST)תגובה בחירות לדיילים מתקיימות בחירות לדיילים של ויקימדיה. יש המלצות למי להצביע? ידך-הגדושה • שיחה 10:43, 17 בפברואר 2026 (IST)תגובה Migration to Parsoid Read this in another language Hello everyone! I am glad to inform you that as the next step in the Parser Unification project, Parsoid will soon be turned on as the default article renderer on your wiki. We are gradually increasing the number of wikis using Parsoid, with the intention of making it the default wikitext parser for MediaWiki's next long-term support release. This will make our wikis more reliable and consistent for editors, readers, and tools to use, as well as making the development of future wikitext features easier. If this disrupts your workflow, don’t worry! You can still opt out through a user preference or turn Parsoid off on the current page using the Tools submenu, as described in the Extension:ParserMigration documentation. There is more information about our roll-out strategy available, including the testing done before we turn on Parsoid for a new wiki. To report bugs and issues, please look at our known issues documentation and if you found a new bug please create a phab ticket and tag the Content Transform Team in Phabricator. Content Transform Team 02:42, 18 בפברואר 2026 (IST)תגובה כלי ai לעריכה אנציקלופדית שלום. פיתחתי לאחרונה פרוטוקול בשם Conceptual Skeleton Protocol, שמיועד לשילוב במערכות AI לצורך כתיבה ועריכה אנציקלופדית ברמת קוהרנטיות גבוהה. הפרוטוקול זמין לעיון ולהורדה ב־GitHub: https://github.com/hthr777-prog/Conceptual-Skeleton-Protocol� אשמח לקבל משוב מהקהילה, וכן לשמוע האם לדעתכם ניתן לשלב או לבחון את הפרוטוקול במסגרת העבודה על ערכים אנציקלופדיים. ניתן להתרשם מהערכים האחרונים שיצרתי בויקיפדיה באמצעותו.קניגס * שיחה 12:49, 19 בפברואר 2026 (IST)תגובה
========================================

[SOURCE: https://he.wikipedia.org/wiki/מונח] \| [TOKENS: 1428]
תוכן עניינים טרמינולוגיה טרמינולוגיה או מינוח היא תחום מחקר תאורטי שעניינו מונחים ושימושיהם. "מונחים", במסגרת הטרמינולוגיה, הם מילים, או מילים-מורכבות, המשמשות בהקשר מסוים, להבדיל מן השימוש הצר המצוי במילה, המציין אוסף הגדרות ייחודיות המשמשות במסגרת פרקטיקה מסוימת. מחקרים בטרמינולוגיה עוסקים בין היתר בשאלת היווצרותם של מונחים ויחסי הגומלין שלהם עם התרבות בה הם משמשים. טרמינולוגיה מציינת דיסציפלינה רשמית, הלומדת באופן שיטתי את ה"שיום" וה"ייעוד" של מושגים במסגרת שדה פעילות אנושית, או תחום עניין אנושי, באמצעות מחקר וניתוח של מונחים בתוך הקשר, ולשם תיעוד וקידום השימוש הנכון בהם. מחקר טרמינולוגי עשוי לעסוק בשפה אחת, לכסות מספר שפות ("טרמינולוגיה רב שפתית", "טרמינולוגיה דו-שפתית" וכו'), או עשוי להתמקד בחקר מונחים במסגרת בין-תחומית. סקירה הדיסציפלינה הטרמינולוגית מבוססת על עקרונות תאורטיים משלה ומכילה את האספקטים העיקריים הבאים: בעקבות הגלובליזציה, הגיוון הלשוני דועך. אלפי שפות עומדות כבר בפני הכחדה ואחרות מתחילות לאבד את עושרן ותפקידיהן. אי אילו מאמצים לשימור הגיוון הלשוני והטמעתו ברשת האינטרנט נעשים במסגרות שונות המגייסות לצידן טרמינולוגים מתחומים שונים. סוגי טרמינולוגיות קיימת הבחנה בין שני סוגים של טרמינולוגיות: טרמינולוגיה אד הוק נפוצה במקצוע התרגום, בו תרגום מהיר של מונח ספציפי או אוסף מונחים נדרש לשם פתרון בעיית תרגום ייחודית. טרמינולוגיה כדיסציפלינה כדיסציפלינה הטרמינולוגיה קשורה בתרגום, ועל פי רוב מהווה אחד ממקצועות החובה הנלמדים באוניברסיטאות בחוג לתרגום או בבתי הספר לתרגום. תאוריות של טרמינולוגיה ראו גם לקריאה נוספת קישורים חיצוניים
========================================

[SOURCE: https://he.wikipedia.org/wiki/ספ_פיונטק] \| [TOKENS: 3493]
תוכן עניינים ספ פיונטק יוזף עמנואל הוברטוס פיונטק (בגרמנית: Josef Emanuel Hubertus Piontek;‏ 5 במרץ 1940 – 18 בפברואר 2026), ובקיצור ספ פיונטק (Sepp Piontek), היה כדורגלן ומאמן גרמני. פיונטק שיחק כמעט לאורך כל הקריירה שלו בעמדת הבלם בוורדר ברמן, זכה עמה בתואר אליפות הבונדסליגה בעונת 1964/65, וערך שש הופעות בנבחרת גרמניה המערבית. בקריירת האימון שלו זוהה פיונטק במיוחד עם נבחרת דנמרק, אותה אימן במשך 11 שנים, והדריך ביורו 1984, מונדיאל 1986 ויורו 1988. קריירה כשחקן פיונטק שיחק כנער במועדון VFL גרמניה ליר, ובשנת 1958 עלה לקבוצה הבוגרת של המועדון. בשנת 1960, טרום הקמת הבונדסליגה, הצטרף פיונטק לורדר ברמן, שם שיחק במשך 12 עונות ברציפות. בשנת 1961 זכה פיונטק עם ורדר ברמן בגביע הגרמני, לאחר ניצחון 2-0 בגמר על קייזרסלאוטרן. בעונת 1964/65 זכה פיונטק עם ורדר ברמן באליפות הבונדסליגה, בעונה השנייה בה הבונדסליגה הייתה קיימת, לאחר שהקבוצה הציגה את ההגנה הטובה ביותר בליגה, בה פיונטק שיתף פעולה עם הורסט דיטר הוטגס. בעונת 1966/67 התמודדו פיונטק וברמן בתחתית וניצלו מירידה במחזורי הסיום, אך עונה לאחר מכן, 1967/68 סיימו במקום השני, כאשר פיונטק הבקיע בעונה זו ארבעה שערים, שיא הכיבושים שלו לעונה אחת. עד לעונת 1969/70 היה פיונטק שחקן הרכב קבוע, אך איבד את מקומו בהרכב, ובשנת 1972 הודיע על פרישה ממשחק פעיל, לאחר שצבר 278 הופעות ליגה והבקיע 15 שערים במדי ורדר ברמן. לפיונטק שש הופעות במדי נבחרת גרמניה המערבית, כולם בין השנים 1965 ו-1966, אך הוא מעולם לא השתתף בטורניר גדול. קריירת אימון מיד לאחר פרישתו החל פיונטק לאמן את ורדר ברמן, שם אימן עד לשנת 1975. מיד לאחר עזיבתו את ברמן אימן פיונטק עונה אחת בפורטונה דיסלדורף, שנתיים בנבחרת האיטי ועונה אחת בפ.צ. סנט פאולי. התקופה המשמעותית ביותר של פיונטק כמאמן הייתה החל משנת 1979 עד לשנת 1990, 11 שנים בהן אימן פיונטק את נבחרת דנמרק. פיונטק אימן את דנמרק ב-115 משחקים בינלאומיים, ובשנת 1983 נבחר הן כמאמן העונה בדנמרק, והן כמאמן השנה של מגזין הכדורגל וורלד סוקר, בין השאר משום שהעפיל עם נבחרת דנמרק ליורו 1984, בו הגיעה דנמרק לחצי הגמר, והודחה על ידי נבחרת ספרד בבעיטות הכרעה. בשנת 1986 העפילו פיונטק ודנמרק למונדיאל 1986, שהיה המונדיאל הראשון בו השתתפה נבחרת דנמרק, שניצחה את כל שלושת משחקיה בשלב הבתים, לרבות ניצחון מפתיע בתוצאה 2-0 על נבחרת גרמניה המערבית, אך הודחה לאחר תבוסה 5-1 לנבחרת ספרד בשמינית הגמר. בשנת 1988 העפילו פיונטק ודנמרק ליורו 1988, אך הודחו בשלב הבתים, אותו סיימו עם אפס נקודות. בשנת 1990 עזב פיונטק את תפקידו בנבחרת דנמרק, לאחר שלא הצליח להעפיל למונדיאל 1990. בשנת 2008 נכנס פיונטק להיכל התהילה של הכדורגל הדני, כמאמנה של נבחרת הכוכבים של דנמרק בשנות ה-80. לאחר עזיבתו של פיונטק את נבחרת דנמרק, הוא מונה בשנת 1990 כמאמן נבחרת טורקיה, אותה אימן במשך שלוש שנים, והיה בין בוני היסודות לדור העתידי של נבחרת טורקיה, שהחל להצליח בשלהי שנות ה-90. לאחר מכן אימן פיונטק את בורסאספור הטורקית למשך תקופה קצרה, ולאחר מכן חזר לדנמרק כדי לאמן את אולבורג בולדספילקלאב, ואחר כך את סילקבורג. בשנת 2000 החל לאמן את נבחרת גרינלנד, ועזב את התפקיד בשנת 2002. כעבור שנתיים, אימן שוב את גרינלנד לתקופה קצרה, ופרש מאימון. עד מותו פיונטק התפרנס ממתן הרצאות. תארים קישורים חיצוניים 1 קייאר • 2 א.רסמוסן • 3 בוסק • 4 אולסן • 5 נילסן • 6 לרבי • 7 ברטלסן • 8 אולסן • 9 סימונסן • 10 אלקיאר לארסן • 11 ברגרין • 12 מיולבי • 13 לאורידסן • 14 מ.לאודרופ • 15 ארנסן • 16 ט.רסמוסן • 17 טיכוסן • 18 סיוובק • 19 ברילה לארסן • 20 קוויסט • מאמן: פיונטק 1 רסמוסן • 2 סיוובק • 3 בוסק • 4 אולסן • 5 נילסן • 6 לרבי • 7 מיולבי • 8 אולסן • 9 ברגרין • 10 אלקיאר לארסן • 11 מ.לאודרופ • 12 ברטלסן • 13 פרימן • 14 סימונסן • 15 ארנסן • 16 קוויסט • 17 נילסן • 18 כריסטנסן • 19 אריקסן • 20 בארטראם • 21 אנדרסן • 22 הוג • מאמן: פיונטק 1 רסמוסן • 2 סיוובק • 3 בוסק • 4 אולסן • 5 נילסן • 6 לרבי • 7 הלט • 8 פרימן • 9 היינצה • 10 אלקיאר לארסן • 11 מ.לאודרופ • 12 ל.אולסן • 13 ינסן • 14 י.אולסן • 15 פאולסן • 16 שמייכל • 17 ברגרין • 18 אריקסן • 19 כריסטנסן • 20 וילפורט • מאמן: פיונטק
========================================

[SOURCE: https://he.wikipedia.org/wiki/ג'סי_ג'קסון] \| [TOKENS: 3675]
תוכן עניינים ג'סי ג'קסון ג'סי לואיס ג'קסון (באנגלית: Jesse Louis Jackson;‏ 8 באוקטובר 1941 – 17 בפברואר 2026) היה כומר, פוליטיקאי ופעיל בתנועה לזכויות האזרח בארצות הברית. הוא היה מנהיג בולט של השמאל הנוצרי והתמודד על מועמדות המפלגה הדמוקרטית לנשיאות ארצות הברית ב-1984 וב-1988. ביוגרפיה ג'קסון נולד בשם ג'סי לואיס ברנס בעיר גרינוויל שבמדינת דרום קרוליינה. אמו, הלן ברנס, הייתה בת 16 בלבד בעת לידתו. אביו הביולוגי, נוח לואיס רובינסון, היה נשוי לאישה אחרת ולא היה מעורב בחיי בנו. ג'קסון אימץ את שם המשפחה של אביו החורג. ג'קסון היה קוורטרבק מצטיין בתיכון. .בהמשך קיבל מאוניברסיטת אילינוי מלגת פוטבול. אולם מכיוון שלא איפשרו לו לשחק בעמדת קוורטרבק בגלל שהיה שחור, הוא עבר לאוניברסיטת North Carolina A&T, שם הפך לקוורטרבק הראשון, לתלמיד מצטיין בסוציולוגיה וכלכלה ונשיא אגודת הסטודנטים. ב-1965 החל ג'קסון להיות פעיל בתנועה לזכויות האזרח בהנהגתו של מרטין לותר קינג הבן. כשנרצח קינג בממפיס ב-1968, ג'קסון היה נוכח במקום האירוע. ג'קסון טען בזמנו כי קינג מת בזרועותיו, אולם מקורבים אחדים של קינג הטילו ספק בגרסה זו. לאחר רצח קינג התעמת ג'קסון עם יורשו בראשות התנועה, רלף אברנתי, ופרש מהתנועה ב-1971 והקים תנועה נפרדת. ב-1984 שבו והתמזגו התנועות וג'קסון חזר למרכז הזירה הציבורית. בספטמבר 1979 ביקר אצל יאסר ערפאת בביירות, וגם בישראל. הוא נפגש עם טדי קולק, ראש עיריית ירושלים, אולם בהמלצת שר החוץ משה דיין, לא נועדו עמו נציגי הממשלה. בשנות ה-80 עסק ג'קסון בפעילות ציבורית נמרצת וזכה להכרה כמנהיג בולט של הקהילה האפרו-אמריקאית ושל התנועה לזכויות האזרח. ב-1983 נסע ג'קסון לסוריה ופעל שם לשחרורו של הטייס האמריקאי השבוי, רוברט גודמן, שהוחזק בידי סוריה לאחר שמטוסו הופל בשמי לבנון כשהיה במשימת הפצצה של עמדות סוריות. עם שובם לוושינגטון, התקבלו גודמן וג'קסון על ידי הנשיא רונלד רייגן בבית הלבן. ההישג תרם לפופולריות של ג'קסון בציבור האמריקאי ושימש כמקפצה בהתמודדותו בבחירות המקדימות לנשיאות ב-1984. בבחירות המקדימות שקיימה המפלגה הדמוקרטית לקראת המירוץ לנשיאות ב-1984 הפתיע ג'קסון וזכה ב-21% מקולות המצביעים, אולם הגיע רק למקום השלישי אחרי הסנאטור גרי הארט וסגן הנשיא לשעבר וולטר מונדייל, שזכה במועמדות. ארבע שנים אחר כך, ג'קסון התמודד שוב לתפקיד מועמד הדמוקרטים לנשיאות. בהתמודדות זו, הצלחתו בעבר מיצבה אותו כמועמד אמין יותר והוא אף נהנה ממימון ומארגון טובים יותר. גם ב-1988 הצלחתו של ג'קסון בבחירות המקדימות הייתה מעבר לציפיות והוא זכה ל-6.9 מיליון קולות וב-11 מדינות. אולם מסע הבחירות של ג'קסון ספג מהלומה כאשר הוא הובס במדינת ויסקונסין על ידי מייקל דוקאקיס, שזכה במועמדות. בשנת 2017 חשף ג'קסון כי הוא אובחן עם מחלת פרקינסון. אולם בדיקות שביצע באפריל 2025 קבעו שמדובר ב־PSP, מחלה שיש לה תסמינים דומים לפרקינסון. ג'קסון נפטר ב-17 בפברואר 2026. בנו, ג'ונתן ג'קסון, הוא חבר בבית הנבחרים מטעם המחוז הראשון של מדינת אילינוי. מצע הבחירות בשתי מערכות הבחירות המקדימות ג'קסון התמודד עם מצע שנחשב בעיני רבים ליברלי מאוד. ג'קסון הכריז על רצונו ליצור "קואליציית קשת" של קבוצות מיעוטים שונות, כולל אפרו-אמריקאים, היספאנים, עניים והומוסקסואלים, כמו גם לבנים פרוגרסיביים שמתאימים לאחת הקטגוריות האלה. מצע הבחירות שלו כלל את הנושאים הבאים: למעט הסעיף בנוגע לדרום אפריקה, אף אחת מעמדותיו הנ"ל של ג'קסון לא התקבלה כחלק ממצע הבחירות של המפלגה הדמוקרטית ב-1984 או ב-1988. פעילות ציבורית בשנותיו האחרונות במהלך שנות כהונתו של ביל קלינטון כנשיא ארצות הברית, הפך ג'קסון לבעל ברית של הנשיא וסייע לו להשיג את תמיכת הקהילה האפרו-אמריקאית. קלינטון העניק לג'קסון את מדליית החירות הנשיאותית – עיטור הכבוד הגבוה ביותר שמוענק לאזרחים בארצות הברית. יחסו ליהודים ג'קסון היה מוקד לביקורת כיוון שהשמיע הערות בנוגע ליהודים ולסוגיות יהודיות: שהנשיא ריצ'רד ניקסון היה פחות קשוב לבעיות העוני בארצות הברית כיוון ש"ארבעה מתוך חמישה (מיועציו הבכירים של ניקסון) הם יהודים גרמנים וסדר העדיפויות שלהם כולל את אירופה ואסיה"; ש"נמאס לו לשמוע על השואה"; שישנם "עיתונאים יהודים מעטים מאוד שמסוגלים להיות אובייקטיביים בעניינים ערביים". בנוסף, בשנת 1984 התייחס ג'קסון ליהודים בכינוי Hymies ולעיר ניו יורק בכינוי Hymietown בשיחה עם כתב העיתון וושינגטון פוסט. קישורים חיצוניים הערות שוליים
========================================

[SOURCE: https://he.wikipedia.org/wiki/יהדות] \| [TOKENS: 17867]
תוכן עניינים יהדות היהדות היא רצף המסורת וההמשכיות הדתית, התרבותית והמשפטית הקולקטיבית של היהודים. מורשת נרחבת זו כוללת נרטיבים היסטוריוגרפיים משותפים ואלמנטים של דת, לאום ותרבות, שהתפתחו בקרב עם ישראל החל מראשית התגבשותו באזור הלבנט בשלהי האלף השני לפנה"ס. ניתן לנקוט במונח יהדות כלפי נושאי מורשת זו החל מימי בית שני, לפני כן המונח המתאים הוא בני ישראל ודת ישראל. היהדות כדת היא דתם ואמונתם המסורתית של היהודים. זוהי דת אברהמית הלכתית (אורתופרקטית), המבוססת על מערכת של מצוות מעשיות, אמונות, אגדות, סיפורים היסטוריים ועקרונות, שמקורותיה בכתבי הקודש היהודיים: התורה שבכתב והתורה שבעל פה. דת זו השפיעה עמוקות על ראשית הנצרות והאסלאם, אולם בניגוד לשתי הדתות האחרונות היא אינה דת מיסיונרית אוניברסלית אלא דת אתנית. חיי הדת היהודיים ידעו התפתחויות ופילוגים לכל אורך ההיסטוריה. היהדות כתרבות היא מכלול הערכים, האמונות ותפיסות של חברה כפי שהן באות לידי ביטוי אצל היהודים. התרבות היהודית כוללת כמה שפות ייחודיות (עברית, יידיש, לאדינו, ערבית יהודית וארמית יהודית) שבכל אחת מהן נוצרה ספרות ענפה; פילוסופיה, הגות ויצירה שהתכתבו עם תרבויות הסביבה; וכן מערכות של התנהגויות ומוסכמות חברתיות. היהדות כלאום מהווה מוקד הזדהות עבור יהודים רבים ברחבי העולם. חוקרים מסוימים סבורים שעוד בעת העתיקה התקיימו בין היהודים מרכיבים של תודעה פרוטו-לאומית. הציונות, התנועה הלאומית היהודית העיקרית בעת המודרנית, שאבה השראה מהזיקה המסורתית היהודית לארץ ישראל וניסחה אותה במונחי הלאומיות האירופאית. מדינת ישראל, אשר קמה על בסיס הרעיון הציוני, היא מדינת הלאום של העם היהודי. לפי הסוכנות היהודית, נכון לשנת 2023 חיים ברחבי תבל כ-15.7 מיליון יהודים, המהווים כ־0.2% מאוכלוסיית העולם. מתוכם, 7.2 מיליון יהודים חיים בישראל. מקור השם השם 'יהדות' נגזר משמם של היהודים, תושבי ממלכת יהודה ואחריה פחוות יהוד בתקופה הפרסית, אז נטבע שמם. לפי סיפורי המקרא שמה נגזר משמו של שבט יהודה, שנקרא על שמו של יהודה בנו של יעקב. תחת השלטון הרומאי נקראה ארץ זו פרובינקיה יודאיה. היהדות החלה להיווצר בתהליך שהחל בממלכת יהודה עם הרפורמה של יאשיהו (ואולי גם חזקיהו), נמשך בגלות בבל והגיע לגמר גיבושו בפחוות יהוד, בידי עזרא הסופר. עזרא, "סֹפֵר מָהִיר בְּתוֹרַת מֹשֶׁה", אשר "הֵכִין לְבָבוֹ לִדְרוֹשׁ אֶת תּוֹרַת יְהוָה וְלַעֲשֹׂת וּלְלַמֵּד בְּיִשְׂרָאֵל חֹק וּמִשְׁפָּט", אולי היה גם מי שסיים את עריכתה הסופית של תורת משה. בספרות חז"ל נמצא ביטוי הקדום במקורו: "דת משה ויהודים" אשר מובנו מצומצם. ואולם המונח "יהדות" במובנו הרחב, כמתאר את מכלול עולמו והווייתו של האדם היהודי, אינו מצוי בדברי חז"ל, והוא נדיר מאוד בספרות התורנית שלפני העת החדשה מונח זה מופיע בשפה היוונית (‎᾿Ιουδαϊσμός; "יודאיסמוס") בספרות היהודית-ההלניסטית, לראשונה בספר מקבים ב', (כמו גם המונח "הלניסטיים" ככינוי ליהודים המאמצים זהות יוונית המופיע אף הוא לראשונה בחיבור זה). המונח מופיע לאחר מכן גם בספר מקבים ד', בברית החדשה ובכתובות אפיגרפיות נראה שהראשון שהשתמש במונח "יהדות" באופן שיטתי (קודם היה נדיר מאוד ובהקשר שאינו חד־משמעי) היה אב הכנסייה טרטוליאנוס, בראשית המאה השלישית. הוא עשה זאת כמעין שם גנאי, מאחר שנזקק לתואר להגדיר בו את היהודים לאחר שנדחו, לשיטתו, מעם ישראל הנבחר שהמשיך בכנסייה, והוסיפו להתקיים כמעין "קליפה מנוונת" ללא מקדש וקרבנות, במצב של "מרד נגד האל". במאות ה-18 וה-19 הפך המונח "יהדות" לשכיח בפי יהודים, בהשאלה מגרמנית. מייסדי "חכמת ישראל" כינו את דתם וזהותם בתור Judenthum (יודנטום), והביטוי תורגם לעברית וליידיש במזרח אירופה. המילה נעשתה רווחת בקרב כל החוגים, כשהיא מחליפה מונחים כמו "עם ישראל" ו"תורה". ציוני דרך בתולדות עם ישראל והיהדות על פי המסורת, יסוד היהדות טמון במהפכה המונותאיסטית של אברהם (1811 לפנה"ס או שנת א'תתקמ"ח לכרונולוגיה היהודית המסורתית), אשר עלה לארץ ישראל מאור כשדים בעקבות ציווי אלוהי. אברהם הוא גם הראשון שנצטווה לקיים ברית מילה, שהפכה למצווה מרכזית הנהוגה עד היום. לפי הכתוב, בסוף תקופת האבות גלו בני ישראל 210 שנה בארץ מצרים, ולאחר מכן יצאו ממצרים בהנהגת משה ובהתערבות אלוהית. בהר סיני קיבלו בני ישראל את התורה, ולאחר 40 שנות נדודים במדבר כבשו את ארץ כנען ונחלו אותה. על פי המסופר במקרא, לאחר כיבוש הארץ, התיישבו בני ישראל בארץ ישראל במשך כמה מאות שנים ללא ממלכה, וללא הנהגה מסודרת. תקופה זו נקראת תקופת השופטים - על שם השופטים (המנהיגים) שעמדו והנהיגו את העם לאחר ששועבד לעמי האזור והלך בדרכיהם. לאחר תקופה של כ-390 שנה הוקמה בארץ ישראל ממלכת ישראל המאוחדת על ידי שמואל הנביא, שמשח למלך את שאול. לאחר מות שאול ובניו במלחמה, התחלפה שושלת המלוכה והועברה לדוד המלך, ומשם החלה שושלת בית דוד. לאחר מכן מלך על ישראל בנו של דוד - שלמה המלך שהקים בירושלים את בית המקדש הראשון, שהיה למרכז הפולחן היהודי. לאחר מותו של שלמה, התפצלה הממלכה לממלכת יהודה, בדרום הארץ, ולממלכת ישראל, בצפונה. ארכאולוגים והיסטוריונים מנסים להתחקות אחר ההתהוות של עם ישראל באמצעות ניתוח של ממצאים ארכאולוגיים, איסוף של עדויות חוץ-מקראיות ושל הטקסט המקראי. קיימת הסכמה רחבה בין החוקרים לגבי קיומן ההיסטורי של שתי הממלכות, ישראל ויהודה, אולם יש המטילים ספק בקיומה של הממלכה המאוחדת. עקב חוסר ההתאמה בין הממצאים לבין סיפורי המקרא על תקופת האבות, יציאת מצרים וכיבוש כנען, ועקב ההערכה כי לא הייתה יכולת כתיבה משמעותית בארץ ישראל לפני המאה ה-8 לפנה"ס, מקובל לשער כי עם ישראל התגבש בשלהי האלף ה-2 לפנה"ס בתהליך ארוך של איחוד תרבותי ופיזי בין האוכלוסייה הכנענית לבין קבוצות שחדרו לכנען בהדרגה מעבר הירדן המזרחי. חוקרי המקרא מוצאים רמזים לתהליך זה גם בטקסט המקראי. עם זאת, מקובל במחקר[דרוש מקור][דרושה הבהרה] כי התיאור הכללי של תקופת השופטים עשוי להתאים במידה מסוימת למציאות ששררה בכנען בתקופת ההתגבשות של העם, ויש חוקרים הסבורים כי ייתכן שהסיפורים על יציאת מצרים, כיבוש הארץ והממלכה המאוחדת משמרים זיכרונות היסטוריים של חלק מהקבוצות שהתגבשו בסופו של דבר לעם ישראל. ההבדלים בין הזרם המרכזי במחקר לבין התיאור המסורתי מצטמצמים משמעותית סביב סוף המאה ה-9 לפנה"ס, במהלך תקופת הבית הראשון והיריבות בין ממלכות ישראל ויהודה. ממלכת ישראל חרבה בסביבות שנת 720 לפנה"ס, כאשר נכבשה על ידי האימפריה האשורית, ורבים מתושביה הוגלו. אירוע זה נודע בהמשך כגלות עשרת השבטים. ממלכת יהודה חרבה בשנת 586 לפנה"ס. באותה שנה נבוכדנאצר השני מלך בבל כבש את ירושלים והחריב את בית המקדש הראשון (על פי המסורת היהודית, בית המקדש הראשון נחרב בשנת ג'של"ח (422 לפנה"ס)). רבים מתושבי יהודה הוגלו לבבל. גלות בבל נמשכה כ־70 שנה; במהלכה מקצת גולי בבל שבו אל ארץ ישראל כדי להתחיל בבניית בית המקדש השני, באישור מלך הממלכה הפרסית השלטת, כורש. בשנת 520 לפנה"ס לערך, הוקם בירושלים בית המקדש השני. בתקופת בית שני נחתם התנ"ך, והיהדות נחלקה למספר זרמים מרכזיים, בהם הפרושים, הצדוקים והאיסיים. לאחר שנים של שלטון פרסי ואחר כך הלניסטי, מרד המכבים הביא להקמתה של ממלכה יהודית עצמאית תחת החשמונאים סביב שנת 110 לפנה"ס. בהמשך, כבשו הרומאים את הממלכה. מרידות יהודה ברומא הביאו לתחילתה של גלות ארוכה. במסורת היהודית מתוארכת תחילת הגלות לחורבן בית המקדש השני, במהלך המרד הגדול (70 לספירה). הרומאים הרסו את ירושלים עד היסוד, והמרכז היהודי בארץ עבר ליבנה. האסון הגדול הבא פקד את היישוב היהודי בארץ שישים שנה לאחר החורבן, בעקבות מרד בר כוכבא. האימפריה הרומית חיסלה בסופו של דבר את עצמאות היהודים בארץ וכן את הרוב היהודי בה. לאחר מכן התפזרו היהודים בכל קצוות תבל, והמשיכו לשמור על קשר באמצעות אגרות ושליחים אשר תיעדו והעלו את רישומיהם על הכתב. האמונה היהודית על פי ספר בראשית נברא העולם בשישה ימים. בנוסף להם מתואר יום שביעי שבו שבת האל ממלאכתו. מניין השנים בלוח העברי מתחילה בשנת בריאת העולם (שנה קודם בריאת אדם הראשון) לפי הדעה המקובלת, שנסמכת על חשבון המופיע בספר סדר עולם. השנים נמנות בספרות עבריות, ולפיכך שנת ה'תשפ"ו היא השנה ה־5786 לבריאת העולם, על־פי החשבון הנ"ל (האות ה' שלפני הגרש משמעה חמשת אלפים). לפי המתואר בספר בראשית, נברא האדם אחרון ביום השישי, ככתר הבריאה במושלמותו ובתבונתו (בצלם אלהים) ולאחר בריאתו היה יום השביעי יום מנוחה (יום השבת). לאחר חטא עץ הדעת גורש האדם מגן עדן, וכך התחילה שושלת האדם. על פי חלק מחכמי ופרשני היהדות, כגון הרמב"ם, סיפור הבריאה וגן העדן הוא משל אלגורי-סימבולי הנכלל בסוד "מעשה בראשית", ואין להבינו כפשוטו. ביהדות אין מערכת מבוססת של דוגמות כמו בדתות אחרות והיא מדגישה את החיובים המעשיים, אך עדיין ישנם עיקרי אמונה מקובלים שנוסחו מספר פעמים על ידי גדולי הדורות. המפורסמת ביותר היא רשימתו של הרמב"ם הכוללת שלושה עשר עיקרים, ובראשם האמונה באל אחד, האמונה בהיותו מופשט ולא גשמי, האמונה בנבואה והאמונה בעליונותה הנבואית של תורת משה. בין העיקרים הנוספים נמצאות האמונות במשיח, בעולם הבא ובתחיית המתים. אחד הביטויים המזוהים ביותר עם האמונה היהודית, ביטוי שהוא פסוק בתורה, הוא "שמע ישראל, ה' אלוהינו, ה' אחד". יהודים השתמשו במשפט זה כביטוי לאמונה המונותיאיסטית, כאמצעי לזיהוי בפני יהודים אחרים, והשמיעו אותו כאות לדבקותם ביהדות, ואף בעת מוות על קידוש השם. על אף חשיבותו, אין די בהצהרת המשפט הזה כדי להתגייר. השאלה אם יש במסורת היהודית מקבילה לעיקרי האמונה הסדורים בנצרות הטרידה הוגים רבים ואין לה תשובה חד־משמעית: בעוד שהוגי ימי הביניים כמו הרמב"ם ניסחו עיקרים כאלו ואף הכריזו כי השוללים אותם יוצאים מכלל ישראל, הספרות הרבנית עסקה תמיד יותר בדקדוקי הלכה מאשר בהגדרות אמונית, ובעת החדשה קמו רבים שתיארו את היהדות כדת הלכתית ומשפטית בלבד שאין בה עיקרים. ההלכה היהודית התורה שבכתב המחולקת לחמשה חלקים המכונים "חומשים", וביחד "חמשה חומשי תורה", והתורה שבעל פה - המשנה והתלמוד, כוללות את ההוראות ההלכתיות של היהדות הרבנית, המצוות. עיקר ספרות הקודש היהודית היא דיון ופירוש של המצוות. אחרי חתימת התלמוד נכתבו ספרי הלכה הכוללים הלכות ומנהגים בלבד (שלא כמו התלמוד עצמו הכולל גם "אגדתות" - דהיינו סיפורים ועוד דברים שאינם נוגעים להלכה) כמו "ספר הלכות גדולות" שנכתב בתקופת הגאונים, וספרי ההלכה הידועים שנכתבו בתקופת הראשונים, ספרי הרי"ף, ספר "משנה תורה" להרמב"ם, "פסקי הרא"ש", וספרו הנודע של בנו ר' יעקב "בעל הטורים" שדעות כולם מסתמכות על דברי התלמוד ומחלוקותיהם נוצרו עקב פירושים שונים בו. בהיעדר מלך או נביא (על פי המסורת, הנבואה פסקה בראשית ימי בית שני), המנהיג הדתי הוא הרב, האחראי על ניהול הקהילה, על הנהגתה הרוחנית ועל פסיקת הלכה. קיים גם משפט דתי, בנושאי אישות, גיור וממונות. בזמן קיום הסנהדרין הייתה לו סמכות חוקית גם בנושאי פלילים. חז"ל מנו בתורה תרי"ג (613) מצוות, המחולקות לרמ"ח (248) מצוות "עשה" ושס"ה (365) מצוות "לא תעשה". בימי הביניים נעשו ניסיונות לחלוקה של המצוות. ישנה חלוקה רוחבית נוספת, בין מצוות שבין אדם לחברו ומצוות שבין אדם למקום. בית התפילה היהודי נקרא בית כנסת. מתפללים בו את שלוש התפילות היומיומיות (שחרית, מנחה וערבית). בשבתות ובחגים מותאם חלק מנוסח התפילה לעניינו של היום ונוספת תפילת מוסף. ביום כיפור ישנה גם תפילה חמישית, תפילת נעילה. בימי שני וחמישי, בשבתות, תעניות ומועדים קוראים בתורה. בפי חז"ל נקרא בית הכנסת בשם "מקדש מעט", על שם בית המקדש שעד חורבנו היווה מרכז רוחני לעם ישראל ועל שם עבודת הקרבנות שבהיעדר בית מקדש מומרת בתפילה המכונה גם עבודת התפילה. על אף שהיהדות אינה דת מיסיונרית, אנשים שאינם יהודים יכולים להצטרף לאומה היהודית לאחר שעברו תהליך של גיור הכולל קבלת עול המצוות. גם לאחר שאדם המעוניין להצטרף ליהדות מצהיר על כך, על הדיינים לדחות אותו מספר פעמים על מנת לראות שהוא באמת רציני, רק לאחר שאותו אדם שב לבית הדין לאחר שנדחה והוכיח שרצונו אמיתי - אז מתאפשר לו להתחיל בתהליך הגיור. היהדות רואה גם במי שאיננו יהודי בעל תפקיד רוחני בעולם, ובעקבות כך מוטלת על כל מי שאיננו יהודי החובה לקיים שבע מצוות המכונות "שבע מצוות בני נח" (בהן האיסור לעבוד עבודה זרה וכן מצוות שונות ש"בין אדם לחברו"). היהדות רואה במאמיניה קולקטיב מוחלט, "כלל ישראל", כפי שמדגישה התורה את המטרה "ואתם תהיו לי ממלכת כהנים וגוי קדוש" (שמות י"ט, ו'), שהשתייכות לו מכתיבה את חובות האדם בתחום הפוליטי, האישי ועוד. לצד חברות מכוח מוצא, יכול באופן תאורטי כל אדם להתגייר ולהתקבל לתוך עם ישראל. דוגמה חשובה למקרה של גיור נמצא במגילת רות בו מתואר המעבר הכפול שעושה רות באומרה לנעמי: "עמך עמי ואלהיך אלהי" (מגילת רות, פרק א', פסוק ט"ז). למרות שאפשר להצטרף לעם ישראל באמצעות גיור, אין ליהודי דרך להפוך ללא יהודי, בלי קשר לאמונתו ולהקפדתו על ההלכה. היהדות מכנה את הפורש ממנה 'יוצא בשאלה' או 'יהודי מומר', ואת אלה שנולדו מנותקים מהדת היא מכנה 'תינוק שנשבה', אבל אי אפשר להפוך לגוי, בין אם האיש נולד יהודי (שאמו יהודיה) ובין אם הוא גר. כלשון הגמרא בסנהדרין "ישראל אף על פי שחטא - ישראל הוא". אחת ההשלכות לכך היא שיהודי שאינו שומר תורה ומצוות ומבקש לשמור את מנהגי הדת ומצוותיה, אינו צריך להתגייר ויכול פשוט להתחיל לשמור תורה ומצוות, או במילים אחרות 'לחזור בתשובה'. מאפייני התרבות היהודית ביהדות יש כמה כתבי קודש עיקריים הנחשבים כבסיסה הדתי: ההגדרה של "קודש" חלה גם על כל הספרות הרבנית מאז. קיימים עוד ספרים רבים, המשפיעים כל אחד כמידתו. מקובל לחלקם לספרות הראשונים ולספרות האחרונים, כשכל קבוצה מתחלקת לספרות הלכה (כולל החיבורים ההלכתיים המשפיעים למן כתבי הגאונים והרמב"ם ועד ימינו), חידושים על התנ"ך, חידושים על התלמוד, וספרות קבלה, פילוסופיה, הגות ומחשבת ישראל ועוד. שני סמלים יהודיים, הם גם סמליה של מדינת ישראל - מגן דוד ומנורת שבעת הקנים. המנורה מתוארת בתנ"ך כמנורה שעמדה תחילה במשכן ולאחר מכן בבית המקדש. היא מופיעה כסמל יהודי כבר בתקופות קדומות. תבליט בדמות המנורה מופיע על שער טיטוס המתאר את החרמת כלי בית המקדש לאחר חורבנו והבאתם לרומא. כמו כן התגלה בבית הכנסת עתיק ביריחו על רצפת הפסיפס ציור מנורה ועליה הכיתוב "שלום על ישראל". מגן דוד הוא הקסגרמה - שרטוט של כוכב בעל שישה קודקודים, שנראה כשני משולשים שאחד מהם מונח במהופך על האחר. זהו סמל עתיק ששימש בעבר עמים שונים, אולם בעת החדשה הוא הפך לסמל המזוהה עם היהודים. מועד הפיכתו לסמל יהודי והסיבה לכך אינם ברורים. אין בסיס ברור למיתוס הוא שסמל זה היה סמלו של דוד המלך. הלוח העברי הוא לוח השנה המשמש את היהדות והוא לוח משולב ירחי-שמשי: חודשיו מבוססים על חודשי הירח, אך הוא מותאם לשנת השמש על ידי הוספת חודש נוסף אחת למספר שנים, כדי שהחגים יצאו תמיד באותה תקופה של השנה. הלוח הנהוג כיום מתחשב גם בימי השבוע וקביעתו מיוחסת להלל נשיאה במאה הרביעית לספירה. היום המקודש בשבוע הוא השבת, היום השביעי בשבוע, שבו מצווים לשבות ולנוח ממלאכה, ואותו מציינים בתפילות מיוחדות, סעודות חגיגיות, וטקסים שונים: הדלקת נרות שבת בערב שבת, קידוש בלילה וביום והבדלה בצאת השבת. מועדי ישראל נחלקים למועדים מקראיים ומועדי חז"ל. מועדים מקראיים: ראש השנה (יום אחד מהתורה ויום נוסף שתיקנו חז"ל), יום הכיפורים, שלוש הרגלים: פסח (7 ימים), שבועות (יום אחד), סוכות (7 ימים) ושמיני עצרת (שמחת תורה) (יום אחד). מועדי חז"ל: פורים (יום אחד שתאריכו משתנה בין ערי הפרזים וערים מוקפות חומה) וחנוכה (8 ימים), וכן חמש התעניות: תשעה באב, שבעה עשר בתמוז, עשרה בטבת, צום גדליה ותענית אסתר. ישנם ימים טובים נוספים, ובכללם כל ראש חודש עברי, ט"ו בשבט וט"ו באב. במאה ה-12 התפתח גם המנהג לחגוג את ל"ג בעומר. לאחר כינונה של מדינת ישראל הוסיפה הרבנות הראשית לישראל לרשימת המועדים גם את יום העצמאות, יום הזיכרון לחללי מערכות ישראל, יום הזיכרון לשואה ולגבורה ולאחר מלחמת ששת הימים אף את יום ירושלים. למרות זאת, הם אינם נתפסים כבעלי משמעות דתית בעיני רוב הציבור החרדי. המקום המקודש ליהדות הוא ארץ ישראל, שנקראת במסורת היהודית גם בשמות "ארץ הקודש", "ארץ החיים" ובתארים חיוביים נוספים. על פי האמונה היהודית, האל נתן את הארץ הזו לעם ישראל על מנת שיוכלו לקיים בה אוטונומיה יהודית. בהלכה קיימת מצוות יישוב ארץ ישראל, ועל פי חלק מפוסקי ההלכה אף יש להימנע מיציאה מהארץ למטרות שאינן הכרחיות. לגבי שאלת הקמת המדינה היהודית בימינו, נחלקו הפוסקים בין אלה הרואים בהקמתה מצווה, לבין המתנגדים לציונות, בין היתר מטעמים של איסור של "דחיקת הקץ" ו"שלוש השבועות". גם בארץ ישראל עצמה יש מדרגות בקדושה, כאשר העיר המקודשת ביותר ליהדות היא ירושלים, שבה שכן בית המקדש. הר הבית, שעליו שכן המקדש, הוא האתר המקודש ביותר ליהדות בארץ ובעולם כולו, ובשל קדושתו חלק מהפוסקים אף אוסרים לעלות אליו בימינו אלה. אף בתוך הר הבית יש דרגות בקדושה - הנקודה המקודשת ביותר היא קודש הקודשים. העיר השנייה בקדושתה ליהדות היא חברון - שבמערת המכפלה שבה קבורים לפי המסורת האבות והאמהות. ערים קדושות נוספות הן טבריה וצפת, שבהן התרכז רוב היישוב לאחר הגלות, וכן קבורים שם כמה מגדולי חכמי ישראל בזמן הגלות, כמו הרמב"ם, רבי יוסף קארו, האר"י ועוד מסורות על קבורת תנאים מסוימים כמו רבי מאיר בעל הנס ועוד. הלאומיות היהודית בימי קדם כמה חוקרים מודרניים מצביעים על כך, כי על אף שהלאומיות נחשבת בדרך כלל לתופעה מודרנית, ניתן לזהות ביטויים מוקדמים של זהות לאומית בקרב יהודי העת העתיקה. מדען המדינה טום גרווין מנה את היהודים בין הקבוצות המעטות שניחנו בזהות לאומית מובחנת כבר בימי קדם, לצד היוונים והגאלים. הסוציולוג ההיסטורי וחוקר הלאומיות אנתוני סמית כתב כי העם היהודי בשלהי תקופת בית שני מהווה "הקבלה קרובה יותר לטיפוס האידיאלי של לאום [...] מאשר אולי בכל מקום אחר בעולם הקדום". ההיסטוריון דוד גודבלט מוסיף כי המקרא, הספרות הבתר-מקראית וההיסטוריה הלאומית של היהודים סיפקו בסיס לזהות קולקטיבית יהודית כבר בתקופת הבית השני. הנרטיב הלאומי התחזק והתגבש באמצעות קריאות ציבוריות של טקסטים יהודיים, מה שאפשר גם לאנאלפביתים להשתתף ולהכיר בזהות הקולקטיבית של הקהילה. במקביל, השפה העברית הייתה לכלי מרכזי לבניית ושימור הזהות הלאומית: כל מי שנתקל בה, בכתב או בדיבור, יכול היה לזהות את הקשר לעבר ולמסורת הלאומית, שכן זו הייתה שפת האבות ושפת הדת והספרות הלאומית. פרגוס מילאר, היסטוריון של האימפריה הרומית, מציע כי בתקופה זו נשענה הלאומיות היהודית על התנ"ך, ששימש הן כהיסטוריה לאומית והן כמקור משפטי; השפה העברית כשפת הלאום; מערכת חוקים; ומוסדות חברתיים כגון בתי ספר, בתי כנסת וכן שמירת השבת. חוקר אחר, סטיב ויצמן, מומחה לתולדות היהדות, סבור כי הזהות הלאומית היהודית התפתחה כתוצאה מהיותם של היהודים עם נכבש תחת שלטון פרסי, יווני ורומי, מה שעודד אותם להזדהות כאומה עתיקה, על בסיס ספרי הקודש, השפה העברית, המקדש והכהונה, ומסורת האבות. ההיסטוריון דורון מנדלס מציין כי ממלכת החשמונאים, שהייתה אחת הדוגמאות הבודדות לריבונות ילידית מקומית בתקופתה, חיזקה במידה רבה את התודעה הלאומית היהודית. זיכרון תקופה זו של עצמאות תרם למאמצים המתמשכים לשוב ולכונן ריבונות יהודית בארץ יהודה והוביל למרידות הכושלות נגד הרומאים במאות הראשונה והשנייה לספירה. חוקר הלאומיות אדריאן הייסטינגס טען כי בעוד שהלאום והלאומיות הן תופעות המאפיינות בעיקר את העולם הנוצרי, "היוצא מן הכלל היחיד לטענה זו הם היהודים". לדעתו, היהודים מהווים כנראה את "הלאום הראשוני האמיתי", אשר סיפק לעולם, באמצעות התנ"ך, את המודל הלאומי דרך הדוגמה של עם ישראל הקדום. הסטינגס סבור כי "הפרדוקס הענקי של ההיסטוריה היהודית הוא שהעם שנתן לעולם את הדגם לאומתיות, ואפילו להוויה של מדינת לאום, איבד אותה למשך כמעט אלפיים שנה, וחרף זאת שרד". לפי הסטינגס, הסיבה לשרידות לאומית זו נעוצה בכך שהיהודים שימרו את זהותם הלאומית בגולה גם לאחר חורבן הבית השני על ידי טיפוח הזיכרון הקולקטיבי ושמירה על התנ"ך ויצירות טקסטואליות הקשורות בו. בכך הם נותרו לאום מובחן ולא רק קבוצה אתנית. עם עליית הלאומיות באירופה, מצבם של היהודים הפך לייחודי, מה שהוביל לצמיחתה הבלתי נמנעת של הציונות – תנועה לאומית יהודית מודרנית – ובסופו של דבר הביאה להקמתה של מדינת הלאום היהודית. זרמים וקבוצות ביהדות זמננו במאה ה-20, לאחר השואה וההגירות ההמוניות, התהוו שני ריכוזי יהודים עיקריים בעולם: ישראל וארצות הברית. כ-90% מיהודי תבל חיים בהם. ביהדות המודרנית קיימים מספר זרמים, שלושה גדולים וכמה קטנים בהרבה: בקרב האוכלוסייה היהודית בישראל, החלוקה הרווחת לפי הגדרה עצמית היא לארבע קבוצות שונות, הנבדלות זו מזו בפרמטרים סוציולוגיים שונים: ביהדות העולם, לבד מן הזרמים הקיימים, קיימת קטגוריה של יהודים לא-משויכים, הן במובן רחב של מי שאינם חברים באף קהילה, אך במובן צר יותר הכוונה היא למי שאינם מזדהים עם אף זרם קיים. בסקרים שונים, ניתנת ללא-משויכים האפשרות להזדהות כ"יהודים סתם" (Just Jewish), "יהודים ללא דת" (Jews of No Religion) ועוד. "יהודים ללא דת" מהווים את הרוב המכריע של הלא-משויכים בארצות הברית. הם מנו כ-1.2 מיליון נפש ב-2013; קבוצה זו חולקה ל-500,000 מבוגרים ללא דת שהזדהו כיהודים ותו לאו, ועוד כ-600,000 מבוגרים ללא דת שענו שהם "יהודים חלקית". בקרב "יהודים ללא דת" בארצות הברית נרשמו תופעות של הזדהות לא-דתית אקטיבית עם היהדות, כמורשת, לאומיות או אתניות (עד אמצע המאה ה-20 הייתה באמריקה חילוניות יהודית מבוססת, אך זו שקעה במידה רבה.) עם זאת, באופן כללי, קבוצה זו מייחסת חשיבות מועטה לזהותה היהודית, ויותר משני שלישים מתוכה כלל לא מגדלים את ילדיהם כיהודים. ראו גם לערכים, אישים, מושגים והמלצות, ראו פורטל היהדות. לקריאה נוספת קישורים חיצוניים הערות שוליים
========================================

[SOURCE: https://he.wikipedia.org/wiki/תנועת_החסידות] \| [TOKENS: 47822]
תוכן עניינים תנועת החסידות לשער לנושאים, אישים ומאמרים בתנועת החסידות, ראו פורטל תנועת החסידות תנועת החסידות היא תנועה רוחנית וחברתית יהודית שקמה באמצע המאה ה-18 במערב אוקראינה של היום, והתפשטה במהירות ביהדות מזרח אירופה. הבעל שם טוב נחשב למחוללה של החסידות. תלמידיו, בראשות המגיד ממזריטש, פיתחו את תורתה והפיצוה. הגותה של החסידות הושפעה, בפרט בדורותיה הראשונים, מקבלת האר"י, תוך הדגשת נוכחות האל ביקום כולו, את הצורך להידבק בו בכל עת ומקום ואת הממד הרוחני הנסתר של המציאות. החסידים מאוגדים ב"חצרות" שבראש כל אחת מהן ניצב אדמו"ר, המקבל בדרך כלל את תוארו בירושה. במהלך הדורות נוצרו מאות חצרות עצמאיות, גדולות וקטנות, ולכל אחת מסורותיה ודגשיה. החסידים מחויבים להידבק באדמו"ר שבראש החצר שלהם ולציית לו. הוא נחשב לסמכות רוחנית שיש להיעזר בה כדי להתקרב לאל. ההשתייכות לחצר נשמרת בדרך כלל בתוך המשפחה במשך דורות, והחסיד נולד על פי רוב בחצר מסוימת וגדל על מורשתה. מאז המחצית השנייה של המאה ה-20 מתגוררים מרבית החסידים בישראל, בארצות הברית, בבריטניה ובבלגיה. הם מהווים תת-קבוצה בתוך העולם החרדי ונחשבים בדרך כלל כאדוקים ושמרנים. החסידים משמרים רבות ממסורותיה של יהדות מזרח אירופה. הלבוש הישן והדיבור היומיומי ביידיש נעשו מזוהים עמם כמעט בלעדית. ישנן בעולם כתריסר חצרות גדולות עם אלפי בתי-אב ומאות חצרות קטנות יותר, לעיתים עם קהילה סמלית של בודדים. ב-2016 היו בעולם כ-130,000 בתי-אב חסידיים. היסטוריה הסיבות להצלחת תלמידיהם של ממשיכי הבעש"ט והמגיד ממזריטש ולקליטת דרכם בחברה היהודית הסובבת טרם הובהרו כל צורכן. בעבר היו מקובלות התאוריות של שמעון דובנוב, שייחס את הצלחת החסידות להרס הניכר שחוללו גזירות ת"ח-ת"ט ב-1648 והלאה, ולהתמוטטות השלטון העצמי היהודי באיחוד הפולני-ליטאי עם פירוק ועד ארבע ארצות ב-1764, וההסברים המרקסיסטיים של רפאל מאהלר, שטען לייאוש שאחז בשכבות רחבות עקב הצרת צעדיהם של היהודים בתחום הכלכלי. גישות אלה נסתרו בהדרגה עם הרחבת המחקר בתחום. הנזק לחיים ולרכוש שהביאו פרעות 1648 היה קטן בהרבה מהמשוער, ועדויות רבות מצביעות על התאוששות החיים היהודיים. אפילו הטענה שהשפיעו ישירות על היווצרות השבתאות זמן קצר אחר כך כבר נחשבת כמוגזמת, כל שכן התפתחות החסידות שפריחתה אירעה מאמצע המאה ה-18 ובעיקר לקראת סופה. פירוק הוועד לא יצר פגיעה מתמשכת באוטונומיה הקהילתית, שהייתה מאורגנת ממילא על בסיס מקומי; דווקא בשטחים שסופחו לפרוסיה עם חלוקת פולין, בהם אכן חיסל אותה השלטון, לא הייתה לחסידות דריסת רגל. על אף שסבלו הגבלות ורדיפות במהלך פירוק האיחוד ולאחריו, התחולל שיפור עקבי במצבם הכלכלי והאזרחי של היהודים בתקופה בה שגשגה החסידות, בשלהי המאה ה-18. הנסיבות האובייקטיביות לצמיחתה ולהתפשטותה של התנועה החדשה – מלבד עצם החידוש המהפכני שבדרכה – נתלו במספר גורמים. במאה ה-17 הלך והתפשט הידע הציבורי על אודות הקבלה, שהופץ במנשרים ועלונים להמוני העם והתפרסם עקב פעילות של יהודים ונוצרים כאחד בתחום. מה שהיה בעבר נחלת מובחרים מעטים, הפך לגלוי לעין כול. התופעה השפיעה על והושפעה מעליית השבתאות ומהפרנקיזם, ורקע משותף זה היה מניע מרכזי להתנגדות לחסידות בהמשך. החלטת הבעש"ט ואנשיו לחדול מלפעול כמעגל מקובלים נסתרים כפי שהיה בעבר ולהפוך את עיסוקם לפומבי, הרגע שחולל את החסידות, הייתה מעין הד לכך. בנוסף, על אף שהאוטונומיה הקהילתית נותרה איתנה יחסית, סמכותה המוסרית של ההנהגה הוותיקה הלכה והתערערה. האצילים שהיהודים השתייכו להם התערבו לא פעם בהליכי בחירת הפרנסים והרבנים, עד כדי כך שנושאי משרות אלה נתפשו לעיתים קרובות כעושי-דברם ותו לא. יחס שלילי זה הקשה על הקהל לראותם כנטולי פניות בעניינים שנדרשו להכריע בהם, בעיקר הסדרת נושא החכירות על מכירת יי"ש, טבק ועוד. האדמו"רים, שכוננו הנהגה חוץ-ממסדית, יכלו להופיע כבוררים הוגנים בסוגיות אלה, ואכן הפכו במהרה לרגולטורים יעילים של עסקי החכירה. על אף שלא עמדו לרשותם מרבית הסנקציות הקהילתיות, קללות מיסטיות ואמצעים אחרים פיצו על כך. כמו כן, קמו באותו עידן בעולם הנוצרי כולו תנועות תחייה דתיות שהדגישו את הסלידה מהיררכיה רשמית ומטקסיות נוקשה לטובת רעיונות מיסטיים ופשטות. לבסוף, אופי ההנהגה היה המפתח להצלחת החסידות: על אף הטונים המיסטיים החזקים שליוו את פעילותם ועוררו חשש כבד בקרב מתנגדיהם מהמשך לשבתאות ולפרנקיזם, נמנעו מתוקפנות יתרה כלפי האליטות הישנות והדגישו כי לא באו לערער את סדר הערכים של אלה. הם היו שמרנים ומתונים בבסיסם, ועל אף הפופוליזם שנקטו בו כלפי ההמונים, הקפידו לשמור על זיקה לשכבות המיוחסות מהן באו כמעט כולם. מעט ידוע בוודאות על רבי ישראל בן אליעזר, הבעש"ט, הנחשב לאבי החסידות. הוא נולד ככל הנראה מדרום לנהר פרוט, בספר הצפוני של נסיכות מולדובה, בשנות ה-1690. הוא סבב בדרום-מערב אוקראינה של היום – אזור שבו התקיימו השפעות רוחניות מגוונות: נזירים אורתודוקסים מיסטיקנים התבודדו במערות, ושבטים מקומיים כדוגמת ההוצולים שימרו מסורות שמאניות עתיקות – ורכש מוניטין כ"בעל שם", מרפא עממי שהשתמש בעשבים וגם בקמעות, בלחשים ובהשבעות קבליות. אף שלא היה איש האליטה הרבנית, היה מלומד מספיק כדי לקבץ תלמידים בבית-המדרש ולשאת לאישה את אחותו הגרושה של רב. מלבד זאת, תולדותיו לקוחות מהגיוגרפיות חסידיות. לפי מסורות אלה, בעודו נער הכיר בסגולותיו "רבי אדם בעל שם", שהיה לכאורה נצר לשושלת ארוכה של צדיקים נסתרים שהעבירו זה לזה מדור לדור סודות תורה שלא התגלו עד אותה עת. אלה נמסרו לישראל הצעיר. הוא התבודד עשר שנים בהרי הקרפטים, בין קיטוב לקוסוב, ושם התגלה אליו אחיה השילוני ולימד אותו עוד נסתרות. בגיל 36 ניתנה לו הרשות משמים להתגלות כמקובל וכפועל ישועות. בשנות ה-40 של המאה ה-18 מתועד שהתיישב במז'יבוז' שבפודוליה, הקים לעצמו מעגל של תלמידים, ושמו יצא בכל החבל ומעבר לו. ברשומות מן הזמן ההוא מצוין שהיה עשיר ומפורסם מאוד. הבעש"ט הדגיש כמה יסודות בקבלה ובמידת-מה גיבש משנה ייחודית משלו. בין היתר הרבה לעסוק בנוכחות האל בכל הבריאה והסביר שבשל כך, גם מעשים גשמיים פשוטים כמו אכילה יכולים להיטען במשמעות רוחנית ולאפשר השגת דבקות באלוהים. הוא נודע במיוחד בתפילותיו האקסטטיות והארוכות ובהקפדתו על כוונה, ותיאר את המילות והאותיות ככלים הנוצרים לאגירת האור מהעולמות העליונים. בנוסף החשיב מאוד את השמחה וההתלהבות בעבודת ה' ואת ההתעלות הרוחנית, ודחה את הסגפנות והפרישות שרווחו אז בקרב מקובלים ומבקשי דרגה גבוהה יותר. אחד התלמידים שנמשכו אליו עקב כך היה המגיד ממזריטש, שהיה לפי המסופר נכה עקב סיגופיו הקשים. הבעש"ט הניח את היסודות לתורת ולתנועת החסידות, ופיתח דרך שתציע להמונים מסלול פשוט ונגיש יותר לחוויה רוחנית משמעותית. למרות זאת, הוא נותר כל ימיו מנהיגו של חוג אליטיסטי מצומצם ומעולם לא הפיץ את משנתו בציבור הרחב. על אף שממשיכיו ייחסו לו את גיבוש אופייה של התנועה, לא נהג כמותם מעולם. עם מות הבעש"ט, קיבלו על עצמם רוב תלמידיו את הנהגתו של הרב דב בער, המגיד ממזריטש, אם כי רבי יעקב יוסף מפולונאה ומעט אחרים בחרו לפעול לבד. מחצרו בווהלין פנה המגיד לשכלל ולהרחיב את הרעיונות הבסיסיים שפיתח מורו, כשהוא ומעגל תלמידיו בונים תורה שלמה ומקיפה, תהליך שהמגיד החל בו אך נעשה ברובו רק על ידי ממשיכיו. הבעש"ט וסובביו השתמשו במושג "חסיד" במובנו המסורתי, של אדם ירא שמים לפנים משורת הדין; בשליש האחרון של המאה ה-18 נוצרה הבחנה ברורה בין משמעות זו לדרך החסידות שיצאה ממזריטש, ושההולכים בה כונו בשעתו "חסידים חדשים" כדי להבדילם. המונח "חסיד" התקשר כל כך עם התנועה הצומחת עד שמובנו המקורי הואפל תחת החדש, וככזה נכנס גם לעברית המודרנית – במשמעות של "אוֹהֵד, מַעֲרִיץ" ולא של אדוק. משנתם של המגיד ורעיו כללה היבטים רבים. חשיבות התפילה והכוונה בה הודגשו כל כך עד שרבים מאנשיהם איחרו את זמנה מעבר למותר כדי להתכונן ולכוון. דברי הבעש"ט על הצורך להעלות מחשבות טמאות לשורשן במקום להיאבק בהן שוכללו לעיקר שלם על ידי יורשו, שתיאר את ההתמרה של מחשבות ורגשות רעים לטובים כתהליך פנימי שלם, מעין מקבילה בתוך האדם של הספירות האלוהיות. אבל החשוב ביותר היה רעיון הצדיק החסידי, שהפך לצינור להורדת שפע להמוני מאמיניו ולהעלאת תפילותיהם ובקשותיהם, וכסמכות מוסרית ומדריך רוחני. המגיד ממזריטש נפטר ב-1772. כעשרים מתלמידיו ומקורביו יצאו, קודם ואחר כך, להפיץ את רעיונותיהם ברחבי מזרח אירופה: רבי אהרן הגדול מקרלין, רבי מנחם מנדל מוויטבסק ורבי שניאור זלמן מליאדי פעלו בצפון הרחוק, בליטא; רבי מנחם נחום מצ'רנוביל שתקע מצפון לקייב; רבי לוי יצחק מברדיצ'ב נסע בתחילה לפינסק ולאחר מכן התיישב בפודוליה, בסמוך למרכז; רבי אלימלך מליז'נסק, אחיו רבי זושא מאניפולי, תלמידם המשותף רבי ישראל הופשטיין ורבי יחיאל מיכל מזלוטשוב ביססו את נוכחות התנועה בפולין. רבי מנחם מנדל מוויטבסק ורבי אברהם הכהן מקליסק הנהיגו את עליית החסידים לארץ ישראל. החסידות החדשה התפשטה במהירות במרחב. הצדיקים שילבו הנהגה כריזמטית עם תחכום פוליטי, ובנו תמיכה בקרב שכבות שנעדרו השפעה בתוך האליטה הקהילתית הקיימת: כלי הקודש נמוכי-הדרג, עשירים ללא ייחוס (ובייחוד נשים נדבניות, שמעמדן בחיי הדת היה נמוך מאוד וזכו ליוקרה כפטרוניות של חוגי החסידים) ולבסוף המוני פשוטי העם. במקביל, נזהרו שלא לעורר יריבות יתרה, ולמרות הפופוליזם המופגן שלהם, לא עודדו שום מסר חברתי מהפכני וחיתנו את ילדיהם עם בעלי ייחוס. הצדיקים עצמם היו יוצאי אותם חוגים, והגיעו בדרך כלל מרקע של למדנות ועושר. החוזה מלובלין, לדוגמה, התבסס בעיירה וייניאבה, הסמוכה ללובלין שעל שמה נקרא, ופעל לחזק את השפעתו בעיר מול התנגדות עזה של הממסד והאב"ד המקומי רבי עזריאל הורוויץ. הונו הגדול ותומכיו הרבים גרמו לפרנסים לקבל אותו ב-1803. תהליך דומה קרה במקומות רבים. השטיבל, מניין התפילה הקטן והנפרד שהיה גם בסיס לרשת של קשרים חברתיים ופעילות קהילתית, שימש ערוץ יעיל לגיוס חברים ותומכים חדשים. התנועה החדשה עקרה את הדגם הקהילתי המסורתי: חצר האדמו"ר החליפה את סמכות הרב וועד הפרנסים, ובמקום גוף מקומי שכל היהודים באזור היו כפופים אליו, התקיימו במקביל בחלק מהקהילות קבוצות שהשתייכו לחצרות חסידיות שונות, ולחלק מהאדמו"רים היו חסידים בקהילות שהתפרשו על פני מרחבים גדולים. החסידות הייתה התנועה היהודית המודרנית הראשונה בכך שהחליפה את הקהילה הישנה במודל על-טריטוריאלי וריכוזי גם יחד, ויצרה דתיות שהייתה מוכוונת יותר כלפי היחיד. החסידים הנהיגו שחיטה משלהם בכל אתר שבו התבססו, ושוחטיהם הקפידו על שימוש בסכין מלוטשת במיוחד, שהושחזה לא רק באבן אלא גם ברצועת עור, ושהייתה גם דקה יותר מן הרגיל. ניתן לכך הן טעם הלכתי, בנימוק שהשיטה הרווחת אמנם חידדה את הסכין אך גם יצרה סיכוי גבוה יותר לכך שהיא לא תהיה חלקה, והן טעם קבלי של תיקון נשמות האדם שהתגלגלו בחיות המומתות. החלף המלוטש והדק, שלא נשתמרו לגביו דיווחים רבים ואף הם סותרים ומבולבלים, לא היה חידוש חסידי מובהק. מנהגים דומים רווחו בקהילות מסוימות ואצל חוגי מקובלים עוד קודם. הנוהג החדש הותקף כהטלת חומרה יתרה על כלל הציבור, אך עורר התנגדות בעיקר כי גזל מהקהלים בעיירות חלק גובר מהכנסותיהם ממס השחיטה, והעביר לצדיק החסידי מקור כוח וממון ראשון במעלה. המחלוקת על השחיטה גוועה כליל באמצע המאה ה-19, כשסכינים מפלדה שניתן היה להשחיזם בקלות הפכו לזמינים וזולים. מלבד האיום הגובר שהציבו הצדיקים על מרות ההנהגה הממוסדת, התלהבותם ותנועותיהם בתפילה ואיחור בזמניה, ונטיית מנהיגיהם להורות לפעמים הלכה בנימוקים קבליים – לפי המסופר בחיבור האנטי-חסידי "שבר פושעים", הורה פעם המגיד ממזריטש לשחוט פרה חולה שלא יכלה ללכת ארבע אמות, בטענה שהתגלגלה בה נשמה שנצרכה לתיקון; עדויות רבות מן הסוג הזה נפוצו בתקופה – כולם הטרידו את הרבנים והזכירו לרבים את השבתאות. כך החלה ההתנגדות לחסידות, שהוביל הגאון מווילנה. במסגרתה הוחרמו ב-1772 החסידות ואנשיה. ב-1781, במהלך סיבוב עימותים נוסף, נשרפו כתבי ר"י מפולונאה והוטל חרם על החסידים בברודי. המעבר ההדרגתי לתפילה בנוסח האר"י במקום בנוסח אשכנז סיפק אף הוא למתנגדים עילה למאבק. סידור ראשון ממין זה במזרח אירופה הודפס ב-1781 דווקא בז'ולקבה בהסכמת חכמי הקלויז בברודי, מוקד חריף של התנגדות, אך הם הדגישו כי אל לאנשים פשוטים להתפלל מתוכו. כבהיבטים אחרים, המלחמה בתנועה החדשה הובלה על ידי "החסידים הישנים", המקובלים האליטיסטיים שקיימו את אורח חייהם בסגירות ובהיעלם מהציבור (ראש וראשון להם היה הגר"א עצמו). חרמות, הלשנות ועימותים קשים התחוללו בכל המרחב, אך התנועה הוסיפה להתפשט ולהתעצם ללא הרף. בשנות ה-1780 יצאו לאור שלושת החיבורים הגדולים של החסידות המוקדמת: "תולדות יעקב יוסף" לר"י מפולנאה שנתפרסם ב-1780; "מגיד דבריו ליעקב" שכלל את ליקוטי דבריו של המגיד עצמו ויצא ב-1781, תשע שנים לאחר מותו; ו"נועם אלימלך" דברי תורה של רבי אלימלך מליז'נסק. ב-1798 עוד הביאו המתנגדים למעצר בעל התניא באשמת ריגול, אך מות הגר"א שנה קודם לכן שלל מהם את מנהיגם ואת מקור סמכותם העיקרי. ב-1804 אירעה התפתחות חשובה נוספת שפגעה בהם, כשהצאר אלכסנדר התיר הקמת מנייני תפילה עצמאיים. גם האיסור על חרם ברוסיה ב-1795 ותקנות אחרות שהחלישו את הקהילות מנעו מאויביה לפעול נגד התנועה בתקיפות. בממלכת הבסבורג נהנתה החסידות מסובלנות רשמית באופן רצוף, כחלק מהמדיניות הקיסרית, וכבר ב-1788 נאסר על רדיפתה. רבי חיים מוולוז'ין הוביל את המתנגדים לשיטות התגוננות סבילות יותר, כמו הקמת מוסד הישיבה המודרני שנועד לחסן את הנוער ולספק לו חלופה רוחנית מושכת לא פחות. הוא נטרל את הדואליזם ואחדות הניגודים הטמונים בקבלה – ואת הפוטנציאל שלהם להשוות את הערך הרוחני של קיום מצוות לכל מעשה שנעשה בכוונה מתאימה – באמצעות הקביעה שהאדם אינו יכול להתקרב לנקודת המבט האלוהית, ולכן מנוע כליל מלתפוש את המציאות באחדותה. אין לו אלא למלא את מה שנמסר לו. החסידות עצמה יצאה מהמאבק מחוזקת ומגובשת לאין שיעור, עם זהות ברורה. במפנה המאה ה-18 עלה הדור הרביעי של הצדיקים: רבי מנחם מנדל מרימנוב תפס את מקום הנועם אלימלך שמת ב-1787 כמנהיג בגליציה, והחוזה מלובלין ירש אותו בפולין הקונגרסאית. העשורים הפותחים של המאה ה-19 עמדו בסימן שינוי עמוק בחסידות. היא הפכה מתנועה עולה ודינמית, חוץ-ממסדית, לכוח השליט במרבית מזרח אירופה. אפילו בליטא המתנגדית קיבלו עיירות רבות את מרותם של צדיקים מקומיים. ווהלין, פודוליה, גליציה נסחפו כמעט כליל, ופולין הקונגרסאית רק מעט פחות מכך. החצרות התפשטו לתוככי בסרביה ובוקובינה, והגיעו גם אל גבולה המערבי ביותר של החסידות האוטוכתונית שלפני מלחמת העולם השנייה, בצפון-מזרח הונגריה. שם מונה תלמיד החוזה, "הישמח משה", לרב באויהל ב-1808. ככל שהצורך להתבסס ולרכוש תומכים התחלף בהכרח לשמר את ההישגים, כך התמסדה החסידות ועברה תהליך הַשְגָרָה (רוּטִינִיזַצְיָה). הדגש על כריזמטיות סוחפת הוחלף בצורה מוסדרת יותר של הנהגה, הדגם השושלתי. הראשון להחיל זאת היה רבי ברוך ממז'יבוז', נכד הבעש"ט שהתמנה לאדמו"ר ב-1782 ותבע מיתר הצדיקים להכיר בעליונותו על סמך ייחוסו. במהרה התפשטה השושלתיות, ואדמו"רים החלו לתאר את עקרון ההורשה כהמשך מתחייב של תורת התנועה. מאחר שהצדיק קישר בין רוחניות וגשמיות, היה זה מן ההכרח שתכונותיו היו מצויות גם בגופו ממש ועברו לצאצאיו. עמנואל אטקס טבע זאת בביטוי "אין צדיק אלא בן צדיק". העיקרון התקבע ב-1813 כשתלמידו הבכיר של בעל התניא, הרב אהרן מסטרשלה, הפסיד לבנו של רבו, רבי דובער שניאורי במאבק על ראשות חב"ד. בתוך דור היו כמעט כל החצרות שושלתיות. פן אחר של ההשגרה היה נסיגה שקטה מהעיסוק המופגן במיסטיקה לטובת ביטויים מתונים יותר של רוחניות, ולימוד התורה שב ותפס מקום מרכזי. עריכת מופתים וכיוצא בזה בהחלט נותרה חלק מהאתוס החסידי, אבל לצדה החל להתפתח דגם חדש של "אדמו"ר-רב", ששילב את דרכי התנועה עם גדלות רגילה בתורה ושסמכותו נשענה כמעט על אותם מקורות של פוסקים לא-חסידיים. רבי נחמן מברסלב, מאנשי הדור הרביעי, תקף רבים מצדיקי דורו על התמסדותם ופגיעתם, בעיניו, בדרך החסידות. העשור השני של המאה ה-19 ציין את המעבר בין החסידות המוקדמת לזו המאוחרת והמבוססת, הנשענת על חצרות מאורגנות היטב. הוגים מאוחרים רבים שציירו את התנועה בראשיתה באור רומנטי, כמו מרטין בובר ודומיו, ראו בתמורה זו סימן ל"ניוון" ושקיעה מחשבתית וכמעט שלא עסקו בהתפתחויות משם והלאה. היו אף שחילקו בין ה"חסידות" לאמיתה ל"צדיקות" מבוססת-אדמו"רים מאז. ראייה זו הייתה בעלת השפעה אפילו על התפישה האקדמית של התנועה, אך המחקר המאוחר סתר הן את הרומנטיזציה של החסידות המוקדמת והן את הטענה שזו הממוסדת חסרה תסיסה וחידוש רוחניים. התנועה חסרה כל הנהגה מרכזית מאז מות המגיד, ועם גדילתה עברה פיצול הולך וגובר והקמה של חצרות מרובות. אם קודם לכן ניתן היה להיות "חסיד" סתם, הרי שמשם והלאה צורפה לתווית זו תמיד שמה של עיירה מסוימת בה התגורר האדמו"ר. התפתחה גם חלוקה הולכת ומתחדדת בין המעגל הפנימי של החצרות, על החסידים המקורבים ביותר ששכנו בהן קבע ("יושבים"), לשכבה רחבה בהרבה שביקרה בהן רק מדי פעם ולמעגל נוסף של ציבור שהתגורר בעיירות שהחסידות שלטה בהן והתפלל בנוסח ספרד כמעט ללא קשר לחצר ממוסדת. סביב אמצע המאה ה-19, קרוב למאה שושלות אדמו"רים שהתייחסו זו לזו בקשרי נישואין היו הכוח החזק ביותר במרחב הגאוגרפי שבין רוסיה הפנימית (ממזרח לתחום המושב), פרוסיה, ליטא-לשעבר וממלכת הונגריה, ולתנועה הייתה נוכחות ניכרת בשתי האחרונות. מרבית החצרות המפורסמות נוסדו בתקופה זו. דוד אסף וחוקרים אחרים הצביעו על ארבעה טיפוסי מנהיגות שהתגבשו במהלך העידן: הרבני-למדני, שכאמור התבסס על גדלות בתורה ושמייצגיו היו מוכרים כתלמידי חכמים בזכות עצמם ושימשו כרבני קהילה וכפוסקים בנוסף; הקבלי-מיסטי, הקטן מכולם, שהוסיף לדבוק באתוס הישן ולהדגיש את לימוד תורת הסוד; המלכותי, שרומם את האדמו"ר כמנהיג נערץ ושהיה כרוך בהפגנת עושר ויוקרה, ושזוהה עם בית רוז'ין; והפופוליסטי, שהתמקד בעשיית מופתים, צדקה וקירוב הציבור הרחב. סגנונות אלו לא היו בלעדיים והיו שילובים ביניהם. ככל שהופיעו יותר חסידויות למדניות עם "אדמו"רים-רבנים" בראשן, כמו צאנז – שמנהיגה הדברי חיים היה האדמו"ר המוביל בגליציה בימיו, והמייצג המובהק ביותר של מגמת הצדיקות הלמדנית – ובעלזא, והתנועה עמעמה את המסר המיסטי שלה, כך הלך ופחת המתח עם המתנגדים. מה שאיחד עוד יותר את שני הציבורים היה הופעת אויב משותף, תנועת ההשכלה. משכילי מזרח אירופה שטמו כולם את החסידים ככת אנטי-רציונליסטית ושונאת קדמה, הציגו אותה כהיפוך ותשליל של עצמם ולעגו, כמחיי השפה העברית, לעילגות של חבריה בלשון. ראייה דומה הייתה מנת חלקם של יהודי המערב בכלל, כחלק מהיחס למזרח כנחשל (דוד אסף עמד על כך שהחסידות פשטה רק באזורים שבהם יידיש היוותה לשון חיה): אורתודוקסים מערביים מובהקים כרב עזריאל הילדסהיימר תיעבו את החסידות. בגליציה במיוחד הייתה העוינות לחסידות המכנה המשותף למשכילים המתונים ולרדיקלים ביותר, ממהר"ץ חיות עד יהושע השל שור. החסידים גמלו ליריביהם ורדפו את הנוטים להשכלה ואת מפיצי ספרותה. המאבק מיצב את החסידות כגורם השמרני ביותר בזירה היהודית, רק קצת יותר מדור לאחר שנרדפה כאנטי-ממסדית; המתנגדים, לעומתם, היו פתוחים חלקית להשכלה. בהונגריה, החת"ם סופר הסתייג מן החסידות ואסר לשנות את נוסח התפילה מאשכנז לספרד, אך נמנע מלצאת נגדה והעדיף להתמקד במלחמה ברוחות המודרניזציה; כעבור כמה עשורים, הדברי חיים וצבי הירש פרידמן מליסקא הובילו את החסידים בתמיכה באגף הקיצוני ביותר של האורתודוקסיה בממלכה, אם כי רבים מהאדמו"רים סירבו להצטרף לארגון הקהילות האורתודוקסי הנפרד והעדיפו להשאיר את קהילותיהם במעמד סטטוס קוו עצמאי. עמדתה השמרנית המובהקת התבטאה גם במישורים פרוזאיים יותר. במרוצת המאה ה-19, החסידים התעקשו על שימור הביגוד המסורתי הארוך שהיה משותף ליהודי האזור בעבר (הגם שהתווספו אליו פריטים או סגנונות ייחודיים לחצרות), בעוד שהמתנגדים עברו ברובם בהדרגה ללבוש מודרני יחסית. השטריימל, שנחבש מאות שנים לפני הבעש"ט, נעשה מזוהה ככובע חסידי. בגליציה במיוחד, שבה השלטון האוסטרי לחץ ועודד את היהודים לעבור תמורה כלכלית ותרבותית, נעשתה התנועה מזוהה עם שימור המסורות העממיות ואורח החיים הישן. אביה-מייסדה של גישה מסורְתָּנית זו היה הצדיק מנחם מנדל מרימנוב, ששמרנותו המופלגת בכל פרט ועוינותו למודרנה הייתה לשם דבר. אדמו"רים שונים אף העניקו ערך רוחני למאכלות המקובלים, ולקוגל בייחוד נקשרו סגולות רבות. כל אלו ביצרו את דימויה של החסידות כמבצרה של העממיות היהודית האותנטית, אף בעיני גויים (בעתיד הרחוק, בשלהי המאה ה-20, בידודן של קהילותיה אף הפך אותן למשמרותיה הכמעט-בלעדיות של שפת היידיש כלשון חיה). תנועת ההשכלה הייתה מאז ומתמיד כוח בעל השפעה מועטה יחסית, אך התמורות הגדולות שהחלו לפקוד את יהודי מזרח אירופה בשנות ה-1880 (בעיקר עליית התנועות הלאומיות היהודיות וההגירה ההמונית מעבר לים) היו איום גדול בהרבה על החסידות. היא עצמה אותתה על הבנת המצב החדש: ב-1881, שנת הסופות בנגב, ייסד רבי שלמה הלברשטאם את הישיבה החסידית הראשונה בווישניצה. מוסדות דומים שימשו קודם את המתנגדים – שלנוכח הלחץ הסובב, העימות בינם לחסידות נשכח כמעט לגמרי – כדי לחסן את ילדיה מפני החסידות דווקא, ועתה התנועה נאלצה לאחוז באמצעים דומים כדי לחברת ולשמר את צעיריה כשהחברה המסורתית הלכה וקרסה. ישיבות הוקמו במהרה בחצרות רבות. בעת שהיהודים עברו חילון איטי אך יציב, השכבות המתקדמות בזו לחסידים כשריד מנוון שהיה אמנם עדיין רב-עצמה אך נידון להכחדה עם הזמן. החשש מהתבוללות וטמיעה גורפות, שעדיין היו תופעות שוליים אבל החלו לכרסם בקרב הצעירים, הביא לראשונה כותבים משכילים ולאומיים להפגין אהדה לחסידות כתנועה עממית ושורשית, חלק מנכסי הרוח של האומה המתעוררת לשיטתם, שאל היה להשליך אלא לנצור ולתעל לאפיקים חדשים. הערכה-מחדש זו החלה בשדה הספרות הנמוכה, כשמיכאל לוי פרומקין רודקינסון פרסם ב-1863 את האנתולוגיה "קהל חסידים". היא הציגה את מושאיה בנימה נוסטלגית ומתרפקת, רחוקה מהדימוי הקנאי והחשוך שדבק בהם עד אז ביצירה היהודית המודרנית. המשכיל והמחנך אליעזר צבי צווייפל ביסס גישה כזו באופן עיוני בחיבורו "שלום על ישראל" מ-1868, שבו טיהר את ממשיכי הבעש"ט מתדמיתם השלילית וכתב עליהם באופן חיובי. סופרי תקופת התחייה כמו י"ל פרץ ויהודה שטיינברג ואחרים, תיארו את החסידות בצבעים סנטימנטליים ורומנטיים. גם כמה מחוקרי תולדותיה, בייחוד שמואל אבא הורודצקי, עמלו על ליטוש תדמיתה, עד כדי היגררות לאפולוגטיקה. ב-1912 השתתפו אדמו"רים רבים בוועידת קטוביץ שבה הוקמה אגודת ישראל, שניסתה להגן על היהדות האורתודוקסית (מונח שהחל להיות רלוונטי אפילו במזרח המסורתי) המוחלשת, בעוד החסידויות הקנאיות בהונגריה וגליציה התנגדו לאגודה ממש כמו לציונות, שהחלה אף היא לעלות. היחס לתנועה הציונית החדשה בקרב החסידים נע בין עוינות קיצונית שתיארה אותה כמעשה שטן ממש, בייחוד בקרב חצרות כגון חסידות מונקאטש ולאחריה חסידות סאטמר; עבור בשלילה מתונה יותר או באדישות, שאפיינו את מרבית החצרות; וכלה בתמיכה בתנועת המזרחי, בקרב מספר אדמו"רים שהצטרפו למפלגה, מרביתם מבית רוז'ין, כמו רבי שלמה חיים פרידמן או רבי יעקב פרידמן. מלחמת העולם הראשונה ומלחמת האזרחים ברוסיה, שעקרו מאות אלפים ממקומות מושבם, שמו קץ לעיירה היהודית הישנה שהייתה המצע עליו נשענה החסידות. הקמתה של ברית המועצות, שרדפה את הדתות כולן, גזרה כליה על התנועה במרבית שטחי רוסיה הפנימית, בלארוס ואוקראינה. רק חב"ד שימרה נוכחות משמעותית במחתרת. בין מלחמות העולם היה לחצרות השונות עדיין קהל תומכים עצום, בייחוד בפולין העצמאית, אך הוא הלך והזדקן בעוד הצעירים מתחלנים. השואה הכחידה באחת את העולם החסידי במזרח אירופה. החסידים, מזוהים בבירור ומבודדים תרבותית מסביבתם, היו מטרה קלה במיוחד לנאצים. מאות אדמו"רים מתו עם קהילותיהם וחצרות רבות הושמדו או קרוב לכך. הימלטותם אדמו"רים, כמו הרבנים יואל טייטלבוים מסאטמאר ואהרן רוקח מבעלזא, העלתה האשמות על הפקרת קהלם מאחור. בשנות ה-40 וה-50 נראתה החסידות כעומדת על סף הכחדה, כשילדי הניצולים המעטים שנותרו סביב החצרות הופכים במקרה הטוב לדתיים מודרניים. שורת מנהיגים שעלתה באותה תקופה הצליחה לבלום את מגמת ההתפוררות ולבסס מחדש את החסידות ככוח חי. לצד כריזמטיות וכושר ארגוני, הם נשענו על רגשות האשם והנוסטלגיה שחש הציבור היהודי כלפיהם כמייצגי המורשת האבודה מן העבר, וגם על הסובלנות ומערכת הרווחה במדינות המערב שאפשרו התבודדות תרבותית ומשפחות גדולות ומרובות-ילדים. האדמו"ר יואל מסאטמאר הקים את חצרו בניו יורק ויצר מובלעת עם מערכות רווחה ותרבות פנימיות. בעודו מניף את דגל האנטי-ציונות והקנאות האידאולוגיות הצליח בתוך כמה עשורים להביא את קהילתו לדבר יידיש כשפה עיקרית ולקיים אורח חיים ייחודי: מכמה מאות ב-1948 צמחו ללמעלה מ-100,000 בראשית המאה ה-21. האדמו"ר ישראל אלתר התבסס מחדש בישראל ושיקם את חסידות גור מהגרעין הקטן ששרד, בעיקר על ידי קירוב מחדש של ליטאים ודתיים-לאומיים שהשתייכו אליה קודם וילדיהם, בעודו משליט נורמות קפדניות שבידלו ושמרו את אנשיו מהציבור הכללי. גם גור גדלה במהירות, ובסוף המאה כבר כללה רבבות. רבי חיים מאיר הגר ואדמו"ריה האחרים של וויז'ניץ קוממו את ענפיה השונים בישראל ובארצות הברית, ורבי אהרן רוקח אסף סביבו את חסידי בעלזא. באנטוורפן, רבי משה יצחק גווירצמן איגד את השרידים שהתיישבו בעיר וייסד את חסידות פשעווארסק החדשה. חצרות אחרות השתקמו לאטן. החצרות נותרו לשאת את שם העיירה במזרח אירופה שבה נוסדו וממנה צמחו. תהליכי צמיחה דרסטיים יותר התחוללו בשתי חסידויות ייחודיות. ב-1951 הרב מנחם מנדל שניאורסון הוכתר כאדמו"ר חב"ד. הוא אימץ קו שונה מאוד מההתבדלות המזוהה עם החסידות בדרך כלל והפך את חצרו למכשיר החזרה בתשובה, ורבים מאנשיו נשלחו החוצה מריכוזיהם כדי לעסוק בכך. הטשטוש בין חסידים ממש לאוהדים ומקורבים הקשה על אומדן גודלה של חב"ד המוערך בכמה רבבות. ברסלב הזערורית והנרדפת הפכה בשנות ה-70 וה-80 לכר פורה שמשך בעיקר חוזרים בתשובה, שהתעניינו בתורתה האזוטרית והמיסטית. מקומץ כמעט בטל הם גדלו למספר רב של קהילות עצמאיות, כל אחת עם רבותיה, עם אלפי ורבבות אוהדים. הגידול הדמוגרפי הפנימי וגלי החזרה בתשובה שחיזקו את העולם האורתודוקסי בשליש האחרון של המאה ה-20 השיבו את החסידות מסף האובדן אל מרכז הבמה הציבורית. יחד עם התעצמותה המספרית שבו הסכסוכים ומאבקי הירושה שאפיינו גם את תור הזהב במאה ה-19. סאטמאר, באבוב וחצרות אחרות נקרעו בין טוענים בלעדיים לאדמו"רות. יוסף דן הצביע על היעלמות הראייה הנוסטלגית של החסידות, שגרפה לה אהדה בציבור היהודי הרחב בעבר, והחלפתה בחשש ופחד כראיה החזקה ביותר לחיוניותה. מחשבת החסידות ההיסטוריה הארוכה של החסידות, האסכולות הרבות שהופיעו בתוכה ובמיוחד שימושה הרב בדרשנות לסוגיה, בכתב ובעל-פה, עם התייחסות ענפה למקורות מוקדמים יותר, הקשו על חוקריה להציג משנה סדורה המשותפת לכל הזרמים בתוכה. כפי שציין יוסף דן, ”כל נסיון כזה נכשל”. מאפיינים שנחשבו בעבר ייחודיים לחסידות נתגלו עם הזמן כמקובלים הן בקרב קודמיה והן אצל המתנגדים לה, והדבר נכון עוד יותר ביחס למוטיבים נפוצים המזוהים עמה. קשה גם להפריד בין התנועה למקור השראתה הראשי, קבלת האר"י, ולהכריע מה בהגותה מקורי ומה אינו אלא ניסוח שונה במקצת. מנדל פייקאז' טען שהחסידות לא חידשה כמעט דבר שאינו נמצא ביצירות שחוברו שנים רבות לפני עלייתה. מקוריותה, סבר, נעוצה באופן שבו ניצלה מושגים ישנים כדי ליצור תנועה ממוסדת ומאורגנת היטב. בין המאפיינים המזוהים עם החסידות שנפוצים מאוד גם מחוץ לה, נמצא הדגש על השמחה בעבודת הבורא ובחיים. כך גם הכבוד ל"יהודי הפשוט" לעומת האדרת תלמידי החכמים האליטיסטיים שנפוצו לכאורה בקרב מתנגדיה; מאפיין זה מוזכר בספרות מוסר שקדמה לה במאות שנים. המתח בין החסידות לממסד הרבני השלט, שסמכותו נשענה על גדלות חבריו בתורה, התפוגג במהירות והתנועה הדגישה במהרה את מרכזיות הלימוד הסדור. גם הדימוי הפופולרי של ניגוד בין החסידים הנלהבים והשקועים בקבלה למתנגדיהם ה'יבשים' והרציונליסטים הוא חסר בסיס: האחרונים עסקו במיסטיקה לא פחות מהראשונים. אף על פי שהיא מקושרת עם הדגשת החיוניות והחיים הבריאים כאמצעי להתעלוּת, במקום הסיגופים העצמיים שרווחו לפניה, החסידות לא דחתה כליל את הסיגוף והפרישות. חצרות אחדות אף הנחילו אותם לכלל הציבור בהיבטים מסוימים, בעוד שלפני התנועה רק קומץ אליטיסטי נהג כך. דן ייחס את התפישות השגויות האלו להוגיה של מה שמכונה "נאו-חסידות", כמו מרטין בובר. הוגים אלה ביקשו לבנות דגם רוחני שיעניק השראה ליהודים בעידן המודרני ויצרו בכתביהם דימוי סנטימנטלי ורומנטי של התנועה. התיאורים ה"נאו-חסידיים" זכו להשפעה ניכרת בתרבות, מכתבי בובר ועד למחזמר "איש חסיד היה", ואף באקדמיה, אך הקשר בינם למציאות היה קלוש. עניין נוסף שהקשה על הגדרת גבולות ומכנים משותפים הוא הפער בין החסידות המוקדמת, עד לעשורים הראשונים של המאה ה-19, לבין זו המאורגנת מאז והלאה. השלב הראשון התנהל כתנועת תחייה דינמית, בעוד שהבא אחריו התאפיין בהתבססות והקמת חצרות ממוסדות עם מנהיגות העוברת בירושה. התורה הרוחנית-מיסטית שהופצה על ידי אבות החסידות לא נזנחה: אדמו"רים רבים הוסיפו להיות הוגים מקוריים ויצירתיים, ולמרות הטענות בדבר "ניוון", התנועה נותרה תוססת ופעילה. עם זאת, אכן הופחת הדגש על היבטים רבים של הדוקטרינה המוקדמת לטובת אפיקים שגרתיים ומקובלים יותר לביטוי רוחניות, כמו לימוד תורה, ויסודות רדיקליים נוטרלו ועומעמו. חלק מהאדמו"רים אימצו השקפות רציונליות וייחסו חשיבות פחותה לתפקידיהם המיסטיים, ורבים אחרים התמקדו בהיותם מנהיגים פוליטיים של חצרות ענק ממוסדות. החסידים לא בחרו להם צדיק על פי סגולותיו האישיות והכריזמטיות אלא המשיכו בדרך כלל להשתייך לחצר שאליה השתייכו אבותיהם. המושג הבסיסי העומד בבסיס מחשבת החסידות הוא רעיון האִימַנֶנְצִיָה – הנוכחות האלוהית ביקום כולו, המבוטא תדיר בציטוט מתיקוני הזוהר (קכ"ב עמ' ב'): ”לֵית אֲתַר פָּנוּי מִנֵּיהּ”. השקפה פנאנתאיסטית זו, שלפיה כל העולם ספוג ממש באלוהות, יונקת מהקבלה בכלל וקבלת האר"י בפרט, אך הורחבה מאוד בפילוסופיה החסידית. בטרם הבריאה, נדרש האל לצמצם את נוכחותו המושלמת, המופשטת והבלתי-מוגבלת, המכונה "אור אין-סוף". כך נוצר "חלל פנוי" שנותר בו רק רישום לאור אין-סוף והנפרד לכאורה מעצמות האלוהים. לכן, בחלל זה יכלו להתקיים טוב ורע, סתירות, רצון חופשי ותופעות אחרות שלא היו אפשריות בתוך האין-סוף המושלם והאחיד; ובפשטות, ניתן היה לברוא בו את העולם. אך מציאות היקום תלויה לחלוטין במקורו האלוהי ובמהותו הרוחנית שבלעדיו היה כאין וכאפס. במקביל, האין-סוף אינו יכול להופיע בצורתו השלמה בתוך החלל הפנוי ומוכרח לצמצם את עצמו בגשמיות מוגבלת שניתן לתפוש בחושים. כך מתקיימת אחדות ניגודים דיאלקטית בין הגשמיות הפיזית לאלוהות, כשכל אחת מתמירה עצמה לשנייה: כשם שהאל צריך לצמצם את עצמו כדי להתבטא בעולם החומרי, כך שומה על הגשמי ובני-האדם במיוחד להתעלות ולהתאחד מחדש עם האין-סוף. רש"ז מלאדי תיאר את הדיאלקטיקה הזו והשלכותיה ב"תורה אור": ”תכלית בריאת העולמות מאין ליש כדי לאהפכא מבחינת יש לבחינת אין”. תכלית האדם היא לחלץ את הניצוצות, רישומי האור המקורי, שנשבו בקליפות המצויות ב"חלל הפנוי", להעלותם לשורשם מלמעלה ובכך לתקן את הבריאה. כאמור, תפישה זו נשאבת מהקבלה. אך בעוד שהאחרונה הציגה אותה בעיקר בהקשרים קוסמולוגיים, דוגמת האופן שבו האל מצמצם את עצמו אל העולם בעשר הספירות והיחסים בין מידותיו השונות המגולמות בהן, התנועה החדשה החילה אותה על הפרטים הפשוטים והיום-יומיים ביותר של החיים. האסכולות החסידיות מקדישות מקום רב לניגודיות המשלימה בין "אין", במשמעותו הכפולה כ"שום-דבר" ו"אינסוף", ל"יש" הגשמי, המדיד, ונוטלות אותה כאמצעי לפענוח והבנת המציאות עצמה. רחל אליאור סיכמה זאת: ”מורי החסידות קבעו שכל דבר מגלם בעת ובעונה אחת דבר והיפוכו, ומעבר לכל חזות נגלית של המציאות הסופית מצויה מהותה האינסופית... המציאות איבדה את מעמדה הסטטי משעה שהיא נמדדת באמת מידה המבקשת לחשוף את מהותה האלוהית הגלומה בהיפוכה הגשמי.” מושגים רבים נגזרו מעקרון-על זה. החסידות הדגישה את הצורך להשיג דבקות באלוהים, שפורש בקבלה כהתאחדות מיסטית עם ישותו. מאחר שהאל נוכח בכל מקום, פשוטו כמשמעו, יכול וצריך כל יהודי לדבוק בו בכל שעה. לשם כך מוטל עליו להשתיק את דחפיו הנמוכים ולהתוודע למציאות היות הבורא בכול, וכך להשיג דבקות, ועמה ביטחון ושלווה. הדבקות פורשה גם כמעין מצב של היגאלות פרטית לרוח האדם, וסיפקה מזור מסוים לדחף המשיחי החזק שנבע מן הקבלה והיתרגם בין השאר לשבתאות. החסידות סיפקה שסתום בטוח לפריקת נטיות אלה על ידי העברתן לתחום האישי והמופשט. מנהיגיה היו אמורים לא רק להשיג דבקות בעצמם אלא גם להנחות את קהלם אליה. היו בכך שלבים ורמות מרובים, מההתעלות האקסטטית של הצדיקים ועד לקרבה הספונטנית, הצנועה יותר, של האדם הפשוט במהלך התפילה. בנושא הדבקות כרוך גם המושג של ביטול היש, כלומר ההבחנה בכך שבעוד "עיני הבשר" הנחותות מציגות בפני האדם מצג שווא שלפיו העולם הוא חומרי, אדיש ונטול רוחניות, בר-הדעת צריך לדעת כי מדובר באשליה ולראות מבעד לה את נוכחות הבורא בכול. יש להתגבר על הבלי והסחות הקיום הגשמי ולהתמקד בעבודת הבורא ובדבקות בו. מי שמצליח ליישם זאת באופן מלא אמור להתנתק מהווייתו העצמית ולתפוש עצמו כ"אין", וכך נשמתו יכולה להשיג דבקות מלאה ולחזור לקיום שאיננו עצמאי ונפרד מזה של אלוהים. מצב אידיאלי זה מכונה התפשטות הגשמיות, שהוא ההיפוך הדיאלקטי של מושג הצמצום. כדי להיות מסוגל להשיג את "ביטול היש" ולהתגבר על דחפי הבשר יש לדחוק הצידה את "הנפש הבהמית" המטעה את האדם ולהתחבר ל"נפש האלוקית" שנחצבה ממקור עליון ושואפת מטבעה לשוב ולהתרומם אליו; דיכוי "הנפש הבהמית" אמור להיעשות באמצעות התבוננות והרהור מתמידים על טבעו הנסתר והאמיתי של העולם, אותו יש לראות לא ב"עיני הבשר" של "הבהמית" אלא ב"עיני הרוח" של האלוהית. כדי להצליח בכך יש צורך בכוונה חזקה במחשבה. עניין הכוונות בכלל הוא נושא מרכזי ביותר בתנועה, שמשנתה על אודות אחדות המציאות ועל הזליגה בין מצב אחד למשנהו (חומר ורוח, אלוהי וגשמי) הביא אותה לעמעום ההבדלים בין מחשבה והרהור לעומת דיבור או מעשה ממשי ולראות את כולם כנעים על אותו מישור ללא מחיצה של ממש: כוונה עשויה להיתרגם מיד להשפעה רוחנית מיטיבה או שלילית, והרהור פגום עשוי להיות מסוכן ממש ואפילו יותר ממעשה קונקרטי. באמצעות ההתבוננות, החסיד האידיאלי צריך לחוש "השתווּת", מעין אדישות עניינית וצוננת, כלפי ענייני העולם הזה. אל לו להזניח אותם כליל ושומה עליו לכלכל את עצמו ומשפחתו, אך הוא אמור להפנים ולהבין את השטחיות והשקריות של הגשמי. צדיקי החסידות הפצירו בקהלם ל"התבטל" ולהגיע לדרגה כזו, אם כי הבינו היטב שמדובר במאבק פנימי קשה. המתח שבין האמונה במהות האלוהית של הנראֶה לבין אדישותו ויתמותו של העולם הנתפש בחושים הם נושא מרכזי בספרות התנועתית. נגזרת חשובה במיוחד של הדואליות בין חומר לרוח היא העבודה בגשמיות. כשם שהאין סוף צמצם עצמו אל היקום המדיד כך אפשר להעלות את מרכיביו חזרה; ובאותה מידה שהספירות הגבוהות משפיעות על המתרחש בתחתונות, כך גם הפעולות הפשוטות ביותר בעולם הזה, אם הן נעשות כנדרש, יכולות לשנות את הקורה שם. החסידות לימדה שמעשים מוחשיים שבוצעו היטב ובכוונה, כמו ריקוד ואכילה, יכלו לשחרר את הניצוצות השבויים בקליפותיהם שסבבו בקוסמוס. מאחר שהחומר היה ספוג רסיסים אלוהיים, נדרשו גם מעשים חומריים כדי לחלץ אותם. ל"עבודה בגשמיות" היה פוטנציאל חזק לאנטינומיזם, שכן יצרה מעין השוואה בין חיובי המצוות והתורה למעשים רגילים ויום-יומיים, ונסכה קדושה בכולם. פוטנציאל זה אכן התממש בכתות אחרות שהתבססו על הקבלה, כמו השבתאות, אך צדיקי החסידות היו שמרנים מאוד. "העבודה בגשמיות" רוסנה והוגבלה רק לאליטה המנהיגה, ורובם של החסידים הונחו להסתפק בתרומת כסף לרבותיהם ולחצר, כמעין צורה של עבודה זו. הניגוד הדיאלקטי של העבודה בגשמיות היה מושג המשכת השפע. מי שהשיג רמות גבוהות של דבקות (דהיינו, הצדיקים המנהיגים) יכול היה לספוג את האור המחייה מן הספירות הגבוהות ולמשכו מטה כך שיתגלם כהשפעות חיוביות בעולם הזה. אלו כללו תחושות אמונה וביטחון, דחף לעבודת ה' ושאר עניינים רוחניים, וגם דברים פרוזאיים יותר כמו בריאות, פריון ושגשוג כלכלי. "המשכת השפע" סיפקה תמריץ חזק וחומרי מאוד להמוני העם לנהור אל החסידות. אחדות הניגודים הושלכה בתורת החסידות גם על יסודות קוטביים אחרים, שתוארו כמשלימים והופכיים זה לזה – טוב ורע, גאווה ושפלות, טומאה וטהרה ועוד. הוגי התנועה, כמו אחרים שהושפעו מן הקבלה, הדגישו כי כדי לפדות את הניצוצות ולהביא תיקון אין די במגע עם הגשמי, יש גם לחפש אותם במחוזות החטא והרשע. עוד בחסידות המוקדמת הומלץ לא להדחיק מחשבות זרות העולים בשעת התפילה, אלא להתמודד ולהתמיר אותם על ידי הכרה בשפלות האדם ובגדלות הבורא. המגיד ממזריטש פיתח תורה בעניין האופן שבו רגשות ודחפים נחותים קשורים באלו הטובים והנאצלים בנפש האדם, בתהליך תמורה פנימי המשקף את עשר הספירות האלוהיות. החסידים נקראו להתמודד ישירות עם מידות רעות ו"לשבור" אותן במקום לנסות להצניע אותן. רעיונות קיצוניים אלה עומעמו ונזנחו על פי רוב בחסידות המאוחרת, וגם האדמו"רים שעסקו בנושא הקפידו להדגיש כי אין הם מיועדים לכלל אלא רק לנבחרים מעטים. עוד השלכה של הפנאנתאיזם החסידי הייתה עמידה על קיומה של השגחה פרטית השוררת בבריאה. בניגוד לרוב הראשונים, סברו הבעש"ט וממשיכיו כי מאחר שהאל נוכח בכל, ממילא הוא משגיח על הכל. בעוד שקשה להפריד את תורת החסידות מן הקבלה, המאפיין המובהק והמבחין של התנועה, הן כאידיאל והן כגורם מוסדי, הוא המנהיג הרוחני של העדה החסידית, הצדיק — המוכר כיום גם בתואר הכבוד הכללי "אדמו"ר" (אדוננו, מורנו ורבנו) או בכינוי העממי "רבי". הרעיון שקיימים בכל דור צדיקים דרכם נמשך השפע לעולם הגשמי קדם לתלמידי הבעש"ט, וספר הזוהר הצהיר על כך שאחד מהם עליון, "אתפשטותא דמשה בכל דרא ודרא". החסידות הפכה את מושג הצדיק לבסיס כל שיטתה ולליבה הארגוני, עד כדי כך שבספרותה קיבל התואר משמעות שונה ונבדלת מזו המקורית של אדם ירא שמים. כשהתנועה הצעירה התפשטה מעבר למעגל הסגור והקטן שהייתה בתחילתה וצברה המוני תומכים, הבינו ראשיה שהסיכוי ללמד את פשוטי העם את תורתה הסבוכה קטן. גם בחירי תלמידיהם התקשו להתמודד עם הדיאלקטיקה המורכבת בין יש ואין אפילו ברמה האינטלקטואלית; התקווה שהאחרים יפנימו בכנות את הפילוסופיה הזו, לא רק מן השפה ולחוץ, הייתה קלושה. המנהיגים הפצירו בקהלם להאמין וללמוד, אך הפתרון האמיתי שגיבשו כמענה היה מוחשי ובר-תפישה לכל, וסימן את הפיכתם לתנועה מובחנת ועצמאית: מנהיג חסידי שהיה בקיא ברזי השיטה נועד לשמש כהתגלמות חיה של רעיונותיה עבור הקהל הרגיל ולהנגישם בעצם נוכחותו. הוא היה מסוגל לבטל את היש, לעבוד בגשמיות, לעלות לעולמות העליונים ולהשיג דביקות ובאופן כללי למלא את כל האידיאלים שהתנועה הציבה. מאחר שהרוב המוחלט של הציבור החסידי לא היה מסוגל לעשות זאת או אפילו להתקרב לכך, הם היו אמורים להידבק בו במקום וכך להשיג לפחות חוויה דומה כלשהי מכלי שני. אישיותו המצווה והכריזמטית (לפחות בדורות הראשונים) נועדה להמחיש להמונים את האמיתות שבתורת התנועה, לספק להם בטחה נפשית ולבטל ספיקות וחששות. אבל תפקידו היה הרבה יותר מרוחני גרידא: מאחר שהיה, כאמור, מסוגל להתעלות ולהמשיך את השפע מן הספירות הגבוהות, האמינו תומכיו שהוא צינור דרכו מזדמנות להם השפעות מיטיבות חומריות לגמרי. ”הצטללותו של שלב תיאורגי זה ציינה את הפיכתה של החסידות לתנועה חברתית מגובשת”, ציין גלן דיינר. נכונותו של הצדיק לוותר על האקסטזה הכרוכה במצב הדביקות כדי להנהיג את עדתו תוארה כנדיבות וויתור כבד שעשה למען העם. בתמורה, הם נדרשו לספק לו את צרכיו החומריים; כמו כן, צופה מהם לציית לו באופן מוחלט, שהרי שהותו בספירות הגבוהות הקנתה לו ידע עדיף. המושג של "ירידת הצדיק" אל ענייני העולם זוהתה כחלק משליחותו להציל את החוטאים ולפדות את הניצוצות השבויים, והקישור שנעשה כך בין תפקידיו הרוחניים והפוליטיים העניק לגיטימציה לסמכותו בשני המישורים: הנהגתו את הקהילה הייתה חלק מייעודו המיסטי. בשיח החסידי היו הצדיקים מושא להערצה ונאמנות גורפות והגיוגרפיה נרחבת. הם הושוו לדמויות מן המקרא ותוארו בכבוד עצום. ראשית, מאחר שהמוני העם לא יכלו לבטל את עצמיותם דיה כדי להשיג דביקות בכוחם שלהם, צופה מהם "להתבטל לצדיק" בהכנעה גמורה וכך נעשה הוא חוליה מקשרת דרכה ינקו. הוא שימש גשר, מושך שפע מלמעלה עבור הקהל ומעביר את התפילות והבקשות שלהם בכיוון ההפוך. התגבשה מערכת יחסים ברורה בין המנהיג לעדתו, כשאלו מצייתים לו, פונים אליו בכל שאלה כדי לקבל עצה ומתכנסים בחצרו כדי לספוג השראה והתעלות, והוא מספק ברכה ושפע. הצדיק אף מילא פונקציה מוגבלת מאוד של פוטנציאל משיחי לקהילתו, "משיח-מעט לעדתו ולזמנו" בלשונו של יוסף דן. אפיון זה בלם, ניקז ונטרל את הלהט הגאולי שהתבטא בין השאר בשבתאות. אף שנותר מרוסן בזהירות בדרך כלל, בשני מקרים הוא התפרץ בעוצמה: רבי נחמן מברסלב טען בימיו שהוא "צדיק האמת" היחיד בדור, ורבים מחסידי רבי מנחם מנדל שניאורסון טוענים שהוא המשיח אף לאחר מותו ב-1994. בימיה המוקדמים של החסידות קיבל הצדיק את מעמדו בכוח הכריזמה והפגנת הבקיאות, אך עוד בעשור הראשון של המאה ה-19 החלו מנהיגי התנועה לתבוע לגיטימציה בהתבסס על ייחוס משפחתי לקודמיהם. האופן בו הצדיק קשר בין רוח וגשמיות היתרגם לטענה שסגולה זו הייתה צריכה להתגלם גם בגופו הממשי, ומכאן הגיעה הקביעה ש"אין צדיק אלא בן צדיק". השושלתיות היא נחלת כמעט כל החצרות החסידיות מאז, ומשפחות האדמו"רים מקפידות על פי רוב להינשא בינן לבין עצמן. צדיקים מסוימים וחלק מן החצרות המאורגנות פיתחו תורות ופילוסופיות מורכבות ומקוריות שהדגישו כל אחת צדדים מסוימים במחשבת החסידות. חלק מהשקפות אלה היו בעלות השפעה עצומה גם מעבר לתנועה, ואחרות נגוזו עם מות יוצריהן. ניתן לסווג את החצרות החסידיות השונות לפי דגשיהן בעניין: כך, לדוגמה, חלק מאופיינות באדמו"רים שהם בעיקר תלמידי חכמים ופוסקי הלכה, ושואבים את סמכותם באופן שאיננו רחוק מזה של רבנים לא-חסידיים. חבריהן מקפידים במיוחד על לימוד תורה ודקדוק בשמירת מצוות. התנהלות כזו מאפיינת למשל את בית צאנז ואת ענפיו, כמו סאטמאר, או את בעלזא. שושלות אחרות, דוגמת ויז'ניץ, מתמקדות בכריזמה של האדמו"ר ובהיותו פועל ישועות המקרב את ההמון, ומצטיינות בסגנון תפילה נלהב ואופי תוסס של מנהיגיהן. חצרות מסוימות אימצו גישה שכלתנית והגותית המחשיבה את ההתקדמות הרוחנית של האדם ואת תפקיד הצדיק בהדרכתו לכך, קו הרווח בין היתר באלו שיונקות משיטת בית פשיסחה כמו גור. קבוצות מעטות יחסית, כמו בית זידיטשוב וענפיו, משמרות במידה ניכרת את אפיוני החסידות המוקדמת ומעודדות קריאה בספרות קבלית ואף (בזהירות רבה) עיסוק בהיבטים המעשיים של רעיונותיה. אף חצר איננה מתמקדת כליל בקו אחד, וכולן גיבשו שילוב כלשהו במינונים שונים. אחד הפיצולים המוקדמים על רקע אידאולוגי התרחש ב-1812, כשהיהודי הקדוש פרש מעל החוזה מלובלין והקים קבוצה עצמאית. החוזה דגל בגישה פופוליסטית-כריזמטית וראה את תפקידו כקירוב ההמונים הפשוטים על ידי עשיית מופתים, הבטחות להשפעת שפע וסגנון נלהב. היהודי הקדוש, לעומתו, היה אליטיסטי ומהורהר יותר והתרכז בצד ההגותי: הוא הרבה לטעון שתכלית האדם היא שיבה למצב תודעה שאיננו עצמאי ונפרד מזה של האלוהים, כפי שהתקיים לדבריו בטרם אכילת פרי עץ הדעת. משימתו של הצדיק הייתה להנחות את תלמידיו ומוקיריו ליעד זה. מבטא קיצוני של גישה זו היה מנחם מנדל מקוצק, שנודע כקיצוני חסר-פשרות שתבע התמסרות מוחלטת למסע אחר האמת הפנימית ונהג לגרש את מי שביקשו את ברכתו[דרוש מקור]. אדמו"רי בית פשיסחה שהמשיכו בדרך היהודי הקדוש לא התנערו מעולם מביצוע מופתים או סגנון עממי, אך היו מרוסנים מאוד לגביהם; האסכולה הייתה דומיננטית בפולין המרכזית, בעוד שהאתוס הלובליני היה נפוץ במיוחד בגליציה. שיטה אחרת היא זו של חב"ד, שפותחה על ידי רבי שניאור זלמן מלאדי ויורשיו. חב"ד שימרה במידה רבה את רוח החסידות המוקדמת, בטרם התחדד הבידול בין האדמו"ר לעדתו, ודורשת גם מהחברים הפשוטים בה התעמקות אינטלקטואלית בענייני הספירות, הצמצום וכיוצא בזה. החצר מדגישה את חשיבות ההבנה השכלית של תורת החסידות ושוללת התחברות רגשית וספונטנית כאשליה חסרת בסיס; ראשי התיבות של השם חב"ד, "חכמה, בינה ודעת", מתייחסים לשלוש הספירות המתבטאות בתהליך החשיבה. עוד תנועה בולטת שקרובה יותר לאתוס החסידי המוקדם היא ברסלב. מורה דרכה רבי נחמן מברסלב הרבה ללעוג למי שניסו לתפוש בשכלם את טבע אחדות הניגודים בין יש לאין ואת האופן בו האל נוכח ונעדר גם יחד בחלל הפנוי; לשיטתו, עניינים אלה היו פרדוקסליים, מעבר להשגה אנושית, ורק אמונה תמימה וויתור על היומרה האינטלקטואלית יביאו להשגתם. הוא הדגיש את אופיו הקודר של העולם הגשמי ואת ריבוי הכשלים והמניעות שניצבים בדרכה של הנשמה האלוהית הכמהה להשתחרר מדחפיה החייתיים. החיים החסידיים המבנה הארגוני הבסיסי של החסידות הוא החצר. זו משמשת במובן כפול, הן כמקום משכנו הפיזי של האדמו"ר העומד בראש כל קבוצה חסידית אליו נקהלים תומכיו לחזות בו, והן במובן תיאורי המתייחס לכלל האישים והמוסדות הכפופים לשושלת צדיקים מסוימת. החצרות הממוסדות החלו להופיע בשלהי המאה ה-18; בניגוד לרבנות הקהילה המסורתית, הן לא היו מוגבלות לשטח גאוגרפי מסוים ולא היו בעלות סמכות לגבי כל היהודים שישבו בו. נספח אליהן כל מי שרצה לחסות בצל צדיק מסוים, הן בעיר מושבו והן בכל אתר אחר. החצר הקונקרטית, ביתו ושולחן השבת של האדמו"ר, נמצאה ביישוב בו התגורר. השושלות נקראו בדרך כלל על שם העיר או העיירה, ושמרו על שמן גם לאחר שעזבו אותן. כך, חסידות סאטמר השוכנת בניו יורק נושאת עדיין את שם העיירה בטרנסילבניה בה קמה ב-1905. החצר עצמה מונה את האדמו"ר ואת המעגל הפנימי של משפחתו ומקורביו. זה כולל את משמשיו ועוזריו, הגבאים או המשב"קים, ואת החסידים הקרובים השוכנים קבע לצדו, ה"יושבים" (אלו היו נפוצים למדי בימים שטרם השואה, אך כיום רק חצרות מעטות מחזיקות "יושבים" של ממש). מרבית חסידי כל חצר סרים אליה לעיתים נדירות יותר, בשבתות או לרגל החגים, כדי להתברך מפי האדמו"ר ולשהות עמו בתפילות ובסעודות. החצרות הגדולות יותר בימינו הן מסגרות ארגוניות משוכללות, המחזיקות גם מערכות חינוך נפרדות וגופי רווחה וצדקה. במזרח אירופה הישנה, חסידי אותו אדמו"ר בכל אתר ואתר מחוץ לחצרו היו מקיימים מעין קהילה זוטא במקומם שעיקרה היה התפילה המשותפת בשטיבל, מניין נפרד קטן. גם כיום, רבים מחסידי אותן שושלות מחזיקים בתי-כנסת עצמאיים. מנהגים רבים סובבים סביב החצר. אולי החשוב מביניהם הוא מתן פדיון, או קוויטל, בו נמסרות לאדמו"ר בקשות אישיות שונות בכתב בצירוף סכום כסף. ההכנסות מפדיונות היו בעבר מקור הפרנסה הראשי של החצרות. הטקס העיקרי הוא הטיש (שולחן ביידיש) בו נאספים המוני חסידים לשבת או חג עם האדמו"ר, משתתפים בסעודות מן הקידוש ועד למלווה מלכה, שרים זמירות יחד עמו ורואים אותו אוכל. בחסידויות רבות היה נהוג לחלק שיריים מארוחתו, הנחשבים כספוגים בקדושה, לקהל. דברי התורה והדרשות שנושא הרבי במהלך השבת משוננים על ידי "חוזרים", חסידים בעלי זיכרון טוב, ומועלים על הכתב עם צאתה. גם חתונות וחגיגות אחרות של משפחת האדמו"ר הן אירועים שבהם מתכנסים רוב החסידים ומופגנת עוצמתה של החצר. בחסידויות גדולות, מוקף האולם בבמות מדורגות (פארנטשעס) עמוסות קהל בעוד בני המשפחה סועדים ועורכים ריקוד מצווה למטה. האדמו"ר הוא מנהיגה השלט של חצרו, וחסידיו אמורים להיות מסורים ולציית לו. נאמנות לאדמו"רים הובילה לעימותים קשים, הן במריבות בין חצרות והן בסכסוכי ירושה בתוכן, שהיו כרוכים באלימות מרובה. מתוקף היותם מנהיגיהן של קהילות גדולות ומאורגנות היטב, רבים מהאדמו"רים התרכזו בתפקידיהם אלו. משלהי המאה ה-20 צצה התופעה של משפיעים, מורים המוסרים שיעורים ועוסקים בענייני רוח באופן המזכיר את תפקידו המקורי של הצדיק החסידי אך אינם טוענים לאדמו"רות, ולכן החצרות יכולות לסבול אותם. נוסח התפילה של החסידים, הנבדל מזה האשכנזי המסורתי, הוא נוסח ספרד, שהוא הרכבה של סדר התפילה של האר"י עם סדר התפילה האשכנזי. נוסח ספרד איננו אחיד וחצרות שונות מתפללות בתת-נוסחים שונים. כך, לדוגמה, בסידור של חסידות בעלזא נאמרים מספר קטעים דווקא לפי המסורת האשכנזית. מקובל מאוד להתנועע ולהתפלל ברגש רב. במרבית החסידויות נוהגים להניח תפילין של רבנו תם בנוסף לתפילין של רש"י, לרוב אחרי החתונה (בחסידויות ברסלב קומרנא וחב"ד מתחילים בגיל בר מצווה או בסמוך לו). ברוב החסידויות מקובל לטבול במקווה מדי יום וכמעט כולם טובלים לפחות בערב שבת. חומרות ומנהגים רבים, המשתנים מחצר לחצר, נשאבו מן הקבלה או הונהגו על ידי האדמו"רים. ברבות מהחצרות נהוג לקיים "חבורות", קבוצות קטנות של חברים הלומדים יחד מדי פעם. לבוש מהווה רכיב חשוב בעולם החסידי; לחצרות מסוימות יש פריטים אופייניים המיוחדים להן, וניתן לזהות את חבריהן לפיהם. ישנם גם פריטי לבוש המשותפים למרביתן. היסטורית, הביגוד החסידי הסטריאוטיפי הוא זה שהיה נהוג בקרב יהדות מזרח אירופה בכלל עד העת החדשה (לרוב עד המאה ה-20) ונשמר אף בקרב קבוצות לא-חסידיות שמרניות מעטות, כמו הפרושים המתנגדים ביישוב הישן בירושלים שעודם חובשים שטריימלים בשבתות. בספרות התנועתית ניתנו נימוקים רוחניים לעטיית פריטים שונים, אך אלה נטבעו כמעט תמיד בדיעבד. הלבוש המסורתי של יהודי מזרח אירופה היה על פי רוב חיקוי של האופנה שרווחה בקרב אצולת האיחוד הפולני-ליטאי, ה"שלאכטה". פריט בולט אחד הוא כובע פרווה הנלבש בשבתות, חגים ואירועים מיוחדים. הגרסה הנפוצה היא השטריימל, מצנפת עשויה מזנבות בעלי-חיים שעירים שלובשים חסידים יוצאי הונגריה, גליציה, רוסיה ורומניה. הספודיק, הגבוה ממנו וצבעו נוטה לשחור, מקובל בקרב חסידי פולין. נכדי אדמו"רים ואחרים חובשים כובע קולפיק. בימי חול לובשים חסידי גליציה כובע סמט: אצל אנשי חסידות ויז'ניץ הסרט ממוקם בו דווקא בצד ימין, אחרות בצד שמאל והחצרות הירושלמיות וחלק מסאטמאר חובשים אותו בגרסה נמוכה. אביזר חשוב הוא הגרטל, אבנט בד שהחסידים משתמשים בה בשעת התפילה. ישנם סוגים שונים של גרטל, וזהו סימן זיהוי נוסף בין הקבוצות השונות. הגרטל היה נפוץ בקרב כלל היהודים בעבר, בהשראת חגורות הבד של ה"שלאכטה"; עם השנים נומק הדבר בטיעונים מן הקבלה, כיצירת חיץ בין הלב לערווה ובין הרוחני לבהמי. רוב החסידים לובשים גם קפוטה, מעיל שחור ארוך. יש שמות שונים לבגד החול ולבגד השבת, ויש גם סגנונות שונים של קפוטות: בהרבה חצרות, דוגמת באבוב, ויז'ניץ ובעלז, נלבש בגד עליון בשם "ראשוולקא" (בכתיב עברי: רז'וולקה). פריטים מיוחדים המציינים חסידויות הם, לדוגמה, ה"הויזן אין די זאקן" (מכנסיים בגרביים) של חסידות גור, סגנון שאומץ לאחר גזירות הלבוש של 1846 בפולין. חסידי מזרח גליציה ואחרים גורבים גרביים שחורים בימות החול ולבנים בשבתות וחגים. חב"ד מתייחדת בלבושה הליטאי המודרני. החצרות החסידיות בימינו לפי סקר דמוגרפי נרחב שנערך עבור החוקר מרצין וודזיניסקי (פול') ואוניברסיטת פרינסטון, בשנת 2016 היו בעולם כ-129,000 בתי-אב חסידיים. כמעט כולם יושבים במדינת ישראל (כולל יהודה ושומרון) ובארצות הברית, בהן מצויות בהתאמה 62,000 ו-53,000 משפחות. 75% מהחסידים שוכנים בעשר הקהילות החסידיות הגדולות ביותר, בעוד שמשפחות בודדות או קהילות קטנות – נוכחות חסידית תועדה ב-1,350 מקומות יישוב בעולם – משתייכות כמעט תמיד לחב"ד או ברסלב הפתוחות. הריכוז החסידי הגדול בעולם מצוי בעיר ניו יורק, שם מתגוררים כ-34,000 בתי-אב (26% מהכלל), בעיקר בשכונות ויליאמסבורג, בורו פארק וקראון הייטס. ירושלים ניצבת במקום השני, עם כ-16,000 משפחות (12.6%) ואחריה בני ברק עם 13,000 (9.5%). במדינת ניו יורק מצויים הצברים גדולים במונסי, שבו יושבת חסידות ויז'ניץ מונסי, וביישובים העצמאיים קריית יואל וניו סקוור, המשתייכים בהתאמה לחסידות סאטמאר וחסידות סקווירא. קהילות גדולות מצויות בישראל באשדוד, בית שמש, חיפה, נתניה, אלעד, מודיעין עילית וביתר עילית. בבריטניה המוקד העיקרי הוא סטמפורד היל שבצפון לונדון עם כ-5,000 משפחות, ובנוסף לה מספר מובלעות, בעיקר במנצ'סטר. במונטריאול שבקנדה מתגוררים כ-2,000 בתי-אב, רבים ביישוב קריית טאש, ובאנטוורפן שבבלגיה יושבות כ-1,800 משפחות. בעולם מצויות יותר ממאתיים ושלושים חצרות חסידיות. למעלה מתריסר מונות קהל גדול של אלפי בתי-אב, וליתר יש מספר חברים קטן, ולעיתים כמעט אפסי. חצרות רבות נמחו בלי זכר בשואה; אחרות שרדו ומתקיימות רק פורמלית, עם אדמו"ר המחזיק בתואר וחסידים בודדים ממש. ניתן למיין את החצרות על צירים רבים. בפן הגאוגרפי, יש מתאם חלש ביותר בין מקורה של כל קבוצה לאפיוניה. חסידויות גליציה, לדוגמה, מזוהות עם פופוליזם וכריזמטיות, אלו של הונגריה מקושרות לקנאות קיצונית, ושושלות מרוסיה הלבנה והמרחב הבלטי עם שכלתנות ומתינות; אך אלו דימויים רווחים יותר מאשר מציאות עובדתית. בפועל, ישנן חריגות משמעותיות לא רק בכל מרחב גאוגרפי, אלא גם בתוך כל חצר המזוהה שטחית עם גישה מסוימת. במחשבת חב"ד הרציונליסטית לכאורה, ישנם רבדים השוללים את ההגיון, בעוד שקנאי הונגריה עסקו בתחומים אזוטריים כמו עבירה לשמה, וצדיקים גליציאנים מסוימים נטו לשכלתנות והגות. חלוקה בסיסית אחרת היא בתחום הפוליטי. זו נסובה בעבר על היחס למתרחקים מהדת ועל שאלת כינון קהילות חרדיות נפרדות, וכיום היא נוגעת למתח בין האנטי-ציונים לבלתי-ציונים. האנטי-ציונים מתנגדים לקיומה של מדינת ישראל, רואים בה שיקוץ ומסרבים להשתתף בבחירות הישראליות או ליטול תקציבים ממשלתיים למוסדות חינוך. קו זה מובל על ידי החסידויות התומכות בהתאחדות הרבנים ובעדה החרדית, במיוחד סאטמאר. קבוצה זו היא מיעוט בישראל אך כוללת את רוב החסידים המתגוררים בחו"ל. הרוב הלא-ציוני, המשתייך בדרך כלל לאגודת ישראל, מתנגד לציונות, אולם משתתף בפוליטיקה ונוטל תקציבים. קו זה מאפיין חצרות כמו גור, ויז'ניץ, חב"ד ורבות אחרות. כתריסר אדמו"רים מכהנים במועצת גדולי התורה של אגודת ישראל במדינה, ועוד רבים שותפים בה. יש גם אדמו"רים ציוניים בעלי השפעה, במיוחד מענפי בית רוז'ין, כמו חסידות פאשקאן והאדמו"ר שלה הושע פרידמן בן שלום. עם זאת, רבים בקרב החסידים בישראל נוטים לימין הישראלי, לעיתים גם לימין הקיצוני, ומתנגדים לנסיגה מיהודה ושומרון. מספר אדמו"רים ידועים, כמו הרבי מליובאוויטש, צידדו בעמדה כזאת. החצר הגדולה בעולם היא חסידות סאטמאר, עם כ-26,000 בתי-אב, או חמישית מכלל החסידים. מרכזיה הם ויליאמסבורג שבברוקלין וקריית יואל. היא נוסדה ב-1905 בעיר בשם זה בטרנסילבניה ומאופיינת בקנאות ובשמרנות דתית, בבידוד מן העולם החיצוני ובאנטי-ציונות. ב-2006 התפלגה סאטמאר בין האדמו"רים האחים זלמן לייב טייטלבוים ואהרן טייטלבוים, הטוענים כל אחד לזכות הירושה. החצר הגדולה בישראל היא גור. כ-9% מכלל בתי-האב החסידיים הידועים בתבל נמנים עליה, בערך 12,000. גור החלה לפעול ב-1859 בגורה קלוואריה הסמוכה לוורשה ושורשיה נעוצים בבית פשיסחא הרציונליסטי. במשך שנים רבות הייתה הכוח הדומיננטי באגודת ישראל והתאפיינה ביחס מתון כלפי המודרנה. מאז 1996 מכהן האדמו"ר יעקב אריה אלתר. חסידות בעלזא, עם 7,500 משפחות, קמה ב-1817 ביישוב בשם זה בגליציה המזרחית, מצפון ללבוב. בעלזא שילבה פופוליזם כריזמטי בשיטת החוזה מלובלין עם חסידות "רבנית" ולמדנית, והפגינה קנאות ונוקשות דתית. עד 1979 שמרה על זיקה לעדה החרדית גם בהיותה באגודת ישראל, אך אז התנתקה בהנהגת האדמו"ר המכהן ישכר דב רוקח והקימה מוסדות דת משלה. החצר הגדולה הרביעית היא חסידות ויז'ניץ, שנוסדה בעיר בשם זה בבוקובינה ב-1854 ודגלה בעממיות ובקירוב ההמונים באמצעות הפגנת גדלות מצד הרבי. ויז'ניץ התפצלה לכמה ענפים המתקיימים בשלום ביחד, כל אחד עם אדמו"רו: שיכון ויז'ניץ בראשות הרב ישראל הגר, עם כ-5,000 משפחות; מרכז ויז'ניץ בהובלת הרב מנחם מנדל הגר המונה כ-650; חסידות ויז'ניץ מונסי הכוללת 3,500 בתי-אב, וחסידות סרט ויז'ניץ עם 1,300. ישנן עוד חצרות החולשות על קהל משמעותי. באבוב, שנוסדה ב-1892 בגליציה, התפלגה ב-2005 ל"באבוב" הראשית, עם 3,500 משפחות, ו"באבוב 45", המונה 1,500. הן נקראות על שם הרחובות בבורו פארק בהם שוכנות החצרות. חסידות צאנז-קלויזנבורג קמה בטרנסילבניה ב-1927 ופוצלה בהסכמה בין שלושה אדמו"רים, שלהם 3,800 משפחות בסך הכל. חסידות קרלין, שנוסדה במאה ה-18 בבלארוס, התפלגה בין פינסק-קרלין, קרלין-סטולין וקהל חסידי ירושלים. אלו מונות ביחד כ-3,000 משפחות. חבורת שומר אמונים מן היישוב הישן בירושלים, המפוצלת לחמש חצרות נפרדות (שהגדולה שבהן היא חסידות תולדות אהרן), מונה אף היא למעלה מ-2,000 משפחות לענפיה. שתי תנועות חסידיות גדולות שכיום אין להן אדמו"ר, הן חב"ד וברסלב. לרבי נחמן מברסלב לא נמצא יורש מוסכם לאחר מותו ב-1810, ותלמידיו המשיכו כחבורות קטנות שהתקבצו סביב מורים שנצמדו לשיטתו. היא הייתה חסידות קטנה ונרדפת במשך כמאה וחמישים שנה, אך העניין המחודש שעוררו חוקרים כמרטין בובר במשנתה הוביל אליה חוזרים בתשובה רבים ועשה אותה פופולרית. ברסלב מונה למעלה מתריסר קבוצות-משנה שלרובן אוהדים רבים שאינם חסידים ממש. אלו מונות כ-14,000 משפחות, אם כי גם בקרבן הקריטריונים להשתייכות גמישים בהרבה מכל יתר החצרות. בחב"ד, הקדיש האדמו"ר האחרון מנחם מנדל שניאורסון את משאבי חצרו להחזרה בתשובה, עד טשטוש ההבדלים בין גרעין החסידים (כ-17,000 משפחות) לרבבות מקורבים ואוהדים נוספים. לאחר מותו ב-1994 של שניאורסון, שרבים מחסידיו ממשיכים לסבור שהוא המשיח, לא קם לו מחליף. חב"ד מתנהלת כשורה של מוסדות שיש להם הנהגה מרכזית אך לא אדמו"ר. ראו גם לקריאה נוספת קישורים חיצוניים הערות שוליים מקרא: קו מוצק=רב ותלמיד קו מקווקו=שושלת או קשר משפחתי הערות: התבנית סוקרת את השושלות המרכזיות, ובעיקר את אלו ששרדו עד היום. חלק מהשושלות הושפעו ממספר מקורות, בתבנית נמנו רק המקורות העיקריים.
========================================

[SOURCE: https://en.wikipedia.org/wiki/Language_model#References] \| [TOKENS: 1793]
Contents Language model A language model is a computational model that predicts sequences in natural language. Language models are useful for a variety of tasks, including speech recognition, machine translation, natural language generation (generating more human-like text), optical character recognition, route optimization, handwriting recognition, grammar induction, and information retrieval. Large language models (LLMs), currently their most advanced form as of 2019, are predominantly based on transformers trained on larger datasets (frequently using texts scraped from the public internet). They have superseded recurrent neural network-based models, which had previously superseded the purely statistical models, such as the word n-gram language model. History Noam Chomsky did pioneering work on language models in the 1950s by developing a theory of formal grammars. In 1980, statistical approaches were explored and found to be more useful for many purposes than rule-based formal grammars. Discrete representations like word n-gram language models, with probabilities for discrete combinations of words, made significant advances. In the 2000s, continuous representations for words, such as word embeddings, began to replace discrete representations. Typically, the representation is a real-valued vector that encodes a word’s meaning such that words closer in vector space are similar in meaning and common relationships between words, such as plurality or gender, are preserved. Pure statistical models In 1980, the first significant statistical language model was proposed, and during the decade IBM performed 'Shannon-style' experiments, in which potential sources for language modeling improvement were identified by observing and analyzing the performance of human subjects in predicting or correcting text. A word n-gram language model is a statistical model of language which calculates the probability of the next word in a sequence from a fixed size window of previous words. If one previous word is considered, it is a bigram model; if two words, a trigram model; if n − 1 words, an n-gram model. Special tokens are introduced to denote the start and end of a sentence ⟨ s ⟩ {\displaystyle \langle s\rangle } and ⟨ / s ⟩ {\displaystyle \langle /s\rangle } . To prevent a zero probability being assigned to unseen words, the probability of each seen word is slightly lowered to make room for the unseen words in a given corpus. To achieve this, various smoothing methods are used, from simple "add-one" smoothing (assigning a count of 1 to unseen n-grams, as an uninformative prior) to more sophisticated techniques, such as Good–Turing discounting or back-off models. Word n-gram models have largely been superseded by recurrent neural network–based models, which in turn have been superseded by Transformer-based models often referred to as large language models. Maximum entropy language models encode the relationship between a word and the n-gram history using feature functions. The equation is P ( w m ∣ w 1 , … , w m − 1 ) = 1 Z ( w 1 , … , w m − 1 ) exp ⁡ ( a T f ( w 1 , … , w m ) ) {\displaystyle P(w_{m}\mid w_{1},\ldots ,w_{m-1})={\frac {1}{Z(w_{1},\ldots ,w_{m-1})}}\exp(a^{T}f(w_{1},\ldots ,w_{m}))} where Z ( w 1 , … , w m − 1 ) {\displaystyle Z(w_{1},\ldots ,w_{m-1})} is the partition function, a {\displaystyle a} is the parameter vector, and f ( w 1 , … , w m ) {\displaystyle f(w_{1},\ldots ,w_{m})} is the feature function. In the simplest case, the feature function is just an indicator of the presence of a certain n-gram. It is helpful to use a prior on a {\displaystyle a} or some form of regularization. The log-bilinear model is another example of an exponential language model. Skip-gram language model is an attempt at overcoming the data sparsity problem that the preceding model (i.e. word n-gram language model) faced. Words represented in an embedding vector were not necessarily consecutive anymore, but could leave gaps that are skipped over (thus the name "skip-gram"). Formally, a k-skip-n-gram is a length-n subsequence where the components occur at distance at most k from each other. For example, in the input text: the set of 1-skip-2-grams includes all the bigrams (2-grams), and in addition the subsequences In skip-gram model, semantic relations between words are represented by linear combinations, capturing a form of compositionality. For example, in some such models, if v is the function that maps a word w to its n-d vector representation, then v ( k i n g ) − v ( m a l e ) + v ( f e m a l e ) ≈ v ( q u e e n ) {\displaystyle v(\mathrm {king} )-v(\mathrm {male} )+v(\mathrm {female} )\approx v(\mathrm {queen} )} where ≈ is made precise by stipulating that its right-hand side must be the nearest neighbor of the value of the left-hand side. Neural models Continuous representations or embeddings of words are produced in recurrent neural network-based language models (known also as continuous space language models). Such continuous space embeddings help to alleviate the curse of dimensionality, which is the consequence of the number of possible sequences of words increasing exponentially with the size of the vocabulary, further causing a data sparsity problem. Neural networks avoid this problem by representing words as non-linear combinations of weights in a neural net. A large language model (LLM) is a language model trained with self-supervised machine learning on a vast amount of text, designed for natural language processing tasks, especially language generation. The largest and most capable LLMs are generative pre-trained transformers (GPTs) that provide the core capabilities of modern chatbots. LLMs can be fine-tuned for specific tasks or guided by prompt engineering. These models acquire predictive power regarding syntax, semantics, and ontologies inherent in human language corpora, but they also inherit inaccuracies and biases present in the data they are trained on. They consist of billions to trillions of parameters and operate as general-purpose sequence models, generating, summarizing, translating, and reasoning over text. LLMs represent a significant new technology in their ability to generalize across tasks with minimal task-specific supervision, enabling capabilities like conversational agents, code generation, knowledge retrieval, and automated reasoning that previously required bespoke systems. LLMs evolved from earlier statistical and recurrent neural network approaches to language modeling. The transformer architecture, introduced in 2017, replaced recurrence with self-attention, allowing efficient parallelization, longer context handling, and scalable training on unprecedented data volumes. This innovation enabled models like GPT, BERT, and their successors, which demonstrated emergent behaviors at scale, such as few-shot learning and compositional reasoning. Reinforcement learning, particularly policy gradient algorithms, has been adapted to fine-tune LLMs for desired behaviors beyond raw next-token prediction. Reinforcement learning from human feedback (RLHF) applies these methods to optimize a policy, the LLM's output distribution, against reward signals derived from human or automated preference judgments. This has been critical for aligning model outputs with user expectations, improving factuality, reducing harmful responses, and enhancing task performance. Benchmark evaluations for LLMs have evolved from narrow linguistic assessments toward comprehensive, multi-task evaluations measuring reasoning, factual accuracy, alignment, and safety. Hill climbing, iteratively optimizing models against benchmarks, has emerged as a dominant strategy, producing rapid incremental performance gains but raising concerns of overfitting to benchmarks rather than achieving genuine generalization or robust capability improvements. Although sometimes matching human performance, it is not clear whether they are plausible cognitive models. At least for recurrent neural networks, it has been shown that they sometimes learn patterns that humans do not, but fail to learn patterns that humans typically do. Evaluation and benchmarks Evaluation of the quality of language models is mostly done by comparison to human created sample benchmarks created from typical language-oriented tasks. Other, less established, quality tests examine the intrinsic character of a language model or compare two such models. Since language models are typically intended to be dynamic and to learn from data they see, some proposed models investigate the rate of learning, e.g., through inspection of learning curves. Various data sets have been developed for use in evaluating language processing systems. These include: See also References Further reading
========================================

[SOURCE: https://en.wikipedia.org/wiki/Language_model#Pure_statistical_models] \| [TOKENS: 1793]
Contents Language model A language model is a computational model that predicts sequences in natural language. Language models are useful for a variety of tasks, including speech recognition, machine translation, natural language generation (generating more human-like text), optical character recognition, route optimization, handwriting recognition, grammar induction, and information retrieval. Large language models (LLMs), currently their most advanced form as of 2019, are predominantly based on transformers trained on larger datasets (frequently using texts scraped from the public internet). They have superseded recurrent neural network-based models, which had previously superseded the purely statistical models, such as the word n-gram language model. History Noam Chomsky did pioneering work on language models in the 1950s by developing a theory of formal grammars. In 1980, statistical approaches were explored and found to be more useful for many purposes than rule-based formal grammars. Discrete representations like word n-gram language models, with probabilities for discrete combinations of words, made significant advances. In the 2000s, continuous representations for words, such as word embeddings, began to replace discrete representations. Typically, the representation is a real-valued vector that encodes a word’s meaning such that words closer in vector space are similar in meaning and common relationships between words, such as plurality or gender, are preserved. Pure statistical models In 1980, the first significant statistical language model was proposed, and during the decade IBM performed 'Shannon-style' experiments, in which potential sources for language modeling improvement were identified by observing and analyzing the performance of human subjects in predicting or correcting text. A word n-gram language model is a statistical model of language which calculates the probability of the next word in a sequence from a fixed size window of previous words. If one previous word is considered, it is a bigram model; if two words, a trigram model; if n − 1 words, an n-gram model. Special tokens are introduced to denote the start and end of a sentence ⟨ s ⟩ {\displaystyle \langle s\rangle } and ⟨ / s ⟩ {\displaystyle \langle /s\rangle } . To prevent a zero probability being assigned to unseen words, the probability of each seen word is slightly lowered to make room for the unseen words in a given corpus. To achieve this, various smoothing methods are used, from simple "add-one" smoothing (assigning a count of 1 to unseen n-grams, as an uninformative prior) to more sophisticated techniques, such as Good–Turing discounting or back-off models. Word n-gram models have largely been superseded by recurrent neural network–based models, which in turn have been superseded by Transformer-based models often referred to as large language models. Maximum entropy language models encode the relationship between a word and the n-gram history using feature functions. The equation is P ( w m ∣ w 1 , … , w m − 1 ) = 1 Z ( w 1 , … , w m − 1 ) exp ⁡ ( a T f ( w 1 , … , w m ) ) {\displaystyle P(w_{m}\mid w_{1},\ldots ,w_{m-1})={\frac {1}{Z(w_{1},\ldots ,w_{m-1})}}\exp(a^{T}f(w_{1},\ldots ,w_{m}))} where Z ( w 1 , … , w m − 1 ) {\displaystyle Z(w_{1},\ldots ,w_{m-1})} is the partition function, a {\displaystyle a} is the parameter vector, and f ( w 1 , … , w m ) {\displaystyle f(w_{1},\ldots ,w_{m})} is the feature function. In the simplest case, the feature function is just an indicator of the presence of a certain n-gram. It is helpful to use a prior on a {\displaystyle a} or some form of regularization. The log-bilinear model is another example of an exponential language model. Skip-gram language model is an attempt at overcoming the data sparsity problem that the preceding model (i.e. word n-gram language model) faced. Words represented in an embedding vector were not necessarily consecutive anymore, but could leave gaps that are skipped over (thus the name "skip-gram"). Formally, a k-skip-n-gram is a length-n subsequence where the components occur at distance at most k from each other. For example, in the input text: the set of 1-skip-2-grams includes all the bigrams (2-grams), and in addition the subsequences In skip-gram model, semantic relations between words are represented by linear combinations, capturing a form of compositionality. For example, in some such models, if v is the function that maps a word w to its n-d vector representation, then v ( k i n g ) − v ( m a l e ) + v ( f e m a l e ) ≈ v ( q u e e n ) {\displaystyle v(\mathrm {king} )-v(\mathrm {male} )+v(\mathrm {female} )\approx v(\mathrm {queen} )} where ≈ is made precise by stipulating that its right-hand side must be the nearest neighbor of the value of the left-hand side. Neural models Continuous representations or embeddings of words are produced in recurrent neural network-based language models (known also as continuous space language models). Such continuous space embeddings help to alleviate the curse of dimensionality, which is the consequence of the number of possible sequences of words increasing exponentially with the size of the vocabulary, further causing a data sparsity problem. Neural networks avoid this problem by representing words as non-linear combinations of weights in a neural net. A large language model (LLM) is a language model trained with self-supervised machine learning on a vast amount of text, designed for natural language processing tasks, especially language generation. The largest and most capable LLMs are generative pre-trained transformers (GPTs) that provide the core capabilities of modern chatbots. LLMs can be fine-tuned for specific tasks or guided by prompt engineering. These models acquire predictive power regarding syntax, semantics, and ontologies inherent in human language corpora, but they also inherit inaccuracies and biases present in the data they are trained on. They consist of billions to trillions of parameters and operate as general-purpose sequence models, generating, summarizing, translating, and reasoning over text. LLMs represent a significant new technology in their ability to generalize across tasks with minimal task-specific supervision, enabling capabilities like conversational agents, code generation, knowledge retrieval, and automated reasoning that previously required bespoke systems. LLMs evolved from earlier statistical and recurrent neural network approaches to language modeling. The transformer architecture, introduced in 2017, replaced recurrence with self-attention, allowing efficient parallelization, longer context handling, and scalable training on unprecedented data volumes. This innovation enabled models like GPT, BERT, and their successors, which demonstrated emergent behaviors at scale, such as few-shot learning and compositional reasoning. Reinforcement learning, particularly policy gradient algorithms, has been adapted to fine-tune LLMs for desired behaviors beyond raw next-token prediction. Reinforcement learning from human feedback (RLHF) applies these methods to optimize a policy, the LLM's output distribution, against reward signals derived from human or automated preference judgments. This has been critical for aligning model outputs with user expectations, improving factuality, reducing harmful responses, and enhancing task performance. Benchmark evaluations for LLMs have evolved from narrow linguistic assessments toward comprehensive, multi-task evaluations measuring reasoning, factual accuracy, alignment, and safety. Hill climbing, iteratively optimizing models against benchmarks, has emerged as a dominant strategy, producing rapid incremental performance gains but raising concerns of overfitting to benchmarks rather than achieving genuine generalization or robust capability improvements. Although sometimes matching human performance, it is not clear whether they are plausible cognitive models. At least for recurrent neural networks, it has been shown that they sometimes learn patterns that humans do not, but fail to learn patterns that humans typically do. Evaluation and benchmarks Evaluation of the quality of language models is mostly done by comparison to human created sample benchmarks created from typical language-oriented tasks. Other, less established, quality tests examine the intrinsic character of a language model or compare two such models. Since language models are typically intended to be dynamic and to learn from data they see, some proposed models investigate the rate of learning, e.g., through inspection of learning curves. Various data sets have been developed for use in evaluating language processing systems. These include: See also References Further reading
========================================

[SOURCE: https://en.wikipedia.org/wiki/Language_model#Large_language_models] \| [TOKENS: 1793]
Contents Language model A language model is a computational model that predicts sequences in natural language. Language models are useful for a variety of tasks, including speech recognition, machine translation, natural language generation (generating more human-like text), optical character recognition, route optimization, handwriting recognition, grammar induction, and information retrieval. Large language models (LLMs), currently their most advanced form as of 2019, are predominantly based on transformers trained on larger datasets (frequently using texts scraped from the public internet). They have superseded recurrent neural network-based models, which had previously superseded the purely statistical models, such as the word n-gram language model. History Noam Chomsky did pioneering work on language models in the 1950s by developing a theory of formal grammars. In 1980, statistical approaches were explored and found to be more useful for many purposes than rule-based formal grammars. Discrete representations like word n-gram language models, with probabilities for discrete combinations of words, made significant advances. In the 2000s, continuous representations for words, such as word embeddings, began to replace discrete representations. Typically, the representation is a real-valued vector that encodes a word’s meaning such that words closer in vector space are similar in meaning and common relationships between words, such as plurality or gender, are preserved. Pure statistical models In 1980, the first significant statistical language model was proposed, and during the decade IBM performed 'Shannon-style' experiments, in which potential sources for language modeling improvement were identified by observing and analyzing the performance of human subjects in predicting or correcting text. A word n-gram language model is a statistical model of language which calculates the probability of the next word in a sequence from a fixed size window of previous words. If one previous word is considered, it is a bigram model; if two words, a trigram model; if n − 1 words, an n-gram model. Special tokens are introduced to denote the start and end of a sentence ⟨ s ⟩ {\displaystyle \langle s\rangle } and ⟨ / s ⟩ {\displaystyle \langle /s\rangle } . To prevent a zero probability being assigned to unseen words, the probability of each seen word is slightly lowered to make room for the unseen words in a given corpus. To achieve this, various smoothing methods are used, from simple "add-one" smoothing (assigning a count of 1 to unseen n-grams, as an uninformative prior) to more sophisticated techniques, such as Good–Turing discounting or back-off models. Word n-gram models have largely been superseded by recurrent neural network–based models, which in turn have been superseded by Transformer-based models often referred to as large language models. Maximum entropy language models encode the relationship between a word and the n-gram history using feature functions. The equation is P ( w m ∣ w 1 , … , w m − 1 ) = 1 Z ( w 1 , … , w m − 1 ) exp ⁡ ( a T f ( w 1 , … , w m ) ) {\displaystyle P(w_{m}\mid w_{1},\ldots ,w_{m-1})={\frac {1}{Z(w_{1},\ldots ,w_{m-1})}}\exp(a^{T}f(w_{1},\ldots ,w_{m}))} where Z ( w 1 , … , w m − 1 ) {\displaystyle Z(w_{1},\ldots ,w_{m-1})} is the partition function, a {\displaystyle a} is the parameter vector, and f ( w 1 , … , w m ) {\displaystyle f(w_{1},\ldots ,w_{m})} is the feature function. In the simplest case, the feature function is just an indicator of the presence of a certain n-gram. It is helpful to use a prior on a {\displaystyle a} or some form of regularization. The log-bilinear model is another example of an exponential language model. Skip-gram language model is an attempt at overcoming the data sparsity problem that the preceding model (i.e. word n-gram language model) faced. Words represented in an embedding vector were not necessarily consecutive anymore, but could leave gaps that are skipped over (thus the name "skip-gram"). Formally, a k-skip-n-gram is a length-n subsequence where the components occur at distance at most k from each other. For example, in the input text: the set of 1-skip-2-grams includes all the bigrams (2-grams), and in addition the subsequences In skip-gram model, semantic relations between words are represented by linear combinations, capturing a form of compositionality. For example, in some such models, if v is the function that maps a word w to its n-d vector representation, then v ( k i n g ) − v ( m a l e ) + v ( f e m a l e ) ≈ v ( q u e e n ) {\displaystyle v(\mathrm {king} )-v(\mathrm {male} )+v(\mathrm {female} )\approx v(\mathrm {queen} )} where ≈ is made precise by stipulating that its right-hand side must be the nearest neighbor of the value of the left-hand side. Neural models Continuous representations or embeddings of words are produced in recurrent neural network-based language models (known also as continuous space language models). Such continuous space embeddings help to alleviate the curse of dimensionality, which is the consequence of the number of possible sequences of words increasing exponentially with the size of the vocabulary, further causing a data sparsity problem. Neural networks avoid this problem by representing words as non-linear combinations of weights in a neural net. A large language model (LLM) is a language model trained with self-supervised machine learning on a vast amount of text, designed for natural language processing tasks, especially language generation. The largest and most capable LLMs are generative pre-trained transformers (GPTs) that provide the core capabilities of modern chatbots. LLMs can be fine-tuned for specific tasks or guided by prompt engineering. These models acquire predictive power regarding syntax, semantics, and ontologies inherent in human language corpora, but they also inherit inaccuracies and biases present in the data they are trained on. They consist of billions to trillions of parameters and operate as general-purpose sequence models, generating, summarizing, translating, and reasoning over text. LLMs represent a significant new technology in their ability to generalize across tasks with minimal task-specific supervision, enabling capabilities like conversational agents, code generation, knowledge retrieval, and automated reasoning that previously required bespoke systems. LLMs evolved from earlier statistical and recurrent neural network approaches to language modeling. The transformer architecture, introduced in 2017, replaced recurrence with self-attention, allowing efficient parallelization, longer context handling, and scalable training on unprecedented data volumes. This innovation enabled models like GPT, BERT, and their successors, which demonstrated emergent behaviors at scale, such as few-shot learning and compositional reasoning. Reinforcement learning, particularly policy gradient algorithms, has been adapted to fine-tune LLMs for desired behaviors beyond raw next-token prediction. Reinforcement learning from human feedback (RLHF) applies these methods to optimize a policy, the LLM's output distribution, against reward signals derived from human or automated preference judgments. This has been critical for aligning model outputs with user expectations, improving factuality, reducing harmful responses, and enhancing task performance. Benchmark evaluations for LLMs have evolved from narrow linguistic assessments toward comprehensive, multi-task evaluations measuring reasoning, factual accuracy, alignment, and safety. Hill climbing, iteratively optimizing models against benchmarks, has emerged as a dominant strategy, producing rapid incremental performance gains but raising concerns of overfitting to benchmarks rather than achieving genuine generalization or robust capability improvements. Although sometimes matching human performance, it is not clear whether they are plausible cognitive models. At least for recurrent neural networks, it has been shown that they sometimes learn patterns that humans do not, but fail to learn patterns that humans typically do. Evaluation and benchmarks Evaluation of the quality of language models is mostly done by comparison to human created sample benchmarks created from typical language-oriented tasks. Other, less established, quality tests examine the intrinsic character of a language model or compare two such models. Since language models are typically intended to be dynamic and to learn from data they see, some proposed models investigate the rate of learning, e.g., through inspection of learning curves. Various data sets have been developed for use in evaluating language processing systems. These include: See also References Further reading
========================================

[SOURCE: https://he.wikipedia.org/wiki/חמצה] \| [TOKENS: 4392]
תוכן עניינים חמצה חִמְצָה תרבותית (שם מדעי: Cicer arietinum), המוכרת יותר בשמה הערבי חומוס (תעתיק מדויק: חֻמֻּץ), היא צמח ממשפחת הקטניות. גובהו של הצמח הוא 20 - 50 ס"מ, והוא בעל עלים נוצתיים קטנים הנמצאים משני צדי הגבעול. בתרמיל זרע אחד עד שלושה זרעי חמצה. הפרחים לבנים או כחולים אדמדמים. חמצה זקוקה לאקלים חם ולמעלה מ־400 מ"מ גשם שנתי. גרגירי החומוס במצבם הטבעי מכילים 16%-24% חלבון. סוגים לחמצה כארבעים מינים, ביניהם רק תשעה חד שנתיים. תפוצתם מאפגניסטן ועד סודאן. לחמצה תרבותית שתי קבוצות זנים עיקריות שהגיעו למערב דרך הודו, הקבוצה הראשונה מקובלת באגן הים התיכון בעלת גרגר גדול בעל קליפה חלקה וצבע בהיר ונקראת קבולי משום שהגיעה להודו דרך אפגניסטן. הקבוצה השנייה, דזי (מקומי בסנסקריט), בעלת גרגר קטן בעל צורה מחוספסת וצבע כהה, נמצאת בגידול באתיופיה והמזרח התיכון (חוץ מישראל) והרחוק. זני הקבולי הגדלים בארץ אפילים יותר מזני הדזי אולם חלקם עמידים למחלות העיקריות התוקפות חמצה, זני הדזי מניבים יבול נמוך ורגישים למחלות ולכן הפסיקו לגדלם בארץ. בארץ גדל מין בר יחיד של חמצה, הקרוי חמצה שסועה (Cicer pinnatifidum). לצמח החמצה שורשים רבים הצומחים מטה, אך לכל הצדדים. השורשים אינם מתחלקים הרבה, אלא יש ריבוי שורשים מזרע החמצה עצמו. שימושים למאכל צורות ההגשה הפופולרית ביותר של החמצה במזרח התיכון היא כממרח חומוס, המורכב מגרגרי חמצה טחונים ותבלינים שונים. מאכל נפוץ נוסף העשוי מגרגירי חמצה הוא הפלאפל, שהוא קציצה העשויה גרגרי חומוס טחונים בתוספת תיבול, ומטוגנת בשמן עמוק. אצל יהודי מזרח אירופה מקובל המנהג לאכול ארבעס, גרגרי חמצה מבושלים ומתובלים במלח ופלפל שחור, בסעודת השלום זכר לכבוד תינוק שנולד. אצל יהודי תוניסיה נהוג להגיש גרגרי חומוס שלמים, מתובלים במלח ופפריקה באזכרות, ערב העלייה לקבר, במסגרת סעודה מסורתית. רוכלים מכרו בירושלים עד 1947 תרמילי חמצה קלויים על הענפים שלהם בשם הערבי חאמלה מאלאן. אחרי 1967 נמכרו באותו שם תרמילים קלויים, ללא הענפים, בשוק של חברון. גרגרי החמצה נאכלים גם בסלטים, מבושלים בתבשילים, או נטחנים כקמח. הצמח גם יכול להיאכל כירק טרי. בהודו, בפקיסטן ובבנגלדש מכינים מהגרגירים קמח, בין היתר, ומקובל לאכול אותם מבושלים עם קארי. בתת-היבשת ההודית נפוצה גם חמצה ירוקה. בטורקיה קולים אותם עם תבלינים ואוכלים אותם כחטיף. דבאייל הוא חטיף חומוס תימני (שמקורו בחטיף ההודי סֶב) מטוגן מלוח וחריף המבוסס על חומוס ותבלינים. קציצות הגונדי הפרסיות מכילות קמח חומוס ועוף. היסטוריית התִרבות מקורה של החמצה התרבותית היא בדרום טורקיה בזן של חמצת בר בשם "חמצה מרושתת", כנראה שנעשו מספר ניסיונות תירבות בזנים שונים של חמצות בר ולבסוף הזן שתורבת מהחמצה המרושתת דחק את כל היתר. לעומת חמצה תרבותית שבה התרמיל נשאר על הצמח ואיננו מתבקע, בחמצת הבר התרמיל נושר בשלב מסוים, מתבקע על הקרקע וזרעיו נפוצים במשך תקופה. ישנן עדויות על ביות צמח החמצה במהלך התקופה הנאוליתית מאזור טורקיה, מצרים ויריחו. מהתקופה הנאוליתית המאוחרת ישנן עדויות מתסליה, קסנתי, לרנה, ודימיני מסביבות 3500 לפנה"ס. בצרפת נמצאו עדויות מהתקופה המזוליתית בסביבות 6790 לפנה"ס. בתקופת הברונזה נאכלה החמצה חיה ושימשה לקינוחים. הרומאים גם הם גידלו כמה סוגי חמצות. הן נאכלו במרק בשר וכחטיפים לאחר שעברו קלייה. בתקופה הרומית היו גרגרי חמצה קלויים מאכל פופולרי. הקיסר קרל הגדול מזכיר בכתביו מ-800 לספירה את גידול החמצה באחוזות המלכותיות. הפילוסוף אלברטוס מגנוס הזכיר שלושה סוגים - אדום, לבן ושחור. לדבריו, הם יכלו לשמש לצרכים רפואיים, כגון העלאת כמויות החלב והזרע, זירוז וסת והטלת שתן וסיוע לטיפול באבני כליה. התיעוד הוודאי הראשון להכנת חומוס מגרגרים מבושלים בתוספת טחינה בארץ-ישראל, הוא מהתקופה הצלבנית, עם זאת יש הטוענים שהוא נזכר כבר במקורות קדומים (ראו להלן "מקור השם"). בשנת 1976 ערך פרופסור גדעון לדיז'ינסקי מהפקולטה לחקלאות, מזון וסביבה, מחקר שמטרתו למצוא את "אב החומוס" (מחקר הדומה למחקרו של אהרן אהרנסון למציאת "אם החיטה") זאת כדי להשביח את הזנים המתורבתים. לדיז'ינסקי איתר בטורקיה את זן החמצה שממנו התפתח זן "החומוס" המתורבת. ב-2023 גידלו בהודו כ-75% מתפוקת החמצה העולמית, באוסטרליה כ-5% מהתפוקה, ובטורקיה כ-3.5% מהתפוקה. מקור השם המילה חִמְצָה חודשה בעברית המודרנית על בסיס המילה הארמית-תלמודית "חימצי", שזוהתה על פי ההקשר עם מין ממיני קטנית, ועל בסיס המילה הערבית "חֻמֻּץ" (שנהגית בפי דוברי שפות אחרות "חומוס"). יש הטוענים שבלשון חכמים שם הצמח היה אפון. לדעתו של חוקר הבוטניקה שבמקרא, יהודה פליקס, אף הפסוק המקראי: ”בְּלִיל חָמִיץ יֹאכֵלוּ” (ישעיהו ל', כ"ד) עוסק בבליל החמצה. הבלשן אבשלום קור, כמו גם הסופר מאיר שלו, סבורים שכאשר בועז הציע לרות המואביה: ”וַיֹּאמֶר לָה בֹעַז לְעֵת הָאֹכֶל גֹּשִׁי הֲלֹם וְאָכַלְתְּ מִן הַלֶּחֶם וְטָבַלְתְּ פִּתֵּךְ בַּחֹמֶץ” (רות ב', י"ד) מדובר למעשה ב"ניגוב" של חומוס. וכי אין זה סביר שאכלו לחם בחומץ הידוע לנו, אלא בחמצה, ממש כפי שאוכלים כיום. ישנם שני הסברים מקובלים לשם "חמצה": ראו גם קישורים חיצוניים הערות שוליים
========================================

[SOURCE: https://en.wikipedia.org/wiki/Natural_language] \| [TOKENS: 623]
Contents Natural language A natural language or ordinary language is any spoken language or signed language used organically in a human community, first emerging without conscious premeditation and subject to: replication across generations of people in the community, regional expansion or contraction, and gradual internal and structural changes. The vast majority of languages in the world are natural languages. As a category, natural language includes both standard dialects (ones with high social prestige) as well as nonstandard or vernacular dialects. Even an official language with a regulating academy such as Standard French, overseen by the Académie Française, is still classified as a natural language (e.g. in the field of natural language processing), as its prescriptive aspects do not make it regulated enough to be considered a constructed or controlled natural language. Linguists broadly consider writing to be a static visual representation of a particular natural language, though, in many cases in highly literate modern societies, writing itself is also now subject to the natural processes of widely spoken natural languages. Excluded from the definition of natural language are: artificial and constructed languages, such as those developed for works of fiction; languages of formal logic, such as those in computer programming; and non-human communication systems in nature, such as whale vocalizations or honey bees' waggle dance. The academic consensus is that particular key features prevent animal communication systems from being classified as languages at all. Certain systems of human communication with no native speakers, as sometimes used in cross-cultural contexts, are also not natural languages. Controlled languages Controlled natural languages are subsets of natural languages whose grammars and dictionaries have been restricted in order to reduce ambiguity and complexity. This may be accomplished by decreasing usage of superlative or adverbial forms, or irregular verbs. Typical purposes for developing and implementing a controlled natural language are to aid understanding by non-native speakers or to ease computer processing. An example of a widely used controlled natural language is Simplified Technical English, which was originally developed for aerospace and avionics industry manuals. International constructed languages Being constructed, International auxiliary languages such as Esperanto and Interlingua are not considered natural languages, with the possible exception of true native speakers of such languages. Natural languages evolve, through fluctuations in vocabulary and syntax, to incrementally improve human communication. In contrast, Esperanto was created by Polish ophthalmologist L. L. Zamenhof in the late 19th century. Some natural languages have become organically "standardized" through the synthesis of two or more pre-existing natural languages over a relatively short period of time through the development of a pidgin, which is not considered a language, into a stable creole language. A creole such as Haitian Creole has its own grammar, vocabulary and literature. It is spoken by over 10 million people worldwide and is one of the two official languages of the Republic of Haiti. As of 1996, there were 350 attested families with one or more native speakers of Esperanto. Latino sine flexione, another international auxiliary language, is no longer widely spoken. See also Notes References External links
========================================

[SOURCE: https://en.wikipedia.org/wiki/Language_model#cite_note-3] \| [TOKENS: 1793]
Contents Language model A language model is a computational model that predicts sequences in natural language. Language models are useful for a variety of tasks, including speech recognition, machine translation, natural language generation (generating more human-like text), optical character recognition, route optimization, handwriting recognition, grammar induction, and information retrieval. Large language models (LLMs), currently their most advanced form as of 2019, are predominantly based on transformers trained on larger datasets (frequently using texts scraped from the public internet). They have superseded recurrent neural network-based models, which had previously superseded the purely statistical models, such as the word n-gram language model. History Noam Chomsky did pioneering work on language models in the 1950s by developing a theory of formal grammars. In 1980, statistical approaches were explored and found to be more useful for many purposes than rule-based formal grammars. Discrete representations like word n-gram language models, with probabilities for discrete combinations of words, made significant advances. In the 2000s, continuous representations for words, such as word embeddings, began to replace discrete representations. Typically, the representation is a real-valued vector that encodes a word’s meaning such that words closer in vector space are similar in meaning and common relationships between words, such as plurality or gender, are preserved. Pure statistical models In 1980, the first significant statistical language model was proposed, and during the decade IBM performed 'Shannon-style' experiments, in which potential sources for language modeling improvement were identified by observing and analyzing the performance of human subjects in predicting or correcting text. A word n-gram language model is a statistical model of language which calculates the probability of the next word in a sequence from a fixed size window of previous words. If one previous word is considered, it is a bigram model; if two words, a trigram model; if n − 1 words, an n-gram model. Special tokens are introduced to denote the start and end of a sentence ⟨ s ⟩ {\displaystyle \langle s\rangle } and ⟨ / s ⟩ {\displaystyle \langle /s\rangle } . To prevent a zero probability being assigned to unseen words, the probability of each seen word is slightly lowered to make room for the unseen words in a given corpus. To achieve this, various smoothing methods are used, from simple "add-one" smoothing (assigning a count of 1 to unseen n-grams, as an uninformative prior) to more sophisticated techniques, such as Good–Turing discounting or back-off models. Word n-gram models have largely been superseded by recurrent neural network–based models, which in turn have been superseded by Transformer-based models often referred to as large language models. Maximum entropy language models encode the relationship between a word and the n-gram history using feature functions. The equation is P ( w m ∣ w 1 , … , w m − 1 ) = 1 Z ( w 1 , … , w m − 1 ) exp ⁡ ( a T f ( w 1 , … , w m ) ) {\displaystyle P(w_{m}\mid w_{1},\ldots ,w_{m-1})={\frac {1}{Z(w_{1},\ldots ,w_{m-1})}}\exp(a^{T}f(w_{1},\ldots ,w_{m}))} where Z ( w 1 , … , w m − 1 ) {\displaystyle Z(w_{1},\ldots ,w_{m-1})} is the partition function, a {\displaystyle a} is the parameter vector, and f ( w 1 , … , w m ) {\displaystyle f(w_{1},\ldots ,w_{m})} is the feature function. In the simplest case, the feature function is just an indicator of the presence of a certain n-gram. It is helpful to use a prior on a {\displaystyle a} or some form of regularization. The log-bilinear model is another example of an exponential language model. Skip-gram language model is an attempt at overcoming the data sparsity problem that the preceding model (i.e. word n-gram language model) faced. Words represented in an embedding vector were not necessarily consecutive anymore, but could leave gaps that are skipped over (thus the name "skip-gram"). Formally, a k-skip-n-gram is a length-n subsequence where the components occur at distance at most k from each other. For example, in the input text: the set of 1-skip-2-grams includes all the bigrams (2-grams), and in addition the subsequences In skip-gram model, semantic relations between words are represented by linear combinations, capturing a form of compositionality. For example, in some such models, if v is the function that maps a word w to its n-d vector representation, then v ( k i n g ) − v ( m a l e ) + v ( f e m a l e ) ≈ v ( q u e e n ) {\displaystyle v(\mathrm {king} )-v(\mathrm {male} )+v(\mathrm {female} )\approx v(\mathrm {queen} )} where ≈ is made precise by stipulating that its right-hand side must be the nearest neighbor of the value of the left-hand side. Neural models Continuous representations or embeddings of words are produced in recurrent neural network-based language models (known also as continuous space language models). Such continuous space embeddings help to alleviate the curse of dimensionality, which is the consequence of the number of possible sequences of words increasing exponentially with the size of the vocabulary, further causing a data sparsity problem. Neural networks avoid this problem by representing words as non-linear combinations of weights in a neural net. A large language model (LLM) is a language model trained with self-supervised machine learning on a vast amount of text, designed for natural language processing tasks, especially language generation. The largest and most capable LLMs are generative pre-trained transformers (GPTs) that provide the core capabilities of modern chatbots. LLMs can be fine-tuned for specific tasks or guided by prompt engineering. These models acquire predictive power regarding syntax, semantics, and ontologies inherent in human language corpora, but they also inherit inaccuracies and biases present in the data they are trained on. They consist of billions to trillions of parameters and operate as general-purpose sequence models, generating, summarizing, translating, and reasoning over text. LLMs represent a significant new technology in their ability to generalize across tasks with minimal task-specific supervision, enabling capabilities like conversational agents, code generation, knowledge retrieval, and automated reasoning that previously required bespoke systems. LLMs evolved from earlier statistical and recurrent neural network approaches to language modeling. The transformer architecture, introduced in 2017, replaced recurrence with self-attention, allowing efficient parallelization, longer context handling, and scalable training on unprecedented data volumes. This innovation enabled models like GPT, BERT, and their successors, which demonstrated emergent behaviors at scale, such as few-shot learning and compositional reasoning. Reinforcement learning, particularly policy gradient algorithms, has been adapted to fine-tune LLMs for desired behaviors beyond raw next-token prediction. Reinforcement learning from human feedback (RLHF) applies these methods to optimize a policy, the LLM's output distribution, against reward signals derived from human or automated preference judgments. This has been critical for aligning model outputs with user expectations, improving factuality, reducing harmful responses, and enhancing task performance. Benchmark evaluations for LLMs have evolved from narrow linguistic assessments toward comprehensive, multi-task evaluations measuring reasoning, factual accuracy, alignment, and safety. Hill climbing, iteratively optimizing models against benchmarks, has emerged as a dominant strategy, producing rapid incremental performance gains but raising concerns of overfitting to benchmarks rather than achieving genuine generalization or robust capability improvements. Although sometimes matching human performance, it is not clear whether they are plausible cognitive models. At least for recurrent neural networks, it has been shown that they sometimes learn patterns that humans do not, but fail to learn patterns that humans typically do. Evaluation and benchmarks Evaluation of the quality of language models is mostly done by comparison to human created sample benchmarks created from typical language-oriented tasks. Other, less established, quality tests examine the intrinsic character of a language model or compare two such models. Since language models are typically intended to be dynamic and to learn from data they see, some proposed models investigate the rate of learning, e.g., through inspection of learning curves. Various data sets have been developed for use in evaluating language processing systems. These include: See also References Further reading
========================================

[SOURCE: https://en.wikipedia.org/wiki/Language_model#cite_note-Semantic_parsing_as_machine_translation-4] \| [TOKENS: 1793]
Contents Language model A language model is a computational model that predicts sequences in natural language. Language models are useful for a variety of tasks, including speech recognition, machine translation, natural language generation (generating more human-like text), optical character recognition, route optimization, handwriting recognition, grammar induction, and information retrieval. Large language models (LLMs), currently their most advanced form as of 2019, are predominantly based on transformers trained on larger datasets (frequently using texts scraped from the public internet). They have superseded recurrent neural network-based models, which had previously superseded the purely statistical models, such as the word n-gram language model. History Noam Chomsky did pioneering work on language models in the 1950s by developing a theory of formal grammars. In 1980, statistical approaches were explored and found to be more useful for many purposes than rule-based formal grammars. Discrete representations like word n-gram language models, with probabilities for discrete combinations of words, made significant advances. In the 2000s, continuous representations for words, such as word embeddings, began to replace discrete representations. Typically, the representation is a real-valued vector that encodes a word’s meaning such that words closer in vector space are similar in meaning and common relationships between words, such as plurality or gender, are preserved. Pure statistical models In 1980, the first significant statistical language model was proposed, and during the decade IBM performed 'Shannon-style' experiments, in which potential sources for language modeling improvement were identified by observing and analyzing the performance of human subjects in predicting or correcting text. A word n-gram language model is a statistical model of language which calculates the probability of the next word in a sequence from a fixed size window of previous words. If one previous word is considered, it is a bigram model; if two words, a trigram model; if n − 1 words, an n-gram model. Special tokens are introduced to denote the start and end of a sentence ⟨ s ⟩ {\displaystyle \langle s\rangle } and ⟨ / s ⟩ {\displaystyle \langle /s\rangle } . To prevent a zero probability being assigned to unseen words, the probability of each seen word is slightly lowered to make room for the unseen words in a given corpus. To achieve this, various smoothing methods are used, from simple "add-one" smoothing (assigning a count of 1 to unseen n-grams, as an uninformative prior) to more sophisticated techniques, such as Good–Turing discounting or back-off models. Word n-gram models have largely been superseded by recurrent neural network–based models, which in turn have been superseded by Transformer-based models often referred to as large language models. Maximum entropy language models encode the relationship between a word and the n-gram history using feature functions. The equation is P ( w m ∣ w 1 , … , w m − 1 ) = 1 Z ( w 1 , … , w m − 1 ) exp ⁡ ( a T f ( w 1 , … , w m ) ) {\displaystyle P(w_{m}\mid w_{1},\ldots ,w_{m-1})={\frac {1}{Z(w_{1},\ldots ,w_{m-1})}}\exp(a^{T}f(w_{1},\ldots ,w_{m}))} where Z ( w 1 , … , w m − 1 ) {\displaystyle Z(w_{1},\ldots ,w_{m-1})} is the partition function, a {\displaystyle a} is the parameter vector, and f ( w 1 , … , w m ) {\displaystyle f(w_{1},\ldots ,w_{m})} is the feature function. In the simplest case, the feature function is just an indicator of the presence of a certain n-gram. It is helpful to use a prior on a {\displaystyle a} or some form of regularization. The log-bilinear model is another example of an exponential language model. Skip-gram language model is an attempt at overcoming the data sparsity problem that the preceding model (i.e. word n-gram language model) faced. Words represented in an embedding vector were not necessarily consecutive anymore, but could leave gaps that are skipped over (thus the name "skip-gram"). Formally, a k-skip-n-gram is a length-n subsequence where the components occur at distance at most k from each other. For example, in the input text: the set of 1-skip-2-grams includes all the bigrams (2-grams), and in addition the subsequences In skip-gram model, semantic relations between words are represented by linear combinations, capturing a form of compositionality. For example, in some such models, if v is the function that maps a word w to its n-d vector representation, then v ( k i n g ) − v ( m a l e ) + v ( f e m a l e ) ≈ v ( q u e e n ) {\displaystyle v(\mathrm {king} )-v(\mathrm {male} )+v(\mathrm {female} )\approx v(\mathrm {queen} )} where ≈ is made precise by stipulating that its right-hand side must be the nearest neighbor of the value of the left-hand side. Neural models Continuous representations or embeddings of words are produced in recurrent neural network-based language models (known also as continuous space language models). Such continuous space embeddings help to alleviate the curse of dimensionality, which is the consequence of the number of possible sequences of words increasing exponentially with the size of the vocabulary, further causing a data sparsity problem. Neural networks avoid this problem by representing words as non-linear combinations of weights in a neural net. A large language model (LLM) is a language model trained with self-supervised machine learning on a vast amount of text, designed for natural language processing tasks, especially language generation. The largest and most capable LLMs are generative pre-trained transformers (GPTs) that provide the core capabilities of modern chatbots. LLMs can be fine-tuned for specific tasks or guided by prompt engineering. These models acquire predictive power regarding syntax, semantics, and ontologies inherent in human language corpora, but they also inherit inaccuracies and biases present in the data they are trained on. They consist of billions to trillions of parameters and operate as general-purpose sequence models, generating, summarizing, translating, and reasoning over text. LLMs represent a significant new technology in their ability to generalize across tasks with minimal task-specific supervision, enabling capabilities like conversational agents, code generation, knowledge retrieval, and automated reasoning that previously required bespoke systems. LLMs evolved from earlier statistical and recurrent neural network approaches to language modeling. The transformer architecture, introduced in 2017, replaced recurrence with self-attention, allowing efficient parallelization, longer context handling, and scalable training on unprecedented data volumes. This innovation enabled models like GPT, BERT, and their successors, which demonstrated emergent behaviors at scale, such as few-shot learning and compositional reasoning. Reinforcement learning, particularly policy gradient algorithms, has been adapted to fine-tune LLMs for desired behaviors beyond raw next-token prediction. Reinforcement learning from human feedback (RLHF) applies these methods to optimize a policy, the LLM's output distribution, against reward signals derived from human or automated preference judgments. This has been critical for aligning model outputs with user expectations, improving factuality, reducing harmful responses, and enhancing task performance. Benchmark evaluations for LLMs have evolved from narrow linguistic assessments toward comprehensive, multi-task evaluations measuring reasoning, factual accuracy, alignment, and safety. Hill climbing, iteratively optimizing models against benchmarks, has emerged as a dominant strategy, producing rapid incremental performance gains but raising concerns of overfitting to benchmarks rather than achieving genuine generalization or robust capability improvements. Although sometimes matching human performance, it is not clear whether they are plausible cognitive models. At least for recurrent neural networks, it has been shown that they sometimes learn patterns that humans do not, but fail to learn patterns that humans typically do. Evaluation and benchmarks Evaluation of the quality of language models is mostly done by comparison to human created sample benchmarks created from typical language-oriented tasks. Other, less established, quality tests examine the intrinsic character of a language model or compare two such models. Since language models are typically intended to be dynamic and to learn from data they see, some proposed models investigate the rate of learning, e.g., through inspection of learning curves. Various data sets have been developed for use in evaluating language processing systems. These include: See also References Further reading
========================================

[SOURCE: https://en.wikipedia.org/wiki/Language_model#cite_note-5] \| [TOKENS: 1793]
Contents Language model A language model is a computational model that predicts sequences in natural language. Language models are useful for a variety of tasks, including speech recognition, machine translation, natural language generation (generating more human-like text), optical character recognition, route optimization, handwriting recognition, grammar induction, and information retrieval. Large language models (LLMs), currently their most advanced form as of 2019, are predominantly based on transformers trained on larger datasets (frequently using texts scraped from the public internet). They have superseded recurrent neural network-based models, which had previously superseded the purely statistical models, such as the word n-gram language model. History Noam Chomsky did pioneering work on language models in the 1950s by developing a theory of formal grammars. In 1980, statistical approaches were explored and found to be more useful for many purposes than rule-based formal grammars. Discrete representations like word n-gram language models, with probabilities for discrete combinations of words, made significant advances. In the 2000s, continuous representations for words, such as word embeddings, began to replace discrete representations. Typically, the representation is a real-valued vector that encodes a word’s meaning such that words closer in vector space are similar in meaning and common relationships between words, such as plurality or gender, are preserved. Pure statistical models In 1980, the first significant statistical language model was proposed, and during the decade IBM performed 'Shannon-style' experiments, in which potential sources for language modeling improvement were identified by observing and analyzing the performance of human subjects in predicting or correcting text. A word n-gram language model is a statistical model of language which calculates the probability of the next word in a sequence from a fixed size window of previous words. If one previous word is considered, it is a bigram model; if two words, a trigram model; if n − 1 words, an n-gram model. Special tokens are introduced to denote the start and end of a sentence ⟨ s ⟩ {\displaystyle \langle s\rangle } and ⟨ / s ⟩ {\displaystyle \langle /s\rangle } . To prevent a zero probability being assigned to unseen words, the probability of each seen word is slightly lowered to make room for the unseen words in a given corpus. To achieve this, various smoothing methods are used, from simple "add-one" smoothing (assigning a count of 1 to unseen n-grams, as an uninformative prior) to more sophisticated techniques, such as Good–Turing discounting or back-off models. Word n-gram models have largely been superseded by recurrent neural network–based models, which in turn have been superseded by Transformer-based models often referred to as large language models. Maximum entropy language models encode the relationship between a word and the n-gram history using feature functions. The equation is P ( w m ∣ w 1 , … , w m − 1 ) = 1 Z ( w 1 , … , w m − 1 ) exp ⁡ ( a T f ( w 1 , … , w m ) ) {\displaystyle P(w_{m}\mid w_{1},\ldots ,w_{m-1})={\frac {1}{Z(w_{1},\ldots ,w_{m-1})}}\exp(a^{T}f(w_{1},\ldots ,w_{m}))} where Z ( w 1 , … , w m − 1 ) {\displaystyle Z(w_{1},\ldots ,w_{m-1})} is the partition function, a {\displaystyle a} is the parameter vector, and f ( w 1 , … , w m ) {\displaystyle f(w_{1},\ldots ,w_{m})} is the feature function. In the simplest case, the feature function is just an indicator of the presence of a certain n-gram. It is helpful to use a prior on a {\displaystyle a} or some form of regularization. The log-bilinear model is another example of an exponential language model. Skip-gram language model is an attempt at overcoming the data sparsity problem that the preceding model (i.e. word n-gram language model) faced. Words represented in an embedding vector were not necessarily consecutive anymore, but could leave gaps that are skipped over (thus the name "skip-gram"). Formally, a k-skip-n-gram is a length-n subsequence where the components occur at distance at most k from each other. For example, in the input text: the set of 1-skip-2-grams includes all the bigrams (2-grams), and in addition the subsequences In skip-gram model, semantic relations between words are represented by linear combinations, capturing a form of compositionality. For example, in some such models, if v is the function that maps a word w to its n-d vector representation, then v ( k i n g ) − v ( m a l e ) + v ( f e m a l e ) ≈ v ( q u e e n ) {\displaystyle v(\mathrm {king} )-v(\mathrm {male} )+v(\mathrm {female} )\approx v(\mathrm {queen} )} where ≈ is made precise by stipulating that its right-hand side must be the nearest neighbor of the value of the left-hand side. Neural models Continuous representations or embeddings of words are produced in recurrent neural network-based language models (known also as continuous space language models). Such continuous space embeddings help to alleviate the curse of dimensionality, which is the consequence of the number of possible sequences of words increasing exponentially with the size of the vocabulary, further causing a data sparsity problem. Neural networks avoid this problem by representing words as non-linear combinations of weights in a neural net. A large language model (LLM) is a language model trained with self-supervised machine learning on a vast amount of text, designed for natural language processing tasks, especially language generation. The largest and most capable LLMs are generative pre-trained transformers (GPTs) that provide the core capabilities of modern chatbots. LLMs can be fine-tuned for specific tasks or guided by prompt engineering. These models acquire predictive power regarding syntax, semantics, and ontologies inherent in human language corpora, but they also inherit inaccuracies and biases present in the data they are trained on. They consist of billions to trillions of parameters and operate as general-purpose sequence models, generating, summarizing, translating, and reasoning over text. LLMs represent a significant new technology in their ability to generalize across tasks with minimal task-specific supervision, enabling capabilities like conversational agents, code generation, knowledge retrieval, and automated reasoning that previously required bespoke systems. LLMs evolved from earlier statistical and recurrent neural network approaches to language modeling. The transformer architecture, introduced in 2017, replaced recurrence with self-attention, allowing efficient parallelization, longer context handling, and scalable training on unprecedented data volumes. This innovation enabled models like GPT, BERT, and their successors, which demonstrated emergent behaviors at scale, such as few-shot learning and compositional reasoning. Reinforcement learning, particularly policy gradient algorithms, has been adapted to fine-tune LLMs for desired behaviors beyond raw next-token prediction. Reinforcement learning from human feedback (RLHF) applies these methods to optimize a policy, the LLM's output distribution, against reward signals derived from human or automated preference judgments. This has been critical for aligning model outputs with user expectations, improving factuality, reducing harmful responses, and enhancing task performance. Benchmark evaluations for LLMs have evolved from narrow linguistic assessments toward comprehensive, multi-task evaluations measuring reasoning, factual accuracy, alignment, and safety. Hill climbing, iteratively optimizing models against benchmarks, has emerged as a dominant strategy, producing rapid incremental performance gains but raising concerns of overfitting to benchmarks rather than achieving genuine generalization or robust capability improvements. Although sometimes matching human performance, it is not clear whether they are plausible cognitive models. At least for recurrent neural networks, it has been shown that they sometimes learn patterns that humans do not, but fail to learn patterns that humans typically do. Evaluation and benchmarks Evaluation of the quality of language models is mostly done by comparison to human created sample benchmarks created from typical language-oriented tasks. Other, less established, quality tests examine the intrinsic character of a language model or compare two such models. Since language models are typically intended to be dynamic and to learn from data they see, some proposed models investigate the rate of learning, e.g., through inspection of learning curves. Various data sets have been developed for use in evaluating language processing systems. These include: See also References Further reading
========================================

[SOURCE: https://en.wikipedia.org/wiki/Language_model#cite_note-2] \| [TOKENS: 1793]
Contents Language model A language model is a computational model that predicts sequences in natural language. Language models are useful for a variety of tasks, including speech recognition, machine translation, natural language generation (generating more human-like text), optical character recognition, route optimization, handwriting recognition, grammar induction, and information retrieval. Large language models (LLMs), currently their most advanced form as of 2019, are predominantly based on transformers trained on larger datasets (frequently using texts scraped from the public internet). They have superseded recurrent neural network-based models, which had previously superseded the purely statistical models, such as the word n-gram language model. History Noam Chomsky did pioneering work on language models in the 1950s by developing a theory of formal grammars. In 1980, statistical approaches were explored and found to be more useful for many purposes than rule-based formal grammars. Discrete representations like word n-gram language models, with probabilities for discrete combinations of words, made significant advances. In the 2000s, continuous representations for words, such as word embeddings, began to replace discrete representations. Typically, the representation is a real-valued vector that encodes a word’s meaning such that words closer in vector space are similar in meaning and common relationships between words, such as plurality or gender, are preserved. Pure statistical models In 1980, the first significant statistical language model was proposed, and during the decade IBM performed 'Shannon-style' experiments, in which potential sources for language modeling improvement were identified by observing and analyzing the performance of human subjects in predicting or correcting text. A word n-gram language model is a statistical model of language which calculates the probability of the next word in a sequence from a fixed size window of previous words. If one previous word is considered, it is a bigram model; if two words, a trigram model; if n − 1 words, an n-gram model. Special tokens are introduced to denote the start and end of a sentence ⟨ s ⟩ {\displaystyle \langle s\rangle } and ⟨ / s ⟩ {\displaystyle \langle /s\rangle } . To prevent a zero probability being assigned to unseen words, the probability of each seen word is slightly lowered to make room for the unseen words in a given corpus. To achieve this, various smoothing methods are used, from simple "add-one" smoothing (assigning a count of 1 to unseen n-grams, as an uninformative prior) to more sophisticated techniques, such as Good–Turing discounting or back-off models. Word n-gram models have largely been superseded by recurrent neural network–based models, which in turn have been superseded by Transformer-based models often referred to as large language models. Maximum entropy language models encode the relationship between a word and the n-gram history using feature functions. The equation is P ( w m ∣ w 1 , … , w m − 1 ) = 1 Z ( w 1 , … , w m − 1 ) exp ⁡ ( a T f ( w 1 , … , w m ) ) {\displaystyle P(w_{m}\mid w_{1},\ldots ,w_{m-1})={\frac {1}{Z(w_{1},\ldots ,w_{m-1})}}\exp(a^{T}f(w_{1},\ldots ,w_{m}))} where Z ( w 1 , … , w m − 1 ) {\displaystyle Z(w_{1},\ldots ,w_{m-1})} is the partition function, a {\displaystyle a} is the parameter vector, and f ( w 1 , … , w m ) {\displaystyle f(w_{1},\ldots ,w_{m})} is the feature function. In the simplest case, the feature function is just an indicator of the presence of a certain n-gram. It is helpful to use a prior on a {\displaystyle a} or some form of regularization. The log-bilinear model is another example of an exponential language model. Skip-gram language model is an attempt at overcoming the data sparsity problem that the preceding model (i.e. word n-gram language model) faced. Words represented in an embedding vector were not necessarily consecutive anymore, but could leave gaps that are skipped over (thus the name "skip-gram"). Formally, a k-skip-n-gram is a length-n subsequence where the components occur at distance at most k from each other. For example, in the input text: the set of 1-skip-2-grams includes all the bigrams (2-grams), and in addition the subsequences In skip-gram model, semantic relations between words are represented by linear combinations, capturing a form of compositionality. For example, in some such models, if v is the function that maps a word w to its n-d vector representation, then v ( k i n g ) − v ( m a l e ) + v ( f e m a l e ) ≈ v ( q u e e n ) {\displaystyle v(\mathrm {king} )-v(\mathrm {male} )+v(\mathrm {female} )\approx v(\mathrm {queen} )} where ≈ is made precise by stipulating that its right-hand side must be the nearest neighbor of the value of the left-hand side. Neural models Continuous representations or embeddings of words are produced in recurrent neural network-based language models (known also as continuous space language models). Such continuous space embeddings help to alleviate the curse of dimensionality, which is the consequence of the number of possible sequences of words increasing exponentially with the size of the vocabulary, further causing a data sparsity problem. Neural networks avoid this problem by representing words as non-linear combinations of weights in a neural net. A large language model (LLM) is a language model trained with self-supervised machine learning on a vast amount of text, designed for natural language processing tasks, especially language generation. The largest and most capable LLMs are generative pre-trained transformers (GPTs) that provide the core capabilities of modern chatbots. LLMs can be fine-tuned for specific tasks or guided by prompt engineering. These models acquire predictive power regarding syntax, semantics, and ontologies inherent in human language corpora, but they also inherit inaccuracies and biases present in the data they are trained on. They consist of billions to trillions of parameters and operate as general-purpose sequence models, generating, summarizing, translating, and reasoning over text. LLMs represent a significant new technology in their ability to generalize across tasks with minimal task-specific supervision, enabling capabilities like conversational agents, code generation, knowledge retrieval, and automated reasoning that previously required bespoke systems. LLMs evolved from earlier statistical and recurrent neural network approaches to language modeling. The transformer architecture, introduced in 2017, replaced recurrence with self-attention, allowing efficient parallelization, longer context handling, and scalable training on unprecedented data volumes. This innovation enabled models like GPT, BERT, and their successors, which demonstrated emergent behaviors at scale, such as few-shot learning and compositional reasoning. Reinforcement learning, particularly policy gradient algorithms, has been adapted to fine-tune LLMs for desired behaviors beyond raw next-token prediction. Reinforcement learning from human feedback (RLHF) applies these methods to optimize a policy, the LLM's output distribution, against reward signals derived from human or automated preference judgments. This has been critical for aligning model outputs with user expectations, improving factuality, reducing harmful responses, and enhancing task performance. Benchmark evaluations for LLMs have evolved from narrow linguistic assessments toward comprehensive, multi-task evaluations measuring reasoning, factual accuracy, alignment, and safety. Hill climbing, iteratively optimizing models against benchmarks, has emerged as a dominant strategy, producing rapid incremental performance gains but raising concerns of overfitting to benchmarks rather than achieving genuine generalization or robust capability improvements. Although sometimes matching human performance, it is not clear whether they are plausible cognitive models. At least for recurrent neural networks, it has been shown that they sometimes learn patterns that humans do not, but fail to learn patterns that humans typically do. Evaluation and benchmarks Evaluation of the quality of language models is mostly done by comparison to human created sample benchmarks created from typical language-oriented tasks. Other, less established, quality tests examine the intrinsic character of a language model or compare two such models. Since language models are typically intended to be dynamic and to learn from data they see, some proposed models investigate the rate of learning, e.g., through inspection of learning curves. Various data sets have been developed for use in evaluating language processing systems. These include: See also References Further reading
========================================

[SOURCE: https://en.wikipedia.org/wiki/Grammar_induction] \| [TOKENS: 1686]
Contents Grammar induction Grammar induction (or grammatical inference) is the process in machine learning of learning a formal grammar (usually as a collection of re-write rules or productions or alternatively as a finite-state machine or automaton of some kind) from a set of observations, thus constructing a model which accounts for the characteristics of the observed objects. More generally, grammatical inference is that branch of machine learning where the instance space consists of discrete combinatorial objects such as strings, trees and graphs. Grammar classes Grammatical inference has often been very focused on the problem of learning finite-state machines of various types (see the article Induction of regular languages for details on these approaches), since there have been efficient algorithms for this problem since the 1980s. Since the beginning of the century, these approaches have been extended to the problem of inference of context-free grammars and richer formalisms, such as multiple context-free grammars and parallel multiple context-free grammars. Other classes of grammars for which grammatical inference has been studied are combinatory categorial grammars, stochastic context-free grammars, contextual grammars and pattern languages. Learning models The simplest form of learning is where the learning algorithm merely receives a set of examples drawn from the language in question: the aim is to learn the language from examples of it (and, rarely, from counter-examples, that is, example that do not belong to the language). However, other learning models have been studied. One frequently studied alternative is the case where the learner can ask membership queries as in the exact query learning model or minimally adequate teacher model introduced by Angluin. Methodologies There is a wide variety of methods for grammatical inference. Two of the classic sources are Fu (1977) and Fu (1982). Duda, Hart & Stork (2001) also devote a brief section to the problem, and cite a number of references. The basic trial-and-error method they present is discussed below. For approaches to infer subclasses of regular languages in particular, see Induction of regular languages. A more recent textbook is de la Higuera (2010), which covers the theory of grammatical inference of regular languages and finite state automata. D'Ulizia, Ferri and Grifoni provide a survey that explores grammatical inference methods for natural languages. There are several methods for induction of probabilistic context-free grammars.[further explanation needed] The method proposed in Section 8.7 of Duda, Hart & Stork (2001) suggests successively guessing grammar rules (productions) and testing them against positive and negative observations. The rule set is expanded so as to be able to generate each positive example, but if a given rule set also generates a negative example, it must be discarded. This particular approach can be characterized as "hypothesis testing" and bears some similarity to Mitchel's version space algorithm. The Duda, Hart & Stork (2001) text provide a simple example which nicely illustrates the process, but the feasibility of such an unguided trial-and-error approach for more substantial problems is dubious. Grammatical induction using evolutionary algorithms is the process of evolving a representation of the grammar of a target language through some evolutionary process. Formal grammars can easily be represented as tree structures of production rules that can be subjected to evolutionary operators. Algorithms of this sort stem from the genetic programming paradigm pioneered by John Koza.[citation needed] Other early work on simple formal languages used the binary string representation of genetic algorithms, but the inherently hierarchical structure of grammars couched in the EBNF language made trees a more flexible approach. Koza represented Lisp programs as trees. He was able to find analogues to the genetic operators within the standard set of tree operators. For example, swapping sub-trees is equivalent to the corresponding process of genetic crossover, where sub-strings of a genetic code are transplanted into an individual of the next generation. Fitness is measured by scoring the output from the functions of the Lisp code. Similar analogues between the tree structured lisp representation and the representation of grammars as trees, made the application of genetic programming techniques possible for grammar induction. In the case of grammar induction, the transplantation of sub-trees corresponds to the swapping of production rules that enable the parsing of phrases from some language. The fitness operator for the grammar is based upon some measure of how well it performed in parsing some group of sentences from the target language. In a tree representation of a grammar, a terminal symbol of a production rule corresponds to a leaf node of the tree. Its parent nodes corresponds to a non-terminal symbol (e.g. a noun phrase or a verb phrase) in the rule set. Ultimately, the root node might correspond to a sentence non-terminal. Like all greedy algorithms, greedy grammar inference algorithms make, in iterative manner, decisions that seem to be the best at that stage. The decisions made usually deal with things like the creation of new rules, the removal of existing rules, the choice of a rule to be applied or the merging of some existing rules. Because there are several ways to define 'the stage' and 'the best', there are also several greedy grammar inference algorithms. These context-free grammar generating algorithms make the decision after every read symbol: These context-free grammar generating algorithms first read the whole given symbol-sequence and then start to make decisions: A more recent approach is based on distributional learning. Algorithms using these approaches have been applied to learning context-free grammars and mildly context-sensitive languages and have been proven to be correct and efficient for large subclasses of these grammars. Angluin defines a pattern to be "a string of constant symbols from Σ and variable symbols from a disjoint set". The language of such a pattern is the set of all its nonempty ground instances i.e. all strings resulting from consistent replacement of its variable symbols by nonempty strings of constant symbols.[note 1] A pattern is called descriptive for a finite input set of strings if its language is minimal (with respect to set inclusion) among all pattern languages subsuming the input set. Angluin gives a polynomial algorithm to compute, for a given input string set, all descriptive patterns in one variable x.[note 2] To this end, she builds an automaton representing all possibly relevant patterns; using sophisticated arguments about word lengths, which rely on x being the only variable, the state count can be drastically reduced. Erlebach et al. give a more efficient version of Angluin's pattern learning algorithm, as well as a parallelized version. Arimura et al. show that a language class obtained from limited unions of patterns can be learned in polynomial time. Pattern theory, formulated by Ulf Grenander, is a mathematical formalism to describe knowledge of the world as patterns. It differs from other approaches to artificial intelligence in that it does not begin by prescribing algorithms and machinery to recognize and classify patterns; rather, it prescribes a vocabulary to articulate and recast the pattern concepts in precise language. In addition to the new algebraic vocabulary, its statistical approach was novel in its aim to: Broad in its mathematical coverage, pattern theory spans algebra and statistics, as well as local topological and global entropic properties. Applications The principle of grammar induction has been applied to other aspects of natural language processing, and has been applied (among many other problems) to semantic parsing, natural language understanding, example-based translation, language acquisition, grammar-based compression, and anomaly detection. Grammar-based codes or grammar-based compression are compression algorithms based on the idea of constructing a context-free grammar (CFG) for the string to be compressed. Examples include universal lossless data compression algorithms. To compress a data sequence x = x 1 ⋯ x n {\displaystyle x=x_{1}\cdots x_{n}} , a grammar-based code transforms x {\displaystyle x} into a context-free grammar G {\displaystyle G} . The problem of finding a smallest grammar for an input sequence (smallest grammar problem) is known to be NP-hard, so many grammar-transform algorithms are proposed from theoretical and practical viewpoints. Generally, the produced grammar G {\displaystyle G} is further compressed by statistical encoders like arithmetic coding. See also Notes References Sources Tools QSMM – adaptive parsers for the induction of context-free grammars by template
========================================

[SOURCE: https://en.wikipedia.org/wiki/Special:RecentChangesLinked/Language_model] \| [TOKENS: 57]
Related changes Enter a page name to see changes on pages linked to or from that page. (To see members of a category, enter Category:Name of category). Changes to pages on your Watchlist are shown in bold with a green bullet. See more at Help:Related changes.
========================================

[SOURCE: https://en.wikipedia.org/wiki/Language_model#cite_note-6] \| [TOKENS: 1793]
Contents Language model A language model is a computational model that predicts sequences in natural language. Language models are useful for a variety of tasks, including speech recognition, machine translation, natural language generation (generating more human-like text), optical character recognition, route optimization, handwriting recognition, grammar induction, and information retrieval. Large language models (LLMs), currently their most advanced form as of 2019, are predominantly based on transformers trained on larger datasets (frequently using texts scraped from the public internet). They have superseded recurrent neural network-based models, which had previously superseded the purely statistical models, such as the word n-gram language model. History Noam Chomsky did pioneering work on language models in the 1950s by developing a theory of formal grammars. In 1980, statistical approaches were explored and found to be more useful for many purposes than rule-based formal grammars. Discrete representations like word n-gram language models, with probabilities for discrete combinations of words, made significant advances. In the 2000s, continuous representations for words, such as word embeddings, began to replace discrete representations. Typically, the representation is a real-valued vector that encodes a word’s meaning such that words closer in vector space are similar in meaning and common relationships between words, such as plurality or gender, are preserved. Pure statistical models In 1980, the first significant statistical language model was proposed, and during the decade IBM performed 'Shannon-style' experiments, in which potential sources for language modeling improvement were identified by observing and analyzing the performance of human subjects in predicting or correcting text. A word n-gram language model is a statistical model of language which calculates the probability of the next word in a sequence from a fixed size window of previous words. If one previous word is considered, it is a bigram model; if two words, a trigram model; if n − 1 words, an n-gram model. Special tokens are introduced to denote the start and end of a sentence ⟨ s ⟩ {\displaystyle \langle s\rangle } and ⟨ / s ⟩ {\displaystyle \langle /s\rangle } . To prevent a zero probability being assigned to unseen words, the probability of each seen word is slightly lowered to make room for the unseen words in a given corpus. To achieve this, various smoothing methods are used, from simple "add-one" smoothing (assigning a count of 1 to unseen n-grams, as an uninformative prior) to more sophisticated techniques, such as Good–Turing discounting or back-off models. Word n-gram models have largely been superseded by recurrent neural network–based models, which in turn have been superseded by Transformer-based models often referred to as large language models. Maximum entropy language models encode the relationship between a word and the n-gram history using feature functions. The equation is P ( w m ∣ w 1 , … , w m − 1 ) = 1 Z ( w 1 , … , w m − 1 ) exp ⁡ ( a T f ( w 1 , … , w m ) ) {\displaystyle P(w_{m}\mid w_{1},\ldots ,w_{m-1})={\frac {1}{Z(w_{1},\ldots ,w_{m-1})}}\exp(a^{T}f(w_{1},\ldots ,w_{m}))} where Z ( w 1 , … , w m − 1 ) {\displaystyle Z(w_{1},\ldots ,w_{m-1})} is the partition function, a {\displaystyle a} is the parameter vector, and f ( w 1 , … , w m ) {\displaystyle f(w_{1},\ldots ,w_{m})} is the feature function. In the simplest case, the feature function is just an indicator of the presence of a certain n-gram. It is helpful to use a prior on a {\displaystyle a} or some form of regularization. The log-bilinear model is another example of an exponential language model. Skip-gram language model is an attempt at overcoming the data sparsity problem that the preceding model (i.e. word n-gram language model) faced. Words represented in an embedding vector were not necessarily consecutive anymore, but could leave gaps that are skipped over (thus the name "skip-gram"). Formally, a k-skip-n-gram is a length-n subsequence where the components occur at distance at most k from each other. For example, in the input text: the set of 1-skip-2-grams includes all the bigrams (2-grams), and in addition the subsequences In skip-gram model, semantic relations between words are represented by linear combinations, capturing a form of compositionality. For example, in some such models, if v is the function that maps a word w to its n-d vector representation, then v ( k i n g ) − v ( m a l e ) + v ( f e m a l e ) ≈ v ( q u e e n ) {\displaystyle v(\mathrm {king} )-v(\mathrm {male} )+v(\mathrm {female} )\approx v(\mathrm {queen} )} where ≈ is made precise by stipulating that its right-hand side must be the nearest neighbor of the value of the left-hand side. Neural models Continuous representations or embeddings of words are produced in recurrent neural network-based language models (known also as continuous space language models). Such continuous space embeddings help to alleviate the curse of dimensionality, which is the consequence of the number of possible sequences of words increasing exponentially with the size of the vocabulary, further causing a data sparsity problem. Neural networks avoid this problem by representing words as non-linear combinations of weights in a neural net. A large language model (LLM) is a language model trained with self-supervised machine learning on a vast amount of text, designed for natural language processing tasks, especially language generation. The largest and most capable LLMs are generative pre-trained transformers (GPTs) that provide the core capabilities of modern chatbots. LLMs can be fine-tuned for specific tasks or guided by prompt engineering. These models acquire predictive power regarding syntax, semantics, and ontologies inherent in human language corpora, but they also inherit inaccuracies and biases present in the data they are trained on. They consist of billions to trillions of parameters and operate as general-purpose sequence models, generating, summarizing, translating, and reasoning over text. LLMs represent a significant new technology in their ability to generalize across tasks with minimal task-specific supervision, enabling capabilities like conversational agents, code generation, knowledge retrieval, and automated reasoning that previously required bespoke systems. LLMs evolved from earlier statistical and recurrent neural network approaches to language modeling. The transformer architecture, introduced in 2017, replaced recurrence with self-attention, allowing efficient parallelization, longer context handling, and scalable training on unprecedented data volumes. This innovation enabled models like GPT, BERT, and their successors, which demonstrated emergent behaviors at scale, such as few-shot learning and compositional reasoning. Reinforcement learning, particularly policy gradient algorithms, has been adapted to fine-tune LLMs for desired behaviors beyond raw next-token prediction. Reinforcement learning from human feedback (RLHF) applies these methods to optimize a policy, the LLM's output distribution, against reward signals derived from human or automated preference judgments. This has been critical for aligning model outputs with user expectations, improving factuality, reducing harmful responses, and enhancing task performance. Benchmark evaluations for LLMs have evolved from narrow linguistic assessments toward comprehensive, multi-task evaluations measuring reasoning, factual accuracy, alignment, and safety. Hill climbing, iteratively optimizing models against benchmarks, has emerged as a dominant strategy, producing rapid incremental performance gains but raising concerns of overfitting to benchmarks rather than achieving genuine generalization or robust capability improvements. Although sometimes matching human performance, it is not clear whether they are plausible cognitive models. At least for recurrent neural networks, it has been shown that they sometimes learn patterns that humans do not, but fail to learn patterns that humans typically do. Evaluation and benchmarks Evaluation of the quality of language models is mostly done by comparison to human created sample benchmarks created from typical language-oriented tasks. Other, less established, quality tests examine the intrinsic character of a language model or compare two such models. Since language models are typically intended to be dynamic and to learn from data they see, some proposed models investigate the rate of learning, e.g., through inspection of learning curves. Various data sets have been developed for use in evaluating language processing systems. These include: See also References Further reading
========================================

[SOURCE: https://en.wikipedia.org/wiki/Recurrent_neural_network] \| [TOKENS: 6352]
Contents Recurrent neural network In artificial neural networks, recurrent neural networks (RNNs) are designed for processing sequential data, such as text, speech, and time series, where the order of elements is important. Unlike feedforward neural networks, which process inputs independently, RNNs utilize recurrent connections, where the output of a neuron at one time step is fed back as input to the network at the next time step. This enables RNNs to capture temporal dependencies and patterns within sequences. The fundamental building block of RNN is the recurrent unit, which maintains a hidden state—a form of memory that is updated at each time step based on the current input and the previous hidden state. This feedback mechanism allows the network to learn from past inputs and incorporate that knowledge into its current processing. RNNs have been successfully applied to tasks such as unsegmented, connected handwriting recognition, speech recognition, natural language processing, and neural machine translation. However, traditional RNNs suffer from the vanishing gradient problem, which limits their ability to learn long-range dependencies. This issue was addressed by the development of the long short-term memory (LSTM) architecture in 1997, making it the standard RNN variant for handling long-term dependencies. Later, gated recurrent units (GRUs) were introduced as a more computationally efficient alternative. In recent years, transformers, which rely on self-attention mechanisms instead of recurrence, have become the dominant architecture for many sequence-processing tasks, particularly in natural language processing, due to their superior handling of long-range dependencies and greater parallelizability. Nevertheless, RNNs remain relevant for applications where computational efficiency, real-time processing, or the inherent sequential nature of data is crucial. History One origin of RNN was neuroscience. The word "recurrent" is used to describe loop-like structures in anatomy. In 1901, Cajal observed "recurrent semicircles" in the cerebellar cortex formed by parallel fiber, Purkinje cells, and granule cells. In 1933, Lorente de Nó discovered "recurrent, reciprocal connections" by Golgi's method, and proposed that excitatory loops explain certain aspects of the vestibulo-ocular reflex. During 1940s, multiple people proposed the existence of feedback in the brain, which was a contrast to the previous understanding of the neural system as a purely feedforward structure. Hebb considered "reverberating circuit" as an explanation for short-term memory. The McCulloch and Pitts paper (1943), which proposed the McCulloch-Pitts neuron model, considered networks that contains cycles. The current activity of such networks can be affected by activity indefinitely far in the past. They were both interested in closed loops as possible explanations for e.g. epilepsy and causalgia. Recurrent inhibition was proposed in 1946 as a negative feedback mechanism in motor control. Neural feedback loops were a common topic of discussion at the Macy conferences. See for an extensive review of recurrent neural network models in neuroscience. Frank Rosenblatt in 1960 published "close-loop cross-coupled perceptrons", which are 3-layered perceptron networks whose middle layer contains recurrent connections that change by a Hebbian learning rule.: 73–75 Later, in Principles of Neurodynamics (1961), he described "closed-loop cross-coupled" and "back-coupled" perceptron networks, and made theoretical and experimental studies for Hebbian learning in these networks,: Chapter 19, 21 and noted that a fully cross-coupled perceptron network is equivalent to an infinitely deep feedforward network.: Section 19.11 Similar networks were published by Kaoru Nakano in 1971,Shun'ichi Amari in 1972, and William A. Little [de] in 1974, who was acknowledged by Hopfield in his 1982 paper. Another origin of RNN was statistical mechanics. The Ising model was developed by Wilhelm Lenz and Ernst Ising in the 1920s as a simple statistical mechanical model of magnets at equilibrium. Glauber in 1963 studied the Ising model evolving in time, as a process towards equilibrium (Glauber dynamics), adding in the component of time. The Sherrington–Kirkpatrick model of spin glass, published in 1975, is the Hopfield network with random initialization. Sherrington and Kirkpatrick found that it is highly likely for the energy function of the SK model to have many local minima. In the 1982 paper, Hopfield applied this recently developed theory to study the Hopfield network with binary activation functions. In a 1984 paper he extended this to continuous activation functions. It became a standard model for the study of neural networks through statistical mechanics. Modern RNN networks are mainly based on two architectures: LSTM and BRNN. At the resurgence of neural networks in the 1980s, recurrent networks were studied again. They were sometimes called "iterated nets". Two early influential works were the Jordan network (1986) and the Elman network (1990), which applied RNN to study cognitive psychology. In 1993, a neural history compressor system solved a "Very Deep Learning" task that required more than 1000 subsequent layers in an RNN unfolded in time. Long short-term memory (LSTM) networks were invented by Hochreiter and Schmidhuber in 1995 and set accuracy records in multiple applications domains. It became the default choice for RNN architecture. Bidirectional recurrent neural networks (BRNN) use two RNNs that process the same input in opposite directions. These two are often combined, giving the bidirectional LSTM architecture. Around 2006, bidirectional LSTM started to revolutionize speech recognition, outperforming traditional models in certain speech applications. They also improved large-vocabulary speech recognition and text-to-speech synthesis and was used in Google voice search, and dictation on Android devices. They broke records for improved machine translation, language modeling and Multilingual Language Processing. Also, LSTM combined with convolutional neural networks (CNNs) improved automatic image captioning. The idea of encoder-decoder sequence transduction had been developed in the early 2010s. The papers most commonly cited as the originators that produced seq2seq are two papers from 2014. A seq2seq architecture employs two RNN, typically LSTM, an "encoder" and a "decoder", for sequence transduction, such as machine translation. They became state of the art in machine translation, and was instrumental in the development of attention mechanisms and transformers. Configurations An RNN-based model can be factored into two parts: configuration and architecture. Multiple RNNs can be combined in a data flow, and the data flow itself is the configuration. Each RNN itself may have any architecture, including LSTM, GRU, etc. RNNs come in many variants. Abstractly speaking, an RNN is a function f θ {\displaystyle f_{\theta }} of type ( x t , h t ) ↦ ( y t , h t + 1 ) {\displaystyle (x_{t},h_{t})\mapsto (y_{t},h_{t+1})} , where In words, it is a neural network that maps an input x t {\displaystyle x_{t}} into an output y t {\displaystyle y_{t}} , with the hidden vector h t {\displaystyle h_{t}} playing the role of "memory", a partial record of all previous input-output pairs. At each step, it transforms input to an output, and modifies its "memory" to help it to better perform future processing. The illustration to the right may be misleading to many because practical neural network topologies are frequently organized in "layers" and the drawing gives that appearance. However, what appears to be layers are, in fact, different steps in time, "unfolded" to produce the appearance of layers. A stacked RNN, or deep RNN, is composed of multiple RNNs stacked one above the other. Abstractly, it is structured as follows Each layer operates as a stand-alone RNN, and each layer's output sequence is used as the input sequence to the layer above. There is no conceptual limit to the depth of stacked RNN. A bidirectional RNN (biRNN) is composed of two RNNs, one processing the input sequence in one direction, and another in the opposite direction. Abstractly, it is structured as follows: The two output sequences are then concatenated to give the total output: ( ( y 0 , y 0 ′ ) , ( y 1 , y 1 ′ ) , … , ( y N , y N ′ ) ) {\displaystyle ((y_{0},y_{0}'),(y_{1},y_{1}'),\dots ,(y_{N},y_{N}'))} . Bidirectional RNN allows the model to process a token both in the context of what came before it and what came after it. By stacking multiple bidirectional RNNs together, the model can process a token increasingly contextually. The ELMo model (2018) is a stacked bidirectional LSTM which takes character-level as inputs and produces word-level embeddings. Two RNNs can be run front-to-back in an encoder-decoder configuration. The encoder RNN processes an input sequence into a sequence of hidden vectors, and the decoder RNN processes the sequence of hidden vectors to an output sequence, with an optional attention mechanism. This was used to construct state of the art neural machine translators during the 2014–2017 period. This was an instrumental step towards the development of transformers. An RNN may process data with more than one dimension. PixelRNN processes two-dimensional data, with many possible directions. For example, the row-by-row direction processes an n × n {\displaystyle n\times n} grid of vectors x i , j {\displaystyle x_{i,j}} in the following order: x 1 , 1 , x 1 , 2 , … , x 1 , n , x 2 , 1 , x 2 , 2 , … , x 2 , n , … , x n , n {\displaystyle x_{1,1},x_{1,2},\dots ,x_{1,n},x_{2,1},x_{2,2},\dots ,x_{2,n},\dots ,x_{n,n}} The diagonal BiLSTM uses two LSTMs to process the same grid. One processes it from the top-left corner to the bottom-right, such that it processes x i , j {\displaystyle x_{i,j}} depending on its hidden state and cell state on the top and the left side: h i − 1 , j , c i − 1 , j {\displaystyle h_{i-1,j},c_{i-1,j}} and h i , j − 1 , c i , j − 1 {\displaystyle h_{i,j-1},c_{i,j-1}} . The other processes it from the top-right corner to the bottom-left. Architectures Fully recurrent neural networks (FRNN) connect the outputs of all neurons to the inputs of all neurons. In other words, it is a fully connected network. This is the most general neural network topology, because all other topologies can be represented by setting some connection weights to zero to simulate the lack of connections between those neurons. The Hopfield network is an RNN in which all connections across layers are equally sized. It requires stationary inputs and is thus not a general RNN, as it does not process sequences of patterns. However, it guarantees that it will converge. If the connections are trained using Hebbian learning, then the Hopfield network can perform as robust content-addressable memory, resistant to connection alteration. An Elman network is a three-layer network (arranged horizontally as x, y, and z in the illustration) with the addition of a set of context units (u in the illustration). The middle (hidden) layer is connected to these context units fixed with a weight of one. At each time step, the input is fed forward and a learning rule is applied. The fixed back-connections save a copy of the previous values of the hidden units in the context units (since they propagate over the connections before the learning rule is applied). Thus the network can maintain a sort of state, allowing it to perform tasks such as sequence-prediction that are beyond the power of a standard multilayer perceptron. Jordan networks are similar to Elman networks. The context units are fed from the output layer instead of the hidden layer. The context units in a Jordan network are also called the state layer. They have a recurrent connection to themselves. Elman and Jordan networks are also known as "Simple recurrent networks" (SRN). Variables and functions Long short-term memory (LSTM) is the most widely used RNN architecture. It was designed to solve the vanishing gradient problem. LSTM is normally augmented by recurrent gates called "forget gates". LSTM prevents backpropagated errors from vanishing or exploding. Instead, errors can flow backward through unlimited numbers of virtual layers unfolded in space. That is, LSTM can learn tasks that require memories of events that happened thousands or even millions of discrete time steps earlier. Problem-specific LSTM-like topologies can be evolved. LSTM works even given long delays between significant events and can handle signals that mix low and high-frequency components. Many applications use stacks of LSTMs, for which it is called "deep LSTM". LSTM can learn to recognize context-sensitive languages unlike previous models based on hidden Markov models (HMM) and similar concepts. Gated recurrent unit (GRU), introduced in 2014, was designed as a simplification of LSTM. They are used in the full form and several further simplified variants. They have fewer parameters than LSTM, as they lack an output gate. Their performance on polyphonic music modeling and speech signal modeling was found to be similar to that of long short-term memory. There does not appear to be particular performance difference between LSTM and GRU. Introduced by Bart Kosko, a bidirectional associative memory (BAM) network is a variant of a Hopfield network that stores associative data as a vector. The bidirectionality comes from passing information through a matrix and its transpose. Typically, bipolar encoding is preferred to binary encoding of the associative pairs. Recently, stochastic BAM models using Markov stepping are optimized for increased network stability and relevance to real-world applications. A BAM network has two layers, either of which can be driven as an input to recall an association and produce an output on the other layer. Echo state networks (ESN) have a sparsely connected random hidden layer. The weights of output neurons are the only part of the network that can change (be trained). ESNs are good at reproducing certain time series. A variant for spiking neurons is known as a liquid state machine. A recursive neural network is created by applying the same set of weights recursively over a differentiable graph-like structure by traversing the structure in topological order. Such networks are typically also trained by the reverse mode of automatic differentiation. They can process distributed representations of structure, such as logical terms. A special case of recursive neural networks is the RNN whose structure corresponds to a linear chain. Recursive neural networks have been applied to natural language processing. The recursive neural tensor network uses a tensor-based composition function for all nodes in the tree. Neural Turing machines (NTMs) are a method of extending recurrent neural networks by coupling them to external memory resources with which they interact. The combined system is analogous to a Turing machine or Von Neumann architecture but is differentiable end-to-end, allowing it to be efficiently trained with gradient descent. Differentiable neural computers (DNCs) are an extension of neural Turing machines, allowing for the usage of fuzzy amounts of each memory address and a record of chronology. Neural network pushdown automata (NNPDA) are similar to NTMs, but tapes are replaced by analog stacks that are differentiable and trained. In this way, they are similar in complexity to recognizers of context free grammars (CFGs). Recurrent neural networks are Turing complete and can run arbitrary programs to process arbitrary sequences of inputs. Training An RNN can be trained into a conditionally generative model of sequences, aka autoregression. Concretely, let us consider the problem of machine translation, that is, given a sequence ( x 1 , x 2 , … , x n ) {\displaystyle (x_{1},x_{2},\dots ,x_{n})} of English words, the model is to produce a sequence ( y 1 , … , y m ) {\displaystyle (y_{1},\dots ,y_{m})} of French words. It is to be solved by a seq2seq model. Now, during training, the encoder half of the model would first ingest ( x 1 , x 2 , … , x n ) {\displaystyle (x_{1},x_{2},\dots ,x_{n})} , then the decoder half would start generating a sequence ( y ^ 1 , y ^ 2 , … , y ^ l ) {\displaystyle ({\hat {y}}_{1},{\hat {y}}_{2},\dots ,{\hat {y}}_{l})} . The problem is that if the model makes a mistake early on, say at y ^ 2 {\displaystyle {\hat {y}}_{2}} , then subsequent tokens are likely to also be mistakes. This makes it inefficient for the model to obtain a learning signal, since the model would mostly learn to shift y ^ 2 {\displaystyle {\hat {y}}_{2}} towards y 2 {\displaystyle y_{2}} , but not the others. Teacher forcing makes it so that the decoder uses the correct output sequence for generating the next entry in the sequence. So for example, it would see ( y 1 , … , y k ) {\displaystyle (y_{1},\dots ,y_{k})} in order to generate y ^ k + 1 {\displaystyle {\hat {y}}_{k+1}} . Gradient descent is a first-order iterative optimization algorithm for finding the minimum of a function. In neural networks, it can be used to minimize the error term by changing each weight in proportion to the derivative of the error with respect to that weight, provided the non-linear activation functions are differentiable. The standard method for training RNN by gradient descent is the "backpropagation through time" (BPTT) algorithm, which is a special case of the general algorithm of backpropagation. A more computationally expensive online variant is called "Real-Time Recurrent Learning" or RTRL, which is an instance of automatic differentiation in the forward accumulation mode with stacked tangent vectors. Unlike BPTT, this algorithm is local in time but not local in space. In this context, local in space means that a unit's weight vector can be updated using only information stored in the connected units and the unit itself such that update complexity of a single unit is linear in the dimensionality of the weight vector. Local in time means that the updates take place continually (on-line) and depend only on the most recent time step rather than on multiple time steps within a given time horizon as in BPTT. Biological neural networks appear to be local with respect to both time and space. For recursively computing the partial derivatives, RTRL has a time-complexity of O(number of hidden x number of weights) per time step for computing the Jacobian matrices, while BPTT only takes O(number of weights) per time step, at the cost of storing all forward activations within the given time horizon. An online hybrid between BPTT and RTRL with intermediate complexity exists, along with variants for continuous time. A major problem with gradient descent for standard RNN architectures is that error gradients vanish exponentially quickly with the size of the time lag between important events. LSTM combined with a BPTT/RTRL hybrid learning method attempts to overcome these problems. This problem is also solved in the independently recurrent neural network (IndRNN) by reducing the context of a neuron to its own past state and the cross-neuron information can then be explored in the following layers. Memories of different ranges including long-term memory can be learned without the gradient vanishing and exploding problems. The online algorithm called causal recursive backpropagation (CRBP), implements and combines BPTT and RTRL paradigms for locally recurrent networks. It works with the most general locally recurrent networks. The CRBP algorithm can minimize the global error term. This fact improves the stability of the algorithm, providing a unifying view of gradient calculation techniques for recurrent networks with local feedback. One approach to gradient information computation in RNNs with arbitrary architectures is based on signal-flow graphs diagrammatic derivation. It uses the BPTT batch algorithm, based on Lee's theorem for network sensitivity calculations. It was proposed by Wan and Beaufays, while its fast online version was proposed by Campolucci, Uncini and Piazza. The connectionist temporal classification (CTC) is a specialized loss function for training RNNs for sequence modeling problems where the timing is variable. Training the weights in a neural network can be modeled as a non-linear global optimization problem. A target function can be formed to evaluate the fitness or error of a particular weight vector as follows: First, the weights in the network are set according to the weight vector. Next, the network is evaluated against the training sequence. Typically, the sum-squared difference between the predictions and the target values specified in the training sequence is used to represent the error of the current weight vector. Arbitrary global optimization techniques may then be used to minimize this target function. The most common global optimization method for training RNNs is genetic algorithms, especially in unstructured networks. Initially, the genetic algorithm is encoded with the neural network weights in a predefined manner where one gene in the chromosome represents one weight link. The whole network is represented as a single chromosome. The fitness function is evaluated as follows: Many chromosomes make up the population; therefore, many different neural networks are evolved until a stopping criterion is satisfied. A common stopping scheme can be: The fitness function evaluates the stopping criterion as it receives the mean-squared error reciprocal from each network during training. Therefore, the goal of the genetic algorithm is to maximize the fitness function, reducing the mean-squared error. Other global (and/or evolutionary) optimization techniques may be used to seek a good set of weights, such as simulated annealing or particle swarm optimization. Other architectures The independently recurrent neural network (IndRNN) addresses the gradient vanishing and exploding problems in the traditional fully connected RNN. Each neuron in one layer only receives its own past state as context information (instead of full connectivity to all other neurons in this layer) and thus neurons are independent of each other's history. The gradient backpropagation can be regulated to avoid gradient vanishing and exploding in order to keep long or short-term memory. The cross-neuron information is explored in the next layers. IndRNN can be robustly trained with non-saturated nonlinear functions such as ReLU. Deep networks can be trained using skip connections. The neural history compressor is an unsupervised stack of RNNs. At the input level, it learns to predict its next input from the previous inputs. Only unpredictable inputs of some RNN in the hierarchy become inputs to the next higher level RNN, which therefore recomputes its internal state only rarely. Each higher level RNN thus studies a compressed representation of the information in the RNN below. This is done such that the input sequence can be precisely reconstructed from the representation at the highest level. The system effectively minimizes the description length or the negative logarithm of the probability of the data. Given a lot of learnable predictability in the incoming data sequence, the highest level RNN can use supervised learning to easily classify even deep sequences with long intervals between important events. It is possible to distill the RNN hierarchy into two RNNs: the "conscious" chunker (higher level) and the "subconscious" automatizer (lower level). Once the chunker has learned to predict and compress inputs that are unpredictable by the automatizer, then the automatizer can be forced in the next learning phase to predict or imitate through additional units the hidden units of the more slowly changing chunker. This makes it easy for the automatizer to learn appropriate, rarely changing memories across long intervals. In turn, this helps the automatizer to make many of its once unpredictable inputs predictable, such that the chunker can focus on the remaining unpredictable events. A generative model partially overcame the vanishing gradient problem of automatic differentiation or backpropagation in neural networks in 1992. In 1993, such a system solved a "Very Deep Learning" task that required more than 1000 subsequent layers in an RNN unfolded in time. Second-order RNNs use higher order weights w i j k {\displaystyle w{}_{ijk}} instead of the standard w i j {\displaystyle w{}_{ij}} weights, and states can be a product. This allows a direct mapping to a finite-state machine both in training, and representation. Long short-term memory is an example of this but has no such formal mappings or proof of stability. Hierarchical recurrent neural networks (HRNN) connect their neurons in various ways to decompose hierarchical behavior into useful subprograms. Such hierarchical structures of cognition are present in theories of memory presented by philosopher Henri Bergson, whose philosophical views have inspired hierarchical models. Hierarchical recurrent neural networks are useful in forecasting, helping to predict disaggregated inflation components of the consumer price index (CPI). The HRNN model leverages information from higher levels in the CPI hierarchy to enhance lower-level predictions. Evaluation of a substantial dataset from the US CPI-U index demonstrates the superior performance of the HRNN model compared to various established inflation prediction methods. Generally, a recurrent multilayer perceptron network (RMLP network) consists of cascaded subnetworks, each containing multiple layers of nodes. Each subnetwork is feed-forward except for the last layer, which can have feedback connections. Each of these subnets is connected only by feed-forward connections. A multiple timescales recurrent neural network (MTRNN) is a neural-based computational model that can simulate the functional hierarchy of the brain through self-organization depending on the spatial connection between neurons and on distinct types of neuron activities, each with distinct time properties. With such varied neuronal activities, continuous sequences of any set of behaviors are segmented into reusable primitives, which in turn are flexibly integrated into diverse sequential behaviors. The biological approval of such a type of hierarchy was discussed in the memory-prediction theory of brain function by Hawkins in his book On Intelligence.[citation needed] Such a hierarchy also agrees with theories of memory posited by philosopher Henri Bergson, which have been incorporated into an MTRNN model. Greg Snider of HP Labs describes a system of cortical computing with memristive nanodevices. The memristors (memory resistors) are implemented by thin film materials in which the resistance is electrically tuned via the transport of ions or oxygen vacancies within the film. DARPA's SyNAPSE project has funded IBM Research and HP Labs, in collaboration with the Boston University Department of Cognitive and Neural Systems (CNS), to develop neuromorphic architectures that may be based on memristive systems. Memristive networks are a particular type of physical neural network that have very similar properties to (Little-)Hopfield networks, as they have continuous dynamics, a limited memory capacity and natural relaxation via the minimization of a function which is asymptotic to the Ising model. In this sense, the dynamics of a memristive circuit have the advantage compared to a Resistor-Capacitor network to have a more interesting non-linear behavior. From this point of view, engineering analog memristive networks account for a peculiar type of neuromorphic engineering in which the device behavior depends on the circuit wiring or topology. The evolution of these networks can be studied analytically using variations of the Caravelli-Traversa-Di Ventra equation. A continuous-time recurrent neural network (CTRNN) uses a system of ordinary differential equations to model the effects on a neuron of the incoming inputs. They are typically analyzed by dynamical systems theory. Many RNN models in neuroscience are continuous-time. For a neuron i {\displaystyle i} in the network with activation y i {\displaystyle y_{i}} , the rate of change of activation is given by: Where: CTRNNs have been applied to evolutionary robotics where they have been used to address vision, co-operation, and minimal cognitive behaviour. Note that, by the Shannon sampling theorem, discrete-time recurrent neural networks can be viewed as continuous-time recurrent neural networks where the differential equations have transformed into equivalent difference equations. This transformation can be thought of as occurring after the post-synaptic node activation functions y i ( t ) {\displaystyle y_{i}(t)} have been low-pass filtered but prior to sampling. They are in fact recursive neural networks with a particular structure: that of a linear chain. Whereas recursive neural networks operate on any hierarchical structure, combining child representations into parent representations, recurrent neural networks operate on the linear progression of time, combining the previous time step and a hidden representation into the representation for the current time step. From a time-series perspective, RNNs can appear as nonlinear versions of finite impulse response and infinite impulse response filters and also as a nonlinear autoregressive exogenous model (NARX). RNN has infinite impulse response whereas convolutional neural network has finite impulse response. Both classes of networks exhibit temporal dynamic behavior. A finite impulse recurrent network is a directed acyclic graph that can be unrolled and replaced with a strictly feedforward neural network, while an infinite impulse recurrent network is a directed cyclic graph that cannot be unrolled. The effect of memory-based learning for the recognition of sequences can also be implemented by a more biological-based model which uses the silencing mechanism exhibited in neurons with a relatively high frequency spiking activity. Additional stored states and the storage under direct control by the network can be added to both infinite-impulse and finite-impulse networks. Another network or graph can also replace the storage if that incorporates time delays or has feedback loops. Such controlled states are referred to as gated states or gated memory and are part of long short-term memory networks (LSTMs) and gated recurrent units. This is also called Feedback Neural Network (FNN). Libraries Modern libraries provide runtime-optimized implementations of the above functionality or allow to speed up the slow loop by just-in-time compilation. Applications Applications of recurrent neural networks include: References Further reading
========================================

[SOURCE: https://en.wikipedia.org/wiki/Text_corpus] \| [TOKENS: 345]
Contents Text corpus In linguistics and natural language processing, a corpus (pl.: corpora) or text corpus is a dataset, consisting of natively digital and older, digitalized, language resources, either annotated or unannotated. Annotated, they have been used in corpus linguistics for statistical hypothesis testing, checking occurrences or validating linguistic rules within a specific language territory. Overview A corpus may contain texts in a single language (monolingual corpus) or text data in multiple languages (multilingual corpus). In order to make the corpora more useful for doing linguistic research, they are often subjected to a process known as annotation. An example of annotating a corpus is part-of-speech tagging, or POS-tagging, in which information about each word's part of speech (verb, noun, adjective, etc.) is added to the corpus in the form of tags. Another example is indicating the lemma (base) form of each word. When the language of the corpus is not a working language of the researchers who use it, interlinear glossing is used to make the annotation bilingual.[citation needed] Some corpora have further structured levels of analysis applied. In particular, smaller corpora may be fully parsed. Such corpora are usually called Treebanks or Parsed Corpora. The difficulty of ensuring that the entire corpus is completely and consistently annotated means that these corpora are usually smaller, containing around one to three million words. Other levels of linguistic structured analysis are possible, including annotations for morphology, semantics and pragmatics.[citation needed] Applications Corpora are the main knowledge base in corpus linguistics.[citation needed] Other notable areas of application include: Some notable text corpora See also References External links
========================================

[SOURCE: https://en.wikipedia.org/w/index.php?title=Word_n-gram_language_model&action=edit] \| [TOKENS: 1451]
Editing Word n-gram language model Copy and paste: – — ° ′ ″ ≈ ≠ ≤ ≥ ± − × ÷ ← → · § Cite your sources: <ref></ref> {{}} {{{}}} \| [] [[]] [[Category:]] #REDIRECT [[]]   <s></s> <sup></sup> <sub></sub> <code></code> <pre></pre> <blockquote></blockquote> <ref></ref> <ref name="" /> {{Reflist}} <references /> <includeonly></includeonly> <noinclude></noinclude> {{DEFAULTSORT:}} <nowiki></nowiki> <!-- --> <span class="plainlinks"></span> Symbols: ~ \| ¡ ¿ † ‡ ↔ ↑ ↓ • ¶ # ∞ ‹› «» ¤ ₳ ฿ ₵ ¢ ₡ ₢ $ ₫ ₯ € ₠ ₣ ƒ ₴ ₭ ₤ ℳ ₥ ₦ ₧ ₰ £ ៛ ₨ ₪ ৳ ₮ ₩ ¥ ♠ ♣ ♥ ♦ 𝄫 ♭ ♮ ♯ 𝄪 © ¼ ½ ¾ Latin: A a Á á À à Â â Ä ä Ǎ ǎ Ă ă Ā ā Ã ã Å å Ą ą Æ æ Ǣ ǣ B b C c Ć ć Ċ ċ Ĉ ĉ Č č Ç ç D d Ď ď Đ đ Ḍ ḍ Ð ð E e É é È è Ė ė Ê ê Ë ë Ě ě Ĕ ĕ Ē ē Ẽ ẽ Ę ę Ẹ ẹ Ɛ ɛ Ǝ ǝ Ə ə F f G g Ġ ġ Ĝ ĝ Ğ ğ Ģ ģ H h Ĥ ĥ Ħ ħ Ḥ ḥ I i İ ı Í í Ì ì Î î Ï ï Ǐ ǐ Ĭ ĭ Ī ī Ĩ ĩ Į į Ị ị J j Ĵ ĵ K k Ķ ķ L l Ĺ ĺ Ŀ ŀ Ľ ľ Ļ ļ Ł ł Ḷ ḷ Ḹ ḹ M m Ṃ ṃ N n Ń ń Ň ň Ñ ñ Ņ ņ Ṇ ṇ Ŋ ŋ O o Ó ó Ò ò Ô ô Ö ö Ǒ ǒ Ŏ ŏ Ō ō Õ õ Ǫ ǫ Ọ ọ Ő ő Ø ø Œ œ Ɔ ɔ P p Q q R r Ŕ ŕ Ř ř Ŗ ŗ Ṛ ṛ Ṝ ṝ S s Ś ś Ŝ ŝ Š š Ş ş Ș ș Ṣ ṣ ß T t Ť ť Ţ ţ Ț ț Ṭ ṭ Þ þ U u Ú ú Ù ù Û û Ü ü Ǔ ǔ Ŭ ŭ Ū ū Ũ ũ Ů ů Ų ų Ụ ụ Ű ű Ǘ ǘ Ǜ ǜ Ǚ ǚ Ǖ ǖ V v W w Ŵ ŵ X x Y y Ý ý Ŷ ŷ Ÿ ÿ Ỹ ỹ Ȳ ȳ Z z Ź ź Ż ż Ž ž ß Ð ð Þ þ Ŋ ŋ Ə ə Greek: Ά ά Έ έ Ή ή Ί ί Ό ό Ύ ύ Ώ ώ Α α Β β Γ γ Δ δ Ε ε Ζ ζ Η η Θ θ Ι ι Κ κ Λ λ Μ μ Ν ν Ξ ξ Ο ο Π π Ρ ρ Σ σ ς Τ τ Υ υ Φ φ Χ χ Ψ ψ Ω ω {{Polytonic\|}} Cyrillic: А а Б б В в Г г Ґ ґ Ѓ ѓ Д д Ђ ђ Е е Ё ё Є є Ж ж З з Ѕ ѕ И и І і Ї ї Й й Ј ј К к Ќ ќ Л л Љ љ М м Н н Њ њ О о П п Р р С с Т т Ћ ћ У у Ў ў Ф ф Х х Ц ц Ч ч Џ џ Ш ш Щ щ Ъ ъ Ы ы Ь ь Э э Ю ю Я я ́ IPA: t̪ d̪ ʈ ɖ ɟ ɡ ɢ ʡ ʔ ɸ β θ ð ʃ ʒ ɕ ʑ ʂ ʐ ç ʝ ɣ χ ʁ ħ ʕ ʜ ʢ ɦ ɱ ɳ ɲ ŋ ɴ ʋ ɹ ɻ ɰ ʙ ⱱ ʀ ɾ ɽ ɫ ɬ ɮ ɺ ɭ ʎ ʟ ɥ ʍ ɧ ʼ ɓ ɗ ʄ ɠ ʛ ʘ ǀ ǃ ǂ ǁ ɨ ʉ ɯ ɪ ʏ ʊ ø ɘ ɵ ɤ ə ɚ ɛ œ ɜ ɝ ɞ ʌ ɔ æ ɐ ɶ ɑ ɒ ʰ ʱ ʷ ʲ ˠ ˤ ⁿ ˡ ˈ ˌ ː ˑ ̪ {{IPA\|}} Wikidata entities used in this page Pages transcluded onto the current version of this page (help): This page is a member of 5 hidden categories (help):
========================================

[SOURCE: https://en.wikipedia.org/wiki/Language_model#cite_note-14] \| [TOKENS: 1793]
Contents Language model A language model is a computational model that predicts sequences in natural language. Language models are useful for a variety of tasks, including speech recognition, machine translation, natural language generation (generating more human-like text), optical character recognition, route optimization, handwriting recognition, grammar induction, and information retrieval. Large language models (LLMs), currently their most advanced form as of 2019, are predominantly based on transformers trained on larger datasets (frequently using texts scraped from the public internet). They have superseded recurrent neural network-based models, which had previously superseded the purely statistical models, such as the word n-gram language model. History Noam Chomsky did pioneering work on language models in the 1950s by developing a theory of formal grammars. In 1980, statistical approaches were explored and found to be more useful for many purposes than rule-based formal grammars. Discrete representations like word n-gram language models, with probabilities for discrete combinations of words, made significant advances. In the 2000s, continuous representations for words, such as word embeddings, began to replace discrete representations. Typically, the representation is a real-valued vector that encodes a word’s meaning such that words closer in vector space are similar in meaning and common relationships between words, such as plurality or gender, are preserved. Pure statistical models In 1980, the first significant statistical language model was proposed, and during the decade IBM performed 'Shannon-style' experiments, in which potential sources for language modeling improvement were identified by observing and analyzing the performance of human subjects in predicting or correcting text. A word n-gram language model is a statistical model of language which calculates the probability of the next word in a sequence from a fixed size window of previous words. If one previous word is considered, it is a bigram model; if two words, a trigram model; if n − 1 words, an n-gram model. Special tokens are introduced to denote the start and end of a sentence ⟨ s ⟩ {\displaystyle \langle s\rangle } and ⟨ / s ⟩ {\displaystyle \langle /s\rangle } . To prevent a zero probability being assigned to unseen words, the probability of each seen word is slightly lowered to make room for the unseen words in a given corpus. To achieve this, various smoothing methods are used, from simple "add-one" smoothing (assigning a count of 1 to unseen n-grams, as an uninformative prior) to more sophisticated techniques, such as Good–Turing discounting or back-off models. Word n-gram models have largely been superseded by recurrent neural network–based models, which in turn have been superseded by Transformer-based models often referred to as large language models. Maximum entropy language models encode the relationship between a word and the n-gram history using feature functions. The equation is P ( w m ∣ w 1 , … , w m − 1 ) = 1 Z ( w 1 , … , w m − 1 ) exp ⁡ ( a T f ( w 1 , … , w m ) ) {\displaystyle P(w_{m}\mid w_{1},\ldots ,w_{m-1})={\frac {1}{Z(w_{1},\ldots ,w_{m-1})}}\exp(a^{T}f(w_{1},\ldots ,w_{m}))} where Z ( w 1 , … , w m − 1 ) {\displaystyle Z(w_{1},\ldots ,w_{m-1})} is the partition function, a {\displaystyle a} is the parameter vector, and f ( w 1 , … , w m ) {\displaystyle f(w_{1},\ldots ,w_{m})} is the feature function. In the simplest case, the feature function is just an indicator of the presence of a certain n-gram. It is helpful to use a prior on a {\displaystyle a} or some form of regularization. The log-bilinear model is another example of an exponential language model. Skip-gram language model is an attempt at overcoming the data sparsity problem that the preceding model (i.e. word n-gram language model) faced. Words represented in an embedding vector were not necessarily consecutive anymore, but could leave gaps that are skipped over (thus the name "skip-gram"). Formally, a k-skip-n-gram is a length-n subsequence where the components occur at distance at most k from each other. For example, in the input text: the set of 1-skip-2-grams includes all the bigrams (2-grams), and in addition the subsequences In skip-gram model, semantic relations between words are represented by linear combinations, capturing a form of compositionality. For example, in some such models, if v is the function that maps a word w to its n-d vector representation, then v ( k i n g ) − v ( m a l e ) + v ( f e m a l e ) ≈ v ( q u e e n ) {\displaystyle v(\mathrm {king} )-v(\mathrm {male} )+v(\mathrm {female} )\approx v(\mathrm {queen} )} where ≈ is made precise by stipulating that its right-hand side must be the nearest neighbor of the value of the left-hand side. Neural models Continuous representations or embeddings of words are produced in recurrent neural network-based language models (known also as continuous space language models). Such continuous space embeddings help to alleviate the curse of dimensionality, which is the consequence of the number of possible sequences of words increasing exponentially with the size of the vocabulary, further causing a data sparsity problem. Neural networks avoid this problem by representing words as non-linear combinations of weights in a neural net. A large language model (LLM) is a language model trained with self-supervised machine learning on a vast amount of text, designed for natural language processing tasks, especially language generation. The largest and most capable LLMs are generative pre-trained transformers (GPTs) that provide the core capabilities of modern chatbots. LLMs can be fine-tuned for specific tasks or guided by prompt engineering. These models acquire predictive power regarding syntax, semantics, and ontologies inherent in human language corpora, but they also inherit inaccuracies and biases present in the data they are trained on. They consist of billions to trillions of parameters and operate as general-purpose sequence models, generating, summarizing, translating, and reasoning over text. LLMs represent a significant new technology in their ability to generalize across tasks with minimal task-specific supervision, enabling capabilities like conversational agents, code generation, knowledge retrieval, and automated reasoning that previously required bespoke systems. LLMs evolved from earlier statistical and recurrent neural network approaches to language modeling. The transformer architecture, introduced in 2017, replaced recurrence with self-attention, allowing efficient parallelization, longer context handling, and scalable training on unprecedented data volumes. This innovation enabled models like GPT, BERT, and their successors, which demonstrated emergent behaviors at scale, such as few-shot learning and compositional reasoning. Reinforcement learning, particularly policy gradient algorithms, has been adapted to fine-tune LLMs for desired behaviors beyond raw next-token prediction. Reinforcement learning from human feedback (RLHF) applies these methods to optimize a policy, the LLM's output distribution, against reward signals derived from human or automated preference judgments. This has been critical for aligning model outputs with user expectations, improving factuality, reducing harmful responses, and enhancing task performance. Benchmark evaluations for LLMs have evolved from narrow linguistic assessments toward comprehensive, multi-task evaluations measuring reasoning, factual accuracy, alignment, and safety. Hill climbing, iteratively optimizing models against benchmarks, has emerged as a dominant strategy, producing rapid incremental performance gains but raising concerns of overfitting to benchmarks rather than achieving genuine generalization or robust capability improvements. Although sometimes matching human performance, it is not clear whether they are plausible cognitive models. At least for recurrent neural networks, it has been shown that they sometimes learn patterns that humans do not, but fail to learn patterns that humans typically do. Evaluation and benchmarks Evaluation of the quality of language models is mostly done by comparison to human created sample benchmarks created from typical language-oriented tasks. Other, less established, quality tests examine the intrinsic character of a language model or compare two such models. Since language models are typically intended to be dynamic and to learn from data they see, some proposed models investigate the rate of learning, e.g., through inspection of learning curves. Various data sets have been developed for use in evaluating language processing systems. These include: See also References Further reading
========================================

[SOURCE: https://en.wikipedia.org/wiki/Language_model#cite_note-12] \| [TOKENS: 1793]
Contents Language model A language model is a computational model that predicts sequences in natural language. Language models are useful for a variety of tasks, including speech recognition, machine translation, natural language generation (generating more human-like text), optical character recognition, route optimization, handwriting recognition, grammar induction, and information retrieval. Large language models (LLMs), currently their most advanced form as of 2019, are predominantly based on transformers trained on larger datasets (frequently using texts scraped from the public internet). They have superseded recurrent neural network-based models, which had previously superseded the purely statistical models, such as the word n-gram language model. History Noam Chomsky did pioneering work on language models in the 1950s by developing a theory of formal grammars. In 1980, statistical approaches were explored and found to be more useful for many purposes than rule-based formal grammars. Discrete representations like word n-gram language models, with probabilities for discrete combinations of words, made significant advances. In the 2000s, continuous representations for words, such as word embeddings, began to replace discrete representations. Typically, the representation is a real-valued vector that encodes a word’s meaning such that words closer in vector space are similar in meaning and common relationships between words, such as plurality or gender, are preserved. Pure statistical models In 1980, the first significant statistical language model was proposed, and during the decade IBM performed 'Shannon-style' experiments, in which potential sources for language modeling improvement were identified by observing and analyzing the performance of human subjects in predicting or correcting text. A word n-gram language model is a statistical model of language which calculates the probability of the next word in a sequence from a fixed size window of previous words. If one previous word is considered, it is a bigram model; if two words, a trigram model; if n − 1 words, an n-gram model. Special tokens are introduced to denote the start and end of a sentence ⟨ s ⟩ {\displaystyle \langle s\rangle } and ⟨ / s ⟩ {\displaystyle \langle /s\rangle } . To prevent a zero probability being assigned to unseen words, the probability of each seen word is slightly lowered to make room for the unseen words in a given corpus. To achieve this, various smoothing methods are used, from simple "add-one" smoothing (assigning a count of 1 to unseen n-grams, as an uninformative prior) to more sophisticated techniques, such as Good–Turing discounting or back-off models. Word n-gram models have largely been superseded by recurrent neural network–based models, which in turn have been superseded by Transformer-based models often referred to as large language models. Maximum entropy language models encode the relationship between a word and the n-gram history using feature functions. The equation is P ( w m ∣ w 1 , … , w m − 1 ) = 1 Z ( w 1 , … , w m − 1 ) exp ⁡ ( a T f ( w 1 , … , w m ) ) {\displaystyle P(w_{m}\mid w_{1},\ldots ,w_{m-1})={\frac {1}{Z(w_{1},\ldots ,w_{m-1})}}\exp(a^{T}f(w_{1},\ldots ,w_{m}))} where Z ( w 1 , … , w m − 1 ) {\displaystyle Z(w_{1},\ldots ,w_{m-1})} is the partition function, a {\displaystyle a} is the parameter vector, and f ( w 1 , … , w m ) {\displaystyle f(w_{1},\ldots ,w_{m})} is the feature function. In the simplest case, the feature function is just an indicator of the presence of a certain n-gram. It is helpful to use a prior on a {\displaystyle a} or some form of regularization. The log-bilinear model is another example of an exponential language model. Skip-gram language model is an attempt at overcoming the data sparsity problem that the preceding model (i.e. word n-gram language model) faced. Words represented in an embedding vector were not necessarily consecutive anymore, but could leave gaps that are skipped over (thus the name "skip-gram"). Formally, a k-skip-n-gram is a length-n subsequence where the components occur at distance at most k from each other. For example, in the input text: the set of 1-skip-2-grams includes all the bigrams (2-grams), and in addition the subsequences In skip-gram model, semantic relations between words are represented by linear combinations, capturing a form of compositionality. For example, in some such models, if v is the function that maps a word w to its n-d vector representation, then v ( k i n g ) − v ( m a l e ) + v ( f e m a l e ) ≈ v ( q u e e n ) {\displaystyle v(\mathrm {king} )-v(\mathrm {male} )+v(\mathrm {female} )\approx v(\mathrm {queen} )} where ≈ is made precise by stipulating that its right-hand side must be the nearest neighbor of the value of the left-hand side. Neural models Continuous representations or embeddings of words are produced in recurrent neural network-based language models (known also as continuous space language models). Such continuous space embeddings help to alleviate the curse of dimensionality, which is the consequence of the number of possible sequences of words increasing exponentially with the size of the vocabulary, further causing a data sparsity problem. Neural networks avoid this problem by representing words as non-linear combinations of weights in a neural net. A large language model (LLM) is a language model trained with self-supervised machine learning on a vast amount of text, designed for natural language processing tasks, especially language generation. The largest and most capable LLMs are generative pre-trained transformers (GPTs) that provide the core capabilities of modern chatbots. LLMs can be fine-tuned for specific tasks or guided by prompt engineering. These models acquire predictive power regarding syntax, semantics, and ontologies inherent in human language corpora, but they also inherit inaccuracies and biases present in the data they are trained on. They consist of billions to trillions of parameters and operate as general-purpose sequence models, generating, summarizing, translating, and reasoning over text. LLMs represent a significant new technology in their ability to generalize across tasks with minimal task-specific supervision, enabling capabilities like conversational agents, code generation, knowledge retrieval, and automated reasoning that previously required bespoke systems. LLMs evolved from earlier statistical and recurrent neural network approaches to language modeling. The transformer architecture, introduced in 2017, replaced recurrence with self-attention, allowing efficient parallelization, longer context handling, and scalable training on unprecedented data volumes. This innovation enabled models like GPT, BERT, and their successors, which demonstrated emergent behaviors at scale, such as few-shot learning and compositional reasoning. Reinforcement learning, particularly policy gradient algorithms, has been adapted to fine-tune LLMs for desired behaviors beyond raw next-token prediction. Reinforcement learning from human feedback (RLHF) applies these methods to optimize a policy, the LLM's output distribution, against reward signals derived from human or automated preference judgments. This has been critical for aligning model outputs with user expectations, improving factuality, reducing harmful responses, and enhancing task performance. Benchmark evaluations for LLMs have evolved from narrow linguistic assessments toward comprehensive, multi-task evaluations measuring reasoning, factual accuracy, alignment, and safety. Hill climbing, iteratively optimizing models against benchmarks, has emerged as a dominant strategy, producing rapid incremental performance gains but raising concerns of overfitting to benchmarks rather than achieving genuine generalization or robust capability improvements. Although sometimes matching human performance, it is not clear whether they are plausible cognitive models. At least for recurrent neural networks, it has been shown that they sometimes learn patterns that humans do not, but fail to learn patterns that humans typically do. Evaluation and benchmarks Evaluation of the quality of language models is mostly done by comparison to human created sample benchmarks created from typical language-oriented tasks. Other, less established, quality tests examine the intrinsic character of a language model or compare two such models. Since language models are typically intended to be dynamic and to learn from data they see, some proposed models investigate the rate of learning, e.g., through inspection of learning curves. Various data sets have been developed for use in evaluating language processing systems. These include: See also References Further reading
========================================

[SOURCE: https://en.wikipedia.org/wiki/Principle_of_maximum_entropy] \| [TOKENS: 5066]
Contents Principle of maximum entropy The principle of maximum entropy states that, among all probability distributions consistent with a given set of constraints (such as normalization or specified expectation values), the distribution that maximizes Shannon entropy should be selected. This yields the least committal distribution compatible with the known constraints, introducing no structure beyond what is logically implied by the available information. The justification is that entropy measures the expected information content (or log-surprise) of outcomes relative to a specified reference measure. Maximizing entropy ensures that no additional structure is imposed beyond the stated constraints. Any lower-entropy alternative would encode extra regularity not required by those constraints and would therefore amount to introducing unsupported information. It is important that entropy be defined relative to a specified measure or prior. In discrete cases, Shannon entropy is defined relative to the counting measure (or an explicitly specified prior weighting). In continuous cases, differential entropy depends on the choice of coordinates and is not invariant under reparameterization. For this reason, the principled continuous formulation maximizes relative entropy (equivalently, minimizes Kullback–Leibler divergence) with respect to a specified reference measure or prior density m(x), typically by maximizing − ∫ p ( x ) log ⁡ p ( x ) m ( x ) d x {\displaystyle -\int p(x)\,\log {\frac {p(x)}{m(x)}}\,dx} subject to the given constraints. This formulation is invariant under change of variables and makes explicit the role of the underlying prior measure. History The principle was first expounded by E. T. Jaynes in two papers in 1957, where he emphasized a natural correspondence between statistical mechanics and information theory. In particular, Jaynes argued that the Gibbsian method of statistical mechanics is sound by also arguing that the entropy of statistical mechanics and the information entropy of information theory are the same concept. Consequently, statistical mechanics should be considered a particular application of a general tool of logical inference and information theory. Overview In most practical cases, the stated prior data or testable information is given by a set of conserved quantities (average values of some moment functions), associated with the probability distribution in question. This is the way the maximum entropy principle is most often used in statistical thermodynamics. Another possibility is to prescribe some symmetries of the probability distribution. The equivalence between conserved quantities and corresponding symmetry groups implies a similar equivalence for these two ways of specifying the testable information in the maximum entropy method. The maximum entropy principle is also needed to guarantee the uniqueness and consistency of probability assignments obtained by different methods, statistical mechanics and logical inference in particular. The maximum entropy principle makes explicit our freedom in using different forms of prior data. As a special case, a uniform prior probability density (Laplace's principle of indifference, sometimes called the principle of insufficient reason), may be adopted. Thus, the maximum entropy principle is not merely an alternative way to view the usual methods of inference of classical statistics, but represents a significant conceptual generalization of those methods. However these statements do not imply that thermodynamical systems need not be shown to be ergodic to justify treatment as a statistical ensemble. In ordinary language, the principle of maximum entropy can be said to express a claim of epistemic modesty, or of maximum ignorance. The selected distribution is the one that makes the least claim to being informed beyond the stated prior data, that is to say the one that admits the most ignorance beyond the stated prior data. Testable information The principle of maximum entropy is useful explicitly only when applied to testable information. Testable information is a statement about a probability distribution whose truth or falsity is well-defined. For example, the statements and p 2 + p 3 > 0.6 {\displaystyle p_{2}+p_{3}>0.6} (where p 2 {\displaystyle p_{2}} and p 3 {\displaystyle p_{3}} are probabilities of events) are statements of testable information. Given testable information, the maximum entropy procedure consists of seeking the probability distribution which maximizes information entropy, subject to the constraints of the information. This constrained optimization problem is typically solved using the method of Lagrange multipliers. Entropy maximization with no testable information respects the universal "constraint" that the sum of the probabilities is one. Under this constraint, the maximum entropy discrete probability distribution is the uniform distribution, p i = 1 n f o r a l l i ∈ { 1 , … , n } . {\displaystyle p_{i}={\frac {1}{n}}\ {\rm {for\ all}}\ i\in \{\,1,\dots ,n\,\}.} Applications The principle of maximum entropy is commonly applied in two ways to inferential problems: The principle of maximum entropy is often used to obtain prior probability distributions for Bayesian inference. Jaynes was a strong advocate of this approach, claiming the maximum entropy distribution represented the least informative distribution. A large amount of literature is now dedicated to the elicitation of maximum entropy priors and links with channel coding. Maximum entropy is a sufficient updating rule for radical probabilism. Richard Jeffrey's probability kinematics is a special case of maximum entropy inference. However, maximum entropy is not a generalisation of all such sufficient updating rules. Alternatively, the principle is often invoked for model specification: in this case the observed data itself is assumed to be the testable information. Such models are widely used in natural language processing. An example of such a model is logistic regression, which corresponds to the maximum entropy classifier for independent observations. The maximum entropy principle has also been applied in economics and resource allocation. For example, the Boltzmann fair division model uses the maximum entropy (Boltzmann) distribution to allocate resources or income among individuals, providing a probabilistic approach to distributive justice. One of the main applications of the maximum entropy principle is in discrete and continuous density estimation. Similar to support vector machine estimators, the maximum entropy principle may require the solution to a quadratic programming problem, and thus provide a sparse mixture model as the optimal density estimator. One important advantage of the method is its ability to incorporate prior information in the density estimation. General solution for the maximum entropy distribution with linear constraints We have some testable information I about a quantity x taking values in {x1, x2,..., xn}. We assume this information has the form of m constraints on the expectations of the functions fk; that is, we require our probability distribution to satisfy the moment inequality/equality constraints: ∑ i = 1 n Pr ( x i ) f k ( x i ) ≥ F k k = 1 , … , m . {\displaystyle \sum _{i=1}^{n}\Pr(x_{i})f_{k}(x_{i})\geq F_{k}\qquad k=1,\ldots ,m.} where the F k {\displaystyle F_{k}} are observables. We also require the probability density to sum to one, which may be viewed as a primitive constraint on the identity function and an observable equal to 1 giving the constraint ∑ i = 1 n Pr ( x i ) = 1. {\displaystyle \sum _{i=1}^{n}\Pr(x_{i})=1.} The probability distribution with maximum information entropy subject to these inequality/equality constraints is of the form: Pr ( x i ) = 1 Z ( λ 1 , … , λ m ) exp ⁡ [ λ 1 f 1 ( x i ) + ⋯ + λ m f m ( x i ) ] , {\displaystyle \Pr(x_{i})={\frac {1}{Z(\lambda _{1},\ldots ,\lambda _{m})}}\exp \left[\lambda _{1}f_{1}(x_{i})+\cdots +\lambda _{m}f_{m}(x_{i})\right],} for some λ 1 , … , λ m {\displaystyle \lambda _{1},\ldots ,\lambda _{m}} . It is sometimes called the Gibbs distribution. The normalization constant is determined by: Z ( λ 1 , … , λ m ) = ∑ i = 1 n exp ⁡ [ λ 1 f 1 ( x i ) + ⋯ + λ m f m ( x i ) ] , {\displaystyle Z(\lambda _{1},\ldots ,\lambda _{m})=\sum _{i=1}^{n}\exp \left[\lambda _{1}f_{1}(x_{i})+\cdots +\lambda _{m}f_{m}(x_{i})\right],} and is conventionally called the partition function. (The Pitman–Koopman theorem states that the necessary and sufficient condition for a sampling distribution to admit sufficient statistics of bounded dimension is that it have the general form of a maximum entropy distribution.) The λk parameters are Lagrange multipliers. In the case of equality constraints their values are determined from the solution of the nonlinear equations F k = ∂ ∂ λ k log ⁡ Z ( λ 1 , … , λ m ) . {\displaystyle F_{k}={\frac {\partial }{\partial \lambda _{k}}}\log Z(\lambda _{1},\ldots ,\lambda _{m}).} In the case of inequality constraints, the Lagrange multipliers are determined from the solution of a convex optimization program with linear constraints. In both cases, there is no closed form solution, and the computation of the Lagrange multipliers usually requires numerical methods. For continuous distributions, the Shannon entropy cannot be used, as it is only defined for discrete probability spaces. Instead Edwin Jaynes (1963, 1968, 2003) gave the following formula, which is closely related to the relative entropy (see also differential entropy). H c = − ∫ p ( x ) log ⁡ p ( x ) q ( x ) d x {\displaystyle H_{c}=-\int p(x)\log {\frac {p(x)}{q(x)}}\,dx} where q(x), which Jaynes called the "invariant measure", is proportional to the limiting density of discrete points. For now, we shall assume that q is known; we will discuss it further after the solution equations are given. A closely related quantity, the relative entropy, is usually defined as the Kullback–Leibler divergence of p from q (although it is sometimes, confusingly, defined as the negative of this). The inference principle of minimizing this, due to Kullback, is known as the Principle of Minimum Discrimination Information. We have some testable information I about a quantity x which takes values in some interval of the real numbers (all integrals below are over this interval). We assume this information has the form of m constraints on the expectations of the functions fk, i.e. we require our probability density function to satisfy the inequality (or purely equality) moment constraints: ∫ p ( x ) f k ( x ) d x ≥ F k k = 1 , … , m . {\displaystyle \int p(x)f_{k}(x)\,dx\geq F_{k}\qquad k=1,\dotsc ,m.} where the F k {\displaystyle F_{k}} are observables. We also require the probability density to integrate to one, which may be viewed as a primitive constraint on the identity function and an observable equal to 1 giving the constraint ∫ p ( x ) d x = 1. {\displaystyle \int p(x)\,dx=1.} The probability density function with maximum Hc subject to these constraints is: p ( x ) = q ( x ) exp ⁡ [ λ 1 f 1 ( x ) + ⋯ + λ m f m ( x ) ] Z ( λ 1 , … , λ m ) {\displaystyle p(x)={\frac {q(x)\exp \left[\lambda _{1}f_{1}(x)+\dotsb +\lambda _{m}f_{m}(x)\right]}{Z(\lambda _{1},\dotsc ,\lambda _{m})}}} with the partition function determined by Z ( λ 1 , … , λ m ) = ∫ q ( x ) exp ⁡ [ λ 1 f 1 ( x ) + ⋯ + λ m f m ( x ) ] d x . {\displaystyle Z(\lambda _{1},\dotsc ,\lambda _{m})=\int q(x)\exp \left[\lambda _{1}f_{1}(x)+\dotsb +\lambda _{m}f_{m}(x)\right]\,dx.} As in the discrete case, in the case where all moment constraints are equalities, the values of the λ k {\displaystyle \lambda _{k}} parameters are determined by the system of nonlinear equations: F k = ∂ ∂ λ k log ⁡ Z ( λ 1 , … , λ m ) . {\displaystyle F_{k}={\frac {\partial }{\partial \lambda _{k}}}\log Z(\lambda _{1},\dotsc ,\lambda _{m}).} In the case with inequality moment constraints the Lagrange multipliers are determined from the solution of a convex optimization program. The invariant measure function q(x) can be best understood by supposing that x is known to take values only in the bounded interval (a, b), and that no other information is given. Then the maximum entropy probability density function is p ( x ) = A ⋅ q ( x ) , a < x < b {\displaystyle p(x)=A\cdot q(x),\qquad a<x<b} where A is a normalization constant. The invariant measure function is actually the prior density function encoding 'lack of relevant information'. It cannot be determined by the principle of maximum entropy, and must be determined by some other logical method, such as the principle of transformation groups or marginalization theory. For several examples of maximum entropy distributions, see the article on maximum entropy probability distributions. Justifications for the principle of maximum entropy Proponents of the principle of maximum entropy justify its use in assigning probabilities in several ways, including the following two arguments. These arguments take the use of Bayesian probability as given, and are thus subject to the same postulates. Consider a discrete probability distribution among m {\displaystyle m} mutually exclusive propositions. The most informative distribution would occur when one of the propositions was known to be true. In that case, the information entropy would be equal to zero. The least informative distribution would occur when there is no reason to favor any one of the propositions over the others. In that case, the only reasonable probability distribution would be uniform, and then the information entropy would be equal to its maximum possible value, log ⁡ m {\displaystyle \log m} . The information entropy can therefore be seen as a numerical measure which describes how uninformative a particular probability distribution is, ranging from zero (completely informative) to log ⁡ m {\displaystyle \log m} (completely uninformative). By choosing to use the distribution with the maximum entropy allowed by our information, the argument goes, we are choosing the most uninformative distribution possible. To choose a distribution with lower entropy would be to assume information we do not possess. Thus the maximum entropy distribution is the only reasonable distribution. The dependence of the solution on the dominating measure represented by m ( x ) {\displaystyle m(x)} is however a source of criticisms of the approach since this dominating measure is in fact arbitrary. The following argument is the result of a suggestion made by Graham Wallis to E. T. Jaynes in 1962. It is essentially the same mathematical argument used for the Maxwell–Boltzmann statistics in statistical mechanics, although the conceptual emphasis is quite different. It has the advantage of being strictly combinatorial in nature, making no reference to information entropy as a measure of 'uncertainty', 'uninformativeness', or any other imprecisely defined concept. The information entropy function is not assumed a priori, but rather is found in the course of the argument; and the argument leads naturally to the procedure of maximizing the information entropy, rather than treating it in some other way. Suppose an individual wishes to make a probability assignment among m {\displaystyle m} mutually exclusive propositions. They have some testable information, but are not sure how to go about including this information in their probability assessment. They therefore conceive of the following random experiment. They will distribute N {\displaystyle N} quanta of probability (each worth 1 / N {\displaystyle 1/N} ) at random among the m {\displaystyle m} possibilities. (One might imagine that they will throw N {\displaystyle N} balls into m {\displaystyle m} buckets while blindfolded. In order to be as fair as possible, each throw is to be independent of any other, and every bucket is to be the same size.) Once the experiment is done, they will check if the probability assignment thus obtained is consistent with their information. (For this step to be successful, the information must be a constraint given by an open set in the space of probability measures). If it is inconsistent, they will reject it and try again. If it is consistent, their assessment will be p i = n i N {\displaystyle p_{i}={\frac {n_{i}}{N}}} where p i {\displaystyle p_{i}} is the probability of the i {\displaystyle i} th proposition, while ni is the number of quanta that were assigned to the i {\displaystyle i} th proposition (i.e. the number of balls that ended up in bucket i {\displaystyle i} ). Now, in order to reduce the 'graininess' of the probability assignment, it will be necessary to use quite a large number of quanta of probability. Rather than actually carry out, and possibly have to repeat, the rather long random experiment, the protagonist decides to simply calculate and use the most probable result. The probability of any particular result is the multinomial distribution, P r ( p ) = W ⋅ m − N {\displaystyle Pr(\mathbf {p} )=W\cdot m^{-N}} where W = N ! n 1 ! n 2 ! ⋯ n m ! {\displaystyle W={\frac {N!}{n_{1}!\,n_{2}!\,\dotsb \,n_{m}!}}} is sometimes known as the multiplicity of the outcome. The most probable result is the one which maximizes the multiplicity W {\displaystyle W} . Rather than maximizing W {\displaystyle W} directly, the protagonist could equivalently maximize any monotonic increasing function of W {\displaystyle W} . They decide to maximize 1 N log ⁡ W = 1 N log ⁡ N ! n 1 ! n 2 ! ⋯ n m ! = 1 N log ⁡ N ! ( N p 1 ) ! ( N p 2 ) ! ⋯ ( N p m ) ! = 1 N ( log ⁡ N ! − ∑ i = 1 m log ⁡ ( ( N p i ) ! ) ) . {\displaystyle {\begin{aligned}{\frac {1}{N}}\log W&={\frac {1}{N}}\log {\frac {N!}{n_{1}!\,n_{2}!\,\dotsb \,n_{m}!}}\\[6pt]&={\frac {1}{N}}\log {\frac {N!}{(Np_{1})!\,(Np_{2})!\,\dotsb \,(Np_{m})!}}\\[6pt]&={\frac {1}{N}}\left(\log N!-\sum _{i=1}^{m}\log((Np_{i})!)\right).\end{aligned}}} At this point, in order to simplify the expression, the protagonist takes the limit as N → ∞ {\displaystyle N\to \infty } , i.e. as the probability levels go from grainy discrete values to smooth continuous values. Using Stirling's approximation, they find lim N → ∞ ( 1 N log ⁡ W ) = 1 N ( N log ⁡ N − ∑ i = 1 m N p i log ⁡ ( N p i ) ) = log ⁡ N − ∑ i = 1 m p i log ⁡ ( N p i ) = log ⁡ N − log ⁡ N ∑ i = 1 m p i − ∑ i = 1 m p i log ⁡ p i = ( 1 − ∑ i = 1 m p i ) log ⁡ N − ∑ i = 1 m p i log ⁡ p i = − ∑ i = 1 m p i log ⁡ p i = H ( p ) . {\displaystyle {\begin{aligned}\lim _{N\to \infty }\left({\frac {1}{N}}\log W\right)&={\frac {1}{N}}\left(N\log N-\sum _{i=1}^{m}Np_{i}\log(Np_{i})\right)\\[6pt]&=\log N-\sum _{i=1}^{m}p_{i}\log(Np_{i})\\[6pt]&=\log N-\log N\sum _{i=1}^{m}p_{i}-\sum _{i=1}^{m}p_{i}\log p_{i}\\[6pt]&=\left(1-\sum _{i=1}^{m}p_{i}\right)\log N-\sum _{i=1}^{m}p_{i}\log p_{i}\\[6pt]&=-\sum _{i=1}^{m}p_{i}\log p_{i}\\[6pt]&=H(\mathbf {p} ).\end{aligned}}} All that remains for the protagonist to do is to maximize entropy under the constraints of their testable information. They have found that the maximum entropy distribution is the most probable of all "fair" random distributions, in the limit as the probability levels go from discrete to continuous. Giffin and Caticha (2007) state that Bayes' theorem and the principle of maximum entropy are completely compatible and can be seen as special cases of the "method of maximum relative entropy". They state that this method reproduces every aspect of orthodox Bayesian inference methods. In addition this new method opens the door to tackling problems that could not be addressed by either the maximal entropy principle or orthodox Bayesian methods individually. Moreover, recent contributions (Lazar 2003, and Schennach 2005) show that frequentist relative-entropy-based inference approaches (such as empirical likelihood and exponentially tilted empirical likelihood – see e.g. Owen 2001 and Kitamura 2006) can be combined with prior information to perform Bayesian posterior analysis. Jaynes stated Bayes' theorem was a way to calculate a probability, while maximum entropy was a way to assign a prior probability distribution. It is however, possible in concept to solve for a posterior distribution directly from a stated prior distribution using the principle of minimum cross-entropy (or the Principle of Maximum Entropy being a special case of using a uniform distribution as the given prior), independently of any Bayesian considerations by treating the problem formally as a constrained optimisation problem, the Entropy functional being the objective function. For the case of given average values as testable information (averaged over the sought after probability distribution), the sought after distribution is formally the Gibbs (or Boltzmann) distribution the parameters of which must be solved for in order to achieve minimum cross entropy and satisfy the given testable information. Relevance to physics The principle of maximum entropy bears a relation to a key assumption of kinetic theory of gases known as molecular chaos or Stosszahlansatz. This asserts that the distribution function characterizing particles entering a collision can be factorized. Though this statement can be understood as a strictly physical hypothesis, it can also be interpreted as a heuristic hypothesis regarding the most probable configuration of particles before colliding. See also Notes References Further reading
========================================

Subsets and Splits

No community queries yet

The top public SQL queries from the community will appear here once available.