Печалби:
- Способност за използване на изкуствен интелект при радиовъглеродно калибриране, серийно и многовариантен анализ и разбиране, че изборът на метод и предположенията са на експерта.
- Способност да се признае, че радиовъглеродният резултат има диапазон на вероятност и че намаляването на несигурността до една година е научно изкривяване
- Способност да поставя под въпрос валидността на извадката с принципа „боклук вътре, боклук вън“ и прилагане на рефлекса да не се бърка корелацията и причинно-следствената връзка
Археологията разчита както на лабораторни науки, така и на статистика, за да отговори на въпроса „кога“. В тази част ще видим как AI ускорява задачи като датиране (определяне на възрастта на находка или слой), радиовъглероден (C14) анализ, типология (сортиране и периодизиране на находки според формалните им характеристики) и серия (методът за подреждане на контекстите хронологично според промяната на типовете находки във времето), но защо интерпретацията на научните резултати винаги е оставена на експерта и правилния метод.
Основен принцип: AI ускорява изчисленията, калибрирането, статистическото моделиране и визуализацията; Но кой метод е подходящ, дали пробата е валидна или не и какво означава резултатът изисква научна преценка. Поставянето на грешна статистика в хубава графика не я прави правилна.
Методи за датиране и AI
Радиовъглерод (C14). Възрастта се изчислява от разпадането на радиоактивния въглерод в органичните останки. Суровият резултат се калибрира с крива, базирана на дървесни пръстени (калибриране — корекция, която преобразува необработената радиовъглеродна възраст в действителната календарна година). AI ускорява изчисленията за калибриране и сравнителната визуализация на множество дати. Но AI не познава капани като проблема със старото дърво (проба, взета от дърво, което е живяло стотици години, е много по-старо от събитието, в което е използвано); Примерната критика е работа на експерт.
Типология и серия. Честотата на типовете находки варира във времето; Появява се вид, разпространен е, намалява. Сериирането сортира контекстите, като използва този "пълен" модел. AI е мощен в намирането на тези модели в големи масиви от данни и в многовариантен анализ (статистика, която оценява много функции едновременно). Но експертът може да различи дали резултатът се дължи на хронологична или функционална/регионална разлика.
Други методи. Методи като дендрохронология (дървесен пръстен), термолуминесценция и археомагнетизъм също са полезни при изчисляване и сравнение на AI; Изборът на метод и интерпретацията са оставени на експерта.
Съвет: Когато накарате AI да изготви статистика, попитайте „какъв метод сте използвали и какви са неговите допускания?“ попитайте. Ако методът е грешен (напр. осредняване на непоследователни данни, игнориране на отклонението), резултатът ще бъде визуално „чист“, но научно неправилен. Не се доверявайте на графиката, без да сте разбрали метода.
Силни и слаби страни на AI в статистиката
Мощен: Повтарящо се изчисление, калибриране, сканиране на шаблони в големи набори от данни, генериране на код за визуализация, бързо тестване на различни методи.
Слаб/рисков:
- Не предлагайте грешен метод. AI може уверено да препоръча тест, който не отговаря на данните.
- Слепота за вземане на проби. Той не вижда малката, предубедена или замърсена проба; „Това са данните“, казва той.
- Изключителен коментар. Може да представи слаба корелация като силен резултат; корелацията не е причинно-следствена връзка (само защото две неща се променят заедно, не означава, че едното причинява другото).
- Измислен номер. Ако желаете, може да създаде "правдоподобна", но нереалистична дата или вероятност.
Внимание: Радиовъглеродната дата никога не е една "точна година"; е вероятностен диапазон (напр. 750-680 г. пр.н.е. с 95% сигурност). Не позволявайте на AI да намали резултата до една година; Винаги носете несигурност. Скриването на несигурност е научно изкривяване.
три мини калъфа
Случай 1 — Ускорено калибриране. Един проект ще извърши калибриране и сравнителна визуализация на 48 радиовъглеродни проби. AI генерира код за калибриране и сравнителни графики за минути, а не за часове; Експертът сам оцени контекста на вземане на проби и риска от стара дървесина и маркира две проби като „ненадеждни“.
Случай 2 — Уловен е грешен метод. Един студент приложи тест, предложен от AI, за да намери честотите на типа и получи „статистически значим“ резултат. Статистическият консултант показа, че данните не са подходящи за този тест (предположенията са нарушени); С правилния метод резултатът беше безсмислен. Урок: изборът на метод определя резултата.
Случай 3 — Възстановена несигурност. Екип ще докладва една дата от резюмето на AI за слой, „720 г. пр.н.е.“ Експертът заяви, че калибърът е 800-680 г. пр. н. е. и че единствената година е подвеждаща. Докладът е коригиран с диапазон на вероятността. Понасянето на несигурността е честност.
Четири копируеми шаблона
1) Запитване за пригодност на метода:
Вашата роля: консултант по археологическа статистика. Ще опиша следните данни и въпрос: [тип данни, размер на извадката, въпрос]. Разкажете ми за опциите на метода, ОДОБРЕНИ с тези данни, ПРЕДПОЛОЖЕНИЯТА за всеки и как да проверя дали добивът отговаря на тези допускания. Неподходящите методи също трябва да бъдат разгледани на основание.
2) Радиовъглеродна интерпретационна рамка:
По-долу имам моите калибрирани радиовъглеродни интервали: [списък]. Обяснете клопките, които трябва да имам предвид, когато ги тълкувам (стара дървесина, замърсяване, ефект на морски резервоар, връзка проба-събитие) и как да изразя правилно интервала на неопределеност. Не му давайте нито една година; спазвайте интервали.
3) Статистически одит:
Проведох следния анализ: [метод и резултат]. Моля, критикувайте: отговаря ли методът на данните, важат ли предположенията, достатъчна ли е извадката, има ли извънредни стойности/смеси, прекалено интерпретиран ли е резултатът? Избройте слабите си места; Не потвърждавайте резултата, поставяйте под въпрос.
4) Визуализация (честно):
Подгответе диаграма/код със следните данни: [данни]. ТРЯБВА да показва диапазони на несигурност (лента/обхват на грешката). Настройте оста и мащаба, без да правите подвеждащи разрези. НЕ ДОБАВЯЙТЕ точки, които не са в данните. Обяснете с бележка какво прави и какво не показва графиката.
Слаба подкана / Силна подкана
Слаба подкана:
Анализирайте тези открити данни и посочете точната дата на сайта.
AI може да избере неподходящ метод и да състави една точна дата; Той крие несигурността и не вижда проблеми с вземането на проби.
Мощна подкана:
Вашата роля: статистически консултант. Добив: [дефиниция, размер на пробата]. Първо ми кажете метода и неговите допускания, подходящи за тези данни, след това дайте резултата с диапазона на несигурност, ако го приложим. Не давайте нито една окончателна дата. Посочете също кои рискове, свързани с пробата (малък n, смес, старо дърво) могат да отслабят резултата.
Разликата: първото създава фалшива сигурност; второ, методът поддържа открити предположения и несигурност.
Байесов подход, вземане на проби и "боклук навътре, боклук навън"
Мощен метод в съвременното археологическо датиране е байесовото моделиране (статистически подход, който съчетава съществуваща предишна информация – например „слой А е в основата на B“ – с измервания за получаване на по-тесни, по-реалистични диапазони от дати), който съчетава множество радиовъглеродни дати със стратиграфски последователности. Този подход стеснява широката несигурност на отделните дати, като ги ограничава до известния ред на слоевете. AI може да помогне за изграждането и изчисляването на тези модели; но каква предварителна информация (стратиграфски връзки) влиза в модела е експертно решение и неправилно предварително ограничение води до уверен, но неточен резултат.
Оттук стигаме до най-основния статистически принцип на модула: „боклук вътре, боклук вън“. Дори най-модерният AI и най-елегантната статистика не могат да дадат добри резултати от лоши данни. Замърсена радиовъглеродна проба, находки от смесен контекст или предубедена проба ще останат невалидни, без значение колко обработка е извършена. AI не може да види тези проблеми, защото не гледа на данните „отвън“; Той приема числата, които му давате, като реални. Само експерт, който познава областта, може да оцени как е събрана пробата, от какъв контекст идва и какво представлява.
Така че, преди да се доверите на каквито и да било статистически резултати, задайте следните три въпроса: Голяма и достатъчно представителна ли е извадката? Дали контекстите са надеждни и необъркани? Методът на измерване подходящ ли е за този въпрос? Ако не можете да отговорите с „да“ на тези три въпроса, няма значение колко „значителен“ изглежда резултатът.
Съвет: Когато оценявате резултата от дадена статистика, първо погледнете входа, а не резултата. „Откъде са дошли тези данни, как, с колко проби?“ въпрос елиминира повечето неверни заключения, преди дори да погледнете графиката.
Таблица със задачи за анализ
Мисия
Роля на AI
човешко решение
проверка
C14 калибриране
Изчисляване, визуализация
Валидност на пробите
Контекст, старо дърво
серия
сканиране на шаблони
Разделяне на хронология/функция
Сравнение със стратиграфия
многопроменлив
статистически калкулатор
Избор на метод
проверка на предположението
визуализация
Графика/код
честно представителство
несигурност, мащаб
Коментирайте
Обобщена чернова
значение, граница
експерт, литература
Често срещани грешки
- Прилагане на метода без въпроси. Грешният тест дава "чист", но грешен резултат.
- Намаляване на несигурността до една година. Радиовъглеродът е диапазон; Една година е подвеждаща.
- Заобикаляне на проблемите с вземането на проби. Малка/мръсна/предубедена проба обезсилва резултата.
- Грешна корелация за причинно-следствена връзка. Промяната заедно не е причина и следствие.
- Подвеждане с графики. Прекъснатата ос, скритата несигурност е научно изкривяване.
В обобщение
AI в запознанствата и статистиката; Това е мощен ускорител за калибриране, сканиране на шаблони, изчисления и визуализация. Но изборът на метод, критиката на примера, честното изразяване на несигурност и интерпретацията на резултата принадлежат на научната преценка. Не се доверявайте на графиката, без да сте разбрали метода; винаги носят несигурност; и се противопоставят на настояването за една „точна дата“.
Задача за приложение
Подгответе примерна таблица с честота на намиране или набор от калибрирани радиовъглеродни интервали. Идентифицирайте подходящия анализ и неговите допускания с шаблона „Заявка за пригодност на метода“, след което анализът трябва да бъде критикуван с шаблона „Статистически одит“. Създайте скица на диаграма, показваща диапазони на несигурност с шаблона „Визуализация (честно)“ и избягвайте едногодишно дисконтиране.
контролен списък
- [ ] Проверих избора на метод и предположенията.
- [ ] Поставих под въпрос валидността на пробата (размер, микс, старо дърво).
- [ ] Запазих несигурността като интервал, не я намалих до една година.
- [ ] Не съм объркал корелацията с причинно-следствената връзка.
- [ ] Показах мащаба и несигурността честно в диаграмата.