Datierung, Statistik und wissenschaftliche Analyse: Radiokarbon, Typologie und Seriation

Gewinne:

• Fähigkeit, künstliche Intelligenz bei der Radiokohlenstoffkalibrierung, Seriierung und multivariaten Analyse einzusetzen und zu verstehen, dass die Methodenauswahl und Annahmen Sache des Experten sind.
• Fähigkeit zu erkennen, dass das Radiokarbon-Ergebnis eine Bandbreite an Wahrscheinlichkeiten aufweist und dass die Reduzierung der Unsicherheit auf ein einzelnes Jahr eine wissenschaftliche Verzerrung darstellt
• Fähigkeit, die Stichprobenvalidität nach dem Prinzip „Garbage in, Garbage out“ in Frage zu stellen und den Reflex anzuwenden, Korrelation und Kausalität nicht zu verwechseln

Die Archäologie stützt sich bei der Beantwortung der Frage nach dem „Wann“ sowohl auf Laborwissenschaften als auch auf Statistiken. In dieser Einheit werden wir sehen, wie KI Aufgaben wie Datierung (Bestimmung des Alters eines Fundes oder einer Schicht), Radiokarbonanalyse (C14), Typologie (Sortierung und Periodisierung von Funden nach ihren formalen Merkmalen) und Seriierung (die Methode zur chronologischen Anordnung von Kontexten entsprechend der Veränderung von Fundtypen im Laufe der Zeit) beschleunigt, aber warum die Interpretation wissenschaftlicher Ergebnisse immer dem Experten und der richtigen Methode überlassen bleibt.

Grundprinzip: KI beschleunigt Berechnung, Kalibrierung, statistische Musterung und Visualisierung; Doch welche Methode geeignet ist, ob die Probe gültig ist oder nicht und was das Ergebnis bedeutet, erfordert wissenschaftliches Urteilsvermögen. Das Einfügen einer falschen Statistik in ein schönes Diagramm macht es nicht richtig.

Dating-Methoden und KI

Radiokohlenstoff (C14). Das Alter wird aus dem Zerfall von radioaktivem Kohlenstoff in organischen Überresten berechnet. Das Rohergebnis wird mit einer auf Baumringen basierenden Kurve kalibriert (Kalibrierung – Korrektur, die das Rohradiokarbonalter in das tatsächliche Kalenderjahr umrechnet). KI beschleunigt Kalibrierungsberechnungen und vergleichende Visualisierung mehrerer Daten. Aber die KI kennt keine Fallen wie das Altholzproblem (eine Probe von einem Baum, der Hunderte von Jahren gelebt hat, ist viel älter als das Ereignis, bei dem sie verwendet wurde); Probenkritik ist die Aufgabe eines Experten.

Typologie und Seriation. Die Häufigkeit der Fundarten variiert im Laufe der Zeit; Ein Typ erscheint, verbreitet sich, nimmt ab. Die Seriation sortiert Kontexte nach diesem „pauschalen“ Muster. KI ist leistungsstark beim Auffinden dieser Muster in großen Datensätzen und in der multivariaten Analyse (Statistik, die viele Merkmale gleichzeitig auswertet). Der Experte kann aber unterscheiden, ob das Ergebnis auf einen zeitlichen oder funktionalen/regionalen Unterschied zurückzuführen ist.

Andere Methoden. Auch Methoden wie Dendrochronologie (Baumring), Thermolumineszenz und Archäomagnetismus sind bei der KI-Berechnung und dem Vergleich hilfreich; Methodenauswahl und Interpretation bleiben dem Experten überlassen.

Tipp: Wenn Sie die KI eine Statistik erstellen lassen, fragen Sie: „Welche Methode haben Sie verwendet und welche Annahmen werden zugrunde gelegt?“ fragen. Wenn die Methode falsch ist (z. B. Mittelung nichtsequentieller Daten, Ignorieren des Ausreißers), ist das Ergebnis optisch „sauber“, aber wissenschaftlich falsch. Vertrauen Sie dem Diagramm nicht, ohne die Methode zu verstehen.

Stärken und Schwächen der KI in der Statistik

Leistungsstark: Wiederholte Berechnungen, Kalibrierung, Musterscannen in großen Datensätzen, Visualisierungscodegenerierung, schnelles Testen verschiedener Methoden.

Schwach/riskant:

• Schlagen Sie nicht die falsche Methode vor. KI kann getrost einen Test empfehlen, der nicht zu den Daten passt.
• Stichprobenblindheit. Die kleine, verfälschte oder kontaminierte Probe wird nicht erkannt; „Das sind die Daten“, sagt er.
• Extremer Kommentar. Es kann eine schwache Korrelation als starkes Ergebnis darstellen; Korrelation ist keine Kausalität (nur weil sich zwei Dinge gemeinsam ändern, heißt das nicht, dass das eine das andere verursacht).
• Erfundene Nummer. Auf Wunsch kann ein „plausibles“, aber unrealistisches Datum oder eine „plausible“ Wahrscheinlichkeit ermittelt werden.

Achtung: Ein Radiokarbon-Datum ist niemals ein einzelnes „genaues Jahr“; ist ein Wahrscheinlichkeitsbereich (z. B. 750-680 v. Chr. mit 95 %iger Sicherheit). Lassen Sie nicht zu, dass die KI das Ergebnis auf ein einziges Jahr reduziert. Tragen Sie immer Unsicherheit in sich. Unsicherheit zu verbergen ist eine wissenschaftliche Verzerrung.

drei Mini-Koffer

Fall 1 – Kalibrierung beschleunigt. Ein Projekt würde die Kalibrierung und vergleichende Visualisierung von 48 Radiokohlenstoffproben durchführen. Die KI generierte Kalibrierungscodes und Vergleichsdiagramme in Minuten statt in Stunden; Der Sachverständige selbst beurteilte die Probenahmekontexte und das Risiko von Altholz und stufte zwei Proben als „unzuverlässig“ ein.

Fall 2 – Falsche Methode erkannt. Ein Student wandte einen von der KI vorgeschlagenen Test an, um Typhäufigkeiten zu ermitteln, und erhielt ein „statistisch signifikantes“ Ergebnis. Der Statistikberater zeigte, dass die Daten für diesen Test nicht geeignet waren (Annahmen wurden verletzt); Mit der richtigen Methode war das Ergebnis bedeutungslos. Lektion: Die Wahl der Methode bestimmt das Ergebnis.

Fall 3 – Ungewissheit zurückgedrängt. Ein Team würde ein einzelnes Datum aus der KI-Zusammenfassung für eine Schicht melden, „720 v. Chr.“. Der Experte gab an, dass der Kaliberbereich zwischen 800 und 680 v. Chr. liege und dass die Angabe einer einzelnen Jahreszahl irreführend sei. Bericht mit Wahrscheinlichkeitsbereich korrigiert. Unsicherheit zu ertragen ist Ehrlichkeit.

Vier kopierbare Vorlagen

1) Abfrage der Methodeneignung:

Ihre Rolle: Berater für archäologische Statistik. Ich werde die folgenden Daten und Fragen beschreiben: [Datentyp, Stichprobengröße, Frage]. Erzählen Sie mir von den mit diesen Daten GENEHMIGTEN Methodenoptionen, den jeweiligen Annahmen und wie Sie überprüfen können, ob der Ertrag diese Annahmen erfüllt. Auch unangemessene Methoden sollten aus Gründen thematisiert werden.

2) Interpretationsrahmen für Radiokarbon:

Unten habe ich meine kalibrierten Radiokarbonintervalle: [Liste]. Erklären Sie die Fallstricke, die ich bei der Interpretation beachten sollte (altes Holz, Kontamination, Einfluss von Meeresreservoirs, Beziehung zwischen Probe und Ereignis) und wie man das Unsicherheitsintervall richtig ausdrückt. Geben Sie ihm kein einziges Jahr; Intervalle einhalten.

3) Statistikprüfung:

Ich habe die folgende Analyse durchgeführt: [Methode und Ergebnis]. Bitte kritisieren Sie: Passt die Methode zu den Daten, halten die Annahmen, ist die Stichprobe ausreichend, gibt es Ausreißer/Mischungen, wird das Ergebnis überinterpretiert? Listen Sie Ihre Schwachstellen auf; Bestätigen Sie das Ergebnis nicht, sondern hinterfragen Sie es.

4) Visualisierung (ehrlich):

Bereiten Sie ein Diagramm/einen Code mit den folgenden Daten vor: [Daten]. MÜSSEN Unsicherheitsbereiche anzeigen (Fehlerbalken/-bereich). Richten Sie Achse und Maßstab ein, ohne irreführende Schnitte vorzunehmen. Fügen Sie KEINE Punkte hinzu, die nicht in den Daten enthalten sind. Erklären Sie mit einer Notiz, was die Grafik zeigt und was nicht.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwache Eingabeaufforderung:

Analysieren Sie diese Funddaten und geben Sie das genaue Datum der Fundstelle an.

Die KI wählt möglicherweise eine ungeeignete Methode und ermittelt ein einziges genaues Datum. Es verbirgt Unsicherheiten und erkennt keine Stichprobenprobleme.

Kraftvolle Aufforderung:

Ihre Rolle: Statistikberater. Ertrag: [Definition, Stichprobengröße]. Nennen Sie mir zunächst die Methode und ihre Annahmen, die für diese Daten geeignet sind, und geben Sie dann das Ergebnis mit dem Unsicherheitsbereich an, falls wir es anwenden. Geben Sie kein einziges endgültiges Datum an. Geben Sie außerdem an, welche mit der Probe verbundenen Risiken (Kleinholz, Mischung, Altholz) das Ergebnis verschlechtern können.

Der Unterschied: Ersteres erzeugt falsche Gewissheit; Zweitens hält die Methode Annahmen und Unsicherheiten offen.

Bayesianischer Ansatz, Sampling und „Garbage in, Garbage out“

Eine leistungsstarke Methode in der modernen archäologischen Datierung ist die Bayes'sche Modellierung (ein statistischer Ansatz, der vorhandene Vorinformationen – z. B. „Schicht A liegt B zugrunde“ – mit Messungen kombiniert, um engere, realistischere Datumsbereiche zu erstellen), die mehrere Radiokarbondaten mit stratigraphischen Sequenzen kombiniert. Dieser Ansatz verringert die große Unsicherheit einzelner Daten, indem er sie auf die bekannte Reihenfolge der Schichten beschränkt. KI kann dabei helfen, diese Modelle zu erstellen und zu berechnen; Welche Vorabinformationen (stratigraphische Beziehungen) jedoch in das Modell einfließen, ist eine Expertenentscheidung, und eine falsche Vorabbeschränkung führt zu einem sicheren, aber ungenauen Ergebnis.

Von hier aus kommen wir zum grundlegendsten statistischen Prinzip des Moduls: „Müll rein, Müll raus.“ Selbst die fortschrittlichste KI und die elegantesten Statistiken können aus schlechten Daten keine guten Ergebnisse erzielen. Eine kontaminierte Radiokohlenstoffprobe, Funde aus einem gemischten Kontext oder eine verzerrte Probe bleiben ungültig, egal wie viel Verarbeitung durchgeführt wird. Die KI kann diese Probleme nicht erkennen, da sie die Daten nicht „von außen“ betrachtet; Es akzeptiert die Zahlen, die Sie ihm geben, als real. Nur ein Experte, der sich auf dem Gebiet auskennt, kann beurteilen, wie die Probe gesammelt wurde, aus welchem ​​Kontext sie stammt und was sie darstellt.

Bevor Sie also statistischen Ergebnissen vertrauen, stellen Sie sich diese drei Fragen: Ist die Stichprobe groß und repräsentativ genug? Sind die Kontexte zuverlässig und unverwechselbar? Ist die Messmethode für diese Frage geeignet? Wenn Sie diese drei Fragen nicht mit „Ja“ beantworten können, spielt es keine Rolle, wie „signifikant“ das Ergebnis erscheint.

Tipp: Wenn Sie die Ausgabe einer Statistik auswerten, schauen Sie sich zuerst die Eingabe und nicht das Ergebnis an. „Woher kamen diese Daten, wie, mit wie vielen Proben?“ Die Frage beseitigt die meisten falschen Schlussfolgerungen, bevor man sich die Grafik überhaupt ansieht.

Analyseaufgabentabelle

Suche

Rolle der KI

menschliche Entscheidung

Überprüfung

C14-Kalibrierung

Berechnung, Visualisierung

Stichprobengültigkeit

Kontext, altes Holz

Serie

Musterscannen

Chronologie/Funktionstrennung

Vergleich mit Stratigraphie

multivariabel

Statistikrechner

Methodenauswahl

Annahmeprüfung

Visualisierung

Grafiken/Code

ehrliche Darstellung

Unsicherheit, Maßstab

Kommentar

Zusammenfassender Entwurf

Bedeutung, Grenze

Experte, Literatur

Häufige Fehler

• Die Methode anwenden, ohne zu hinterfragen. Der falsche Test liefert ein „sauberes“, aber falsches Ergebnis.
• Reduzierung der Unsicherheit auf ein einziges Jahr. Radiokarbon ist ein Bereich; Ein Jahr ist irreführend.
• Umgehung von Probenahmeproblemen. Eine kleine/schmutzige/voreingenommene Probe macht das Ergebnis ungültig.
• Korrelation mit Kausalität verwechseln. Eine gemeinsame Veränderung ist nicht Ursache und Wirkung.
• Mit Grafiken in die Irre führen. Die gestrichelte Achse, versteckte Unsicherheit, ist wissenschaftliche Verzerrung.

Zusammenfassend

KI in Dating und Statistik; Es ist ein leistungsstarker Beschleuniger für Kalibrierung, Musterscan, Berechnung und Visualisierung. Aber die Wahl der Methode, die Stichprobenkritik, der ehrliche Ausdruck von Unsicherheit und die Interpretation des Ergebnisses gehören zum wissenschaftlichen Urteil. Vertrauen Sie dem Diagramm nicht, ohne die Methode zu verstehen; immer Unsicherheit in sich tragen; und widerstehen Sie dem Beharren auf einem einzigen „genauen Datum“.

Anwendungsaufgabe

Bereiten Sie eine Probensuchhäufigkeitstabelle oder einen Satz kalibrierter Radiokohlenstoffintervalle vor. Lassen Sie die entsprechende Analyse und ihre Annahmen mit der Vorlage „Methodeneignungsabfrage“ identifizieren und lassen Sie dann eine Analyse mit der Vorlage „Statistische Prüfung“ überprüfen. Erstellen Sie mit der Vorlage „Visualisierung (ehrlich)“ eine Diagrammskizze, die Unsicherheitsbereiche zeigt, und vermeiden Sie eine einjährige Diskontierung.

Checkliste

• [ ] Ich habe die Methodenauswahl und Annahmen überprüft.
• [ ] Ich habe die Stichprobengültigkeit in Frage gestellt (Größe, Mischung, altes Holz).
• [ ] Ich habe die Unsicherheit als Intervall beibehalten, ich habe sie nicht auf ein einzelnes Jahr reduziert.
• [ ] Ich habe Korrelation nicht mit Kausalität verwechselt.
• [ ] Ich habe das Ausmaß und die Unsicherheit in der Tabelle ehrlich dargestellt.