Κέρδη:
- Ικανότητα χρήσης τεχνητής νοημοσύνης στη βαθμονόμηση ραδιοανθράκων, σειρολογική και πολυπαραγοντική ανάλυση και κατανόηση ότι η επιλογή μεθόδου και οι υποθέσεις ανήκουν στον ειδικό.
- Ικανότητα αναγνώρισης ότι το αποτέλεσμα ραδιενεργού άνθρακα έχει ένα εύρος πιθανοτήτων και ότι η μείωση της αβεβαιότητας σε ένα μόνο έτος αποτελεί επιστημονική παραμόρφωση
- Δυνατότητα αμφισβήτησης της εγκυρότητας του δείγματος με την αρχή «σκουπίδια μέσα, σκουπίδια έξω» και εφαρμογή του αντανακλαστικού της μη σύγχυσης της συσχέτισης και της αιτιότητας
Η αρχαιολογία βασίζεται τόσο στις εργαστηριακές επιστήμες όσο και στις στατιστικές για να απαντήσει στην ερώτηση «πότε». Σε αυτή την ενότητα, θα δούμε πώς η τεχνητή νοημοσύνη επιταχύνει εργασίες όπως χρονολόγηση (καθορισμός ηλικίας ευρήματος ή στρώματος), ανάλυση ραδιοάνθρακα (C14), τυπολογία (ταξινόμηση και περιοδικοποίηση ευρημάτων σύμφωνα με τα τυπικά χαρακτηριστικά τους) και σεισμική σειρά (η μέθοδος χρονολογικής διάταξης των πλαισίων σύμφωνα με την αλλαγή των τύπων ευρημάτων με την πάροδο του χρόνου), αλλά γιατί η σωστή ερμηνεία των επιστημονικών αποτελεσμάτων είναι πάντα η σωστή μέθοδος.
Βασική αρχή: Η τεχνητή νοημοσύνη επιταχύνει τον υπολογισμό, τη βαθμονόμηση, τη στατιστική διαμόρφωση και την οπτικοποίηση. Αλλά ποια μέθοδος είναι κατάλληλη, αν το δείγμα είναι έγκυρο ή όχι και τι σημαίνει το αποτέλεσμα απαιτούν επιστημονική κρίση. Το να βάλεις ένα λάθος στατιστικό σε ένα ωραίο γράφημα δεν το κάνει σωστό.
Μέθοδοι γνωριμιών και AI
Ραδιοάνθρακας (C14). Η ηλικία υπολογίζεται από τη διάσπαση του ραδιενεργού άνθρακα σε οργανικά υπολείμματα. Το ακατέργαστο αποτέλεσμα βαθμονομείται με μια καμπύλη που βασίζεται σε δακτυλίους δέντρων (βαθμονόμηση — διόρθωση που μετατρέπει την ηλικία του ακατέργαστου ραδιενεργού άνθρακα στο πραγματικό ημερολογιακό έτος). Το AI επιταχύνει τους υπολογισμούς βαθμονόμησης και τη συγκριτική απεικόνιση πολλαπλών ημερομηνιών. Αλλά η τεχνητή νοημοσύνη δεν γνωρίζει παγίδες όπως το πρόβλημα του παλιού ξύλου (ένα δείγμα που λαμβάνεται από ένα δέντρο που ζει για εκατοντάδες χρόνια είναι πολύ παλαιότερο από το γεγονός στο οποίο χρησιμοποιήθηκε). Η δειγματοληπτική κριτική είναι δουλειά ενός ειδικού.
Τυπολογία και σειρά. Η συχνότητα των τύπων εύρεσης ποικίλλει με την πάροδο του χρόνου. Ένας τύπος εμφανίζεται, γίνεται ευρέως διαδεδομένος, μειώνεται. Η σειρά ταξινομεί τα περιβάλλοντα χρησιμοποιώντας αυτό το μοτίβο "κουβέρτα". Η τεχνητή νοημοσύνη είναι ισχυρή στην εύρεση αυτών των μοτίβων σε μεγάλα σύνολα δεδομένων και σε πολυπαραγοντική ανάλυση (στατιστικά που αξιολογούν πολλά χαρακτηριστικά ταυτόχρονα). Όμως ο ειδικός μπορεί να διακρίνει αν το αποτέλεσμα οφείλεται σε χρονολογική ή λειτουργική/περιφερειακή διαφορά.
Άλλες μέθοδοι. Μέθοδοι όπως η δενδροχρονολογία (δακτύλιος δέντρου), η θερμοφωταύγεια και ο αρχαιομαγνητισμός είναι επίσης χρήσιμες στον υπολογισμό και τη σύγκριση της τεχνητής νοημοσύνης. Η επιλογή της μεθόδου και η ερμηνεία επαφίονται στον ειδικό.
Συμβουλή: Όταν η τεχνητή νοημοσύνη εκτελεί μια στατιστική, ρωτήστε «ποια μέθοδο χρησιμοποιήσατε και ποιες είναι οι υποθέσεις της;» παρακαλώ. Εάν η μέθοδος είναι λανθασμένη (π.χ. υπολογισμός του μέσου όρου των μη διαδοχικών δεδομένων, αγνοώντας το ακραίο) το αποτέλεσμα θα είναι οπτικά "καθαρό" αλλά επιστημονικά λανθασμένο. Μην εμπιστεύεστε το γράφημα χωρίς να κατανοήσετε τη μέθοδο.
Πλεονεκτήματα και αδυναμίες της τεχνητής νοημοσύνης στις στατιστικές
Ισχυρό: Επαναλαμβανόμενος υπολογισμός, βαθμονόμηση, σάρωση μοτίβων σε μεγάλα σύνολα δεδομένων, δημιουργία κώδικα οπτικοποίησης, γρήγορη δοκιμή διαφορετικών μεθόδων.
Αδύναμο/επικίνδυνο:
- Μην προτείνετε τη λάθος μέθοδο. Η τεχνητή νοημοσύνη μπορεί να συστήσει με σιγουριά μια δοκιμή που δεν ταιριάζει στα δεδομένα.
- Τύφλωση δειγματοληψίας. Δεν βλέπει το μικρό, προκατειλημμένο ή μολυσμένο δείγμα. «Αυτά είναι τα δεδομένα», λέει.
- Ακραίο σχόλιο. Μπορεί να παρουσιάσει μια ασθενή συσχέτιση ως ισχυρό αποτέλεσμα. η συσχέτιση δεν είναι αιτιότητα (απλώς επειδή δύο πράγματα αλλάζουν μαζί δεν σημαίνει ότι το ένα προκαλεί το άλλο).
- Φτιαγμένος αριθμός. Εάν είναι επιθυμητό, μπορεί να παράγει μια «εύλογη» αλλά μη ρεαλιστική ημερομηνία ή πιθανότητα.
Προσοχή: Μια ημερομηνία ραδιοάνθρακα δεν είναι ποτέ ένα μόνο "ακριβές έτος". είναι ένα εύρος πιθανοτήτων (π.χ. 750-680 π.Χ. με 95% εμπιστοσύνη). Μην αφήσετε την τεχνητή νοημοσύνη να μειώσει το αποτέλεσμα σε ένα μόνο έτος. Να κουβαλάτε πάντα την αβεβαιότητα. Η απόκρυψη της αβεβαιότητας είναι μια επιστημονική διαστρέβλωση.
τρεις μίνι θήκες
Περίπτωση 1 — Η βαθμονόμηση επιταχύνθηκε. Ένα έργο θα εκτελούσε τη βαθμονόμηση και τη συγκριτική απεικόνιση 48 δειγμάτων ραδιοάνθρακα. Το AI δημιούργησε κώδικα βαθμονόμησης και γραφήματα σύγκρισης σε λεπτά και όχι σε ώρες. Ο ίδιος ο εμπειρογνώμονας αξιολόγησε τα πλαίσια δειγματοληψίας και τον κίνδυνο του παλιού ξύλου και σημείωσε δύο δείγματα ως "αναξιόπιστα".
Περίπτωση 2 — Λάθος μέθοδος. Ένας μαθητής εφάρμοσε ένα τεστ που πρότεινε η τεχνητή νοημοσύνη για να βρει συχνότητες τύπου και έλαβε ένα «στατιστικά σημαντικό» αποτέλεσμα. Ο στατιστικός σύμβουλος έδειξε ότι τα δεδομένα δεν ήταν κατάλληλα για αυτήν τη δοκιμή (παραβιάστηκαν υποθέσεις). Με τη σωστή μέθοδο, το αποτέλεσμα ήταν χωρίς νόημα. Μάθημα: η επιλογή της μεθόδου καθορίζει το αποτέλεσμα.
Περίπτωση 3 — Επιστροφή της αβεβαιότητας. Μια ομάδα θα ανέφερε μια μεμονωμένη ημερομηνία από τη σύνοψη της τεχνητής νοημοσύνης για ένα επίπεδο, "720 π.Χ.". Ο εμπειρογνώμονας δήλωσε ότι το εύρος του διαμετρήματος ήταν 800-680 π.Χ., και ότι το μεμονωμένο έτος ήταν παραπλανητικό. Η αναφορά διορθώθηκε με εύρος πιθανοτήτων. Το να κουβαλάς αβεβαιότητα είναι ειλικρίνεια.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Ερώτημα καταλληλότητας μεθόδου:
Ο ρόλος σας: σύμβουλος αρχαιολογικής στατιστικής. Θα περιγράψω τα ακόλουθα δεδομένα και ερώτηση: [τύπος δεδομένων, μέγεθος δείγματος, ερώτηση]. Πείτε μου για τις επιλογές μεθόδου που ΕΓΚΡΙΘΗΚΑΝ με αυτά τα δεδομένα, τις ΥΠΟΘΕΣΕΙΣ καθεμιάς και πώς να ελέγξω εάν η απόδοση πληροί αυτές τις παραδοχές. Οι ακατάλληλες μέθοδοι θα πρέπει επίσης να αντιμετωπίζονται για λόγους.
2) Πλαίσιο ερμηνείας ραδιοανθράκων:
Παρακάτω έχω τα βαθμονομημένα διαστήματα ραδιοανθράκων μου: [λίστα]. Εξηγήστε τις παγίδες που πρέπει να γνωρίζω κατά την ερμηνεία τους (παλιό ξύλο, μόλυνση, αποτέλεσμα θαλάσσιας δεξαμενής, σχέση δείγματος-συμβάντος) και πώς να εκφράσω σωστά το διάστημα αβεβαιότητας. Μην του δώσεις ούτε ένα χρόνο. διατηρούν διαστήματα.
3) Στατιστικός έλεγχος:
Έκανα την ακόλουθη ανάλυση: [μέθοδος και αποτέλεσμα]. Επικρίνετε: ταιριάζει η μέθοδος στα δεδομένα, ισχύουν οι υποθέσεις, είναι επαρκές το δείγμα, υπάρχουν ακραίες τιμές/μείγματα, υπερερμηνεύεται το αποτέλεσμα; Καταγράψτε τα αδύνατα σημεία σας. Μην επιβεβαιώσετε το αποτέλεσμα, αμφισβητήστε το.
4) Οπτικοποίηση (ειλικρινής):
Ετοιμάστε ένα γράφημα/κωδικό με τα ακόλουθα δεδομένα: [δεδομένα]. ΠΡΕΠΕΙ να εμφανίζει εύρη αβεβαιότητας (γραμμή/εύρος σφαλμάτων). Ρυθμίστε τον άξονα και την κλίμακα χωρίς να κάνετε παραπλανητικές τομές. ΜΗΝ ΠΡΟΣΘΕΤΕΤΕ σημεία που δεν υπάρχουν στα δεδομένα. Εξηγήστε με μια σημείωση τι κάνει το γράφημα και τι δεν δείχνει.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Αναλύστε αυτά τα δεδομένα εύρεσης και αναφέρετε την ακριβή ημερομηνία του ιστότοπου.
Το AI μπορεί να επιλέξει μια ακατάλληλη μέθοδο και να ορίσει μια ενιαία ακριβή ημερομηνία. Κρύβει αβεβαιότητα και δεν βλέπει προβλήματα δειγματοληψίας.
Ισχυρή προτροπή:
Ο ρόλος σας: στατιστικός σύμβουλος. Απόδοση: [ορισμός, μέγεθος δείγματος]. Πρώτα πείτε μου τη μέθοδο και τις υποθέσεις της που είναι κατάλληλες για αυτά τα δεδομένα και μετά δώστε το αποτέλεσμα με το εύρος αβεβαιότητας αν το εφαρμόσουμε. Μην δώσετε ούτε μια οριστική ημερομηνία. Υποδείξτε επίσης ποιοι κίνδυνοι που σχετίζονται με το δείγμα (μικρό n, μείγμα, παλιό ξύλο) μπορεί να αποδυναμώσουν το αποτέλεσμα.
Η διαφορά: το πρώτο παράγει ψευδή βεβαιότητα. Δεύτερον, η μέθοδος διατηρεί ανοιχτές υποθέσεις και αβεβαιότητα.
Μπεϋζιανή προσέγγιση, δειγματοληψία και "σκουπίδια μέσα, σκουπίδια έξω"
Μια ισχυρή μέθοδος στη σύγχρονη αρχαιολογική χρονολόγηση είναι η Μπεϋζιανή μοντελοποίηση (μια στατιστική προσέγγιση που συνδυάζει υπάρχουσες προηγούμενες πληροφορίες - π.χ. «το στρώμα Α βρίσκεται κάτω από το Β» - με μετρήσεις για την παραγωγή στενότερων, πιο ρεαλιστικών περιοχών ημερομηνιών) που συνδυάζει πολλαπλές ημερομηνίες ραδιοάνθρακα με στρωματογραφικές ακολουθίες. Αυτή η προσέγγιση περιορίζει την ευρεία αβεβαιότητα των μεμονωμένων ημερομηνιών περιορίζοντας τις στη γνωστή σειρά των επιπέδων. Το AI μπορεί να βοηθήσει στη δημιουργία και τον υπολογισμό αυτών των μοντέλων. αλλά το ποιες προηγούμενες πληροφορίες (στρωματογραφικές σχέσεις) μπαίνουν στο μοντέλο είναι μια απόφαση ειδικού και ένας λανθασμένος προηγούμενος περιορισμός παράγει ένα σίγουρο αλλά ανακριβές αποτέλεσμα.
Από εδώ φτάνουμε στην πιο βασική στατιστική αρχή της ενότητας: "σκουπίδια μέσα, σκουπίδια έξω". Ακόμη και η πιο προηγμένη τεχνητή νοημοσύνη και τα πιο κομψά στατιστικά στοιχεία δεν μπορούν να παράγουν καλά αποτελέσματα από κακά δεδομένα. Ένα μολυσμένο δείγμα ραδιοάνθρακα, ευρήματα από μικτό περιβάλλον ή ένα μεροληπτικό δείγμα θα παραμείνουν άκυρα ανεξάρτητα από το πόσο μεγάλη επεξεργασία έχει γίνει. Η τεχνητή νοημοσύνη δεν μπορεί να δει αυτά τα προβλήματα επειδή δεν κοιτάζει τα δεδομένα "από έξω". Δέχεται τους αριθμούς που του δίνετε ως πραγματικούς. Μόνο ένας ειδικός που γνωρίζει το πεδίο μπορεί να αξιολογήσει πώς συλλέχτηκε το δείγμα, από ποιο πλαίσιο προήλθε και τι αντιπροσωπεύει.
Πριν λοιπόν εμπιστευτείτε οποιοδήποτε στατιστικό αποτέλεσμα, κάντε αυτές τις τρεις ερωτήσεις: Είναι το δείγμα αρκετά μεγάλο και αντιπροσωπευτικό; Είναι τα συμφραζόμενα αξιόπιστα και χωρίς σύγχυση; Είναι η μέθοδος μέτρησης κατάλληλη για αυτήν την ερώτηση; Αν δεν μπορείτε να απαντήσετε «ναι» σε αυτές τις τρεις ερωτήσεις, δεν έχει σημασία πόσο «σημαντικό» φαίνεται το αποτέλεσμα.
Συμβουλή: Κατά την αξιολόγηση της παραγωγής μιας στατιστικής, κοιτάξτε πρώτα την είσοδο και όχι το αποτέλεσμα. «Από πού προήλθαν αυτά τα δεδομένα, πώς, με πόσα δείγματα;» Η ερώτηση εξαλείφει τα περισσότερα ψευδή συμπεράσματα πριν καν κοιτάξει το γράφημα.
Πίνακας εργασιών ανάλυσης
Αναζήτηση
Ο ρόλος της AI
ανθρώπινη απόφαση
επαλήθευση
Βαθμονόμηση C14
Υπολογισμός, οπτικοποίηση
Εγκυρότητα δειγματοληψίας
Πλαίσιο, παλιό ξύλο
σειρά
σάρωση μοτίβων
Χρονολογία/διαχωρισμός λειτουργιών
Σύγκριση με στρωματογραφία
πολυμεταβλητή
αριθμομηχανή στατιστικών
Επιλογή μεθόδου
έλεγχος υποθέσεων
οπτικοποίηση
Γραφικά/κωδικός
ειλικρινής εκπροσώπηση
αβεβαιότητα, κλίμακα
Σχόλιο
Περίληψη προσχέδιο
έννοια, όριο
ειδικός, λογοτεχνία
Συνήθη λάθη
- Εφαρμογή της μεθόδου χωρίς αμφισβήτηση. Το λάθος τεστ δίνει ένα «καθαρό» αλλά λάθος αποτέλεσμα.
- Μείωση της αβεβαιότητας σε ένα μόνο έτος. Ο ραδιενεργός άνθρακας είναι μια σειρά. Ένας χρόνος είναι παραπλανητικός.
- Παράκαμψη προβλημάτων δειγματοληψίας. Μικρό/βρώμικο/προκατειλημμένο δείγμα ακυρώνει το αποτέλεσμα.
- Λανθασμένη συσχέτιση για αιτιότητα. Το να αλλάζουμε μαζί δεν είναι αιτία και αποτέλεσμα.
- Παραπλάνηση με γραφικά. Ο διακεκομμένος άξονας, η κρυφή αβεβαιότητα είναι η επιστημονική παραμόρφωση.
Συνοπτικά
Τεχνητή Νοημοσύνη στη χρονολόγηση και τη στατιστική. Είναι ένας ισχυρός επιταχυντής για βαθμονόμηση, σάρωση μοτίβων, υπολογισμούς και οπτικοποίηση. Όμως η επιλογή της μεθόδου, η δειγματοληπτική κριτική, η ειλικρινής έκφραση της αβεβαιότητας και η ερμηνεία του αποτελέσματος ανήκουν στην επιστημονική κρίση. Μην εμπιστεύεστε το γράφημα χωρίς να κατανοήσετε τη μέθοδο. κουβαλά πάντα αβεβαιότητα. και αντισταθείτε στην επιμονή για μια ενιαία «ακριβή ημερομηνία».
Εργασία εφαρμογής
Προετοιμάστε ένα δείγμα πίνακα εύρεσης συχνότητας ή ένα σύνολο βαθμονομημένων διαστημάτων ραδιοάνθρακα. Να ταυτιστούν η κατάλληλη ανάλυση και οι παραδοχές της με το πρότυπο "Ερώτημα καταλληλότητας μεθόδου" και, στη συνέχεια, να γίνει κριτική ανάλυση με το πρότυπο "Στατιστικός έλεγχος". Δημιουργήστε ένα σκίτσο γραφήματος που δείχνει εύρη αβεβαιότητας με το πρότυπο "Οπτικοποίηση (ειλικρινή)" και αποφύγετε τις εκπτώσεις για ένα έτος.
λίστα ελέγχου
- [ ] Έχω ελέγξει την επιλογή της μεθόδου και τις υποθέσεις.
- [ ] Αμφισβήτησα την εγκυρότητα του δείγματος (μέγεθος, μείγμα, παλιό ξύλο).
- [ ] Κράτησα την αβεβαιότητα ως μεσοδιάστημα, δεν την μείωσα σε ούτε ένα χρόνο.
- [ ] Δεν μπέρδεψα τη συσχέτιση με την αιτιότητα.
- [ ] Έχω δείξει ειλικρινά κλίμακα και αβεβαιότητα στο γράφημα.