سود:
- توانایی استفاده از هوش مصنوعی در کالیبراسیون کربن رادیویی، سری بندی و تجزیه و تحلیل چند متغیره و درک اینکه انتخاب روش و فرضیات مربوط به متخصص است.
- توانایی تشخیص اینکه نتیجه رادیوکربن دارای دامنهای از احتمال است و کاهش عدم قطعیت به یک سال یک تحریف علمی است.
- امکان زیر سوال بردن روایی نمونه با اصل "آشغال در، زباله بیرون" و اعمال رفلکس عدم اشتباه همبستگی و علیت
باستان شناسی برای پاسخ به سوال "چه زمانی" هم به علوم آزمایشگاهی و هم به آمار متکی است. در این بخش خواهیم دید که هوش مصنوعی چگونه کارهایی مانند تاریخیابی (تعیین سن یک یافته یا لایه)، آنالیز رادیوکربن (C14)، گونهشناسی (مرتبسازی و دورهبندی یافتهها با توجه به ویژگیهای رسمی آنها) و سریبندی (روش چینش زمانی متنها بر اساس تغییر انواع یافتهها در طول زمان) را تسریع میکند، اما چرا همیشه تفسیر صحیح به نتایج علمی واگذار میشود.
اصل اساسی: هوش مصنوعی محاسبه، کالیبراسیون، الگوبرداری آماری و تجسم را تسریع می کند. اما اینکه کدام روش مناسب است، آیا نمونه معتبر است یا نه، و اینکه نتیجه به چه معناست نیاز به قضاوت علمی دارد. قرار دادن یک آمار اشتباه در یک نمودار خوب آن را درست نمی کند.
روش های دوستیابی و هوش مصنوعی
رادیوکربن (C14). سن از تجزیه کربن رادیواکتیو در بقایای آلی محاسبه می شود. نتیجه خام با یک منحنی بر اساس حلقههای درخت کالیبره میشود (کالیبراسیون - اصلاحی که سن رادیوکربن خام را به سال تقویمی واقعی تبدیل میکند). هوش مصنوعی محاسبات کالیبراسیون و تجسم مقایسه ای تاریخ های متعدد را تسریع می کند. اما هوش مصنوعی تله هایی مانند مشکل چوب قدیمی را نمی شناسد (نمونه ای که از درختی که صدها سال زندگی کرده است بسیار قدیمی تر از رویدادی است که در آن استفاده شده است). نقد نمونه کار یک متخصص است.
گونه شناسی و سری. فراوانی انواع یافتن در طول زمان متفاوت است. یک نوع ظاهر می شود، گسترده می شود، کاهش می یابد. Seriation با استفاده از این الگوی "Blanket" زمینه ها را مرتب می کند. هوش مصنوعی در یافتن این الگوها در مجموعه داده های بزرگ و در تجزیه و تحلیل چند متغیره (آماری که بسیاری از ویژگی ها را به طور همزمان ارزیابی می کند) قدرتمند است. اما متخصص می تواند تشخیص دهد که آیا نتیجه به دلیل تفاوت زمانی است یا عملکردی/منطقه ای.
روش های دیگر. روش هایی مانند دندروکرونولوژی (حلقه درخت)، ترمولومینسانس، و باستان شناسی نیز در محاسبه و مقایسه هوش مصنوعی مفید هستند. انتخاب روش و تفسیر به متخصص واگذار می شود.
نکته: هنگامی که هوش مصنوعی آماری را اجرا می کند، بپرسید "از چه روشی استفاده کردید و مفروضات آن چیست؟" بپرسید اگر روش اشتباه باشد (مثلاً میانگین گیری داده های غیر متوالی، نادیده گرفتن موارد پرت) نتیجه از نظر بصری "تمیز" اما از نظر علمی نادرست خواهد بود. بدون درک روش به نمودار اعتماد نکنید.
نقاط قوت و ضعف هوش مصنوعی در آمار
قدرتمند: محاسبه تکراری، کالیبراسیون، اسکن الگو در مجموعه داده های بزرگ، تولید کد تجسم، آزمایش سریع روش های مختلف.
ضعیف/خطرناک:
- روش اشتباه را پیشنهاد نکنید. هوش مصنوعی می تواند با اطمینان آزمایشی را توصیه کند که با داده ها مطابقت ندارد.
- نمونه برداری از نابینایی نمونه کوچک، مغرضانه یا آلوده را نمی بیند. او می گوید: «این داده هاست.
- نظر افراطی می تواند یک همبستگی ضعیف را به عنوان یک نتیجه قوی ارائه دهد. همبستگی علیت نیست (فقط به این دلیل که دو چیز با هم تغییر می کنند به این معنی نیست که یکی باعث دیگری می شود).
- شماره ساخته شده در صورت تمایل، می تواند یک تاریخ یا احتمال "قابل قبول" اما غیر واقعی ایجاد کند.
احتیاط: تاریخ رادیوکربن هرگز یک «سال دقیق» نیست. یک محدوده احتمال است (به عنوان مثال 750-680 قبل از میلاد با اطمینان 95٪). اجازه ندهید هوش مصنوعی نتیجه را به یک سال کاهش دهد. همیشه عدم اطمینان را به همراه داشته باشید. پنهان کردن عدم قطعیت یک تحریف علمی است.
سه کیف کوچک
مورد 1 - کالیبراسیون تسریع شد. یک پروژه کالیبراسیون و تجسم مقایسه ای 48 نمونه رادیوکربن را انجام می دهد. هوش مصنوعی کد کالیبراسیون و نمودارهای مقایسه را در چند دقیقه به جای ساعت ایجاد کرد. خود کارشناس زمینه های نمونه برداری و خطر چوب قدیمی را ارزیابی کرد و دو نمونه را به عنوان "غیر قابل اعتماد" علامت گذاری کرد.
مورد 2 - روش اشتباه کشف شد. یکی از دانشآموزان آزمایشی را که توسط هوش مصنوعی پیشنهاد شده بود برای یافتن فرکانسهای نوع اعمال کرد و نتیجه «آماری معنادار» گرفت. مشاور آماری نشان داد که دادهها برای این آزمون مناسب نیستند (فرضها نقض شد). با روش درست، نتیجه بی معنی بود. درس: انتخاب روش، نتیجه را تعیین می کند.
مورد 3 - عدم قطعیت بازگردانده می شود. یک تیم یک تاریخ واحد را از خلاصه هوش مصنوعی برای یک لایه، "720 قبل از میلاد" گزارش می کند. این کارشناس محدوده کالیبر را بین 800 تا 680 قبل از میلاد عنوان کرد و سال تک را گمراه کننده دانست. گزارش با محدوده احتمال تصحیح شد. تحمل عدم اطمینان صداقت است.
چهار قالب قابل کپی
1) استعلام مناسب بودن روش:
نقش شما: مشاور آمار باستان شناسی من داده ها و سوال زیر را شرح خواهم داد: [نوع داده، اندازه نمونه، سوال]. درباره گزینههای روش تأیید شده با این دادهها، فرضیات هر کدام، و نحوه بررسی اینکه آیا بازدهی با این فرضیات مطابقت دارد، به من بگویید. روش های نامناسب نیز باید بر اساس دلایل مورد توجه قرار گیرد.
2) چارچوب تفسیر رادیو کربن:
در زیر فواصل رادیوکربن کالیبره شده خود را آورده ام: [فهرست]. مشکلاتی را که باید هنگام تفسیر آنها بدانم (چوب قدیمی، آلودگی، اثر مخزن دریایی، رابطه نمونه به رویداد) و نحوه بیان صحیح فاصله عدم قطعیت را توضیح دهید. یک سال هم به آن فرصت ندهید. حفظ فواصل
3) حسابرسی آمار:
من تجزیه و تحلیل زیر را انجام دادم: [روش و نتیجه]. لطفا انتقاد کنید: آیا روش با داده ها مطابقت دارد، آیا مفروضات معتبر هستند، آیا نمونه کافی است، آیا موارد پرت یا ترکیبی وجود دارد، آیا نتیجه بیش از حد تفسیر شده است؟ نقاط ضعف خود را فهرست کنید؛ نتیجه را تایید نکنید، آن را زیر سوال ببرید.
4) تجسم (صادقانه):
یک نمودار/کد با داده های زیر آماده کنید: [داده]. باید محدوده عدم قطعیت را نشان دهد (نوار/محدوده خطا). محور و مقیاس را بدون برش های گمراه کننده تنظیم کنید. هیچ نقطه ای را که در داده ها نیست اضافه نکنید. با یک یادداشت توضیح دهید که نمودار چه چیزی را نشان می دهد و چه چیزی را نشان نمی دهد.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
این داده ها را تجزیه و تحلیل کنید و تاریخ دقیق سایت را بیان کنید.
هوش مصنوعی ممکن است روش نامناسبی را انتخاب کند و تاریخ دقیقی را ایجاد کند. عدم قطعیت را پنهان می کند و مشکلات نمونه برداری را نمی بیند.
اعلان قدرتمند:
نقش شما: مشاور آماری بازده: [تعریف، حجم نمونه]. ابتدا روش و مفروضات آن را برای این داده ها به من بگویید، سپس اگر آن را اعمال کنیم، نتیجه را با محدوده عدم قطعیت ارائه دهید. یک تاریخ قطعی ندهید همچنین مشخص کنید که کدام خطرات مرتبط با نمونه (نمونه کوچک، مخلوط، چوب قدیمی) ممکن است نتیجه را ضعیف کند.
تفاوت: اولی یقین کاذب ایجاد می کند. دوم، روش مفروضات و عدم قطعیت را باز نگه می دارد.
رویکرد بیزی، نمونهبرداری و "آشغال در داخل، زباله خارج"
یک روش قدرتمند در تاریخگذاری باستانشناسی مدرن، مدلسازی بیزی است (رویکردی آماری که اطلاعات قبلی موجود را ترکیب میکند - به عنوان مثال، «لایه A زیربنای B است» - با اندازهگیریهایی برای تولید محدودههای تاریخی باریکتر و واقعیتر) که چندین تاریخ رادیوکربن را با توالیهای چینهشناسی ترکیب میکند. این رویکرد عدم قطعیت گسترده تاریخ های فردی را با محدود کردن آنها به ترتیب شناخته شده لایه ها محدود می کند. هوش مصنوعی می تواند به ساخت و محاسبه این مدل ها کمک کند. اما آنچه اطلاعات قبلی (روابط چینهشناسی) وارد مدل میشود، یک تصمیم کارشناسی است، و یک محدودیت قبلی نادرست، نتیجه مطمئن اما نادرست ایجاد میکند.
از اینجا به ابتدایی ترین اصل آماری این ماژول می رسیم: "زباله داخل، زباله بیرون". حتی پیشرفته ترین هوش مصنوعی و ظریف ترین آمارها نیز نمی توانند نتایج خوبی از داده های بد ایجاد کنند. یک نمونه رادیوکربن آلوده، یافتههای یک بافت مختلط، یا یک نمونه مغرضانه بدون توجه به اینکه چقدر پردازش انجام شود، نامعتبر باقی میماند. هوش مصنوعی نمی تواند این مشکلات را ببیند زیرا به داده ها "از بیرون" نگاه نمی کند. اعدادی که شما به آن می دهید را واقعی می پذیرد. فقط یک متخصص که میدان را می شناسد می تواند ارزیابی کند که نمونه چگونه جمع آوری شده است، از چه زمینه ای آمده است و چه چیزی را نشان می دهد.
بنابراین قبل از اعتماد به هر نتیجه آماری، این سه سوال را بپرسید: آیا نمونه به اندازه کافی بزرگ و نماینده است؟ آیا زمینه ها قابل اعتماد و سردرگم نیستند؟ آیا روش اندازه گیری برای این سوال مناسب است؟ اگر نمی توانید به این سه سوال پاسخ "بله" بدهید، مهم نیست که نتیجه چقدر "مهم" به نظر می رسد.
نکته: هنگام ارزیابی خروجی یک آمار، ابتدا به ورودی نگاه کنید، نه به نتیجه. "این داده ها از کجا آمده است، چگونه، با چند نمونه؟" سوال اکثر نتیجه گیری های نادرست را حتی قبل از مشاهده نمودار حذف می کند.
جدول وظایف تجزیه و تحلیل
تلاش
نقش هوش مصنوعی
تصمیم انسانی
تایید
کالیبراسیون C14
محاسبه، تجسم
روایی نمونه گیری
زمینه، چوب قدیمی
سری بندی
اسکن الگو
کرونولوژی / جداسازی عملکرد
مقایسه با چینه شناسی
چند متغیره
ماشین حساب آماری
انتخاب روش
بررسی فرضیات
تجسم
گرافیک / کد
نمایندگی صادقانه
عدم قطعیت، مقیاس
نظر دهید
پیش نویس خلاصه
معنی، محدود کردن
متخصص، ادبیات
اشتباهات رایج
- استفاده از روش بدون سوال. آزمایش نادرست یک نتیجه "پاک" اما اشتباه می دهد.
- کاهش عدم قطعیت به یک سال رادیوکربن یک محدوده است. یک سال گمراه کننده است.
- دور زدن مشکلات نمونه گیری نمونه کوچک / کثیف / مغرضانه نتیجه را باطل می کند.
- اشتباه همبستگی برای علیت تغییر با هم علت و معلولی نیست.
- با گرافیک گمراه کنید محور شکسته، عدم قطعیت پنهان تحریف علمی است.
به طور خلاصه
هوش مصنوعی در قدمت و آمار؛ این یک شتاب دهنده قدرتمند برای کالیبراسیون، اسکن الگو، محاسبه و تجسم است. اما انتخاب روش، انتقاد نمونه، بیان صادقانه عدم قطعیت و تفسیر نتیجه به قضاوت علمی تعلق دارد. بدون درک روش به نمودار اعتماد نکنید. همیشه حامل عدم قطعیت است. و در برابر اصرار بر یک «تاریخ دقیق» مقاومت کنید.
وظیفه کاربردی
یک نمونه جدول فرکانس یافتن یا مجموعه ای از فواصل رادیوکربن کالیبره شده تهیه کنید. تجزیه و تحلیل مناسب و مفروضات آن را با الگوی «پرسمان مناسب بودن روش» مشخص کنید، سپس تحلیلی را با الگوی «حسابرسی آماری» مورد نقد قرار دهید. با الگوی "تجسم (صادقانه)" طرح نموداری را که محدوده عدم قطعیت را نشان می دهد تهیه کنید و از تخفیف یک ساله خودداری کنید.
چک لیست
- [ ] من انتخاب روش و مفروضات را بررسی کرده ام.
- [ ] من اعتبار نمونه (اندازه، مخلوط، چوب قدیمی) را زیر سوال بردم.
- [ ] عدم قطعیت را به صورت فاصله ای حفظ کردم، آن را به یک سال کاهش ندادم.
- [ ] من همبستگی را با علیت اشتباه نگرفتم.
- [ ] من مقیاس و عدم قطعیت را صادقانه در نمودار نشان داده ام.