Voitot:
- Kyky käyttää tekoälyä radiohiilikalibroinnissa, sarjoituksessa ja monimuuttujaanalyysissä ja ymmärtää, että menetelmän valinta ja oletukset ovat asiantuntijan omia.
- Kyky tunnistaa, että radiohiilituloksella on useita todennäköisyyksiä ja että epävarmuuden vähentäminen yhteen vuoteen on tieteellinen vääristymä
- Kyky kyseenalaistaa näytteen pätevyys "roskat sisään, roskat ulos" -periaatteella ja soveltaa korrelaatiota ja kausaalisuutta sekoittamatta
Arkeologia luottaa sekä laboratoriotieteisiin että tilastoihin vastatakseen "milloin"-kysymykseen. Tässä osiossa näemme, kuinka tekoäly nopeuttaa tehtäviä, kuten päivämäärää (löydön tai kerroksen iän määrittäminen), radiohiilianalyysiä (C14), typologiaa (löytöjen lajittelu ja periodisointi niiden muodollisten ominaisuuksien mukaan) ja sarjoitusta (tapa järjestää kontekstit kronologisesti löytötyyppien ajan myötä muuttuvan muutoksen mukaan), mutta miksi tieteellisten tulosten tulkinta on aina oikea tieteellisten tulosten tulkinta.
Perusperiaate: AI nopeuttaa laskentaa, kalibrointia, tilastollista kuviointia ja visualisointia; Mutta mikä menetelmä on sopiva, onko näyte pätevä vai ei, ja mitä tulos tarkoittaa, vaativat tieteellistä arviointia. Väärän tilaston laittaminen mukavaan kuvaajaan ei tee siitä oikeaa.
Treffimenetelmät ja tekoäly
Radiohiili (C14). Ikä lasketaan radioaktiivisen hiilen hajoamisesta orgaanisissa jäännöksissä. Raakatulos kalibroidaan puun renkaisiin perustuvalla käyrällä (kalibrointi — korjaus, joka muuntaa raakaradiohiilen iän todelliseksi kalenterivuodeksi). Tekoäly nopeuttaa kalibrointilaskelmia ja useiden päivämäärien vertailevaa visualisointia. Mutta tekoäly ei tunne ansoja, kuten vanha puuongelma (satoja vuosia eläneestä puusta otettu näyte on paljon vanhempi kuin tapahtuma, jossa sitä käytettiin); Esimerkkikritiikki on asiantuntijan tehtävä.
Typologia ja sarjat. Löytötyyppien esiintymistiheys vaihtelee ajan myötä; Tyyppi ilmestyy, leviää laajalle, vähenee. Seriation lajittelee kontekstit käyttämällä tätä "peittomallia". Tekoäly on tehokas näiden mallien löytämisessä suurista tietojoukoista ja monimuuttuja-analyysissä (tilastot, jotka arvioivat monia ominaisuuksia samanaikaisesti). Mutta asiantuntija osaa erottaa, johtuuko tulos kronologisesta vai toiminnallisesta/alueellisesta erosta.
Muut menetelmät. Dendrokronologia (puurengas), termoluminesenssi ja arkeomagnetismi ovat myös hyödyllisiä tekoälyn laskennassa ja vertailussa; Menetelmän valinta ja tulkinta jätetään asiantuntijan tehtäväksi.
Vinkki: Kun annat tekoälyn suorittaa tilastoja, kysy "mitä menetelmää käytit ja mitkä ovat sen oletukset?" kysyä. Jos menetelmä on väärä (esim. keskiarvoistamalla ei-peräkkäisiä tietoja, jättämällä huomioimatta poikkeaman), tulos on visuaalisesti "puhdas", mutta tieteellisesti virheellinen. Älä luota kaavioon ymmärtämättä menetelmää.
Tekoälyn vahvuudet ja heikkoudet tilastoissa
Tehokas: Toistuva laskenta, kalibrointi, kuvioskannaus suurissa tietosarjoissa, visualisointikoodin generointi, eri menetelmien nopea testaus.
Heikko/riskillinen:
- Älä ehdota väärää menetelmää. Tekoäly voi luottavaisesti suositella testiä, joka ei sovi dataan.
- Näytteenotto sokeus. Se ei näe pientä, puolueellista tai saastunutta näytettä; "Tämä on data", hän sanoo.
- Äärimmäinen kommentti. Se voi esittää heikkoa korrelaatiota vahvana tuloksena; korrelaatio ei ole syy-yhteyttä (vain siksi, että kaksi asiaa muuttuvat yhdessä, ei tarkoita, että toinen aiheuttaa toista).
- Tehty numero. Haluttaessa se voi tuottaa "todennäköisen", mutta epärealistisen päivämäärän tai todennäköisyyden.
Varoitus: Radiohiilipäiväys ei koskaan ole yksittäinen "tarkka vuosi"; on todennäköisyysalue (esim. 750-680 eKr. 95 %:n varmuudella). Älä anna tekoälyn vähentää tulosta yhteen vuoteen. Kanna aina epävarmuutta. Epävarmuuden piilottaminen on tieteellinen vääristely.
kolme minilaukkua
Tapaus 1 — Kalibrointi nopeutettu. Yhdessä projektissa suoritettaisiin 48 radiohiilinäytteen kalibrointi ja vertaileva visualisointi. Tekoäly loi kalibrointikoodin ja vertailukaaviot minuuteissa tuntien sijaan; Asiantuntija itse arvioi vanhan puun näytteenoton kontekstit ja riskin ja merkitsi kaksi näytettä "epäluotettaviksi".
Tapaus 2 – Väärä menetelmä kiinni. Yksi opiskelija käytti tekoälyn ehdottamaa testiä löytääkseen tyyppitaajuudet ja sai "tilastollisesti merkittävän" tuloksen. Tilastokonsultti osoitti, että tiedot eivät olleet sopivia tähän testiin (oletuksia rikottiin); Oikealla menetelmällä tulos oli merkityksetön. Oppitunti: menetelmän valinta määrää tuloksen.
Tapaus 3 – Epävarmuus palautettu. Ryhmä raportoi yhden päivämäärän AI-yhteenvedosta kerrokselle "720 eKr.". Asiantuntija totesi, että kaliiperialue oli 800-680 eKr. ja että yksittäinen vuosi oli harhaanjohtava. Raportti korjattu todennäköisyysalueella. Epävarmuuden kantaminen on rehellisyyttä.
Neljä kopioitavaa mallia
1) Menetelmän soveltuvuuskysely:
Tehtäväsi: arkeologisten tilastojen konsultti. Kuvailen seuraavat tiedot ja kysymyksen: [tietotyyppi, otoskoko, kysymys]. Kerro minulle näillä tiedoilla HYVÄKSYTYT menetelmävaihtoehdot, kunkin OLETUKSET ja kuinka tarkistaa, vastaako tuotto näitä oletuksia. Sopimattomiin menetelmiin tulee myös puuttua perustein.
2) Radiohiilitulkintakehys:
Alla on kalibroidut radiohiilivälit: [luettelo]. Selitä sudenkuopat, jotka minun pitäisi olla tietoinen näitä tulkittaessa (vanha puu, saastuminen, meren säiliövaikutus, näytteen ja tapahtuman välinen suhde) ja kuinka ilmaista epävarmuusväli oikein. Älä anna sille yhtäkään vuotta; pitää välit.
3) Tilastotarkastus:
Tein seuraavan analyysin: [menetelmä ja tulos]. Kritisoi: sopiiko menetelmä dataan, pitävätkö oletukset paikkansa, onko näyte riittävä, onko poikkeavuuksia/seoksia, onko tulos ylitulkittu? Luettele heikkoutesi; Älä vahvista tulosta, vaan kyseenalaista.
4) Visualisointi (rehellinen):
Valmistele kaavio/koodi seuraavilla tiedoilla: [data]. TÄYTYY näyttää epävarmuusalueet (virhepalkki/alue). Aseta akseli ja mittakaava tekemättä harhaanjohtavia leikkauksia. ÄLÄ LISÄÄ pisteitä, joita ei ole tiedoissa. Selitä muistiinpanolla, mitä kaavio tekee ja mitä ei.
Heikko kehote / Vahva kehote
Heikko kehote:
Analysoi nämä löydöt ja ilmoita sivuston tarkka päivämäärä.
Tekoäly voi valita sopimattoman menetelmän ja määrittää yhden tarkan päivämäärän; Se piilottaa epävarmuuden eikä näe otantaongelmia.
Tehokas kehotus:
Tehtäväsi: tilastokonsultti. Tuotto: [määritelmä, näytteen koko]. Kerro ensin tälle datalle sopiva menetelmä ja sen oletukset ja anna sitten tulos epävarmuusvälillä, jos sitä sovelletaan. Älä anna yhtäkään lopullista päivämäärää. Ilmoita myös, mitkä näytteeseen liittyvät riskit (pieni n, sekoitus, vanha puu) voivat heikentää tulosta.
Ero: edellinen tuottaa väärän varmuuden; toiseksi menetelmä pitää avoimina oletukset ja epävarmuustekijät.
Bayesilainen lähestymistapa, näytteenotto ja "roskat sisään, roskat ulos"
Tehokas menetelmä nykyaikaisessa arkeologisessa ajoituksessa on Bayesin mallinnus (tilastollinen lähestymistapa, joka yhdistää olemassa olevat aikaisemmat tiedot – esim. "kerros A pohjalla B" - mittauksiin kapeampien, realistisempien ajanjaksojen tuottamiseksi), joka yhdistää useita radiohiilidatamääriä stratigrafisiin sekvensseihin. Tämä lähestymistapa kaventaa yksittäisten päivämäärien laajaa epävarmuutta rajoittamalla ne kerrosten tunnettuun järjestykseen. Tekoäly voi auttaa näiden mallien rakentamisessa ja laskemisessa; mutta se, mitä ennakkotietoa (stratigrafiset suhteet) malliin tulee, on asiantuntijapäätös, ja virheellinen ennakkorajoitus tuottaa varman mutta epätarkan tuloksen.
Tästä päästään moduulin perustilastolliseen periaatteeseen: "roskat sisään, roskat ulos". Edes edistynein tekoäly ja tyylikkäimmät tilastot eivät voi tuottaa hyviä tuloksia huonoista tiedoista. Kontaminoitunut radiohiilinäyte, löydöt sekakontekstista tai puolueellinen näyte pysyvät virheellisinä riippumatta siitä, kuinka paljon käsittelyä tehdään. AI ei näe näitä ongelmia, koska se ei katso dataa "ulkopuolelta"; Se hyväksyy antamasi numerot todellisina. Vain alan tunteva asiantuntija voi arvioida, miten näyte on kerätty, mistä kontekstista se on peräisin ja mitä se edustaa.
Joten ennen kuin luotat tilastollisiin tuloksiin, kysy nämä kolme kysymystä: Onko otos riittävän suuri ja edustava? Ovatko kontekstit luotettavia ja hämmentäviä? Onko mittausmenetelmä sopiva tähän kysymykseen? Jos et voi vastata "kyllä" näihin kolmeen kysymykseen, sillä ei ole väliä kuinka "merkittävältä" tulos näyttää.
Vihje: Kun arvioit tilaston tulosta, katso ensin syötettä, älä tulosta. "Mistä nämä tiedot ovat peräisin, miten, kuinka monella näytteellä?" kysymys eliminoi useimmat väärät johtopäätökset ennen kuin edes katsot kuvaajaa.
Analyysitehtävätaulukko
Quest
AI:n rooli
ihmisen päätös
vahvistusta
C14 kalibrointi
Laskenta, visualisointi
Näytteen pätevyys
Konteksti, vanhaa puuta
sarja
kuvion skannaus
Kronologia/toimintoerottelu
Vertailu stratigrafiaan
monimuuttuja
tilastolaskuri
Menetelmän valinta
oletuksen tarkistus
visualisointi
Grafiikka/koodi
rehellinen edustus
epävarmuus, mittakaava
Kommentoi
Yhteenveto luonnos
merkitys, raja
asiantuntija, kirjallisuus
Yleisiä virheitä
- Menetelmän soveltaminen ilman kyseenalaistamista. Väärä testi antaa "puhtaan" mutta väärän tuloksen.
- Epävarmuuden vähentäminen yhteen vuoteen. Radiohiili on alue; Yksi vuosi on harhaanjohtava.
- Näytteenottoongelmien ohittaminen. Pieni/likainen/harhainen näyte mitätöi tuloksen.
- Virheellinen korrelaatio syy-yhteydelle. Yhdessä muuttuminen ei ole syy ja seuraus.
- Harhaanjohtaminen grafiikalla. Katkoakseli, piilotettu epävarmuus on tieteellinen vääristymä.
Yhteenvetona
Tekoäly treffeissä ja tilastoissa; Se on tehokas kiihdytin kalibrointiin, kuvion skannaukseen, laskemiseen ja visualisointiin. Mutta menetelmän valinta, näytekritiikki, epävarmuuden rehellinen ilmaisu ja tuloksen tulkinta kuuluvat tieteelliseen harkintaan. Älä luota kaavioon ymmärtämättä menetelmää; sisältää aina epävarmuutta; ja vastusta vain yhden "tarkan päivämäärän" vaatimista.
Sovellustehtävä
Valmistele näytehakutaajuustaulukko tai joukko kalibroituja radiohiilivälejä. Määritä sopiva analyysi ja sen oletukset "Menetelin soveltuvuuskysely" -mallin avulla ja arvostele sitten analyysiä "Tilastollinen tarkastus" -mallilla. Luo kaavioluonnos, joka näyttää epävarmuusalueet "Visualisointi (rehellinen)" -mallin avulla ja vältä yhden vuoden alennuksia.
tarkistuslista
- [ ] Olen tarkistanut menetelmän valinnan ja oletukset.
- [ ] Kyseenalaistan näytteen pätevyyden (koko, sekoitus, vanha puu).
- [ ] Pidin epävarmuuden välinä, en vähentänyt sitä yhteen vuoteen.
- [ ] En sekoittanut korrelaatiota syy-yhteyteen.
- [ ] Olen näyttänyt mittakaavan ja epävarmuuden rehellisesti kaaviossa.