Gains :
- Capacité à maintenir l'intégrité des données tout en numérisant et en standardisant les unités d'enregistrement telles que le contexte/locus, la stratigraphie et la matrice de Harris avec l'intelligence artificielle
- Capacité à protéger les données brutes et à assurer la traçabilité de chaque transformation contre le risque que l'intelligence artificielle complète les données manquantes et apporte des modifications silencieuses
- Comprendre pourquoi les dictionnaires contrôlés, les métadonnées et les principes open/FAIR sont essentiels pour la future utilisation des données.
La valeur scientifique d’une fouille ne réside pas dans les découvertes d’or qui en ressortent, mais dans la qualité de ses archives. Une découverte qui n’est pas bien documentée n’a presque aucun rapport avec la science ; Parce que c'est un objet dont on ne sait pas où, dans quelle couche et avec quoi on le trouve, c'est juste un bel objet. Dans cette unité, nous examinerons la journalisation des fouilles (la transcription systématique et la base de données de chaque contexte, découverte et observation) et comment l'IA peut accélérer la saisie, l'organisation et la standardisation des données, mais pourquoi la responsabilité de l'intégrité des données incombe aux humains.
Principe de base : l'IA permet d'organiser des enregistrements épars, de les standardiser et de trouver des incohérences ; Mais l’exactitude des données, la question de savoir si un enregistrement reflète la vérité et l’intégrité des données relèvent de la responsabilité humaine. L’IA corrige la forme des données, elle ne garantit pas leur exactitude.
Unités de base du dossier archéologique
Contexte/lieu. Chaque fouille divise le site en unités de contexte (contexte/locus : un dépôt individuel, une couche, une fosse ou un mur ; la plus petite unité de signification de la fouille). Chaque contexte reçoit un numéro unique et toutes les trouvailles sont associées à ce numéro.
Stratigraphie et matrice de Harris. La stratigraphie (la relation avant-après des couches les unes par rapport aux autres) est à la base de la datation relative. La matrice de Harris (un diagramme montrant l'ordre des contextes les uns par rapport aux autres) visualise ces relations. L’IA aide à détecter des relations stratigraphiques incohérentes (par exemple une erreur cyclique « A est à la fois au-dessus et en dessous de B »).
Trouver l'inventaire. Chaque trouvaille ; Le contexte est enregistré avec le numéro, le type, la taille, le matériau, l'état et la photographie.
Normes de données. Des normes communes sont utilisées pour rendre les enregistrements partageables et comparables. CIDOC-CRM (un cadre conceptuel/ontologie international développé pour décrire les données du patrimoine culturel) permet aux données de différentes institutions de communiquer entre elles. Un dictionnaire de termes contrôlé (une liste approuvée qui garantit que tout le monde utilise le même terme pour le même concept) est utilisé.
Astuce : utilisez l’IA pour « organiser et auditer » les données, et non pour les « interpréter ». « Quels numéros de contexte sont contradictoires dans ces enregistrements ? » C'est une bonne question ; « À quelle période appartient ce contexte ? C'est une décision d'expert. Là où l’IA est la plus puissante, c’est dans la vérification de la cohérence.
Rôles de l'IA dans l'enregistrement et la base de données
- Numérisation. Les cahiers de fouilles manuscrits, les fiches d'inventaire et les anciens dessins sont importés dans la base de données avec une reconnaissance de texte alimentée par l'IA (cela est lié au HTR de l'unité 6).
- Standardisation. Différentes orthographes (« byzantium », « Byzantium », « byz. ») sont mappées dans le dictionnaire contrôlé ; les dates et les mesures sont uniformisées.
- Contrôle de cohérence. Les erreurs telles que le numéro de contexte manquant, la stratigraphie contradictoire, l'utilisation du même numéro dans deux découvertes différentes sont marquées.
- Requête et résumé. Des requêtes telles que « Toutes les trouvailles de verre dans le contexte suivant » et des tableaux récapitulatifs sont rapidement générés.
Attention : lors de la standardisation, l'IA peut modifier silencieusement les données tout en essayant de les « réparer » ; par exemple, il peut arrondir une mesure à une valeur « raisonnable » ou compléter une lecture incertaine avec sa propre estimation. Chaque modification automatique doit être traçable et l'enregistrement original doit être préservé. Les données brutes ne sont jamais écrasées.
trois mini-cases
Cas 1 — La numérisation a sauvé les archives. Un musée stockait 40 ans de fiches d’inventaire manuscrites (environ 22 000 fiches) risquant d’être perdues. La reconnaissance et la normalisation de texte basées sur l'IA ont importé les cartes dans une base de données consultable ; Chaque carte a été vérifiée sur la base d'un échantillon par un examinateur humain, et les zones illisibles ont été marquées « peu claires ».
Cas 2 — La vérification d'incohérence a détecté des erreurs. Une équipe de fouilles a fait auditer la base de données par l'IA en fin de saison ; YZ a marqué que trois découvertes avaient le même numéro de contexte mais des informations de couche contradictoires. L'examen a révélé une erreur de saisie des données ; si elle n'était pas corrigée, cela aurait faussé l'interprétation stratigraphique.
Cas 3 — Changement silencieux détecté. Lors de la standardisation des mesures, un assistant a remarqué que l'IA interprétait certaines valeurs « 0 » comme « zéro » plutôt que « manquantes » ; cela a déformé les longueurs des pièces cassées. Le processus a été reconstruit pour préserver les données d'origine mais conserver les modifications dans une colonne distincte.
Quatre modèles copiables
1) Normalisation (dictionnaire contrôlé) :
Votre rôle : assistant de gestion des données. Mappez les valeurs de [field:material/period/type] dans les enregistrements suivants avec le dictionnaire contrôlé suivant : [dictionarylist]. MODIFIER les valeurs qui n'ont pas d'équivalents dans le dictionnaire ; Marquez-le comme "aucune correspondance". Signalez chaque changement comme une paire original-nouveau ; suppression des données brutes.
2) Contrôle de cohérence :
Trouvez des incohérences dans les enregistrements de fouilles suivants : numéros de contexte répétitifs, champs obligatoires manquants, relations stratigraphiques conflictuelles, dates/mesures maladroites. Énumérez chaque problème avec le numéro d’enregistrement et laissez-MOI le soin de le résoudre ; ne le change pas toi-même.
3) Contrôle logique Harris Matrix :
Vous trouverez ci-dessous les relations stratigraphiques entre les contextes (A au-dessus/en dessous de B). Y a-t-il une contradiction logique (boucle, relation à double sens) ? Montrez quels contextes, le cas échéant. Ne commentez pas; vérifiez simplement la cohérence logique.
4) Requête et tableau récapitulatif :
L'extrait suivant du dump de la base de données ci-dessous : [par ex. trouver la distribution des types par contexte]. Donnez le résultat sous forme de tableau, en spécifiant de quels enregistrements chaque ligne est dérivée. N'AJOUTEZ PAS de valeur qui n'existe pas dans les données ; S'il est vide, écrivez « aucune donnée ».
Invite faible/Invite forte
Invite faible :
Corrigez ces données de fouille et complétez les éléments manquants.
« Combler les lacunes » permet à l'IA d'ajuster les données ; Le résultat est une base de données peu fiable où se mélangent réalité et fiction.
Invite puissante :
Marquez UNIQUEMENT les incohérences formelles (orthographe, format de date, identifiant en double) dans les données de fouille ci-dessous. COMPLÈTER les valeurs manquantes ; Laissez-le comme "incomplet". Énumérez chaque changement proposé avec l'original ; Je donnerai l'approbation. Modification des données brutes.
Différence : le premier corrompt les données en silence ; Le second contrôle et laisse la décision à l’humain.
Bon modèle de données : champs, relations et métadonnées
Une base de données archéologique n'est pas un tableau arbitraire, mais un modèle de données réfléchi (un schéma indiquant quelles tables, quels champs et dans quelles relations les données seront organisées). Le principe de base est que tout dépend du contexte : les trouvailles au contexte, les contextes les uns aux autres (stratigraphie) et au terrain. Chaque enregistrement porte une identité unique (ID) et les relations sont établies à travers ces identités ; Une découverte fait référence à un seul contexte, un contexte peut contenir plusieurs découvertes.
Les métadonnées (données sur les données elles-mêmes : qui les a enregistrées, quand, par quelle méthode, quelle version) sont tout aussi importantes que l'enregistrement. Un enregistrement dont on ne sait pas par qui, quand et avec quelle confiance a été enregistré ne pourra plus être remis en question à l'avenir. L’IA est utile pour vérifier le remplissage cohérent des champs de métadonnées et signaler les métadonnées manquantes.
Un autre principe essentiel est un format ouvert et durable. Plutôt que de verrouiller les données dans un logiciel propriétaire et fermé, les conserver proches des normes ouvertes (tableaux textuels, schémas documentés) garantit que les données pourront être lues des décennies plus tard. Les données archéologiques ne sont pas produites pour une seule publication mais pour les générations futures ; C'est pourquoi les principes FAIR (Recherche, Accessibilité, Interopérabilité et Réutilisable des données) sont devenus de plus en plus standards. L'IA est utile pour étiqueter vos données conformément à ces principes et détecter les lacunes ; Mais c'est à vous de décider quelles données resteront ouvertes et lesquelles resteront sensibles (confidentielles).
Astuce : lorsque vous configurez votre base de données, demandez-vous : « Une personne qui ne le sait pas peut-elle l'ouvrir et la comprendre dans 10 ans ? » demander. Expliquez vos abréviations dans un glossaire, remplissez les champs de métadonnées et sauvegardez les données brutes dans un format ouvert.
Table des tâches d'enregistrement/de base de données
Quête
Rôle de l'IA
décision humaine
règle de protection
numérisation
reconnaissance de texte
Vague confirmation de lecture
L'analyse brute est stockée
normalisation
Mapper vers le dictionnaire
Décision de valeur incompatible
L'original est conservé
Cohérence
Marquage des contradictions
correction
Le changement est suivi
stratigraphie
Contrôle logique
Commentaire
Approbation d'un expert matriciel
Requête/résumé
Fabrication de tableaux
Commentaire, choix
Fidélité aux données
Erreurs courantes
- Compléter les données manquantes. L'IA compose ; Les disparus doivent rester « incomplets ».
- Écrasement des données brutes. L'original est toujours conservé ; les modifications sont conservées séparément.
- Ne pas remarquer les changements silencieux. Chaque conversion automatique doit être signalée et auditée.
- Sauter la norme. Sans dictionnaire contrôlé et modèle commun, les données ne peuvent être partagées.
- Demander à l’IA d’effectuer une interprétation stratigraphique. L’IA trouve une contradiction logique ; Le commentaire est pour l'expert.
En résumé
IA dans les dossiers de fouilles et la base de données ; Il offre une grande rapidité dans les travaux de numérisation, de normalisation, de vérification de cohérence et d’interrogation. Mais l’intégrité des données est sacrée : aucune partie manquante n’est laissée intacte, les données brutes sont préservées, chaque changement est suivi et l’interprétation stratigraphique appartient à l’expert. De bons documents constituent l’héritage le plus précieux que les fouilles laissent à l’avenir.
Tâche de candidature
Préparer un petit exemple de tableau de données d'excavation (10 à 20 enregistrements) ; y mettre délibérément quelques incohérences (ID en double, date déformée, calque en conflit). Demandez à l'IA de les trouver avec des modèles de « vérification de cohérence » et de « vérification logique de la matrice Harris » ; puis écrivez un dictionnaire contrôlé et mappez le champ matériel au modèle « Standardisation » et assurez-vous de préserver les données brutes.
liste de contrôle
- [ ] J'ai stocké les données brutes séparément, non modifiées.
- [ ] Je n'ai pas obligé l'IA à compléter les parties manquantes ; Je l'ai laissé comme "incomplet".
- [ ] J'ai vérifié chaque changement automatique avec l'original.
- [ ] J'ai utilisé un dictionnaire contrôlé et un standard de données.
- [ ] J'ai fait l'interprétation stratigraphique sur la base du jugement d'un expert.