Nyereség:
- Képes a mesterséges intelligencia használatára a radiokarbon kalibrációban, sorozásban és többváltozós elemzésben, és megérteni, hogy a módszer kiválasztása és a feltételezések a szakértő feladatai.
- Képes felismerni, hogy a radiokarbon eredménynek számos valószínűsége van, és hogy a bizonytalanság egyetlen évre való csökkentése tudományos torzítás.
- Képes megkérdőjelezni a minta érvényességét a „szemét be, szemét ki” elvével, és alkalmazza a korreláció és az ok-okozati összefüggés összekeverésének reflexét
A régészet laboratóriumi tudományokra és statisztikákra támaszkodik a „mikor” kérdés megválaszolásához. Ebben az egységben látni fogjuk, hogy a mesterséges intelligencia hogyan gyorsítja fel az olyan feladatokat, mint a kormeghatározás (lelet vagy réteg korának meghatározása), a radiokarbon (C14) elemzés, a tipológia (a leletek formai jellemzői alapján történő rendezése és periodizálása) és a sorozás (a kontextusok kronológiai elrendezésének módszere a lelettípusok időbeli változása szerint), de miért a tudományos eredmények helyes értelmezése mindig a szakértőre bízott módszer.
Alapelv: a mesterséges intelligencia felgyorsítja a számítást, a kalibrálást, a statisztikai mintázatot és a megjelenítést; De hogy melyik módszer a megfelelő, hogy a minta érvényes-e vagy sem, és mit jelent az eredmény, tudományos megítélést igényel. Ha rossz statisztikát teszünk egy szép grafikonba, az még nem teszi jóvá.
Ismerkedési módszerek és AI
Radiokarbon (C14). Az életkort a szerves maradványokban lévő radioaktív szén bomlásából számítják ki. A nyers eredményt egy fagyűrűn alapuló görbével kalibrálják (kalibráció – korrekció, amely a nyers radiokarbon kort a tényleges naptári évre konvertálja). Az AI felgyorsítja a kalibrációs számításokat és több dátum összehasonlító megjelenítését. De a mesterséges intelligencia nem ismeri az olyan csapdákat, mint a régi fa probléma (egy több száz éve élő fáról vett minta sokkal régebbi, mint az az esemény, amelyben használták); A mintakritika a szakértő dolga.
Tipológia és sorozatozás. A lelettípusok gyakorisága idővel változik; Egy típus megjelenik, elterjed, csökken. A sorozatosítás a kontextusokat ennek a "takarós" mintának a használatával rendezi. A mesterséges intelligencia hatékonyan képes megtalálni ezeket a mintákat nagy adathalmazokban és többváltozós elemzésben (olyan statisztika, amely számos funkciót egyszerre értékel). De a szakértő meg tudja különböztetni, hogy az eredmény kronológiai vagy funkcionális/regionális különbségből adódik.
Egyéb módszerek. Az olyan módszerek, mint a dendrokronológia (fagyűrű), a termolumineszcencia és az archeomágnesesség szintén hasznosak a mesterséges intelligencia számításában és összehasonlításában; A módszer kiválasztása és értelmezése a szakértőre van bízva.
Tipp: Amikor a mesterséges intelligencia statisztikát futtat, kérdezze meg „milyen módszert használt, és mik a feltételezései?” kérdez. Ha a módszer hibás (pl. nem szekvenciális adatok átlagolása, a kiugró érték figyelmen kívül hagyása), az eredmény vizuálisan "tiszta", de tudományosan helytelen lesz. Ne bízzon a diagramban anélkül, hogy nem értené a módszert.
Az AI erősségei és gyengeségei a statisztikákban
Hatékony: Ismétlődő számítások, kalibrálás, minta szkennelés nagy adathalmazokban, vizualizációs kód generálás, különböző módszerek gyors tesztelése.
Gyenge/kockázatos:
- Ne javasoljon rossz módszert. Az AI magabiztosan tud olyan tesztet ajánlani, amely nem illeszkedik az adatokhoz.
- Mintavételi vakság. Nem látja a kicsi, elfogult vagy szennyezett mintát; „Ezek az adatok” – mondja.
- Extrém megjegyzés. Erős eredményként gyenge korrelációt mutathat fel; a korreláció nem okozati összefüggés (csak azért, mert két dolog együtt változik, nem jelenti azt, hogy az egyik okozza a másikat).
- Kitalált szám. Kívánt esetben "valószínű", de irreális dátumot vagy valószínűséget állíthat elő.
Figyelem: A radiokarbon dátum soha nem egyetlen „pontos év”; egy valószínűségi tartomány (pl. Kr.e. 750-680 95%-os biztonsággal). Ne hagyja, hogy a mesterséges intelligencia egyetlen évre csökkentse az eredményt; Mindig hordozzon bizonytalanságot. A bizonytalanság elrejtése tudományos torzítás.
három mini tok
1. eset – Kalibrálás felgyorsítva. Az egyik projekt 48 radiokarbon minta kalibrálását és összehasonlító megjelenítését végezné el. Az AI kalibrációs kódot és összehasonlító grafikonokat generált órák helyett percekben; A szakértő maga értékelte a régi fa mintavételi összefüggéseit és kockázatát, és két mintát "megbízhatatlannak" jelölt meg.
2. eset – Rossz módszert észleltek. Az egyik diák egy mesterséges intelligencia által javasolt tesztet alkalmazott a típusfrekvenciák meghatározására, és "statisztikailag szignifikáns" eredményt kapott. A statisztikai tanácsadó kimutatta, hogy az adatok nem alkalmasak erre a tesztre (a feltételezéseket megsértették); A megfelelő módszerrel az eredmény értelmetlen volt. Tanulság: a módszer megválasztása határozza meg az eredményt.
3. eset – A bizonytalanság visszakerült. Egy csapat egyetlen dátumot jelentene az AI-összefoglalóból egy réteghez, "Kr.e. 720". A szakértő kijelentette, hogy a kalibertartomány i.e. 800-680 volt, és az egyetlen évszám félrevezető. Valószínűségi tartománnyal korrigált jelentés. A bizonytalanságot elviselni őszinteség.
Négy másolható sablon
1) A módszer alkalmasságának lekérdezése:
Feladata: régészeti statisztikai tanácsadó. A következő adatokat és kérdést írom le: [adattípus, mintanagyság, kérdés]. Mondja el nekem az ezekkel az adatokkal JÓVÁHAGYOTT módszer-lehetőségeket, mindegyik FELTÉTELEIT, és azt, hogyan ellenőrizhető, hogy a hozam megfelel-e ezeknek a feltételezéseknek. A nem megfelelő módszereket okokból is kezelni kell.
2) Radiokarbon értelmezési keret:
Az alábbiakban találom a kalibrált radiokarbon intervallumokat: [lista]. Magyarázza el, milyen buktatókkal kell tisztában lennem ezek értelmezésekor (öreg fa, szennyeződés, tengeri tározóhatás, minta-esemény kapcsolat), és hogyan kell helyesen kifejezni a bizonytalansági intervallumot! Ne adj neki egyetlen évet sem; tartsa be az intervallumokat.
3) Statisztikai audit:
Az alábbi elemzést végeztem: [módszer és eredmény]. Kérem, kritizálja: illeszkedik-e a módszer az adatokhoz, helytállóak-e a feltételezések, elegendő-e a minta, vannak-e kiugró értékek/keverések, túlértelmezett-e az eredmény? Sorolja fel gyenge pontjait; Ne erősítse meg az eredményt, kérdőjelezze meg.
4) Vizualizáció (őszinte):
Készítsen diagramot/kódot a következő adatokkal: [adatok]. Bizonytalansági tartományokat KELL mutatnia (hibasáv/tartomány). Állítsa be a tengelyt és a skálát félrevezető vágások nélkül. NE ADJ hozzá olyan pontokat, amelyek nem szerepelnek az adatokban. Magyarázza el egy megjegyzéssel, hogy a grafikon mit mutat és mit nem.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Elemezze ezeket a leletadatokat, és adja meg a webhely pontos dátumát.
Az AI nem megfelelő módszert választhat, és egyetlen pontos dátumot határoz meg; Elrejti a bizonytalanságot, és nem lát mintavételi problémákat.
Erőteljes felszólítás:
Az Ön feladata: statisztikai tanácsadó. Hozam: [definíció, mintanagyság]. Először mondja meg az ehhez az adathoz megfelelő módszert és annak feltételezéseit, majd adja meg az eredményt a bizonytalansági tartománnyal, ha alkalmazzuk. Ne adj meg egyetlen végleges dátumot sem. Jelezze azt is, hogy a mintával kapcsolatos kockázatok (kis n, keverék, öreg fa) gyengíthetik az eredményt.
A különbség: az előbbi hamis bizonyosságot termel; másodszor, a módszer nyitott feltételezéseket és bizonytalanságot tart fenn.
Bayesi megközelítés, mintavétel és "szemét be, szemét ki"
A modern régészeti kormeghatározás egyik hatékony módszere a Bayes-féle modellezés (olyan statisztikai megközelítés, amely egyesíti a meglévő korábbi információkat – pl. „A réteg B mögött” – mérésekkel, hogy szűkebb, valósághűbb dátumtartományokat állítson elő), amely több radiokarbon dátumot rétegtani sorozatokkal kombinál. Ez a megközelítés leszűkíti az egyes dátumok széles körű bizonytalanságát azáltal, hogy a rétegek ismert sorrendjére korlátozza őket. Az AI segíthet ezeknek a modelleknek a felépítésében és kiszámításában; de hogy a modellbe milyen előzetes információ (sztratigráfiai viszonyok) kerül, az szakértői döntés, és egy helytelen előzetes kényszer magabiztos, de pontatlan eredményt ad.
Innentől eljutunk a modul legalapvetőbb statisztikai alapelvéhez: "szemét be, szemét ki". Még a legfejlettebb mesterséges intelligencia és a legelegánsabb statisztika sem képes jó eredményeket produkálni rossz adatokból. A szennyezett radiokarbon minta, a vegyes kontextusból származó leletek vagy az elfogult minták érvénytelenek maradnak, függetlenül attól, hogy mennyi feldolgozást végeznek. Az AI nem látja ezeket a problémákat, mert nem "kívülről" nézi az adatokat; Az Ön által megadott számokat valódinak fogadja el. Csak a területet ismerő szakember tudja értékelni, hogyan gyűjtötték a mintát, milyen kontextusból származott, és mit képvisel.
Mielőtt tehát megbízna a statisztikai eredményekben, tegye fel a következő három kérdést: Elég nagy és reprezentatív a minta? A kontextusok megbízhatóak és zavartalanok? Megfelelő-e a mérési módszer erre a kérdésre? Ha erre a három kérdésre nem tud "igen" választ adni, akkor nem számít, mennyire tűnik "jelentősnek" az eredmény.
Tipp: A statisztika kimenetének értékelésekor először a bemenetet nézze, ne az eredményt. – Honnan, hogyan, hány mintával kerültek elő ezek az adatok? kérdés kiküszöböli a legtöbb hamis következtetést, még mielőtt ránézne a grafikonra.
Elemző feladat táblázat
Quest
Az AI szerepe
emberi döntés
ellenőrzése
C14 kalibrálás
Számítás, vizualizáció
A mintavétel érvényessége
Kontextus, régi fa
széria
minta szkennelés
Kronológia/funkció szétválasztás
Összehasonlítás a rétegtannal
többváltozós
statisztikai számológép
Módszer kiválasztása
feltételezés ellenőrzése
vizualizáció
Grafika/kód
őszinte képviselet
bizonytalanság, lépték
Megjegyzés
Összefoglaló tervezet
jelentése, határa
szakértő, irodalom
Gyakori hibák
- A módszer kérdezősködés nélküli alkalmazása. A rossz teszt "tiszta", de rossz eredményt ad.
- A bizonytalanság egyetlen évre való csökkentése. A radiokarbon egy tartomány; Egy év félrevezető.
- A mintavételi problémák megkerülése. Kicsi/piszkos/elfogult minta érvényteleníti az eredményt.
- Az ok-okozati összefüggés összetévesztése. A változás együtt nem ok és okozat.
- Félrevezetés grafikával. A szaggatott tengely, a rejtett bizonytalanság tudományos torzítás.
Összefoglalva
AI a társkeresésben és a statisztikákban; Ez egy nagy teljesítményű gyorsító a kalibrációhoz, a minta beolvasásához, a számításokhoz és a megjelenítéshez. De a módszer megválasztása, a mintakritika, a bizonytalanság őszinte kifejezése és az eredmény értelmezése a tudományos ítélethez tartozik. Ne bízzon a diagramban anélkül, hogy megértette a módszert; mindig hordozza magában a bizonytalanságot; és ellenállni a ragaszkodásnak egyetlen „pontos dátumhoz”.
Pályázati feladat
Készítsen egy mintakeresési frekvencia táblázatot vagy egy kalibrált radiokarbon intervallum készletet. A megfelelő elemzést és annak feltételezéseit azonosítsa a "Módszer alkalmassági lekérdezés" sablonnal, majd bírálja el az elemzést a "Statisztikai audit" sablonnal. Készítsen diagramvázlatot, amely a bizonytalansági tartományokat mutatja a „Vizualizáció (őszinte)” sablon segítségével, és kerülje az egyéves diszkontálást.
ellenőrző lista
- [ ] Ellenőriztem a módszer kiválasztását és a feltételezéseket.
- [ ] Megkérdőjeleztem a minta érvényességét (méret, keverék, régi fa).
- [ ] A bizonytalanságot intervallumnak tartottam, nem csökkentettem egyetlen évre sem.
- [ ] Nem kevertem össze a korrelációt az oksággal.
- [ ] A grafikonon őszintén megmutattam a léptéket és a bizonytalanságot.