Guadagni:
- Capacità di mantenere l'integrità dei dati digitalizzando e standardizzando le unità di registrazione come contesto/luogo, stratigrafia e matrice Harris con intelligenza artificiale
- Capacità di proteggere i dati grezzi e mantenere tracciabile ogni trasformazione contro il rischio che l'intelligenza artificiale completi i dati mancanti e apporti modifiche silenziose
- Comprendere perché il dizionario controllato, i metadati e i principi aperti/FAIR sono essenziali per la futura utilizzabilità dei dati.
Il valore scientifico di uno scavo non risiede nei reperti d'oro che ne emergono, ma nella qualità delle sue testimonianze. Una scoperta non ben documentata è quasi irrilevante per la scienza; Perché è un oggetto di cui non si sa dove, in quale strato e con cosa si trova, è semplicemente un oggetto bellissimo. In questa unità esamineremo la registrazione degli scavi (la trascrizione sistematica e il database di ogni contesto, ritrovamento e osservazione) e come l'intelligenza artificiale può accelerare l'immissione, l'organizzazione e la standardizzazione dei dati, ma perché la responsabilità dell'integrità dei dati spetta agli esseri umani.
Principio di base: l’intelligenza artificiale aiuta a organizzare record sparsi, standardizzarli e trovare incoerenze; Ma quali dati siano accurati, se un documento rifletta la verità e l’integrità dei dati sono responsabilità umane. L’intelligenza artificiale corregge la forma dei dati, non ne garantisce l’accuratezza.
Unità fondamentali della documentazione archeologica
Contesto/luogo. Ogni scavo divide il sito in unità di contesto (contesto/locus: un singolo deposito, strato, fossa o muro; la più piccola unità di significato dello scavo). Ogni contesto riceve un numero univoco e tutti i risultati sono associati a quel numero.
Stratigrafia e matrice di Harris. La stratigrafia (la relazione prima-dopo degli strati tra loro) è la base della datazione relativa. La matrice Harris (un diagramma che mostra l'ordinamento dei contesti l'uno rispetto all'altro) visualizza queste relazioni. L’intelligenza artificiale aiuta a rilevare relazioni stratigrafiche incoerenti (ad esempio un errore ciclico “A è sia sopra che sotto B”).
Trova l'inventario. Ogni ritrovamento; Il contesto viene registrato con numero, tipologia, dimensione, materiale, stato e fotografia.
Standard dei dati. Vengono utilizzati standard comuni per rendere i record condivisibili e comparabili. CIDOC-CRM (un quadro/ontologia concettuale internazionale sviluppato per descrivere i dati del patrimonio culturale) consente ai dati di diverse istituzioni di dialogare tra loro. Viene utilizzato un dizionario di termini controllato (un elenco approvato che garantisce che tutti utilizzino lo stesso termine per lo stesso concetto).
Suggerimento: utilizzare l’intelligenza artificiale per “organizzare e controllare” i dati, non per “interpretarli”. "Quali numeri di contesto sono contraddittori in questi documenti?" È una buona domanda; "A che periodo appartiene questo contesto?" È una decisione di esperti. Il punto in cui l’intelligenza artificiale è più forte è nel controllo della coerenza.
Ruoli dell'intelligenza artificiale nella registrazione e nel database
- Digitalizzazione. Quaderni di scavo scritti a mano, schede di inventario e vecchi disegni vengono importati nel database con il riconoscimento del testo basato sull'intelligenza artificiale (questo si collega a HTR nell'unità 6).
- Standardizzazione. Le diverse ortografie ("byzantium", "Byzantium", "byz.") sono mappate nel dizionario controllato; le date e le misurazioni vengono rese uniformi.
- Controllo di coerenza. Vengono segnalati errori quali numero di contesto mancante, stratigrafia contraddittoria, utilizzo dello stesso numero in due reperti diversi.
- Domanda e riepilogo. Vengono generate rapidamente query come "Tutti i reperti di vetro nel seguente contesto" e tabelle riepilogative.
Attenzione: durante la standardizzazione, l'IA potrebbe modificare silenziosamente i dati mentre tenta di "aggiustarli"; ad esempio, può arrotondare una misurazione a un valore "ragionevole" o completare una lettura incerta con la propria stima. Ogni modifica automatica deve essere tracciabile e la registrazione originale deve essere conservata. I dati grezzi non vengono mai sovrascritti.
tre mini custodie
Caso 1: la digitalizzazione ha salvato l’archivio. Un museo conservava 40 anni di carte d'inventario scritte a mano (circa 22.000 carte) a rischio di perdita. Il riconoscimento e la standardizzazione del testo basati sull'intelligenza artificiale hanno importato le carte in un database ricercabile; Ogni carta è stata controllata a campione da un esaminatore umano e le aree illeggibili sono state contrassegnate come "non chiare".
Caso 2: il controllo di incoerenza ha rilevato errori. Alla fine della stagione una squadra di scavo ha fatto controllare il database dall’IA; YZ ha segnalato che tre ritrovamenti avevano lo stesso numero di contesto ma informazioni di livello contrastanti. La revisione ha rivelato un errore di immissione dei dati; se non corretto avrebbe falsato l'interpretazione stratigrafica.
Caso 3: cambiamento silenzioso rilevato. Mentre standardizzava le misurazioni, un assistente notò che l’IA interpretava alcuni valori “0” come “zero” anziché “mancanti”; questo distorceva le lunghezze dei pezzi rotti. Il processo è stato ricostruito per preservare i dati originali ma mantenere le modifiche in una colonna separata.
Quattro modelli copiabili
1) Standardizzazione (dizionario controllato):
Il tuo ruolo: assistente alla gestione dei dati. Mappare i valori di [campo:materiale/periodo/tipo] nei seguenti record al seguente dizionario controllato: [dictionarylist]. CAMBIA valori che non hanno equivalenti nel dizionario; Contrassegnalo come "nessuna corrispondenza". Segnala ogni modifica come una coppia originale-nuova; cancellazione dei dati grezzi.
2) Controllo di coerenza:
Trova incongruenze nei seguenti documenti di scavo: numeri di contesto ripetitivi, campi obbligatori mancanti, relazioni stratigrafiche contrastanti, date/misurazioni scomode. Elenca ogni problema con il numero di registrazione e lascia a ME il compito di risolverlo; non cambiarlo da solo.
3) Controllo logico Harris Matrix:
Di seguito sono riportate le relazioni stratigrafiche tra i contesti (A sopra/sotto B). Esiste una contraddizione logica (loop, relazione bidirezionale)? Mostra quali contesti, se presenti. Non commentare; basta verificare la coerenza logica.
4) Query e tabella riepilogativa:
Il seguente estratto dal dump del database di seguito: [ad es. trova la distribuzione dei tipi per contesto]. Fornisci il risultato come tabella, specificando da quali record deriva ciascuna riga. NON AGGIUNGERE alcun valore che non esiste nei dati; Se è vuoto, scrivi "nessun dato".
Prompt debole / Prompt forte
Suggerimento debole:
Correggere questi dati di scavo e compilare gli elementi mancanti.
“Fill in the gaps” consente all’IA di adattare i dati; Il risultato è un database inaffidabile in cui realtà e finzione si mescolano.
Suggerimento potente:
Contrassegna SOLO le incoerenze formali (ortografia, formato della data, ID duplicato) nei dati di scavo di seguito. COMPLETO valori mancanti; Lascialo come "incompleto". Elenca ogni modifica proposta insieme all'originale; Darò l'approvazione. Modifica dei dati grezzi.
Differenza: il primo corrompe i dati silenziosamente; Il secondo controlla e lascia la decisione all'umano.
Buon modello di dati: campi, relazioni e metadati
Un database archeologico non è una tabella arbitraria, ma un modello di dati ponderato (un progetto di quali tabelle, quali campi e in quali relazioni saranno organizzati i dati). Il principio di base è che tutto dipende dal contesto: i reperti dal contesto, i contesti tra loro (stratigrafia) e dal campo. Ogni record porta con sé un'identità univoca (ID) e le relazioni vengono stabilite attraverso queste identità; Un ritrovamento si riferisce ad un singolo contesto, un contesto può contenere molti reperti.
Altrettanto importanti quanto la registrazione sono i metadati (dati sui dati stessi: chi li ha registrati, quando, con quale metodo, quale versione). Un record che non si sa da chi, quando e con quale fiducia sia stato inserito, non potrà essere messo in discussione in futuro. L'intelligenza artificiale è utile per verificare il riempimento coerente dei campi dei metadati e per segnalare i metadati mancanti.
Un altro principio fondamentale è un formato aperto e sostenibile. Invece di rinchiudere i dati in software proprietario e chiuso, mantenerli vicini a standard aperti (tabelle basate su testo, schemi documentati) garantisce che i dati possano essere letti decenni dopo. I dati archeologici vengono prodotti non per una singola pubblicazione ma per le generazioni future; Ecco perché i principi FAIR (Finding, Accessible, Interoperable and Reusable of data) sono diventati sempre più standard. L’intelligenza artificiale è utile per etichettare i dati in conformità con questi principi e individuare le carenze; Ma spetta a te decidere quali dati rimarranno aperti e quali rimarranno sensibili (confidenziali).
Suggerimento: quando imposti il tuo database, chiediti: "Qualcuno che non lo sa può aprirlo e capirlo in 10 anni?" chiedere. Spiega le tue abbreviazioni in un glossario, compila i campi dei metadati ed esegui il backup dei dati grezzi in un formato aperto.
Tabella attività record/database
Ricerca
Ruolo dell'intelligenza artificiale
decisione umana
regola di protezione
digitalizzazione
riconoscimento del testo
Conferma di lettura vaga
La scansione grezza viene archiviata
standardizzazione
Mappa sul dizionario
Decisione sul valore non corrispondente
L'originale è conservato
Coerenza
Marcatura di contraddizione
correzione
Il cambiamento viene monitorato
stratigrafia
Controllo logico
Commento
Approvazione degli esperti di Matrix
Domanda/riepilogo
Produzione di tavoli
Commento, scelta
Fedeltà ai dati
Errori comuni
- Completamento dei dati mancanti. L'intelligenza artificiale costituisce; Ciò che manca deve rimanere “incompleto”.
- Sovrascrivere i dati grezzi. L'originale è sempre conservato; le modifiche vengono mantenute separate.
- Non notare cambiamenti silenziosi. Ogni conversione automatica dovrebbe essere segnalata e verificata.
- Saltando lo standard. Senza un dizionario controllato e un modello comune, i dati non possono essere condivisi.
- Fare in modo che l'intelligenza artificiale esegua l'interpretazione stratigrafica. L’intelligenza artificiale trova una contraddizione logica; Il commento è per gli esperti.
In sintesi
AI nei registri e nei database degli scavi; Fornisce una grande velocità nella digitalizzazione, nella standardizzazione, nel controllo della coerenza e nei lavori di query. Ma l’integrità dei dati è sacra: nessuna parte mancante viene lasciata intatta, i dati grezzi vengono preservati, ogni cambiamento viene tracciato e l’interpretazione stratigrafica appartiene all’esperto. I buoni documenti sono l’eredità più preziosa che gli scavi lasciano al futuro.
Compito dell'applicazione
Preparare una piccola tabella dei dati di scavo campione (10-20 record); inserisci deliberatamente alcune incoerenze (ID duplicato, data deformata, livello in conflitto). Chiedi all’intelligenza artificiale di trovarli con i modelli di “controllo di coerenza” e “controllo logico di Harris Matrix”; quindi scrivi un dizionario controllato e mappa il campo materiale sul modello "Standardizzazione" e assicurati di preservare i dati grezzi.
lista di controllo
- [] Ho memorizzato i dati grezzi separatamente, senza modifiche.
- [ ] Non ho fatto in modo che l'IA completasse le parti mancanti; L'ho lasciato come "incompleto".
- [ ] Ho controllato ogni cambio automatico con l'originale.
- [ ] Ho utilizzato il dizionario controllato e lo standard dei dati.
- [ ] Ho fatto l'interpretazione stratigrafica basandomi sul giudizio degli esperti.