Guadagni:
- Capacità di utilizzare l'intelligenza artificiale nella calibrazione del radiocarbonio, nella seriazione e nell'analisi multivariata e comprendere che la selezione e le ipotesi del metodo sono quelle dell'esperto.
- Capacità di riconoscere che il risultato del radiocarbonio ha un intervallo di probabilità e che ridurre l’incertezza a un solo anno è una distorsione scientifica
- Capacità di mettere in discussione la validità del campione con il principio "garbage in, garbage out" e applicare il riflesso di non confondere correlazione e causalità
L'archeologia si affida sia alle scienze di laboratorio che alla statistica per rispondere alla domanda "quando". In questa unità vedremo come l'intelligenza artificiale accelera compiti come la datazione (determinazione dell'età di un reperto o di uno strato), l'analisi al radiocarbonio (C14), la tipologia (ordinamento e periodizzazione dei reperti in base alle loro caratteristiche formali) e la seriazione (il metodo di disporre i contesti cronologicamente in base al cambiamento dei tipi di reperti nel tempo), ma perché l'interpretazione dei risultati scientifici è sempre lasciata all'esperto e al metodo corretto.
Principio di base: l’intelligenza artificiale accelera il calcolo, la calibrazione, la creazione di modelli statistici e la visualizzazione; Ma quale metodo sia appropriato, se il campione sia valido o meno e cosa significhi il risultato richiede un giudizio scientifico. Inserire una statistica sbagliata in un bel grafico non lo rende giusto.
Metodi di incontri e intelligenza artificiale
Radiocarbonio (C14). L'età viene calcolata dal decadimento del carbonio radioattivo nei resti organici. Il risultato grezzo è calibrato con una curva basata sugli anelli degli alberi (calibrazione: correzione che converte l'età grezza del radiocarbonio nell'anno solare effettivo). L'intelligenza artificiale accelera i calcoli di calibrazione e la visualizzazione comparativa di più date. Ma l’intelligenza artificiale non conosce trappole come il problema del legno vecchio (un campione prelevato da un albero che vive da centinaia di anni è molto più antico dell’evento in cui è stato utilizzato); La critica del campione è il lavoro di un esperto.
Tipologia e seriazione. La frequenza dei tipi di ricerca varia nel tempo; Un tipo appare, si diffonde, diminuisce. La seriazione ordina i contesti utilizzando questo modello "coperto". L’intelligenza artificiale è potente nel trovare questi modelli in set di dati di grandi dimensioni e nell’analisi multivariata (statistiche che valutano molte caratteristiche contemporaneamente). Ma l'esperto può distinguere se il risultato è dovuto a una differenza cronologica o funzionale/regionale.
Altri metodi. Anche metodi come la dendrocronologia (anello degli alberi), la termoluminescenza e l'archeomagnetismo sono utili nel calcolo e nel confronto dell'IA; La scelta e l'interpretazione del metodo sono lasciate all'esperto.
Suggerimento: quando fai eseguire una statistica all'IA, chiedi "quale metodo hai utilizzato e quali sono i suoi presupposti?" chiedere. Se il metodo è sbagliato (ad esempio facendo la media di dati non sequenziali, ignorando il valore anomalo) il risultato sarà visivamente "pulito" ma scientificamente errato. Non fidarti del grafico senza comprendere il metodo.
Punti di forza e di debolezza dell'intelligenza artificiale in statistica
Potente: calcoli ripetitivi, calibrazione, scansione di modelli in set di dati di grandi dimensioni, generazione di codici di visualizzazione, test rapido di diversi metodi.
Debole/rischioso:
- Non suggerire il metodo sbagliato. L’intelligenza artificiale può consigliare con sicurezza un test che non si adatta ai dati.
- Cecità del campionamento. Non vede il campione piccolo, distorto o contaminato; "Questi sono i dati", dice.
- Commento estremo. Può presentare una correlazione debole come risultato forte; la correlazione non è causalità (solo perché due cose cambiano insieme non significa che l'una causi l'altra).
- Numero inventato. Se lo si desidera, può produrre una data o una probabilità "plausibile" ma non realistica.
Attenzione: una data al radiocarbonio non è mai un singolo "anno esatto"; è un intervallo di probabilità (ad esempio 750-680 a.C. con una confidenza del 95%). Non lasciare che l’intelligenza artificiale riduca il risultato a un solo anno; Porta sempre con te l’incertezza. Nascondere l’incertezza è una distorsione scientifica.
tre mini custodie
Caso 1 — Calibrazione accelerata. Un progetto dovrebbe eseguire la calibrazione e la visualizzazione comparativa di 48 campioni di radiocarbonio. L'intelligenza artificiale ha generato codice di calibrazione e grafici di confronto in pochi minuti anziché in ore; Lo stesso esperto ha valutato i contesti di campionamento e il rischio del legno vecchio e ha contrassegnato due campioni come "inaffidabili".
Caso 2: metodo sbagliato rilevato. Uno studente ha applicato un test suggerito dall'intelligenza artificiale per trovare le frequenze dei tipi e ha ottenuto un risultato "statisticamente significativo". Il consulente statistico ha dimostrato che i dati non erano adatti per questo test (le ipotesi sono state violate); Con il metodo giusto, il risultato era insignificante. Lezione: la scelta del metodo determina il risultato.
Caso 3 – L’incertezza viene rimessa a posto. Una squadra riporterebbe una singola data dal riepilogo dell'IA per uno strato, "720 a.C.". L'esperto affermò che l'intervallo di calibri era compreso tra 800 e 680 a.C. e che il singolo anno era fuorviante. Report corretto con intervallo di probabilità. Sopportare l’incertezza è onestà.
Quattro modelli copiabili
1) Domanda sull'idoneità del metodo:
Il tuo ruolo: consulente statistico archeologico. Descriverò i seguenti dati e domande: [tipo di dati, dimensione del campione, domanda]. Parlami delle opzioni del metodo APPROVATO con questi dati, delle IPOTESI di ciascuna e di come verificare se il rendimento soddisfa tali ipotesi. Anche i metodi inappropriati dovrebbero essere affrontati in base alle motivazioni.
2) Quadro interpretativo del radiocarbonio:
Di seguito ho i miei intervalli al radiocarbonio calibrati: [elenco]. Spiegare le insidie di cui dovrei essere consapevole quando le interpreto (legno vecchio, contaminazione, effetto serbatoio marino, relazione campione-evento) e come esprimere correttamente l'intervallo di incertezza. Non dargli un solo anno; mantenere gli intervalli.
3) Verifica statistica:
Ho condotto la seguente analisi: [metodo e risultato]. Si prega di criticare: il metodo si adatta ai dati, le ipotesi sono valide, il campione è sufficiente, ci sono valori anomali/miscele, il risultato è sovrainterpretato? Elenca i tuoi punti deboli; Non confermare il risultato, mettilo in discussione.
4) Visualizzazione (onesta):
Preparare un grafico/codice con i seguenti dati: [dati]. DEVE mostrare gli intervalli di incertezza (barra/intervallo di errore). Imposta l'asse e la scala senza effettuare tagli fuorvianti. NON AGGIUNGERE punti che non sono presenti nei dati. Spiega con una nota cosa mostra e cosa non mostra il grafico.
Prompt debole / Prompt forte
Suggerimento debole:
Analizza questi dati di ricerca e indica la data esatta del sito.
L’IA potrebbe scegliere un metodo inappropriato e inventare un’unica data esatta; Nasconde l’incertezza e non vede problemi di campionamento.
Suggerimento potente:
Il tuo ruolo: consulente statistico. Resa: [definizione, dimensione del campione]. Prima dimmi il metodo e le sue ipotesi adatte a questi dati, poi fornisci il risultato con l'intervallo di incertezza se lo applichiamo. Non fornire una sola data definitiva. Indicare inoltre quali rischi associati al campione (piccolo n, mix, legno vecchio) potrebbero indebolire il risultato.
La differenza: la prima produce false certezze; in secondo luogo, il metodo mantiene aperte le ipotesi e l’incertezza.
Approccio bayesiano, campionamento e "garbage in, garbage out"
Un metodo potente nella datazione archeologica moderna è il modello bayesiano (un approccio statistico che combina informazioni precedenti esistenti – ad esempio, “lo strato A è sottostante B” – con misurazioni per produrre intervalli di date più ristretti e realistici) che combina più date al radiocarbonio con sequenze stratigrafiche. Questo approccio riduce l’ampia incertezza delle singole date limitandole all’ordine noto degli strati. L’intelligenza artificiale può aiutare a costruire e calcolare questi modelli; ma quali informazioni preliminari (relazioni stratigrafiche) inserire nel modello è una decisione di esperti e un vincolo precedente errato produce un risultato sicuro ma impreciso.
Da qui arriviamo al principio statistico più basilare del modulo: "garbage in, garbage out". Anche l’intelligenza artificiale più avanzata e le statistiche più eleganti non possono produrre buoni risultati da dati errati. Un campione di radiocarbonio contaminato, reperti provenienti da un contesto misto o un campione distorto rimarranno non validi, indipendentemente dalla quantità di elaborazione eseguita. L’intelligenza artificiale non può vedere questi problemi perché non guarda i dati “dall’esterno”; Accetta i numeri che gli dai come reali. Solo un esperto che conosce il settore può valutare come è stato raccolto il campione, da quale contesto proviene e cosa rappresenta.
Quindi, prima di fidarsi di qualsiasi risultato statistico, è necessario porsi queste tre domande: il campione è sufficientemente ampio e rappresentativo? I contesti sono affidabili e non confusi? Il metodo di misurazione è appropriato per questa domanda? Se non puoi rispondere "sì" a queste tre domande, non importa quanto "significativo" sembri il risultato.
Suggerimento: quando valuti l'output di una statistica, guarda prima l'input, non il risultato. "Da dove provengono questi dati, come, con quanti campioni?" Questa domanda elimina la maggior parte delle false conclusioni prima ancora di guardare il grafico.
Tabella delle attività di analisi
Ricerca
Ruolo dell'intelligenza artificiale
decisione umana
verifica
Calibrazione C14
Calcolo, visualizzazione
Validità del campionamento
Contesto, legno vecchio
seriazione
scansione del modello
Separazione cronologia/funzione
Confronto con la stratigrafia
multivariabile
calcolatore statistico
Selezione del metodo
verifica delle ipotesi
visualizzazione
Grafica/codice
rappresentanza onesta
incertezza, scala
Commento
Bozza di sintesi
significato, limite
esperto, letteratura
Errori comuni
- Applicare il metodo senza fare domande. Il test sbagliato dà un risultato "pulito" ma sbagliato.
- Ridurre l’incertezza a un solo anno. Il radiocarbonio è una gamma; Un anno è fuorviante.
- Bypassare i problemi di campionamento. Il campione piccolo/sporco/distorto invalida il risultato.
- Confondere la correlazione con la causalità. Cambiare insieme non è causa ed effetto.
- Ingannare con la grafica. L'asse tratteggiato, l'incertezza nascosta è una distorsione scientifica.
In sintesi
L'intelligenza artificiale negli appuntamenti e nelle statistiche; È un potente acceleratore per la calibrazione, la scansione dei modelli, il calcolo e la visualizzazione. Ma la scelta del metodo, la critica del campione, l’onesta espressione dell’incertezza e l’interpretazione del risultato appartengono al giudizio scientifico. Non fidarti del grafico senza comprendere il metodo; portano sempre con sé l'incertezza; e resistere all’insistenza su un’unica “data esatta”.
Compito dell'applicazione
Preparare una tabella di frequenza di ricerca campione o una serie di intervalli di radiocarbonio calibrati. Far identificare l'analisi appropriata e le sue ipotesi con il modello "Query sull'idoneità del metodo", quindi sottoporre un'analisi a critica con il modello "Audit statistico". Produrre uno schizzo del grafico che mostri gli intervalli di incertezza con il modello "Visualizzazione (onesto)" ed evitare sconti su un solo anno.
lista di controllo
- [ ] Ho controllato la selezione del metodo e le ipotesi.
- [ ] Ho messo in dubbio la validità del campione (dimensione, mix, legno vecchio).
- [ ] Ho mantenuto l’incertezza come un intervallo, non l’ho ridotta ad un solo anno.
- [ ] Non ho confuso la correlazione con la causalità.
- [ ] Ho mostrato onestamente la scala e l'incertezza nel grafico.