이득:
- 방사성탄소 교정, 계열화, 다변량 분석에 인공지능을 사용하고 방법 선택 및 가정이 전문가의 것임을 이해하는 능력.
- 방사성 탄소 결과에는 다양한 확률이 있으며, 불확실성을 1년으로 줄이는 것은 과학적 왜곡임을 인식하는 능력
- '가비지 인, 쓰레기 아웃' 원칙으로 표본 타당성에 의문을 제기하고 상관 관계와 인과 관계를 혼동하지 않는 반사를 적용하는 능력
고고학은 "언제"라는 질문에 대답하기 위해 실험실 과학과 통계에 의존합니다. 이번 단원에서는 연대 측정(발견물이나 층의 연대 결정), 방사성탄소(C14) 분석, 유형학(발견물의 형식적 특성에 따라 분류 및 주기화), 계열화(시간에 따른 발견물 유형의 변화에 따라 맥락을 연대순으로 배열하는 방법) 등의 작업을 AI가 어떻게 가속화하는지 살펴보지만 왜 과학적 결과의 해석은 항상 전문가와 올바른 방법에 맡겨지는지 알아봅니다.
기본 원리: AI는 계산, 보정, 통계적 패턴화 및 시각화를 가속화합니다. 그러나 어떤 방법이 적절한지, 표본의 타당성 여부, 그 결과가 무엇을 의미하는지 등은 과학적 판단이 필요하다. 좋은 그래프에 잘못된 통계를 넣는다고 해서 올바른 그래프가 되는 것은 아닙니다.
데이트 방법과 AI
방사성탄소(C14). 나이는 유기 잔해의 방사성 탄소 붕괴로 계산됩니다. 원시 결과는 나이테를 기반으로 한 곡선으로 보정됩니다(보정 - 원시 방사성탄소 연대를 실제 연도로 변환하는 보정). AI는 보정 계산과 여러 날짜의 비교 시각화를 가속화합니다. 그러나 AI는 오래된 나무 문제(수백 년 동안 살았던 나무에서 채취한 샘플이 사용된 사건보다 훨씬 오래됨)와 같은 함정을 알지 못합니다. 샘플 비평은 전문가의 일이다.
유형 및 시리즈. 찾기 유형의 빈도는 시간에 따라 달라집니다. 유형이 나타나고, 널리 퍼지고, 감소합니다. 시리즈화는 이 "담요" 패턴을 사용하여 컨텍스트를 정렬합니다. AI는 대규모 데이터 세트와 다변량 분석(많은 기능을 동시에 평가하는 통계)에서 이러한 패턴을 찾는 데 강력합니다. 그러나 전문가는 그 결과가 연대기적인 차이에 의한 것인지, 기능적·지역적 차이에 의한 것인지 구별할 수 있다.
다른 방법. 연륜연대기(나이테), 열발광, 고자기학과 같은 방법도 AI 계산 및 비교에 도움이 됩니다. 방법 선택과 해석은 전문가의 몫입니다.
팁: AI가 통계를 실행하게 할 때 “어떤 방법을 사용했고 그 가정은 무엇입니까?”라고 물어보세요. 묻다. 방법이 잘못된 경우(예: 비순차적 데이터 평균화, 이상값 무시) 결과는 시각적으로 "깨끗"하지만 과학적으로는 올바르지 않습니다. 방법을 이해하지 않고 차트를 신뢰하지 마십시오.
통계 AI의 강점과 약점
강력함: 반복 계산, 보정, 대규모 데이터 세트의 패턴 스캐닝, 시각화 코드 생성, 다양한 방법의 빠른 테스트.
약함/위험함:
- 잘못된 방법을 제안하지 마십시오. AI는 데이터에 맞지 않는 테스트를 자신 있게 추천할 수 있습니다.
- 샘플링 실명. 작거나 편향되거나 오염된 샘플은 볼 수 없습니다. "이것이 데이터입니다"라고 그는 말합니다.
- 극단적인 댓글입니다. 강한 결과로서 약한 상관관계를 나타낼 수 있습니다. 상관관계는 인과관계가 아닙니다(단지 두 가지가 함께 변한다고 해서 하나가 다른 하나를 유발한다는 의미는 아닙니다).
- 만들어진 번호입니다. 원하는 경우 "타당하지만" 비현실적인 날짜나 확률을 생성할 수 있습니다.
주의: 방사성 탄소 연대 측정은 결코 단일한 "정확한 연도"가 아닙니다. 확률 범위(예: 95% 신뢰도로 기원전 750-680년)입니다. AI가 결과를 1년으로 단축하도록 두지 마십시오. 항상 불확실성을 가지고 다니십시오. 불확실성을 숨기는 것은 과학적 왜곡입니다.
세 개의 미니 케이스
사례 1 — 교정이 가속화되었습니다. 한 프로젝트에서는 48개의 방사성 탄소 샘플에 대한 교정 및 비교 시각화를 수행했습니다. AI는 몇 시간이 아닌 몇 분 만에 교정 코드와 비교 그래프를 생성했습니다. 전문가는 오래된 목재의 샘플링 상황과 위험을 직접 평가하고 두 개의 샘플을 "신뢰할 수 없음"으로 표시했습니다.
사례 2 - 잘못된 방법이 발견되었습니다. 한 학생은 유형 빈도를 찾기 위해 AI가 제안한 테스트를 적용했고 "통계적으로 유의미한" 결과를 얻었습니다. 통계 컨설턴트는 데이터가 이 테스트에 적합하지 않다는 것을 보여주었습니다(가정이 위반됨). 올바른 방법을 사용하면 결과는 의미가 없습니다. 교훈: 방법의 선택이 결과를 결정합니다.
사례 3 — 불확실성이 되돌려졌습니다. 팀은 "기원전 720년"이라는 레이어에 대한 AI 요약에서 단일 날짜를 보고합니다. 전문가는 구경 범위가 기원전 800-680년이며 단일 연도가 오해의 소지가 있다고 말했습니다. 확률 범위로 수정된 보고서입니다. 불확실성을 견디는 것이 정직입니다.
복사 가능한 템플릿 4개
1) 방법 적합성 질의:
귀하의 역할: 고고학 통계 컨설턴트. [데이터 유형, 표본 크기, 질문]이라는 데이터와 질문에 대해 설명하겠습니다. 이 데이터로 승인된 방법 옵션, 각각의 가정, 수율이 이러한 가정을 충족하는지 확인하는 방법에 대해 알려주십시오. 부적절한 방법도 근거에 따라 다뤄져야 합니다.
2) 방사성 탄소 해석 체계:
아래에는 보정된 방사성탄소 간격이 있습니다: [목록]. 이를 해석할 때 주의해야 할 함정(오래된 목재, 오염, 해양 저장소 효과, 표본-사건 관계)과 불확실성 구간을 올바르게 표현하는 방법을 설명하십시오. 1년만 투자하지 마세요. 간격을 유지하십시오.
3) 통계감사:
나는 다음과 같은 분석을 수행했다: [방법 및 결과]. 비판해 주십시오. 방법이 데이터에 적합한지, 가정이 유효한지, 표본이 충분한지, 이상값/혼합이 있는지, 결과가 과도하게 해석되었는지? 당신의 약점을 나열하십시오. 결과를 확인하지 말고 질문해 보세요.
4) 시각화(정직):
다음 데이터로 차트/코드를 준비하세요: [data]. 불확실성 범위(오차 막대/범위)를 표시해야 합니다(MUST). 오해의 소지가 있는 절단을 하지 않고 축과 눈금을 설정합니다. 데이터에 없는 포인트를 추가하지 마십시오. 그래프가 보여주는 것과 보여주지 않는 것을 메모와 함께 설명하세요.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
이 발견 데이터를 분석하고 사이트의 정확한 날짜를 명시하십시오.
AI는 부적절한 방법을 선택하여 정확한 날짜를 하나만 구성할 수 있습니다. 불확실성을 숨기고 샘플링 문제가 보이지 않습니다.
강력한 프롬프트:
귀하의 역할: 통계 컨설턴트. 수율: [정의, 표본 크기]. 먼저 이 데이터에 적합한 방법과 그 가정을 알려주고, 이를 적용하면 불확실성 범위의 결과를 제공합니다. 단 하나의 확실한 날짜를 제공하지 마십시오. 또한 샘플(소형, 혼합, 오래된 목재)과 관련된 위험이 결과를 약화시킬 수 있음을 나타냅니다.
차이점은 전자는 잘못된 확신을 낳는다는 점입니다. 둘째, 이 방법은 열린 가정과 불확실성을 유지합니다.
베이지안 접근 방식, 샘플링 및 "쓰레기 입력, 쓰레기 출력"
현대 고고학 연대측정의 강력한 방법은 여러 방사성탄소 연대측정값과 층서학적 순서를 결합하는 베이지안 모델링(기존 사전 정보(예: "A층이 B의 밑에 위치")을 결합하여 보다 좁고 보다 현실적인 날짜 범위를 생성하는 측정값을 결합하는 통계적 접근 방식)입니다. 이 접근 방식은 개별 날짜를 알려진 레이어 순서로 제한하여 개별 날짜의 광범위한 불확실성을 줄입니다. AI는 이러한 모델을 구축하고 계산하는 데 도움을 줄 수 있습니다. 그러나 모델에 들어가는 사전 정보(층서학적 관계)는 전문가의 결정이며 잘못된 사전 제약 조건은 확실하지만 부정확한 결과를 생성합니다.
여기에서 우리는 모듈의 가장 기본적인 통계 원칙인 "가비지 인, 쓰레기 아웃"에 도달합니다. 가장 발전된 AI와 가장 우아한 통계조차도 잘못된 데이터에서는 좋은 결과를 도출할 수 없습니다. 오염된 방사성 탄소 샘플, 혼합된 맥락에서 발견된 결과 또는 편향된 샘플은 아무리 많은 처리가 수행되더라도 유효하지 않은 상태로 유지됩니다. AI는 "외부에서" 데이터를 보지 않기 때문에 이러한 문제를 볼 수 없습니다. 그것은 당신이 제공한 숫자를 실제처럼 받아들입니다. 해당 분야를 잘 아는 전문가만이 샘플이 어떻게 수집되었는지, 어떤 맥락에서 왔는지, 무엇을 나타내는지 평가할 수 있습니다.
따라서 통계 결과를 신뢰하기 전에 다음 세 가지 질문을 던져 보십시오. 표본이 충분히 크고 대표성이 있습니까? 맥락이 신뢰할 수 있고 혼란스럽지 않은가? 이 질문에 대한 측정 방법이 적절한가요? 이 세 가지 질문에 "예"라고 대답할 수 없다면 결과가 얼마나 "중요"해 보이는지는 중요하지 않습니다.
팁: 통계 출력을 평가할 때는 결과가 아닌 입력을 먼저 살펴보십시오. "이 데이터는 어디에서, 어떻게, 얼마나 많은 샘플에서 왔습니까?" 질문은 그래프를 보기도 전에 대부분의 잘못된 결론을 제거합니다.
분석 작업 테이블
퀘스트
AI의 역할
인간의 결정
확인
C14 교정
계산, 시각화
샘플링 유효성
맥락, 오래된 나무
연속
패턴 스캐닝
연대기/기능 분리
층서학과의 비교
다변수
통계 계산기
방법 선택
가정 확인
시각화
그래픽/코드
정직한 표현
불확실성, 규모
코멘트
요약 초안
의미, 한계
전문가, 문학
일반적인 실수
- 질문하지 않고 방법을 적용합니다. 잘못된 테스트는 "깨끗하지만" 잘못된 결과를 제공합니다.
- 불확실성을 1년으로 줄입니다. 방사성 탄소는 범위입니다. 1년은 오해의 소지가 있습니다.
- 샘플링 문제를 우회합니다. 작은/더러운/편향된 샘플은 결과를 무효화합니다.
- 인과관계를 혼동하는 상관관계. 함께 변화하는 것은 원인과 결과가 아닙니다.
- 그래픽으로 오해를 불러일으키세요. 점선 축, 숨겨진 불확실성은 과학적 왜곡입니다.
요약하면
데이트 및 통계 분야의 AI; 교정, 패턴 스캐닝, 계산 및 시각화를 위한 강력한 가속기입니다. 그러나 방법의 선택, 표본비판, 불확실성의 솔직한 표현, 결과의 해석은 과학적 판단에 속한다. 방법을 이해하지 않고 차트를 신뢰하지 마십시오. 항상 불확실성을 지니고 있습니다. 그리고 단일한 "정확한 날짜"에 대한 주장에 저항하십시오.
응용과제
샘플 찾기 빈도표 또는 보정된 방사성탄소 간격 세트를 준비합니다. "방법 적합성 쿼리" 템플릿을 사용하여 적절한 분석 및 해당 가정을 식별한 다음 "통계 감사" 템플릿을 사용하여 분석을 비평합니다. "시각화(정직)" 템플릿을 사용하여 불확실성 범위를 보여주는 차트 스케치를 생성하고 1년 할인을 피하세요.
체크리스트
- [ ] 방법 선택 및 가정을 확인했습니다.
- [ ] 샘플 타당성에 대해 의문을 제기했습니다(크기, 혼합, 오래된 목재).
- [ ] 나는 불확실성을 간격으로 두었고, 그것을 1년으로 줄이지 않았습니다.
- [ ] 나는 상관관계와 인과관계를 혼동하지 않았습니다.
- [ ] 차트에는 규모와 불확실성을 솔직하게 표시했습니다.