Gevinster:
- Evne til å bruke kunstig intelligens i radiokarbonkalibrering, serier og multivariat analyse, og forstå at metodevalg og forutsetninger er ekspertens.
- Evne til å gjenkjenne at radiokarbonresultatet har et spekter av sannsynlighet og at det å redusere usikkerhet til ett enkelt år er en vitenskapelig forvrengning
- Evne til å stille spørsmål ved prøvens gyldighet med prinsippet om "søppel inn, søppel ut" og bruke refleksen om ikke å forveksle korrelasjon og årsakssammenheng
Arkeologi er avhengig av både laboratorievitenskap og statistikk for å svare på "når"-spørsmålet. I denne enheten skal vi se hvordan AI akselererer oppgaver som datering (bestemme alderen på et funn eller et lag), radiokarbon (C14) analyse, typologi (sortering og periodisering av funn i henhold til deres formelle egenskaper) og seriasjon (metoden for å ordne sammenhenger kronologisk i henhold til endringen av funntyper over tid), men hvorfor tolkningen av den korrekte metoden alltid er overlatt til ekspertresultatene.
Grunnleggende prinsipp: AI akselererer beregning, kalibrering, statistisk mønster og visualisering; Men hvilken metode som er hensiktsmessig, om prøven er gyldig eller ikke, og hva resultatet betyr krever vitenskapelig vurdering. Å sette en feil statistikk inn i en fin graf gjør den ikke riktig.
Datingmetoder og AI
Radiokarbon (C14). Alder beregnes ut fra nedbrytningen av radioaktivt karbon i organiske rester. Råresultatet kalibreres med en kurve basert på treringer (kalibrering — korreksjon som konverterer den rå radiokarbonalderen til det faktiske kalenderåret). AI akselererer kalibreringsberegninger og sammenlignende visualisering av flere datoer. Men AI kjenner ikke til feller som det gamle treproblemet (en prøve tatt fra et tre som har levd i hundrevis av år er mye eldre enn hendelsen der det ble brukt); Eksempelkritikk er en eksperts jobb.
Typologi og serie. Hyppigheten av funntyper varierer over tid; En type dukker opp, blir utbredt, avtar. Seriasjon sorterer sammenhenger ved å bruke dette "teppet"-mønsteret. AI er kraftig til å finne disse mønstrene i store datasett og i multivariat analyse (statistikk som evaluerer mange funksjoner samtidig). Men den sakkyndige kan skille om resultatet skyldes en kronologisk eller funksjonell/regional forskjell.
Andre metoder. Metoder som dendrokronologi (trering), termoluminescens og arkeomagnetisme er også nyttige i AI-beregning og sammenligning; Metodevalg og tolkning overlates til eksperten.
Tips: Når du lar AI kjøre en statistikk, spør "hvilken metode brukte du og hva er dens antagelser?" spørre. Hvis metoden er feil (f.eks. gjennomsnitt av ikke-sekvensielle data, ignorering av uteliggeren) vil resultatet være visuelt "rent", men vitenskapelig feil. Ikke stol på diagrammet uten å forstå metoden.
Styrker og svakheter ved AI i statistikk
Kraftig: Repeterende beregning, kalibrering, mønsterskanning i store datasett, generering av visualiseringskode, rask testing av ulike metoder.
Svak/risikofylt:
- Ikke foreslå feil metode. AI kan trygt anbefale en test som ikke passer til dataene.
- Prøvetaking av blindhet. Den ser ikke den lille, partiske eller forurensede prøven; "Dette er dataene," sier han.
- Ekstrem kommentar. Det kan presentere en svak korrelasjon som et sterkt resultat; korrelasjon er ikke årsakssammenheng (bare fordi to ting endres sammen betyr ikke at det ene forårsaker det andre).
- Sammensatt nummer. Om ønskelig kan det gi en "plausibel" men urealistisk dato eller sannsynlighet.
Forsiktig: En radiokarbon-dato er aldri et enkelt "nøyaktig år"; er et sannsynlighetsområde (f.eks. 750-680 f.Kr. med 95 % konfidens). Ikke la AI redusere resultatet til ett år; Bær alltid på usikkerhet. Å skjule usikkerhet er en vitenskapelig forvrengning.
tre minisaker
Tilfelle 1 — Kalibrering akselerert. Ett prosjekt ville utføre kalibrering og komparativ visualisering av 48 radiokarbonprøver. AI genererte kalibreringskode og sammenligningsgrafer i minutter i stedet for timer; Den sakkyndige vurderte selv prøvetakingssammenheng og risiko ved gammelt trevirke og markerte to prøver som «upålitelige».
Sak 2 – Feil metode fanget. En student brukte en test foreslått av AI for å finne typefrekvenser og fikk et "statistisk signifikant" resultat. Den statistiske konsulenten viste at dataene ikke var egnet for denne testen (forutsetninger ble brutt); Med riktig metode ble resultatet meningsløst. Leksjon: valg av metode avgjør utfallet.
Sak 3 — Usikkerhet satt tilbake. Et team ville rapportere en enkelt dato fra AI-sammendraget for et lag, "720 f.Kr.." Eksperten uttalte at kaliberrekkevidden var 800-680 f.Kr., og at enkeltåret var misvisende. Rapport korrigert med sannsynlighetsområde. Å bære usikkerhet er ærlighet.
Fire kopierbare maler
1) Spørring om metodeegnethet:
Din rolle: arkeologisk statistikkkonsulent. Jeg vil beskrive følgende data og spørsmål: [datatype, utvalgsstørrelse, spørsmål]. Fortell meg om metodealternativene GODKJENT med disse dataene, FORUTSETNINGENE for hver, og hvordan du sjekker om avkastningen oppfyller disse forutsetningene. Upassende metoder bør også adresseres på grunnlag.
2) Rammeverk for radiokarbontolkning:
Nedenfor har jeg mine kalibrerte radiokarbonintervaller: [liste]. Forklar fallgruvene jeg bør være oppmerksom på når jeg tolker disse (gammelt treverk, forurensning, marin reservoareffekt, prøve-til-hendelse-forhold) og hvordan usikkerhetsintervallet skal uttrykkes riktig. Ikke gi det et eneste år; opprettholde intervaller.
3) Statistikkrevisjon:
Jeg utførte følgende analyse: [metode og resultat]. Vennligst kritiser: passer metoden til dataene, holder forutsetningene, er utvalget tilstrekkelig, er det noen uteliggere/blandinger, blir resultatet overfortolket? List opp dine svake punkter; Ikke bekreft resultatet, sett spørsmål ved det.
4) Visualisering (ærlig):
Lag et diagram/kode med følgende data: [data]. MÅ vise usikkerhetsområder (feillinje/område). Sett opp aksen og skalaen uten å foreta villedende kutt. IKKE LEGG TIL punkter som ikke er i dataene. Forklar med en lapp hva grafen gjør og ikke viser.
Svak forespørsel / Sterk forespørsel
Svak melding:
Analyser disse funndataene og oppgi den nøyaktige datoen for nettstedet.
AI kan velge en upassende metode og utgjøre en enkelt nøyaktig dato; Den skjuler usikkerhet og ser ikke prøvetakingsproblemer.
Kraftig ledetekst:
Din rolle: statistisk konsulent. Utbytte: [definisjon, prøvestørrelse]. Fortell meg først metoden og dens forutsetninger som passer for disse dataene, og gi deretter resultatet med usikkerhetsområdet hvis vi bruker det. Ikke gi en eneste endelig dato. Angi også hvilke risikoer knyttet til prøven (liten n, blanding, gammel ved) som kan svekke resultatet.
Forskjellen: førstnevnte produserer falsk sikkerhet; for det andre holder metoden åpne forutsetninger og usikkerhet.
Bayesiansk tilnærming, prøvetaking og "søppel inn, søppel ut"
En kraftig metode i moderne arkeologisk datering er Bayesiansk modellering (en statistisk tilnærming som kombinerer eksisterende tidligere informasjon - for eksempel "lag A underliggende B" - med målinger for å produsere smalere, mer realistiske datointervaller) som kombinerer flere radiokarbondatoer med stratigrafiske sekvenser. Denne tilnærmingen begrenser den store usikkerheten til individuelle datoer ved å begrense dem til den kjente rekkefølgen av lagene. AI kan hjelpe med å bygge og beregne disse modellene; men hvilken tidligere informasjon (stratigrafiske relasjoner) som legges inn i modellen er en ekspertbeslutning, og en feil forhåndsbegrensning gir et sikkert, men unøyaktig resultat.
Herfra kommer vi til det mest grunnleggende statistiske prinsippet for modulen: "søppel inn, søppel ut." Selv den mest avanserte AI og den mest elegante statistikken kan ikke gi gode resultater fra dårlige data. En kontaminert radiokarbonprøve, funn fra en blandet kontekst eller en partisk prøve vil forbli ugyldig uansett hvor mye behandling som gjøres. AI kan ikke se disse problemene fordi den ikke ser på dataene "fra utsiden"; Den aksepterer tallene du gir den som ekte. Bare en ekspert som kan feltet kan vurdere hvordan prøven ble samlet inn, hvilken kontekst den kom fra og hva den representerer.
Så før du stoler på noen statistiske resultater, still disse tre spørsmålene: Er utvalget stort og representativt nok? Er sammenhengene pålitelige og uforvirrede? Er målemetoden egnet for dette spørsmålet? Hvis du ikke kan svare «ja» på disse tre spørsmålene, spiller det ingen rolle hvor «betydelig» resultatet virker.
Tips: Når du evaluerer resultatet av en statistikk, se først på input, ikke resultatet. "Hvor kom disse dataene fra, hvordan, med hvor mange prøver?" spørsmål eliminerer de fleste falske konklusjoner før du ser på grafen.
Analyseoppgavetabell
Quest
Rollen til AI
menneskelig avgjørelse
verifisering
C14 kalibrering
Beregning, visualisering
Sampling validity
Kontekst, gammelt tre
serie
mønsterskanning
Kronologi/funksjonsseparasjon
Sammenligning med stratigrafi
multivariabel
statistikkkalkulator
Metodevalg
antagelsessjekk
visualisering
Grafikk/kode
ærlig representasjon
usikkerhet, målestokk
Kommentar
Sammendragsutkast
betydning, grense
ekspert, litteratur
Vanlige feil
- Bruker metoden uten å stille spørsmål. Feil test gir et "rent" men feil resultat.
- Redusere usikkerheten til ett år. Radiokarbon er et område; Ett år er misvisende.
- Omgå prøvetakingsproblemer. Liten/skitten/skjev prøve ugyldiggjør resultatet.
- Misforstå korrelasjon for årsakssammenheng. Å endre sammen er ikke årsak og virkning.
- Villede med grafikk. Den stiplede aksen, skjult usikkerhet er vitenskapelig forvrengning.
Oppsummert
AI i dating og statistikk; Det er en kraftig akselerator for kalibrering, mønsterskanning, beregning og visualisering. Men metodevalg, prøvekritikk, ærlig uttrykk for usikkerhet og tolkning av resultatet hører til vitenskapelig skjønn. Ikke stol på diagrammet uten å forstå metoden; alltid bære usikkerhet; og motstå insisteringen på en enkelt «nøyaktig dato».
Søknadsoppgave
Forbered en prøvefunn-frekvenstabell eller et sett med kalibrerte radiokarbonintervaller. Få den riktige analysen og dens forutsetninger identifisert med malen "Metode egnethet spørring", og få deretter en analyse kritisert med malen "Statistisk revisjon". Lag en diagramskisse som viser usikkerhetsområder med malen "Visualisering (ærlig)", og unngå rabatter for ett år.
sjekkliste
- [ ] Jeg har sjekket metodevalg og forutsetninger.
- [ ] Jeg stilte spørsmål ved prøvens gyldighet (størrelse, blanding, gammelt tre).
- [ ] Jeg beholdt usikkerheten som et intervall, jeg reduserte den ikke til et eneste år.
- [ ] Jeg forvekslet ikke korrelasjon med årsakssammenheng.
- [ ] Jeg har vist skala og usikkerhet ærlig i diagrammet.