ਲਾਭ:
- ਰੇਡੀਓਕਾਰਬਨ ਕੈਲੀਬ੍ਰੇਸ਼ਨ, ਸੀਰੀਏਸ਼ਨ ਅਤੇ ਮਲਟੀਵੈਰੀਏਟ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ, ਅਤੇ ਇਹ ਸਮਝਣਾ ਕਿ ਵਿਧੀ ਦੀ ਚੋਣ ਅਤੇ ਧਾਰਨਾਵਾਂ ਮਾਹਰ ਦੀਆਂ ਹਨ।
- ਇਹ ਪਛਾਣਨ ਦੀ ਯੋਗਤਾ ਕਿ ਰੇਡੀਓਕਾਰਬਨ ਨਤੀਜੇ ਵਿੱਚ ਸੰਭਾਵਨਾ ਦੀ ਇੱਕ ਸੀਮਾ ਹੈ ਅਤੇ ਇਹ ਕਿ ਇੱਕ ਸਾਲ ਤੱਕ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਘਟਾਉਣਾ ਇੱਕ ਵਿਗਿਆਨਕ ਵਿਗਾੜ ਹੈ
- 'ਗਾਰਬੇਜ ਇਨ, ਗਾਰਬੇਜ ਆਉਟ' ਦੇ ਸਿਧਾਂਤ ਨਾਲ ਨਮੂਨੇ ਦੀ ਵੈਧਤਾ 'ਤੇ ਸਵਾਲ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਉਲਝਣ ਵਾਲੇ ਸਬੰਧ ਅਤੇ ਕਾਰਣਸ਼ੀਲਤਾ ਦੇ ਪ੍ਰਤੀਬਿੰਬ ਨੂੰ ਲਾਗੂ ਨਹੀਂ ਕਰਨਾ
ਪੁਰਾਤੱਤਵ ਵਿਗਿਆਨ "ਕਦੋਂ" ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੇਣ ਲਈ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿਗਿਆਨ ਅਤੇ ਅੰਕੜਿਆਂ ਦੋਵਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਇਸ ਇਕਾਈ ਵਿੱਚ, ਅਸੀਂ ਦੇਖਾਂਗੇ ਕਿ ਕਿਵੇਂ AI ਡੇਟਿੰਗ (ਖੋਜ ਜਾਂ ਪਰਤ ਦੀ ਉਮਰ ਦਾ ਪਤਾ ਲਗਾਉਣਾ), ਰੇਡੀਓਕਾਰਬਨ (C14) ਵਿਸ਼ਲੇਸ਼ਣ, ਟਾਈਪੋਲੋਜੀ (ਉਨ੍ਹਾਂ ਦੀਆਂ ਰਸਮੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਅਨੁਸਾਰ ਖੋਜਾਂ ਨੂੰ ਛਾਂਟਣਾ ਅਤੇ ਪੀਰੀਅਡਾਈਜ਼ਿੰਗ) ਅਤੇ ਸੀਰੀਏਸ਼ਨ (ਪ੍ਰਸੰਗਾਂ ਨੂੰ ਕਾਲਕ੍ਰਮ ਅਨੁਸਾਰ ਵਿਵਸਥਿਤ ਕਰਨ ਦਾ ਤਰੀਕਾ) ਵਰਗੇ ਕੰਮਾਂ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ, ਪਰ ਸਮੇਂ ਦੇ ਨਾਲ-ਨਾਲ ਮਾਹਿਰਾਂ ਦੀਆਂ ਕਿਸਮਾਂ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਕਿਉਂ ਹੁੰਦੀਆਂ ਹਨ, ਪਰ ਵਿਗਿਆਨਕ ਕਿਸਮਾਂ ਦੇ ਨਤੀਜਿਆਂ ਵਿੱਚ ਤਬਦੀਲੀ ਕਿਉਂ ਹੁੰਦੀ ਹੈ। ਅਤੇ ਸਹੀ ਢੰਗ.
ਮੂਲ ਸਿਧਾਂਤ: AI ਗਣਨਾ, ਕੈਲੀਬ੍ਰੇਸ਼ਨ, ਅੰਕੜਾ ਪੈਟਰਨਿੰਗ ਅਤੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ; ਪਰ ਕਿਹੜਾ ਤਰੀਕਾ ਢੁਕਵਾਂ ਹੈ, ਕੀ ਨਮੂਨਾ ਜਾਇਜ਼ ਹੈ ਜਾਂ ਨਹੀਂ, ਅਤੇ ਨਤੀਜੇ ਦਾ ਕੀ ਅਰਥ ਹੈ, ਵਿਗਿਆਨਕ ਨਿਰਣੇ ਦੀ ਲੋੜ ਹੈ। ਇੱਕ ਚੰਗੇ ਗ੍ਰਾਫ਼ ਵਿੱਚ ਇੱਕ ਗਲਤ ਅੰਕੜੇ ਲਗਾਉਣ ਨਾਲ ਇਹ ਸਹੀ ਨਹੀਂ ਹੁੰਦਾ.
ਡੇਟਿੰਗ ਵਿਧੀਆਂ ਅਤੇ ਏ.ਆਈ
ਰੇਡੀਓਕਾਰਬਨ (C14)। ਉਮਰ ਦੀ ਗਣਨਾ ਜੈਵਿਕ ਅਵਸ਼ੇਸ਼ਾਂ ਵਿੱਚ ਰੇਡੀਓਐਕਟਿਵ ਕਾਰਬਨ ਦੇ ਸੜਨ ਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਕੱਚੇ ਨਤੀਜੇ ਨੂੰ ਟ੍ਰੀ ਰਿੰਗਾਂ (ਕੈਲੀਬ੍ਰੇਸ਼ਨ - ਸੁਧਾਰ ਜੋ ਕੱਚੇ ਰੇਡੀਓਕਾਰਬਨ ਦੀ ਉਮਰ ਨੂੰ ਅਸਲ ਕੈਲੰਡਰ ਸਾਲ ਵਿੱਚ ਬਦਲਦਾ ਹੈ) ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਕਰਵ ਨਾਲ ਕੈਲੀਬਰੇਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। AI ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਗਣਨਾਵਾਂ ਅਤੇ ਕਈ ਤਾਰੀਖਾਂ ਦੇ ਤੁਲਨਾਤਮਕ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ। ਪਰ AI ਪੁਰਾਣੇ ਲੱਕੜ ਦੀ ਸਮੱਸਿਆ ਵਰਗੇ ਜਾਲਾਂ ਨੂੰ ਨਹੀਂ ਜਾਣਦਾ (ਇੱਕ ਰੁੱਖ ਤੋਂ ਲਿਆ ਗਿਆ ਨਮੂਨਾ ਜੋ ਸੈਂਕੜੇ ਸਾਲਾਂ ਤੋਂ ਰਹਿੰਦਾ ਹੈ, ਉਸ ਘਟਨਾ ਨਾਲੋਂ ਬਹੁਤ ਪੁਰਾਣਾ ਹੈ ਜਿਸ ਵਿੱਚ ਇਹ ਵਰਤਿਆ ਗਿਆ ਸੀ); ਨਮੂਨਾ ਆਲੋਚਨਾ ਇੱਕ ਮਾਹਰ ਦਾ ਕੰਮ ਹੈ।
ਟਾਈਪੋਲੋਜੀ ਅਤੇ ਸੀਰੀਏਸ਼ਨ। ਖੋਜ ਕਿਸਮਾਂ ਦੀ ਬਾਰੰਬਾਰਤਾ ਸਮੇਂ ਦੇ ਨਾਲ ਬਦਲਦੀ ਹੈ; ਇੱਕ ਕਿਸਮ ਦਿਸਦੀ ਹੈ, ਵਿਆਪਕ ਹੋ ਜਾਂਦੀ ਹੈ, ਘਟਦੀ ਹੈ। ਸੀਰੀਏਸ਼ਨ ਇਸ "ਕੰਬਲ" ਪੈਟਰਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸੰਦਰਭਾਂ ਨੂੰ ਕ੍ਰਮਬੱਧ ਕਰਦੀ ਹੈ। AI ਇਹਨਾਂ ਪੈਟਰਨਾਂ ਨੂੰ ਵੱਡੇ ਡੇਟਾ ਸੈੱਟਾਂ ਵਿੱਚ ਅਤੇ ਮਲਟੀਵੈਰੀਏਟ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਲੱਭਣ ਵਿੱਚ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ (ਅੰਕੜੇ ਜੋ ਇੱਕੋ ਸਮੇਂ ਕਈ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਹਨ)। ਪਰ ਮਾਹਰ ਇਹ ਫਰਕ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਨਤੀਜਾ ਕਾਲਕ੍ਰਮਿਕ ਜਾਂ ਕਾਰਜਾਤਮਕ/ਖੇਤਰੀ ਅੰਤਰ ਦੇ ਕਾਰਨ ਹੈ।
ਹੋਰ ਢੰਗ. AI ਗਣਨਾ ਅਤੇ ਤੁਲਨਾ ਵਿੱਚ ਡੈਂਡਰੋਕ੍ਰੋਨੋਲੋਜੀ (ਰੁੱਖਾਂ ਦੀ ਰਿੰਗ), ਥਰਮੋਲੂਮਿਨਿਸੈਂਸ, ਅਤੇ ਪੁਰਾਤੱਤਵ-ਚੁੰਬਕਤਾ ਵਰਗੀਆਂ ਵਿਧੀਆਂ ਵੀ ਸਹਾਇਕ ਹਨ; ਵਿਧੀ ਦੀ ਚੋਣ ਅਤੇ ਵਿਆਖਿਆ ਮਾਹਰ 'ਤੇ ਛੱਡ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ।
ਸੰਕੇਤ: ਜਦੋਂ AI ਦੁਆਰਾ ਅੰਕੜੇ ਚਲਾਉਂਦੇ ਹਨ, ਤਾਂ ਪੁੱਛੋ ਕਿ "ਤੁਸੀਂ ਕਿਹੜਾ ਤਰੀਕਾ ਵਰਤਿਆ ਹੈ ਅਤੇ ਇਸ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਕੀ ਹਨ?" ਪੁੱਛੋ ਜੇਕਰ ਵਿਧੀ ਗਲਤ ਹੈ (ਜਿਵੇਂ ਕਿ ਔਸਤ ਗੈਰ-ਕ੍ਰਮਵਾਰ ਡੇਟਾ, ਆਊਟਲੀਅਰ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ) ਤਾਂ ਨਤੀਜਾ ਦ੍ਰਿਸ਼ਟੀਗਤ ਤੌਰ 'ਤੇ "ਸਾਫ਼" ਹੋਵੇਗਾ ਪਰ ਵਿਗਿਆਨਕ ਤੌਰ 'ਤੇ ਗਲਤ ਹੋਵੇਗਾ। ਵਿਧੀ ਨੂੰ ਸਮਝੇ ਬਿਨਾਂ ਚਾਰਟ 'ਤੇ ਭਰੋਸਾ ਨਾ ਕਰੋ।
ਅੰਕੜਿਆਂ ਵਿੱਚ AI ਦੀਆਂ ਸ਼ਕਤੀਆਂ ਅਤੇ ਕਮਜ਼ੋਰੀਆਂ
ਸ਼ਕਤੀਸ਼ਾਲੀ: ਦੁਹਰਾਉਣ ਵਾਲੀ ਗਣਨਾ, ਕੈਲੀਬ੍ਰੇਸ਼ਨ, ਵੱਡੇ ਡੇਟਾ ਸੈੱਟਾਂ ਵਿੱਚ ਪੈਟਰਨ ਸਕੈਨਿੰਗ, ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਕੋਡ ਜਨਰੇਸ਼ਨ, ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਦੀ ਤੁਰੰਤ ਜਾਂਚ।
ਕਮਜ਼ੋਰ/ਖਤਰਨਾਕ:
- ਗਲਤ ਢੰਗ ਦਾ ਸੁਝਾਅ ਨਾ ਦਿਓ। AI ਭਰੋਸੇ ਨਾਲ ਇੱਕ ਟੈਸਟ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਡੇਟਾ ਵਿੱਚ ਫਿੱਟ ਨਹੀਂ ਹੁੰਦਾ।
- ਨਮੂਨਾ ਅੰਨ੍ਹੇਪਣ. ਇਹ ਛੋਟਾ, ਪੱਖਪਾਤੀ ਜਾਂ ਦੂਸ਼ਿਤ ਨਮੂਨਾ ਨਹੀਂ ਦੇਖਦਾ; "ਇਹ ਡੇਟਾ ਹੈ," ਉਹ ਕਹਿੰਦਾ ਹੈ।
- ਅਤਿਅੰਤ ਟਿੱਪਣੀ. ਇਹ ਇੱਕ ਮਜ਼ਬੂਤ ਨਤੀਜੇ ਵਜੋਂ ਇੱਕ ਕਮਜ਼ੋਰ ਸਬੰਧ ਨੂੰ ਪੇਸ਼ ਕਰ ਸਕਦਾ ਹੈ; ਸਬੰਧ ਕਾਰਨ ਨਹੀਂ ਹੈ (ਸਿਰਫ਼ ਕਿਉਂਕਿ ਦੋ ਚੀਜ਼ਾਂ ਇਕੱਠੀਆਂ ਬਦਲਦੀਆਂ ਹਨ, ਇਸਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਇੱਕ ਦੂਜੇ ਦਾ ਕਾਰਨ ਬਣਦੀ ਹੈ)।
- ਤਿਆਰ ਕੀਤਾ ਨੰਬਰ. ਜੇ ਲੋੜੀਦਾ ਹੋਵੇ, ਤਾਂ ਇਹ ਇੱਕ "ਪ੍ਰਸ਼ੰਸਾਯੋਗ" ਪਰ ਬੇਯਕੀਨੀ ਮਿਤੀ ਜਾਂ ਸੰਭਾਵਨਾ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ।
ਸਾਵਧਾਨ: ਇੱਕ ਰੇਡੀਓਕਾਰਬਨ ਮਿਤੀ ਕਦੇ ਵੀ ਇੱਕ "ਸਹੀ ਸਾਲ" ਨਹੀਂ ਹੁੰਦੀ; ਇੱਕ ਸੰਭਾਵਨਾ ਸੀਮਾ ਹੈ (ਜਿਵੇਂ ਕਿ 95% ਭਰੋਸੇ ਨਾਲ 750-680 BC)। AI ਨੂੰ ਨਤੀਜੇ ਨੂੰ ਇੱਕ ਸਾਲ ਤੱਕ ਘਟਾਉਣ ਨਾ ਦਿਓ; ਹਮੇਸ਼ਾ ਅਨਿਸ਼ਚਿਤਤਾ ਰੱਖੋ। ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਛੁਪਾਉਣਾ ਇੱਕ ਵਿਗਿਆਨਕ ਵਿਗਾੜ ਹੈ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 — ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਤੇਜ਼ ਕੀਤਾ ਗਿਆ। ਇੱਕ ਪ੍ਰੋਜੈਕਟ 48 ਰੇਡੀਓਕਾਰਬਨ ਨਮੂਨਿਆਂ ਦੀ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਅਤੇ ਤੁਲਨਾਤਮਕ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਕਰੇਗਾ। AI ਨੇ ਘੰਟਿਆਂ ਦੀ ਬਜਾਏ ਮਿੰਟਾਂ ਵਿੱਚ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਕੋਡ ਅਤੇ ਤੁਲਨਾ ਗ੍ਰਾਫ ਤਿਆਰ ਕੀਤੇ; ਮਾਹਰ ਨੇ ਖੁਦ ਨਮੂਨਾ ਲੈਣ ਦੇ ਸੰਦਰਭਾਂ ਅਤੇ ਪੁਰਾਣੀ ਲੱਕੜ ਦੇ ਜੋਖਮ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਅਤੇ ਦੋ ਨਮੂਨਿਆਂ ਨੂੰ "ਅਵਿਸ਼ਵਾਸਯੋਗ" ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ।
ਕੇਸ 2 - ਗਲਤ ਢੰਗ ਫੜਿਆ ਗਿਆ। ਇੱਕ ਵਿਦਿਆਰਥੀ ਨੇ ਕਿਸਮ ਦੀ ਫ੍ਰੀਕੁਐਂਸੀ ਲੱਭਣ ਲਈ AI ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ ਇੱਕ ਟੈਸਟ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਅਤੇ ਇੱਕ "ਸੰਖਿਆਤਮਕ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ" ਨਤੀਜਾ ਪ੍ਰਾਪਤ ਕੀਤਾ। ਅੰਕੜਾ ਸਲਾਹਕਾਰ ਨੇ ਦਿਖਾਇਆ ਕਿ ਡੇਟਾ ਇਸ ਟੈਸਟ ਲਈ ਢੁਕਵਾਂ ਨਹੀਂ ਸੀ (ਧਾਰਨਾਵਾਂ ਦੀ ਉਲੰਘਣਾ ਕੀਤੀ ਗਈ ਸੀ); ਸਹੀ ਢੰਗ ਨਾਲ, ਨਤੀਜਾ ਅਰਥਹੀਣ ਸੀ. ਪਾਠ: ਵਿਧੀ ਦੀ ਚੋਣ ਨਤੀਜਾ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ।
ਕੇਸ 3 - ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਪਿੱਛੇ ਛੱਡ ਦਿੱਤਾ ਗਿਆ। ਇੱਕ ਟੀਮ ਇੱਕ ਲੇਅਰ ਲਈ AI ਸੰਖੇਪ ਤੋਂ ਇੱਕ ਸਿੰਗਲ ਮਿਤੀ ਦੀ ਰਿਪੋਰਟ ਕਰੇਗੀ, "720 ਬੀ.ਸੀ. ਮਾਹਰ ਨੇ ਕਿਹਾ ਕਿ ਕੈਲੀਬਰ ਰੇਂਜ 800-680 ਬੀ ਸੀ ਸੀ, ਅਤੇ ਇਹ ਇੱਕ ਸਾਲ ਗੁੰਮਰਾਹਕੁੰਨ ਸੀ। ਰਿਪੋਰਟ ਨੂੰ ਸੰਭਾਵੀ ਰੇਂਜ ਦੇ ਨਾਲ ਠੀਕ ਕੀਤਾ ਗਿਆ। ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਸਹਿਣਾ ਈਮਾਨਦਾਰੀ ਹੈ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਵਿਧੀ ਅਨੁਕੂਲਤਾ ਪੁੱਛਗਿੱਛ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਪੁਰਾਤੱਤਵ ਅੰਕੜਾ ਸਲਾਹਕਾਰ। ਮੈਂ ਹੇਠਾਂ ਦਿੱਤੇ ਡੇਟਾ ਅਤੇ ਪ੍ਰਸ਼ਨ ਦਾ ਵਰਣਨ ਕਰਾਂਗਾ: [ਡਾਟਾ ਕਿਸਮ, ਨਮੂਨਾ ਆਕਾਰ, ਪ੍ਰਸ਼ਨ]। ਮੈਨੂੰ ਇਸ ਡੇਟਾ ਦੇ ਨਾਲ ਮਨਜ਼ੂਰ ਕੀਤੇ ਗਏ ਢੰਗ ਵਿਕਲਪਾਂ ਬਾਰੇ ਦੱਸੋ, ਹਰੇਕ ਦੀਆਂ ਧਾਰਨਾਵਾਂ, ਅਤੇ ਇਹ ਕਿਵੇਂ ਜਾਂਚ ਕਰੀਏ ਕਿ ਕੀ ਉਪਜ ਉਹਨਾਂ ਧਾਰਨਾਵਾਂ ਨੂੰ ਪੂਰਾ ਕਰਦੀ ਹੈ। ਅਣਉਚਿਤ ਤਰੀਕਿਆਂ ਨੂੰ ਵੀ ਆਧਾਰ 'ਤੇ ਹੱਲ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ.
2) ਰੇਡੀਓਕਾਰਬਨ ਵਿਆਖਿਆ ਫਰੇਮਵਰਕ:
ਹੇਠਾਂ ਮੇਰੇ ਕੋਲ ਮੇਰੇ ਕੈਲੀਬਰੇਟ ਕੀਤੇ ਰੇਡੀਓਕਾਰਬਨ ਅੰਤਰਾਲ ਹਨ: [ਸੂਚੀ]। ਇਹਨਾਂ (ਪੁਰਾਣੀ ਲੱਕੜ, ਗੰਦਗੀ, ਸਮੁੰਦਰੀ ਭੰਡਾਰ ਪ੍ਰਭਾਵ, ਨਮੂਨੇ ਤੋਂ ਘਟਨਾ ਸਬੰਧ) ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਅੰਤਰਾਲ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਕਿਵੇਂ ਪ੍ਰਗਟ ਕਰਨਾ ਹੈ, ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਸਮੇਂ ਮੈਨੂੰ ਉਹਨਾਂ ਕਮੀਆਂ ਬਾਰੇ ਦੱਸੋ ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਮੈਨੂੰ ਸੁਚੇਤ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਸ ਨੂੰ ਇੱਕ ਸਾਲ ਨਾ ਦਿਓ; ਅੰਤਰਾਲ ਬਰਕਰਾਰ ਰੱਖਣ।
3) ਅੰਕੜਾ ਆਡਿਟ:
ਮੈਂ ਨਿਮਨਲਿਖਤ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ: [ਵਿਧੀ ਅਤੇ ਨਤੀਜਾ]। ਕਿਰਪਾ ਕਰਕੇ ਆਲੋਚਨਾ ਕਰੋ: ਕੀ ਵਿਧੀ ਡੇਟਾ ਨੂੰ ਫਿੱਟ ਕਰਦੀ ਹੈ, ਕੀ ਧਾਰਨਾਵਾਂ ਰੱਖਦੀਆਂ ਹਨ, ਕੀ ਨਮੂਨਾ ਕਾਫੀ ਹੈ, ਕੀ ਕੋਈ ਆਊਟਲੀਅਰ/ਮਿਸ਼ਰਣ ਹਨ, ਕੀ ਨਤੀਜਾ ਬਹੁਤ ਜ਼ਿਆਦਾ ਵਿਆਖਿਆ ਕੀਤਾ ਗਿਆ ਹੈ? ਆਪਣੇ ਕਮਜ਼ੋਰ ਬਿੰਦੂਆਂ ਦੀ ਸੂਚੀ ਬਣਾਓ; ਨਤੀਜੇ ਦੀ ਪੁਸ਼ਟੀ ਨਾ ਕਰੋ, ਇਸ 'ਤੇ ਸਵਾਲ ਕਰੋ।
4) ਦ੍ਰਿਸ਼ਟੀਕੋਣ (ਈਮਾਨਦਾਰ):
ਹੇਠਾਂ ਦਿੱਤੇ ਡੇਟਾ ਦੇ ਨਾਲ ਇੱਕ ਚਾਰਟ/ਕੋਡ ਤਿਆਰ ਕਰੋ: [ਡੇਟਾ]। ਅਨਿਸ਼ਚਿਤਤਾ ਰੇਂਜਾਂ ਨੂੰ ਦਿਖਾਉਣਾ ਲਾਜ਼ਮੀ ਹੈ (ਗਲਤੀ ਪੱਟੀ/ਰੇਂਜ)। ਗੁੰਮਰਾਹਕੁੰਨ ਕਟੌਤੀਆਂ ਕੀਤੇ ਬਿਨਾਂ ਧੁਰਾ ਅਤੇ ਸਕੇਲ ਸੈਟ ਅਪ ਕਰੋ। ਕੋਈ ਵੀ ਬਿੰਦੂ ਨਾ ਜੋੜੋ ਜੋ ਡੇਟਾ ਵਿੱਚ ਨਹੀਂ ਹਨ। ਇੱਕ ਨੋਟ ਦੇ ਨਾਲ ਸਮਝਾਓ ਕਿ ਗ੍ਰਾਫ ਕੀ ਕਰਦਾ ਹੈ ਅਤੇ ਕੀ ਨਹੀਂ ਦਿਖਾਉਂਦਾ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਇਸ ਖੋਜ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ ਅਤੇ ਸਾਈਟ ਦੀ ਸਹੀ ਮਿਤੀ ਦੱਸੋ।
AI ਇੱਕ ਅਣਉਚਿਤ ਢੰਗ ਚੁਣ ਸਕਦਾ ਹੈ ਅਤੇ ਇੱਕ ਇੱਕਲੀ ਸਹੀ ਮਿਤੀ ਬਣਾ ਸਕਦਾ ਹੈ; ਇਹ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਲੁਕਾਉਂਦਾ ਹੈ ਅਤੇ ਨਮੂਨਾ ਲੈਣ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਨਹੀਂ ਦੇਖਦਾ.
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਅੰਕੜਾ ਸਲਾਹਕਾਰ। ਉਪਜ: [ਪਰਿਭਾਸ਼ਾ, ਨਮੂਨਾ ਦਾ ਆਕਾਰ]। ਪਹਿਲਾਂ ਮੈਨੂੰ ਇਸ ਡੇਟਾ ਲਈ ਢੁਕਵੀਂ ਵਿਧੀ ਅਤੇ ਇਸ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਦੱਸੋ, ਫਿਰ ਜੇਕਰ ਅਸੀਂ ਇਸਨੂੰ ਲਾਗੂ ਕਰਦੇ ਹਾਂ ਤਾਂ ਅਨਿਸ਼ਚਿਤਤਾ ਸੀਮਾ ਦੇ ਨਾਲ ਨਤੀਜਾ ਦਿਓ। ਇੱਕ ਵੀ ਨਿਸ਼ਚਿਤ ਮਿਤੀ ਨਾ ਦਿਓ। ਇਹ ਵੀ ਦਰਸਾਓ ਕਿ ਨਮੂਨੇ (ਛੋਟੇ n, ਮਿਸ਼ਰਣ, ਪੁਰਾਣੀ ਲੱਕੜ) ਨਾਲ ਜੁੜੇ ਕਿਹੜੇ ਜੋਖਮ ਨਤੀਜੇ ਨੂੰ ਕਮਜ਼ੋਰ ਕਰ ਸਕਦੇ ਹਨ।
ਅੰਤਰ: ਸਾਬਕਾ ਝੂਠੀ ਨਿਸ਼ਚਤਤਾ ਪੈਦਾ ਕਰਦਾ ਹੈ; ਦੂਜਾ, ਵਿਧੀ ਖੁੱਲ੍ਹੀਆਂ ਧਾਰਨਾਵਾਂ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਰੱਖਦਾ ਹੈ।
ਬਾਏਸੀਅਨ ਪਹੁੰਚ, ਨਮੂਨਾ ਅਤੇ "ਕੂੜਾ ਅੰਦਰ, ਕੂੜਾ ਬਾਹਰ"
ਆਧੁਨਿਕ ਪੁਰਾਤੱਤਵ ਡੇਟਿੰਗ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਤਰੀਕਾ ਹੈ ਬਾਏਸੀਅਨ ਮਾਡਲਿੰਗ (ਇੱਕ ਅੰਕੜਾਤਮਕ ਪਹੁੰਚ ਜੋ ਮੌਜੂਦਾ ਪੂਰਵ ਜਾਣਕਾਰੀ ਨੂੰ ਜੋੜਦੀ ਹੈ — ਉਦਾਹਰਨ ਲਈ, “ਲੇਅਰ ਏ ਅੰਡਰਲਾਈਜ਼ ਬੀ” — ਸੰਕੁਚਿਤ, ਵਧੇਰੇ ਯਥਾਰਥਵਾਦੀ ਤਾਰੀਖ਼ ਰੇਂਜਾਂ ਨੂੰ ਪੈਦਾ ਕਰਨ ਲਈ ਮਾਪਾਂ ਦੇ ਨਾਲ) ਜੋ ਕਿ ਕਈ ਰੇਡੀਓਕਾਰਬਨ ਮਿਤੀਆਂ ਨੂੰ ਸਟ੍ਰੈਟਿਗ੍ਰਾਫਿਕ ਕ੍ਰਮਾਂ ਦੇ ਨਾਲ ਜੋੜਦੀ ਹੈ। ਇਹ ਪਹੁੰਚ ਪਰਤਾਂ ਦੇ ਜਾਣੇ-ਪਛਾਣੇ ਕ੍ਰਮ ਤੱਕ ਸੀਮਤ ਕਰਕੇ ਵਿਅਕਤੀਗਤ ਤਾਰੀਖਾਂ ਦੀ ਵਿਆਪਕ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ। AI ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਬਣਾਉਣ ਅਤੇ ਗਣਨਾ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ; ਪਰ ਮਾਡਲ ਵਿੱਚ ਕਿਹੜੀ ਪੂਰਵ ਜਾਣਕਾਰੀ (ਸਟ੍ਰੈਟਿਗ੍ਰਾਫਿਕ ਸਬੰਧ) ਜਾਂਦੀ ਹੈ ਇੱਕ ਮਾਹਰ ਫੈਸਲਾ ਹੈ, ਅਤੇ ਇੱਕ ਗਲਤ ਪੂਰਵ ਰੁਕਾਵਟ ਇੱਕ ਭਰੋਸੇਮੰਦ ਪਰ ਗਲਤ ਨਤੀਜਾ ਪੈਦਾ ਕਰਦੀ ਹੈ।
ਇੱਥੋਂ ਅਸੀਂ ਮੋਡੀਊਲ ਦੇ ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਅੰਕੜਾ ਸਿਧਾਂਤ 'ਤੇ ਆਉਂਦੇ ਹਾਂ: "ਕੂੜਾ ਅੰਦਰ, ਕੂੜਾ ਬਾਹਰ." ਇੱਥੋਂ ਤੱਕ ਕਿ ਸਭ ਤੋਂ ਉੱਨਤ AI ਅਤੇ ਸਭ ਤੋਂ ਸ਼ਾਨਦਾਰ ਅੰਕੜੇ ਵੀ ਮਾੜੇ ਡੇਟਾ ਤੋਂ ਚੰਗੇ ਨਤੀਜੇ ਨਹੀਂ ਦੇ ਸਕਦੇ ਹਨ। ਇੱਕ ਦੂਸ਼ਿਤ ਰੇਡੀਓਕਾਰਬਨ ਨਮੂਨਾ, ਇੱਕ ਮਿਸ਼ਰਤ ਸੰਦਰਭ ਤੋਂ ਲੱਭਿਆ ਜਾਂਦਾ ਹੈ, ਜਾਂ ਇੱਕ ਪੱਖਪਾਤੀ ਨਮੂਨਾ ਅਵੈਧ ਰਹੇਗਾ ਭਾਵੇਂ ਕਿੰਨੀ ਵੀ ਪ੍ਰਕਿਰਿਆ ਕੀਤੀ ਗਈ ਹੋਵੇ। AI ਇਹਨਾਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਨਹੀਂ ਦੇਖ ਸਕਦਾ ਕਿਉਂਕਿ ਇਹ "ਬਾਹਰੋਂ" ਡੇਟਾ ਨੂੰ ਨਹੀਂ ਦੇਖਦਾ; ਇਹ ਉਹਨਾਂ ਸੰਖਿਆਵਾਂ ਨੂੰ ਸਵੀਕਾਰ ਕਰਦਾ ਹੈ ਜੋ ਤੁਸੀਂ ਇਸਨੂੰ ਅਸਲੀ ਦੇ ਤੌਰ 'ਤੇ ਦਿੰਦੇ ਹੋ। ਸਿਰਫ਼ ਇੱਕ ਮਾਹਰ ਜੋ ਖੇਤਰ ਨੂੰ ਜਾਣਦਾ ਹੈ, ਇਹ ਮੁਲਾਂਕਣ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਨਮੂਨਾ ਕਿਵੇਂ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਸੀ, ਇਹ ਕਿਸ ਪ੍ਰਸੰਗ ਤੋਂ ਆਇਆ ਸੀ, ਅਤੇ ਇਹ ਕੀ ਦਰਸਾਉਂਦਾ ਹੈ।
ਇਸ ਲਈ ਕਿਸੇ ਵੀ ਅੰਕੜੇ ਦੇ ਨਤੀਜਿਆਂ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਇਹ ਤਿੰਨ ਸਵਾਲ ਪੁੱਛੋ: ਕੀ ਨਮੂਨਾ ਕਾਫ਼ੀ ਵੱਡਾ ਅਤੇ ਪ੍ਰਤੀਨਿਧ ਹੈ? ਕੀ ਪ੍ਰਸੰਗ ਭਰੋਸੇਮੰਦ ਅਤੇ ਉਲਝਣ ਤੋਂ ਰਹਿਤ ਹਨ? ਕੀ ਮਾਪ ਦਾ ਤਰੀਕਾ ਇਸ ਸਵਾਲ ਲਈ ਢੁਕਵਾਂ ਹੈ? ਜੇਕਰ ਤੁਸੀਂ ਇਹਨਾਂ ਤਿੰਨ ਸਵਾਲਾਂ ਦਾ ਜਵਾਬ "ਹਾਂ" ਵਿੱਚ ਨਹੀਂ ਦੇ ਸਕਦੇ ਹੋ, ਤਾਂ ਇਹ ਮਾਇਨੇ ਨਹੀਂ ਰੱਖਦਾ ਕਿ ਨਤੀਜਾ ਕਿੰਨਾ "ਮਹੱਤਵਪੂਰਨ" ਲੱਗਦਾ ਹੈ।
ਸੰਕੇਤ: ਕਿਸੇ ਅੰਕੜੇ ਦੇ ਆਉਟਪੁੱਟ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਸਮੇਂ, ਪਹਿਲਾਂ ਇਨਪੁਟ ਨੂੰ ਦੇਖੋ, ਨਤੀਜਾ ਨਹੀਂ। "ਇਹ ਡੇਟਾ ਕਿੱਥੋਂ ਆਇਆ, ਕਿਵੇਂ, ਕਿੰਨੇ ਨਮੂਨਿਆਂ ਨਾਲ?" ਸਵਾਲ ਗ੍ਰਾਫ ਨੂੰ ਦੇਖਣ ਤੋਂ ਪਹਿਲਾਂ ਜ਼ਿਆਦਾਤਰ ਝੂਠੇ ਸਿੱਟਿਆਂ ਨੂੰ ਖਤਮ ਕਰਦਾ ਹੈ।
ਵਿਸ਼ਲੇਸ਼ਣ ਕਾਰਜ ਸਾਰਣੀ
ਖੋਜ
ਏਆਈ ਦੀ ਭੂਮਿਕਾ
ਮਨੁੱਖੀ ਫੈਸਲਾ
ਤਸਦੀਕ
C14 ਕੈਲੀਬ੍ਰੇਸ਼ਨ
ਗਣਨਾ, ਦ੍ਰਿਸ਼ਟੀਕੋਣ
ਨਮੂਨਾ ਵੈਧਤਾ
ਪ੍ਰਸੰਗ, ਪੁਰਾਣੀ ਲੱਕੜ
ਸੀਰੀਏਸ਼ਨ
ਪੈਟਰਨ ਸਕੈਨਿੰਗ
ਕਾਲਕ੍ਰਮ/ਫੰਕਸ਼ਨ ਵਿਭਾਜਨ
ਸਟ੍ਰੈਟਿਗ੍ਰਾਫੀ ਨਾਲ ਤੁਲਨਾ
ਮਲਟੀਵੇਰੀਏਬਲ
ਅੰਕੜੇ ਕੈਲਕੁਲੇਟਰ
ਢੰਗ ਦੀ ਚੋਣ
ਧਾਰਨਾ ਦੀ ਜਾਂਚ
ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ
ਗ੍ਰਾਫਿਕਸ/ਕੋਡ
ਇਮਾਨਦਾਰ ਨੁਮਾਇੰਦਗੀ
ਅਨਿਸ਼ਚਿਤਤਾ, ਪੈਮਾਨਾ
ਟਿੱਪਣੀ
ਸੰਖੇਪ ਡਰਾਫਟ
ਭਾਵ, ਸੀਮਾ
ਮਾਹਰ, ਸਾਹਿਤ
ਆਮ ਗਲਤੀਆਂ
- ਬਿਨਾਂ ਸਵਾਲ ਕੀਤੇ ਵਿਧੀ ਨੂੰ ਲਾਗੂ ਕਰਨਾ. ਗਲਤ ਟੈਸਟ ਇੱਕ "ਸਾਫ" ਪਰ ਗਲਤ ਨਤੀਜਾ ਦਿੰਦਾ ਹੈ.
- ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਇੱਕ ਸਾਲ ਤੱਕ ਘਟਾਉਣਾ। ਰੇਡੀਓਕਾਰਬਨ ਇੱਕ ਸੀਮਾ ਹੈ; ਇੱਕ ਸਾਲ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ।
- ਨਮੂਨਾ ਲੈਣ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਬਾਈਪਾਸ ਕਰਨਾ। ਛੋਟਾ/ਗੰਦਾ/ਪੱਖਪਾਤੀ ਨਮੂਨਾ ਨਤੀਜੇ ਨੂੰ ਅਯੋਗ ਬਣਾਉਂਦਾ ਹੈ।
- ਕਾਰਣ ਲਈ ਗਲਤ ਸੰਬੰਧ. ਇਕੱਠੇ ਬਦਲਣਾ ਕਾਰਨ ਅਤੇ ਪ੍ਰਭਾਵ ਨਹੀਂ ਹੈ।
- ਗਰਾਫਿਕਸ ਨਾਲ ਗੁੰਮਰਾਹ. ਡੈਸ਼ਡ ਧੁਰੀ, ਲੁਕੀ ਹੋਈ ਅਨਿਸ਼ਚਿਤਤਾ ਵਿਗਿਆਨਕ ਵਿਗਾੜ ਹੈ।
ਸੰਖੇਪ ਵਿੱਚ
ਡੇਟਿੰਗ ਅਤੇ ਅੰਕੜਿਆਂ ਵਿੱਚ AI; ਇਹ ਕੈਲੀਬ੍ਰੇਸ਼ਨ, ਪੈਟਰਨ ਸਕੈਨਿੰਗ, ਗਣਨਾ ਅਤੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਲਈ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਐਕਸਲੇਟਰ ਹੈ। ਪਰ ਵਿਧੀ ਦੀ ਚੋਣ, ਨਮੂਨਾ ਆਲੋਚਨਾ, ਅਨਿਸ਼ਚਿਤਤਾ ਦਾ ਇਮਾਨਦਾਰ ਪ੍ਰਗਟਾਵਾ, ਅਤੇ ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਵਿਗਿਆਨਕ ਨਿਰਣੇ ਨਾਲ ਸਬੰਧਤ ਹੈ। ਵਿਧੀ ਨੂੰ ਸਮਝੇ ਬਿਨਾਂ ਚਾਰਟ 'ਤੇ ਭਰੋਸਾ ਨਾ ਕਰੋ; ਹਮੇਸ਼ਾ ਅਨਿਸ਼ਚਿਤਤਾ ਰੱਖਣ; ਅਤੇ ਇੱਕ ਸਿੰਗਲ "ਸਹੀ ਮਿਤੀ" 'ਤੇ ਜ਼ੋਰ ਦਾ ਵਿਰੋਧ ਕਰੋ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਨਮੂਨਾ ਖੋਜ-ਵਾਰਵਾਰਤਾ ਸਾਰਣੀ ਜਾਂ ਕੈਲੀਬਰੇਟਡ ਰੇਡੀਓਕਾਰਬਨ ਅੰਤਰਾਲਾਂ ਦਾ ਇੱਕ ਸੈੱਟ ਤਿਆਰ ਕਰੋ। "ਵਿਧੀ ਅਨੁਕੂਲਤਾ ਪੁੱਛਗਿੱਛ" ਟੈਮਪਲੇਟ ਨਾਲ ਉਚਿਤ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਇਸ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਦੀ ਪਛਾਣ ਕਰੋ, ਫਿਰ "ਸਟੈਟਿਸਟੀਕਲ ਆਡਿਟ" ਟੈਮਪਲੇਟ ਨਾਲ ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਆਲੋਚਨਾ ਕਰੋ। "ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ (ਈਮਾਨਦਾਰ)" ਟੈਮਪਲੇਟ ਨਾਲ ਅਨਿਸ਼ਚਿਤਤਾ ਰੇਂਜਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਇੱਕ ਚਾਰਟ ਸਕੈਚ ਤਿਆਰ ਕਰੋ ਅਤੇ ਇੱਕ ਸਾਲ ਦੀ ਛੋਟ ਤੋਂ ਬਚੋ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਵਿਧੀ ਦੀ ਚੋਣ ਅਤੇ ਧਾਰਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ ਹੈ।
- [ ] ਮੈਂ ਨਮੂਨੇ ਦੀ ਵੈਧਤਾ (ਆਕਾਰ, ਮਿਸ਼ਰਣ, ਪੁਰਾਣੀ ਲੱਕੜ) 'ਤੇ ਸਵਾਲ ਕੀਤਾ।
- [ ] ਮੈਂ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਇੱਕ ਅੰਤਰਾਲ ਵਜੋਂ ਰੱਖਿਆ, ਮੈਂ ਇਸਨੂੰ ਇੱਕ ਸਾਲ ਤੱਕ ਨਹੀਂ ਘਟਾਇਆ।
- [ ] ਮੈਂ ਕਾਰਨ ਦੇ ਨਾਲ ਸਬੰਧ ਨੂੰ ਉਲਝਾ ਨਹੀਂ ਪਾਇਆ।
- [ ] ਮੈਂ ਚਾਰਟ ਵਿੱਚ ਸਕੇਲ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਇਮਾਨਦਾਰੀ ਨਾਲ ਦਿਖਾਇਆ ਹੈ।