Прибыль:
- Способность использовать искусственный интеллект при радиоуглеродной калибровке, сериализации и многомерном анализе, а также понимать, что выбор метода и предположения принадлежат эксперту.
- Способность признать, что результаты радиоуглеродного анализа имеют определенный диапазон вероятности и что сокращение неопределенности до одного года является научным искажением.
- Способность подвергать сомнению достоверность выборки по принципу «мусор на входе — мусор на выходе» и применять рефлекс, позволяющий не путать корреляцию и причинно-следственную связь.
Археология опирается как на лабораторные исследования, так и на статистику, чтобы ответить на вопрос «когда». В этом модуле мы увидим, как ИИ ускоряет такие задачи, как датирование (определение возраста находки или слоя), радиоуглеродный (C14) анализ, типология (сортировка и периодизация находок в соответствии с их формальными характеристиками) и сериация (метод хронологического расположения контекстов в соответствии с изменением типов находок с течением времени), но почему интерпретация научных результатов всегда остается на усмотрение эксперта и правильного метода.
Основной принцип: ИИ ускоряет расчеты, калибровку, статистическое моделирование и визуализацию; Но какой метод подходит, действителен ли образец или нет, и что означает результат, требуют научной оценки. Помещение неправильной статистики в красивый график не сделает его правильным.
Методы знакомств и ИИ
Радиоуглерод (С14). Возраст рассчитывается по распаду радиоактивного углерода в органических остатках. Необработанный результат калибруется с помощью кривой, основанной на годичных кольцах (калибровка — коррекция, которая преобразует необработанный радиоуглеродный возраст в фактический календарный год). Искусственный интеллект ускоряет калибровочные расчеты и сравнительную визуализацию нескольких дат. Но ИИ не знает таких ловушек, как старая проблема с древесиной (образец, взятый из дерева, проживавшего сотни лет, намного старше события, в котором он использовался); Образцовая критика – это работа эксперта.
Типология и сериация. Частота типов находок меняется со временем; Тип появляется, распространяется, уменьшается. Сериация сортирует контексты, используя этот шаблон «одеяла». ИИ способен находить эти закономерности в больших наборах данных и в многомерном анализе (статистике, которая оценивает множество функций одновременно). Но эксперт может определить, обусловлен ли результат хронологическими или функциональными/региональными различиями.
Другие методы. Такие методы, как дендрохронология (кольца деревьев), термолюминесценция и археомагнетизм, также полезны при расчете и сравнении ИИ; Выбор и интерпретация метода оставлены на усмотрение эксперта.
Совет: когда ИИ собирает статистику, спросите: «Какой метод вы использовали и каковы его предположения?» просить. Если метод неправильный (например, усреднение непоследовательных данных, игнорирование выбросов), результат будет визуально «чистым», но неверным с научной точки зрения. Не доверяйте таблице, не понимая метода.
Сильные и слабые стороны ИИ в статистике
Мощные возможности: повторяющиеся вычисления, калибровка, сканирование шаблонов в больших наборах данных, генерация кода визуализации, быстрое тестирование различных методов.
Слабый/рискованный:
- Не предлагайте неправильный метод. ИИ может с уверенностью рекомендовать тест, который не соответствует данным.
- Выборочная слепота. Он не видит маленькую, необъективную или загрязненную выборку; «Это данные», — говорит он.
- Экстремальный комментарий. Он может представить слабую корреляцию как сильный результат; корреляция не является причинно-следственной связью (тот факт, что две вещи изменяются вместе, не означает, что одна вызывает другую).
- Выдуманный номер. При желании он может дать «правдоподобную», но нереалистичную дату или вероятность.
Предупреждение: радиоуглеродная дата никогда не является одним «точным годом»; — это диапазон вероятности (например, 750–680 гг. до н.э. с достоверностью 95%). Не позволяйте ИИ сократить результат до одного года; Всегда носите с собой неопределенность. Сокрытие неопределенности — это научное искажение.
три мини-кейса
Случай 1 — Калибровка ускорена. В рамках одного проекта будет проведена калибровка и сравнительная визуализация 48 образцов радиоуглерода. ИИ генерировал калибровочный код и сравнительные графики за минуты, а не за часы; Сам эксперт оценил контекст отбора проб и риск, связанный со старой древесиной, и отметил два образца как «недостоверные».
Случай 2 — Обнаружен неправильный метод. Один студент применил тест, предложенный ИИ, для определения частот типов и получил «статистически значимый» результат. Консультант по статистике показал, что данные не подходят для этого теста (предположения были нарушены); При правильном методе результат был бессмысленным. Урок: выбор метода определяет результат.
Случай 3 — Неопределенность устранена. Команда сообщала об одной дате из сводки ИИ для слоя «720 г. до н. э.». Эксперт заявил, что диапазон калибров составлял 800–680 гг. до н. э. и что указание одного года вводит в заблуждение. Отчет скорректирован с учетом диапазона вероятности. Переносить неопределенность – это честность.
Четыре копируемых шаблона
1) Запрос на пригодность метода:
Ваша роль: консультант по археологической статистике. Я опишу следующие данные и вопрос: [тип данных, размер выборки, вопрос]. Расскажите мне о вариантах метода, УТВЕРЖДЕННЫХ с этими данными, ПРЕДПОЛОЖЕНИЯХ каждого из них и о том, как проверить, соответствует ли доходность этим предположениям. Ненадлежащие методы также должны рассматриваться на основании оснований.
2) Схема радиоуглеродной интерпретации:
Ниже приведены мои калиброванные радиоуглеродные интервалы: [список]. Объясните, какие подводные камни мне следует учитывать при их интерпретации (старая древесина, загрязнение, эффект морского резервуара, связь между пробой и событием), а также как правильно выразить интервал неопределенности. Не давайте этому ни одного года; соблюдайте интервалы.
3) Статистический аудит:
Я провел следующий анализ: [метод и результат]. Пожалуйста, критикуйте: соответствует ли метод данным, верны ли предположения, достаточна ли выборка, есть ли какие-либо выбросы/смеси, не слишком ли интерпретируется результат? Перечислите свои слабые места; Не подтверждайте результат, ставьте его под сомнение.
4) Визуализация (честная):
Подготовьте диаграмму/код со следующими данными: [данные]. ДОЛЖНЫ показывать диапазоны неопределенности (шкала погрешностей/диапазон). Настройте ось и масштаб, не делая неверных разрезов. НЕ ДОБАВЛЯЙТЕ точки, которых нет в данных. Объясните с помощью примечания, что показывает график, а что нет.
Слабая подсказка / Сильная подсказка
Слабая подсказка:
Проанализируйте данные находки и укажите точную дату находки.
ИИ может выбрать неподходящий метод и составить одну точную дату; Он скрывает неопределенность и не видит проблем с выборкой.
Мощная подсказка:
Ваша роль: консультант по статистике. Выход: [определение, размер выборки]. Сначала сообщите мне метод и его допущения, подходящие для этих данных, затем дайте результат с диапазоном неопределенности, если мы его применим. Не называйте единой точной даты. Также укажите, какие риски, связанные с образцом (маленький n, смесь, старая древесина), могут ослабить результат.
Разница: первое порождает ложную уверенность; во-вторых, метод сохраняет открытые предположения и неопределенность.
Байесовский подход, выборка и «мусор на входе, мусор на выходе»
Мощным методом современного археологического датирования является байесовское моделирование (статистический подход, который объединяет существующую предварительную информацию — например, «слой A лежит в основе B» — с измерениями для получения более узких и реалистичных диапазонов дат), которое объединяет несколько радиоуглеродных дат со стратиграфическими последовательностями. Этот подход сужает широкую неопределенность отдельных дат, ограничивая их известным порядком слоев. ИИ может помочь построить и рассчитать эти модели; но то, какая априорная информация (стратиграфические связи) входит в модель, является экспертным решением, а неправильное априорное ограничение дает уверенный, но неточный результат.
Отсюда мы подходим к самому основному статистическому принципу модуля: «мусор на входе, мусор на выходе». Даже самый продвинутый ИИ и самая элегантная статистика не могут дать хорошие результаты на основе плохих данных. Загрязненный радиоуглеродный образец, находки из смешанного контекста или предвзятый образец останутся недействительными, независимо от того, насколько тщательно будет проведена обработка. ИИ не может увидеть эти проблемы, поскольку не смотрит на данные «со стороны»; Он принимает цифры, которые вы ему даете, как реальные. Только эксперт, знающий данную область, может оценить, как была собрана выборка, из какого контекста она взята и что она собой представляет.
Итак, прежде чем доверять каким-либо статистическим результатам, задайте себе три вопроса: достаточно ли велика и репрезентативна выборка? Являются ли контексты надежными и понятными? Подходит ли метод измерения для этого вопроса? Если вы не можете ответить «да» на эти три вопроса, не имеет значения, насколько «значительным» кажется результат.
Совет: Оценивая выходные данные статистики, сначала смотрите на входные данные, а не на результат. «Откуда эти данные, как, с каким количеством образцов?» Вопрос исключает большинство ложных выводов еще до того, как вы взглянете на график.
Таблица задач анализа
Квест
Роль ИИ
человеческое решение
проверка
Калибровка C14
Расчет, визуализация
Срок действия выборки
Контекст, старое дерево
сериализация
сканирование шаблонов
Хронология/разделение функций
Сравнение со стратиграфией
многопараметрический
калькулятор статистики
Выбор метода
проверка предположений
визуализация
Графика/код
честное представительство
неопределенность, масштаб
Комментарий
Сводный проект
смысл, предел
эксперт, литература
Распространенные ошибки
- Применение метода без вопросов. Неправильный тест дает «чистый», но неправильный результат.
- Сокращение неопределенности до одного года. Радиоуглерод – это диапазон; Один год – это заблуждение.
- Обход проблем с выборкой. Маленькая/грязная/предвзятая выборка делает результат недействительным.
- Принятие корреляции за причинно-следственную связь. Совместные изменения не являются причиной и следствием.
- Вводят в заблуждение с графикой. Пунктирная ось: скрытая неопределенность — научное искажение.
В заключение
ИИ в знакомствах и статистике; Это мощный ускоритель для калибровки, сканирования шаблонов, вычислений и визуализации. Но выбор метода, критика образца, честное выражение неопределенности и интерпретация результата принадлежат научному суждению. Не доверяйте таблице, не понимая метода; всегда несет в себе неопределенность; и сопротивляйтесь настойчивому требованию единой «точной даты».
Задача приложения
Подготовьте образец таблицы находок-частот или набор калиброванных радиоуглеродных интервалов. Проведите соответствующий анализ и его предположения, идентифицированные с помощью шаблона «Запрос на пригодность метода», а затем оцените анализ с помощью шаблона «Статистический аудит». Создайте эскиз диаграммы, показывающий диапазоны неопределенности, с помощью шаблона «Визуализация (честная)» и избегайте дисконтирования за один год.
контрольный список
- [ ] Я проверил выбор метода и предположения.
- [ ] Я поставил под сомнение достоверность выборки (размер, состав, старая древесина).
- [ ] Я сохранил неопределенность как интервал, не сводя ее к одному году.
- [ ] Я не путал корреляцию с причинно-следственной связью.
- [ ] На графике я честно продемонстрировал масштаб и неопределенность.