Fitimet:
- Aftësia për të përdorur inteligjencën artificiale në kalibrimin e radiokarbonit, serialin dhe analizën shumëvariate, dhe për të kuptuar se përzgjedhja e metodës dhe supozimet janë ato të ekspertit.
- Aftësia për të njohur se rezultati i radiokarbonit ka një gamë probabiliteti dhe se reduktimi i pasigurisë në një vit të vetëm është një shtrembërim shkencor
- Aftësia për të vënë në pikëpyetje vlefshmërinë e mostrës me parimin e "plehrat brenda, mbeturinat jashtë" dhe për të aplikuar refleksin e mosngatërrimit të korrelacionit dhe shkakësisë
Arkeologjia mbështetet në shkencat laboratorike dhe statistika për t'iu përgjigjur pyetjes "kur". Në këtë njësi, do të shohim se si AI përshpejton detyra të tilla si datimi (përcaktimi i moshës së një gjetjeje ose shtrese), analiza e radiokarbonit (C14), tipologjia (rendimi dhe periodizimi i gjetjeve sipas karakteristikave të tyre formale) dhe serializimi (metoda e renditjes së konteksteve në mënyrë kronologjike sipas ndryshimit të llojeve të gjetjeve me kalimin e kohës), por pse interpretimi i saktë i rezultateve shkencore i lihet gjithmonë ekspertit.
Parimi bazë: AI përshpejton llogaritjen, kalibrimin, modelimin statistikor dhe vizualizimin; Por cila metodë është e përshtatshme, nëse kampioni është i vlefshëm apo jo dhe çfarë do të thotë rezultati kërkon gjykim shkencor. Vendosja e një statistike të gabuar në një grafik të bukur nuk e bën atë të drejtë.
Metodat e takimit dhe AI
Radiokarboni (C14). Mosha llogaritet nga kalbja e karbonit radioaktiv në mbetjet organike. Rezultati i papërpunuar është kalibruar me një kurbë të bazuar në unazat e pemëve (kalibrimi - korrigjimi që konverton moshën e radiokarbonit të papërpunuar në vitin aktual kalendarik). AI përshpejton llogaritjet e kalibrimit dhe vizualizimin krahasues të datave të shumta. Por AI nuk njeh kurthe si problemi i vjetër i drurit (një mostër e marrë nga një pemë që ka jetuar për qindra vjet është shumë më e vjetër se ngjarja në të cilën është përdorur); Kritika e shembullit është punë e një eksperti.
Tipologjia dhe seria. Frekuenca e llojeve të gjetjes ndryshon me kalimin e kohës; Shfaqet një lloj, përhapet, zvogëlohet. Seria rendit kontekstet duke përdorur këtë model "batanije". Inteligjenca artificiale është e fuqishme në gjetjen e këtyre modeleve në grupe të mëdha të dhënash dhe në analiza me shumë variacione (statistika që vlerëson shumë veçori në të njëjtën kohë). Por eksperti mund të dallojë nëse rezultati është për shkak të një ndryshimi kronologjik apo funksional/rajonal.
Metoda të tjera. Metoda të tilla si dendrokronologjia (unaza e pemës), termolumineshenca dhe arkeomagnetizmi janë gjithashtu të dobishme në llogaritjen dhe krahasimin e AI; Zgjedhja e metodës dhe interpretimi i lihen ekspertit.
Këshillë: Kur AI të ekzekutojë një statistikë, pyesni "çfarë metode keni përdorur dhe cilat janë supozimet e saj?" pyesni. Nëse metoda është e gabuar (p.sh. mesatarizimi i të dhënave jo-sekuenciale, injorimi i të dhënave të jashtme) rezultati do të jetë vizualisht "i pastër", por shkencërisht i pasaktë. Mos i besoni grafikut pa e kuptuar metodën.
Pikat e forta dhe të dobëta të AI në statistika
I fuqishëm: Llogaritja e përsëritur, kalibrimi, skanimi i modelit në grupe të mëdha të dhënash, gjenerimi i kodit të vizualizimit, testimi i shpejtë i metodave të ndryshme.
I dobët/i rrezikshëm:
- Mos sugjeroni metodën e gabuar. AI mund të rekomandojë me siguri një test që nuk i përshtatet të dhënave.
- Verbëria e mostrave. Nuk e sheh mostrën e vogël, të njëanshme ose të kontaminuar; “Këto janë të dhënat”, thotë ai.
- Koment ekstrem. Mund të paraqesë një korrelacion të dobët si rezultat i fortë; korrelacioni nuk është shkakësi (vetëm për shkak se dy gjëra ndryshojnë së bashku nuk do të thotë se njëra shkakton tjetrën).
- Numri i krijuar. Nëse dëshironi, mund të prodhojë një datë ose probabilitet "të besueshëm", por jorealiste.
Kujdes: Një datë radiokarboni nuk është kurrë një "vit i saktë" i vetëm; është një interval probabiliteti (p.sh. 750-680 pes me 95% besim). Mos lejoni që AI të zvogëlojë rezultatin në një vit të vetëm; Mbani gjithmonë pasiguri. Fshehja e pasigurisë është një shtrembërim shkencor.
tre mini kuti
Rasti 1 - Kalibrimi i përshpejtuar. Një projekt do të kryente kalibrimin dhe vizualizimin krahasues të 48 mostrave të radiokarbonit. AI gjeneroi kodin e kalibrimit dhe grafikët e krahasimit në minuta dhe jo në orë; Vetë eksperti vlerësoi kontekstet e marrjes së mostrave dhe rrezikun e drurit të vjetër dhe shënoi dy mostra si "të pabesueshme".
Rasti 2 - Kapur metodë e gabuar. Një student aplikoi një test të sugjeruar nga AI për të gjetur frekuencat e tipit dhe mori një rezultat "statistikisht domethënës". Konsulenti statistikor tregoi se të dhënat nuk ishin të përshtatshme për këtë test (supozimet ishin shkelur); Me metodën e duhur, rezultati ishte i pakuptimtë. Mësimi: zgjedhja e metodës përcakton rezultatin.
Rasti 3 - Rikthimi i pasigurisë. Një ekip do të raportonte një datë të vetme nga përmbledhja e AI për një shtresë, "720 pes." Eksperti deklaroi se diapazoni i kalibrit ishte 800-680 pes, dhe se viti i vetëm ishte mashtrues. Raporti i korrigjuar me diapazonin e probabilitetit. Mbajtja e pasigurisë është ndershmëri.
Katër shabllone të kopjueshëm
1) Kërkesa e përshtatshmërisë së metodës:
Roli juaj: konsulent i statistikave arkeologjike. Unë do të përshkruaj të dhënat dhe pyetjen e mëposhtme: [lloji i të dhënave, madhësia e mostrës, pyetja]. Më tregoni për opsionet e metodës TË MIRATUARA me këto të dhëna, SUPOZIMET e secilës dhe si të kontrolloni nëse rendimenti i plotëson ato supozime. Metodat e papërshtatshme gjithashtu duhet të adresohen për arsye.
2) Korniza e interpretimit të radiokarbonit:
Më poshtë kam intervalet e mia të kalibruara të radiokarbonit: [lista]. Shpjegoni grackat që duhet të jem i vetëdijshëm kur i interpretoj këto (druri i vjetër, ndotja, efekti i rezervuarit detar, marrëdhënia mostër-ngjarja) dhe si të shpreh saktë intervalin e pasigurisë. Mos i jepni një vit të vetëm; ruajnë intervale.
3) Auditimi i statistikave:
Unë bëra analizën e mëposhtme: [metoda dhe rezultati]. Ju lutemi kritikoni: a përshtatet metoda me të dhënat, a vlejnë supozimet, a është kampioni i mjaftueshëm, a ka ndonjë dallim/përzierje, a është rezultati i mbiinterpretuar? Rendisni pikat tuaja të dobëta; Mos e konfirmoni rezultatin, vini në dyshim.
4) Vizualizimi (i sinqertë):
Përgatitni një grafik/kod me të dhënat e mëposhtme: [të dhëna]. DUHET të tregojë intervalet e pasigurisë (shiriti/vargu i gabimit). Vendosni boshtin dhe shkallën pa bërë prerje mashtruese. MOS SHTO asnjë pikë që nuk është në të dhëna. Shpjegoni me një shënim se çfarë tregon grafiku dhe çfarë nuk tregon.
Prompt i dobët / Prompt i fortë
Njoftim i dobët:
Analizoni këto të dhëna gjeni dhe tregoni datën e saktë të faqes.
AI mund të zgjedhë një metodë të papërshtatshme dhe të përcaktojë një datë të vetme të saktë; Fsheh pasigurinë dhe nuk sheh probleme të kampionimit.
Njoftim i fuqishëm:
Roli juaj: konsulent statistikor. Rendimenti: [përkufizimi, madhësia e mostrës]. Më tregoni fillimisht metodën dhe supozimet e saj të përshtatshme për këto të dhëna, më pas jepni rezultatin me diapazonin e pasigurisë nëse e zbatojmë atë. Mos jepni një datë të vetme përfundimtare. Tregoni gjithashtu se cilat rreziqe që lidhen me mostrën (n e vogël, përzierje, dru i vjetër) mund të dobësojnë rezultatin.
Dallimi: e para prodhon siguri të rreme; së dyti, metoda mban të hapura supozimet dhe pasigurinë.
Qasja Bayesian, marrja e mostrave dhe "plehrat brenda, mbeturinat jashtë"
Një metodë e fuqishme në datimin modern arkeologjik është modelimi Bayesian (një qasje statistikore që kombinon informacionin ekzistues paraprak - p.sh., "shtresa A qëndron në themel të B" - me matje për të prodhuar intervale datash më të ngushta dhe më realiste) që kombinon data të shumta radiokarbone me sekuenca stratigrafike. Kjo qasje ngushton pasigurinë e gjerë të datave individuale duke i kufizuar ato në rendin e njohur të shtresave. AI mund të ndihmojë në ndërtimin dhe llogaritjen e këtyre modeleve; por çfarë informacioni paraprak (marrëdhëniet stratigrafike) hyn në model është një vendim eksperti, dhe një kufizim i mëparshëm i pasaktë prodhon një rezultat të sigurt, por të pasaktë.
Prej këtu vijmë te parimi statistikor më themelor i modulit: "mbeturinat brenda, mbeturinat jashtë". Edhe AI më i avancuar dhe statistikat më elegante nuk mund të prodhojnë rezultate të mira nga të dhënat e këqija. Një mostër e kontaminuar e radiokarbonit, gjetjet nga një kontekst i përzier ose një kampion i njëanshëm do të mbeten të pavlefshme pavarësisht se sa përpunim është bërë. AI nuk mund t'i shohë këto probleme sepse nuk i shikon të dhënat "nga jashtë"; Ai i pranon numrat që ju i jepni si realë. Vetëm një ekspert që e njeh fushën mund të vlerësojë se si është mbledhur kampioni, nga cili kontekst ka ardhur dhe çfarë përfaqëson.
Pra, përpara se t'i besoni ndonjë rezultati statistikor, bëni këto tre pyetje: A është kampioni i madh dhe mjaft përfaqësues? A janë kontekstet të besueshme dhe të pakonfuzuara? A është metoda e matjes e përshtatshme për këtë pyetje? Nëse nuk mund t'i përgjigjeni "po" këtyre tre pyetjeve, nuk ka rëndësi se sa "i rëndësishëm" duket rezultati.
Këshillë: Kur vlerësoni rezultatin e një statistike, shikoni fillimisht hyrjen, jo rezultatin. “Nga kanë ardhur këto të dhëna, si, me sa mostra? pyetja eliminon shumicën e konkluzioneve të rreme para se të shikojë grafikun.
Tabela e detyrave të analizës
Kërkimi
Roli i AI
vendim njerëzor
verifikimi
Kalibrimi C14
Llogaritja, vizualizimi
Vlefshmëria e kampionimit
Konteksti, dru i vjetër
seriacion
skanimi i modelit
Kronologjia/ndarja e funksionit
Krahasimi me stratigrafinë
shumëndryshore
kalkulator i statistikave
Zgjedhja e metodës
kontrolli i supozimit
vizualizimi
Grafika/kodi
përfaqësim i ndershëm
pasiguri, shkallë
Koment
Drafti përmbledhës
kuptimi, kufiri
ekspert, letërsi
Gabimet e zakonshme
- Zbatimi i metodës pa pyetje. Testi i gabuar jep një rezultat "të pastër", por të gabuar.
- Reduktimi i pasigurisë në një vit të vetëm. Radiokarboni është një varg; Një vit është mashtrues.
- Anashkalimi i problemeve të kampionimit. Mostra e vogël / e ndotur / e njëanshme e zhvlerëson rezultatin.
- Gabimi i korrelacionit për shkakun. Ndryshimi së bashku nuk është shkak dhe pasojë.
- Mashtroni me grafikë. Boshti i thyer, pasiguria e fshehur është shtrembërim shkencor.
Në përmbledhje
AI në takime dhe statistika; Është një përshpejtues i fuqishëm për kalibrimin, skanimin e modeleve, llogaritjen dhe vizualizimin. Por zgjedhja e metodës, kritika e mostrës, shprehja e sinqertë e pasigurisë dhe interpretimi i rezultatit i përkasin gjykimit shkencor. Mos i besoni grafikut pa e kuptuar metodën; mbani gjithmonë pasiguri; dhe i rezistoni këmbënguljes për një "datë të saktë".
Detyra e aplikimit
Përgatitni një tabelë mostër të frekuencës së gjetjes ose një grup intervalesh të kalibruar të radiokarbonit. Identifikoni analizën e duhur dhe supozimet e saj me shabllonin "Kërkesa e përshtatshmërisë së metodës", më pas bëni një analizë të kritikuar me shabllonin "Auditimi statistikor". Krijoni një skicë grafiku që tregon diapazonin e pasigurisë me shabllonin "Vizualizim (i sinqertë)" dhe shmangni zbritjet për një vit.
listë kontrolli
- [ ] Kam kontrolluar përzgjedhjen e metodës dhe supozimet.
- [ ] Kam vënë në dyshim vlefshmërinë e mostrës (madhësia, përzierja, druri i vjetër).
- [ ] Pasigurinë e kam mbajtur si interval, nuk e kam ulur në një vit të vetëm.
- [ ] Nuk e ngatërrova korrelacionin me shkakësinë.
- [ ] Unë kam treguar shkallën dhe pasigurinë sinqerisht në grafik.