Faida:
- Uwezo wa kutumia akili ya bandia katika urekebishaji wa radiocarbon, uchambuzi wa seriation na multivariate, na kuelewa kwamba uteuzi wa njia na mawazo ni ya mtaalam.
- Uwezo wa kutambua kuwa matokeo ya radiocarbon yana uwezekano wa anuwai na kwamba kupunguza kutokuwa na uhakika hadi mwaka mmoja ni upotoshaji wa kisayansi.
- Uwezo wa kuhoji uhalali wa sampuli na kanuni ya 'taka ndani, kutupa taka' na kutumia kielelezo cha kutochanganya uunganisho na sababu.
Akiolojia inategemea sayansi za maabara na takwimu kujibu swali la "wakati". Katika kitengo hiki, tutaona jinsi AI inavyoharakisha kazi kama vile kuchumbiana (kuamua umri wa kupatikana au safu), uchambuzi wa radiocarbon (C14), uchapaji (upangaji na upimaji hupata kulingana na sifa zao rasmi) na msururu (mbinu ya kupanga miktadha kwa mpangilio kulingana na mabadiliko ya aina za utaftaji kwa wakati), lakini kwa nini tafsiri ya matokeo ya kisayansi kila wakati ni sahihi.
Kanuni ya msingi: AI huharakisha hesabu, urekebishaji, muundo wa takwimu na taswira; Lakini ni njia gani inayofaa, ikiwa sampuli ni halali au la, na matokeo yake yanahitaji uamuzi wa kisayansi. Kuweka takwimu mbaya kwenye grafu nzuri haifanyi kuwa sawa.
Njia za uchumba na AI
Radiocarbon (C14). Umri huhesabiwa kutokana na kuoza kwa kaboni ya mionzi katika mabaki ya kikaboni. Matokeo ghafi hurekebishwa kwa mkunjo kulingana na pete za miti (urekebishaji - marekebisho ambayo hubadilisha umri mbichi wa radiocarbon kuwa mwaka halisi wa kalenda). AI huharakisha mahesabu ya urekebishaji na taswira linganishi ya tarehe nyingi. Lakini AI haijui mitego kama vile shida ya zamani ya kuni (sampuli iliyochukuliwa kutoka kwa mti ambao umeishi kwa mamia ya miaka ni ya zamani zaidi kuliko tukio ambalo lilitumiwa); Ukosoaji wa sampuli ni kazi ya mtaalam.
Typology na seriation. Mzunguko wa aina za kupata hutofautiana kwa muda; Aina inaonekana, inaenea, inapungua. Seriation hupanga miktadha kwa kutumia muundo huu wa "blanketi". AI ina nguvu katika kupata ruwaza hizi katika seti kubwa za data na katika uchanganuzi wa aina nyingi (takwimu zinazotathmini vipengele vingi kwa wakati mmoja). Lakini mtaalam anaweza kutofautisha ikiwa matokeo yametokana na tofauti ya mpangilio wa matukio au utendaji/kieneo.
Mbinu nyingine. Mbinu kama vile dendrochronology (pete ya mti), thermoluminescence, na archaeomagnetism pia husaidia katika hesabu ya AI na kulinganisha; Uchaguzi wa njia na tafsiri huachwa kwa mtaalam.
Kidokezo: Unapofanya AI kutekeleza takwimu, uliza "ulitumia njia gani na mawazo yake ni nini?" uliza. Ikiwa mbinu si sahihi (k.m. wastani wa data isiyofuatana, kupuuza nje) matokeo yatakuwa "safi" kimwonekano lakini si sahihi kisayansi. Usiamini chati bila kuelewa mbinu.
Nguvu na udhaifu wa AI katika takwimu
Yenye Nguvu: Hesabu inayojirudia, urekebishaji, uchanganuzi wa muundo katika seti kubwa za data, utengenezaji wa msimbo wa taswira, majaribio ya haraka ya mbinu tofauti.
Dhaifu/hatari:
- Usipendekeze njia mbaya. AI inaweza kupendekeza kwa ujasiri jaribio ambalo haliendani na data.
- Upofu wa sampuli. Haioni sampuli ndogo, yenye upendeleo au iliyochafuliwa; "Hii ndio data," anasema.
- Maoni ya hali ya juu. Inaweza kuwasilisha uwiano dhaifu kama matokeo yenye nguvu; uunganisho sio sababu (kwa sababu vitu viwili vinabadilika kwa pamoja haimaanishi kuwa moja husababisha nyingine).
- Nambari iliyotengenezwa. Ikiwa inataka, inaweza kutoa tarehe "inayowezekana" lakini isiyo ya kweli au uwezekano.
Tahadhari: Tarehe ya radiocarbon kamwe sio "mwaka halisi" mmoja; ni masafa ya uwezekano (k.m. 750-680 KK yenye uhakika wa 95%). Usiruhusu AI kupunguza matokeo hadi mwaka mmoja; Daima kubeba kutokuwa na uhakika. Kuficha kutokuwa na uhakika ni upotoshaji wa kisayansi.
kesi tatu ndogo
Kesi ya 1 - Urekebishaji umeharakishwa. Mradi mmoja ungefanya urekebishaji na taswira linganishi ya sampuli 48 za radiocarbon. Msimbo wa urekebishaji wa AI na grafu za kulinganisha kwa dakika badala ya masaa; Mtaalam mwenyewe alitathmini miktadha ya sampuli na hatari ya kuni kuu na kuweka alama sampuli mbili kama "zisizoweza kutegemewa".
Kesi ya 2 - Njia isiyo sahihi imekamatwa. Mwanafunzi mmoja alitumia jaribio lililopendekezwa na AI ili kupata masafa ya aina na akapata matokeo "muhimu kitakwimu". Mshauri wa takwimu alionyesha kuwa data haikufaa kwa jaribio hili (mawazo yalikiukwa); Kwa njia sahihi, matokeo hayakuwa na maana. Somo: uchaguzi wa njia huamua matokeo.
Kesi ya 3 - Kutokuwa na uhakika kumerejeshwa. Timu itaripoti tarehe moja kutoka kwa muhtasari wa AI kwa safu, "720 BC." Mtaalam huyo alisema kuwa aina ya caliber ilikuwa 800-680 BC, na kwamba mwaka mmoja ulikuwa wa kupotosha. Ripoti imesahihishwa kwa safu ya uwezekano. Kubeba kutokuwa na uhakika ni uaminifu.
Violezo vinne vinavyoweza kunakiliwa
1) Swali la ufaafu wa njia:
Jukumu lako: mshauri wa takwimu za akiolojia. Nitaelezea data na swali lifuatalo: [aina ya data, saizi ya sampuli, swali]. Niambie kuhusu chaguo za mbinu ZILIZOIDHINISHWA na data hii, DHANI za kila moja, na jinsi ya kuangalia ikiwa mavuno yanakidhi mawazo hayo. Mbinu zisizofaa zinapaswa pia kushughulikiwa kwa misingi.
2) Mfumo wa tafsiri ya Radiocarbon:
Hapo chini nina vipindi vyangu vilivyorekebishwa vya radiocarbon: [orodha]. Eleza mitego ninayopaswa kufahamu ninapotafsiri hizi (mbao kuu, uchafuzi, athari ya hifadhi ya baharini, uhusiano wa sampuli na tukio) na jinsi ya kueleza muda wa kutokuwa na uhakika kwa usahihi. Usimpe hata mwaka mmoja; kudumisha vipindi.
3) Ukaguzi wa takwimu:
Nilifanya uchambuzi ufuatao: [mbinu na matokeo]. Tafadhali ukosoa: je, njia hiyo inalingana na data, mawazo yanashikilia, sampuli inatosha, kuna wauzaji/mchanganyiko wowote, matokeo yake yamefasiriwa kupita kiasi? Orodhesha pointi zako dhaifu; Usithibitishe matokeo, yahoji.
4) Taswira (uaminifu):
Andaa chati/misimbo yenye data ifuatayo: [data]. LAZIMA ionyeshe masafa ya kutokuwa na uhakika (upau wa hitilafu/fungu). Sanidi mhimili na mizani bila kufanya mikato inayopotosha. USIONGEZE pointi zozote ambazo haziko kwenye data. Eleza kwa kidokezo kile ambacho grafu hufanya na haionyeshi.
Mwongozo dhaifu / Mwongozo thabiti
Agizo dhaifu:
Chambua data hii ya kupata na ueleze tarehe kamili ya tovuti.
AI inaweza kuchagua njia isiyofaa na kuunda tarehe moja kamili; Inaficha kutokuwa na uhakika na haioni matatizo ya sampuli.
Agizo lenye nguvu:
Jukumu lako: mshauri wa takwimu. Mazao: [ufafanuzi, saizi ya sampuli]. Kwanza niambie njia na mawazo yake yanafaa kwa data hii, kisha toa matokeo na masafa ya kutokuwa na uhakika ikiwa tutaitumia. Usitoe tarehe moja mahususi. Pia onyesha ni hatari gani zinazohusiana na sampuli (ndogo n, mchanganyiko, mbao za zamani) zinaweza kudhoofisha matokeo.
Tofauti: ya kwanza hutoa uhakika wa uongo; pili, njia huweka mawazo wazi na kutokuwa na uhakika.
Mbinu ya Bayesian, sampuli na "takataka ndani, takataka nje"
Mbinu yenye nguvu katika uchumba wa kisasa wa kiakiolojia ni uundaji wa Bayesian (mbinu ya takwimu inayochanganya maelezo ya awali yaliyopo—k.m., “safu A msingi B”—pamoja na vipimo vya kuzalisha safu finyu, za uhalisia zaidi) zinazochanganya tarehe nyingi za radiocarbon na mfuatano wa kistratigrafia. Njia hii inapunguza kutokuwa na uhakika kwa tarehe za mtu binafsi kwa kuzizuia kwa mpangilio unaojulikana wa tabaka. AI inaweza kusaidia kujenga na kuhesabu mifano hii; lakini ni habari gani ya awali (mahusiano ya stratigraphic) huenda kwenye mfano ni uamuzi wa mtaalam, na kizuizi kisicho sahihi cha awali hutoa matokeo ya ujasiri lakini yasiyo sahihi.
Kuanzia hapa tunakuja kwenye kanuni ya msingi ya takwimu ya moduli: "takataka ndani, takataka nje." Hata AI ya juu zaidi na takwimu za kifahari zaidi haziwezi kuzalisha matokeo mazuri kutoka kwa data mbaya. Sampuli iliyochafuliwa ya radiocarbon, iliyopatikana kutoka kwa muktadha mseto, au sampuli iliyoegemea upande wowote itasalia kuwa batili bila kujali ni kiasi gani cha usindikaji kinafanywa. AI haiwezi kuona matatizo haya kwa sababu haiangalii data "kutoka nje"; Inakubali nambari unazoipa kama halisi. Mtaalamu pekee anayejua uga anaweza kutathmini jinsi sampuli ilikusanywa, ni muktadha gani ilitoka, na inawakilisha nini.
Kwa hivyo kabla ya kuamini matokeo yoyote ya takwimu, uliza maswali haya matatu: Je, sampuli ni kubwa na wakilishi inatosha? Je, muktadha unategemeka na hauchanganyiki? Je, njia ya kipimo inafaa kwa swali hili? Ikiwa huwezi kujibu "ndiyo" kwa maswali haya matatu, haijalishi jinsi matokeo yanaonekana "muhimu".
Kidokezo: Wakati wa kutathmini matokeo ya takwimu, angalia kwanza ingizo, wala si matokeo. "Hii data imetoka wapi, vipi, na sampuli ngapi?" swali huondoa hitimisho nyingi za uwongo kabla hata kutazama grafu.
Jedwali la kazi ya uchambuzi
Jitihada
Jukumu la AI
uamuzi wa binadamu
uthibitishaji
Urekebishaji wa C14
Hesabu, taswira
Uhalali wa sampuli
Muktadha, mbao za zamani
mfululizo
skanning ya muundo
Mgawanyo wa kronolojia/kazi
Kulinganisha na stratigraphy
multivariable
kikokotoo cha takwimu
Uchaguzi wa mbinu
ukaguzi wa kudhani
taswira
Graphics/code
uwakilishi wa uaminifu
kutokuwa na uhakika, kiwango
Maoni
Rasimu ya muhtasari
maana, kikomo
mtaalam, fasihi
Makosa ya kawaida
- Kutumia njia bila kuuliza. Mtihani mbaya hutoa "safi" lakini matokeo mabaya.
- Kupunguza kutokuwa na uhakika hadi mwaka mmoja. Radiocarbon ni anuwai; Mwaka mmoja ni wa kupotosha.
- Kukwepa matatizo ya sampuli. Sampuli ndogo/chafu/upendeleo hubatilisha matokeo.
- Kukosea kwa uunganisho wa sababu. Kubadilisha pamoja sio sababu na athari.
- Kupotosha na michoro. Mhimili uliokatika, kutokuwa na uhakika uliofichwa ni upotoshaji wa kisayansi.
Kwa muhtasari
AI katika uchumba na takwimu; Ni kichapuzi chenye nguvu cha kusawazisha, kuchanganua muundo, kukokotoa na kuona. Lakini uchaguzi wa mbinu, ukosoaji wa sampuli, usemi wa uaminifu wa kutokuwa na uhakika, na tafsiri ya matokeo ni ya uamuzi wa kisayansi. Usiamini chati bila kuelewa njia; daima kubeba kutokuwa na uhakika; na kupinga msisitizo wa “tarehe kamili” moja.
Jukumu la maombi
Andaa jedwali la sampuli la kupata-frequency au seti ya vipindi vilivyorekebishwa vya radiocarbon. Kuwa na uchanganuzi ufaao na mawazo yake yanayotambuliwa na kiolezo cha "Njia ya ufaafu", kisha uwe na uchanganuzi uliochambuliwa kwa kiolezo cha "Ukaguzi wa Takwimu". Tengeneza mchoro wa chati unaoonyesha masafa ya kutokuwa na uhakika ukitumia kiolezo cha "Taswira (ya kweli)" na uepuke punguzo la mwaka mmoja.
orodha ya ukaguzi
- [ ] Nimeangalia uteuzi wa mbinu na mawazo.
- [ ] Nilihoji uhalali wa sampuli (ukubwa, mchanganyiko, mbao kuu).
- [ ] Niliweka kutokuwa na uhakika kama muda, sikupunguza hadi mwaka mmoja.
- [ ] Sikuchanganya uwiano na causation.
- [ ] Nimeonyesha kiwango na kutokuwa na uhakika kwa uaminifu katika chati.