การหาคู่ สถิติ และการวิเคราะห์ทางวิทยาศาสตร์: เรดิโอคาร์บอน การจำแนกประเภท และการแบ่งลำดับ

กำไร:

• ความสามารถในการใช้ปัญญาประดิษฐ์ในการสอบเทียบเรดิโอคาร์บอน อนุกรม และการวิเคราะห์หลายตัวแปร และเข้าใจว่าการเลือกวิธีการและสมมติฐานเป็นของผู้เชี่ยวชาญ
• ความสามารถในการรับรู้ว่าผลลัพธ์ของเรดิโอคาร์บอนมีช่วงของความน่าจะเป็น และการลดความไม่แน่นอนลงเหลือเพียงปีเดียวถือเป็นการบิดเบือนทางวิทยาศาสตร์
• ความสามารถในการตั้งคำถามถึงความถูกต้องของตัวอย่างด้วยหลักการ 'ขยะเข้า ขยะออก' และใช้การสะท้อนกลับของความสัมพันธ์และความเป็นเหตุเป็นผลโดยไม่สับสน

โบราณคดีอาศัยทั้งวิทยาศาสตร์ในห้องปฏิบัติการและสถิติในการตอบคำถาม "เมื่อ" ในหน่วยนี้ เราจะดูว่า AI เร่งงานต่างๆ อย่างไร เช่น การหาคู่ (การกำหนดอายุของสิ่งที่ค้นพบหรือเลเยอร์) การวิเคราะห์เรดิโอคาร์บอน (C14) การจำแนกประเภท (การเรียงลำดับและการแบ่งช่วงเวลาของการค้นหาตามลักษณะที่เป็นทางการ) และการแบ่งลำดับ (วิธีการจัดเรียงบริบทตามลำดับเวลาตามการเปลี่ยนแปลงของประเภทการค้นหาเมื่อเวลาผ่านไป) แต่เหตุใดการตีความผลลัพธ์ทางวิทยาศาสตร์จึงตกเป็นหน้าที่ของผู้เชี่ยวชาญและวิธีการที่ถูกต้องเสมอ

หลักการพื้นฐาน: AI เร่งการคำนวณ การสอบเทียบ การสร้างรูปแบบทางสถิติและการแสดงภาพ แต่วิธีใดที่เหมาะสม ไม่ว่าตัวอย่างจะถูกต้องหรือไม่ และความหมายของผลลัพธ์นั้นต้องอาศัยการตัดสินทางวิทยาศาสตร์ การใส่สถิติที่ผิดลงในกราฟที่ดีไม่ได้ทำให้ถูกต้อง

วิธีการออกเดทและ AI

เรดิโอคาร์บอน (C14) อายุคำนวณจากการสลายตัวของคาร์บอนกัมมันตภาพรังสีในซากอินทรีย์ ผลลัพธ์ดิบจะถูกปรับเทียบด้วยเส้นโค้งตามวงแหวนต้นไม้ (การปรับเทียบ — การแก้ไขที่แปลงอายุเรดิโอคาร์บอนดิบเป็นปีปฏิทินจริง) AI เร่งการคำนวณการสอบเทียบและการแสดงภาพเปรียบเทียบหลายวัน แต่ AI ไม่รู้จักกับดัก เช่น ปัญหาไม้เก่า (ตัวอย่างที่นำมาจากต้นไม้ที่มีอายุหลายร้อยปีนั้นเก่ากว่าเหตุการณ์ที่ใช้มาก) ตัวอย่างคำวิจารณ์เป็นงานของผู้เชี่ยวชาญ

ประเภทและการซีเรียส ความถี่ของประเภทการค้นหาจะแตกต่างกันไปตามเวลา ชนิดหนึ่งปรากฏ แผ่ขยาย ลดลง Seriation เรียงลำดับบริบทโดยใช้รูปแบบ "ครอบคลุม" นี้ AI มีประสิทธิภาพในการค้นหารูปแบบเหล่านี้ในชุดข้อมูลขนาดใหญ่และในการวิเคราะห์หลายตัวแปร (สถิติที่ประเมินคุณสมบัติหลายอย่างพร้อมกัน) แต่ผู้เชี่ยวชาญสามารถแยกแยะได้ว่าผลลัพธ์นั้นเกิดจากความแตกต่างตามลำดับเวลาหรือการทำงาน/ภูมิภาค

วิธีการอื่นๆ วิธีการต่างๆ เช่น เดนโดรโครโนโลยี (วงแหวนต้นไม้) เทอร์โมลูมิเนสเซนซ์ และโบราณคดีวิทยา ก็มีประโยชน์ในการคำนวณและเปรียบเทียบ AI เช่นกัน การเลือกวิธีการและการตีความเป็นหน้าที่ของผู้เชี่ยวชาญ

เคล็ดลับ: เมื่อให้ AI เรียกใช้สถิติ ให้ถามว่า “คุณใช้วิธีใดและสันนิษฐานอย่างไร” ถาม. หากวิธีการไม่ถูกต้อง (เช่น การหาค่าเฉลี่ยของข้อมูลที่ไม่ต่อเนื่อง ไม่สนใจค่าผิดปกติ) ผลลัพธ์จะดู "สะอาด" แต่ไม่ถูกต้องตามหลักวิทยาศาสตร์ อย่าเชื่อถือแผนภูมิโดยไม่เข้าใจวิธีการ

จุดแข็งและจุดอ่อนของ AI ในสถิติ

ทรงพลัง: การคำนวณซ้ำ การสอบเทียบ การสแกนรูปแบบในชุดข้อมูลขนาดใหญ่ การสร้างโค้ดการแสดงภาพ การทดสอบวิธีการต่างๆ อย่างรวดเร็ว

จุดอ่อน/เสี่ยง:

• Don't suggest the wrong method. AI สามารถแนะนำการทดสอบที่ไม่ตรงกับข้อมูลได้อย่างมั่นใจ
• สุ่มตัวอย่างอาการตาบอด ไม่เห็นตัวอย่างขนาดเล็ก ลำเอียง หรือปนเปื้อน “นี่คือข้อมูล” เขากล่าว
• ความคิดเห็นสุดขีด. มันสามารถนำเสนอความสัมพันธ์ที่อ่อนแอเป็นผลที่แข็งแกร่ง ความสัมพันธ์ไม่ใช่สาเหตุ (เพียงเพราะสองสิ่งเปลี่ยนแปลงร่วมกันไม่ได้หมายความว่าสิ่งหนึ่งทำให้เกิดสิ่งอื่น)
• หมายเลขที่จัดทำขึ้น. หากต้องการ ก็สามารถสร้างวันที่หรือความน่าจะเป็นที่ "เป็นไปได้" แต่ไม่สมจริง

ข้อควรระวัง: วันที่ของเรดิโอคาร์บอนไม่ใช่ "ปีที่แน่นอน" เดียว; คือช่วงความน่าจะเป็น (เช่น 750-680 ปีก่อนคริสตกาล โดยมีความเชื่อมั่น 95%) อย่าให้ AI ลดผลลัพธ์ลงเหลือเพียงปีเดียว พกความไม่แน่นอนอยู่เสมอ การซ่อนความไม่แน่นอนเป็นการบิดเบือนทางวิทยาศาสตร์

มินิเคสสามอัน

กรณีที่ 1 — เร่งการสอบเทียบ โปรเจ็กต์หนึ่งจะทำการสอบเทียบและแสดงภาพเปรียบเทียบของตัวอย่างเรดิโอคาร์บอน 48 ตัวอย่าง รหัสการสอบเทียบและกราฟเปรียบเทียบที่สร้างโดย AI เป็นนาทีแทนที่จะเป็นชั่วโมง ผู้เชี่ยวชาญเองได้ประเมินบริบทในการสุ่มตัวอย่างและความเสี่ยงของไม้เก่า และทำเครื่องหมายสองตัวอย่างว่า "ไม่น่าเชื่อถือ"

กรณีที่ 2 — ตรวจพบวิธีการที่ไม่ถูกต้อง นักเรียนคนหนึ่งใช้การทดสอบที่แนะนำโดย AI เพื่อค้นหาความถี่ประเภทและได้ผลลัพธ์ที่มี "นัยสำคัญทางสถิติ" ที่ปรึกษาทางสถิติแสดงให้เห็นว่าข้อมูลไม่เหมาะสำหรับการทดสอบนี้ (ข้อสันนิษฐานถูกละเมิด) ด้วยวิธีการที่ถูกต้องผลลัพธ์ก็ไม่มีความหมาย บทเรียน: การเลือกวิธีการจะกำหนดผลลัพธ์

กรณีที่ 3 — นำความไม่แน่นอนกลับมา ทีมงานจะรายงานวันที่เดียวจากสรุป AI สำหรับเลเยอร์ "720 BC" ผู้เชี่ยวชาญระบุว่าช่วงลำกล้องอยู่ที่ 800-680 ปีก่อนคริสตกาล และในปีเดียวนั้นอาจทำให้เข้าใจผิด รายงานได้รับการแก้ไขด้วยช่วงความน่าจะเป็น การแบกรับความไม่แน่นอนคือความซื่อสัตย์

เทมเพลตที่สามารถคัดลอกได้สี่แบบ

1) แบบสอบถามความเหมาะสมของวิธีการ:

บทบาทของคุณ: ที่ปรึกษาด้านสถิติทางโบราณคดี ฉันจะอธิบายข้อมูลและคำถามต่อไปนี้: [ประเภทข้อมูล ขนาดตัวอย่าง คำถาม] บอกฉันเกี่ยวกับตัวเลือกวิธีการที่ได้รับการอนุมัติพร้อมข้อมูลนี้ สมมติฐานของแต่ละข้อ และวิธีการตรวจสอบว่าผลผลิตเป็นไปตามสมมติฐานเหล่านั้นหรือไม่ วิธีการที่ไม่เหมาะสมควรได้รับการแก้ไขโดยมีเหตุผล

2) กรอบการตีความเรดิโอคาร์บอน:

ด้านล่างนี้ฉันมีช่วงเรดิโอคาร์บอนที่ปรับเทียบแล้ว: [รายการ] อธิบายข้อผิดพลาดที่ฉันควรระวังเมื่อตีความสิ่งเหล่านี้ (ไม้เก่า การปนเปื้อน ผลกระทบจากอ่างเก็บน้ำในทะเล ความสัมพันธ์ระหว่างตัวอย่างกับเหตุการณ์) และวิธีแสดงช่วงความไม่แน่นอนอย่างถูกต้อง อย่าให้มันเป็นปีเดียว รักษาช่วงเวลา

3) การตรวจสอบสถิติ:

ฉันทำการวิเคราะห์ต่อไปนี้: [วิธีการและผลลัพธ์] โปรดวิพากษ์วิจารณ์: วิธีการนี้เหมาะสมกับข้อมูล, มีการสันนิษฐานไว้หรือไม่, ตัวอย่างเพียงพอหรือไม่, มีค่าผิดปกติ/ค่าผสมใด ๆ, ผลลัพธ์มีการตีความมากเกินไปหรือไม่? ระบุจุดอ่อนของคุณ อย่ายืนยันผลให้ตั้งคำถาม

4) การแสดงภาพ (ซื่อสัตย์):

เตรียมแผนภูมิ/รหัสด้วยข้อมูลต่อไปนี้: [data] ต้องแสดงช่วงความไม่แน่นอน (แถบ/ช่วงข้อผิดพลาด) ตั้งค่าแกนและสเกลโดยไม่ทำการตัดที่ทำให้เข้าใจผิด อย่าเพิ่มจุดใดๆ ที่ไม่ได้อยู่ในข้อมูล อธิบายด้วยข้อความว่ากราฟทำอะไรและไม่แสดงอะไร

พรอมต์อ่อน / พรอมต์แรง

พรอมต์ที่อ่อนแอ:

วิเคราะห์ข้อมูลการค้นหานี้และระบุวันที่ที่แน่นอนของไซต์

AI อาจเลือกวิธีที่ไม่เหมาะสมและกำหนดวันที่ที่แน่นอนเพียงวันเดียว มันซ่อนความไม่แน่นอนและไม่เห็นปัญหาในการสุ่มตัวอย่าง

พรอมต์อันทรงพลัง:

บทบาทของคุณ: ที่ปรึกษาด้านสถิติ อัตราผลตอบแทน: [คำจำกัดความ ขนาดตัวอย่าง] ขั้นแรก บอกวิธีการและสมมติฐานที่เหมาะสมสำหรับข้อมูลนี้ จากนั้นให้ผลลัพธ์ที่มีช่วงความไม่แน่นอนหากเราใช้ อย่าให้วันที่แน่ชัดแม้แต่ครั้งเดียว ระบุด้วยว่าความเสี่ยงใดที่เกี่ยวข้องกับตัวอย่าง (n เล็กน้อย ผสม ไม้เก่า) อาจทำให้ผลลัพธ์ลดลง

ความแตกต่าง: แบบแรกก่อให้เกิดความมั่นใจที่ผิด; ประการที่สอง วิธีการนี้จะคงสมมติฐานที่เปิดกว้างและความไม่แน่นอนไว้

วิธีการแบบเบย์ การสุ่มตัวอย่าง และ "ขยะเข้า ขยะออก"

วิธีการที่มีประสิทธิภาพในการหาเวลาทางโบราณคดียุคใหม่คือการสร้างแบบจำลองแบบเบย์เซียน (วิธีการทางสถิติที่รวมข้อมูลที่มีอยู่เดิม เช่น “ชั้น A ที่เป็นฐาน B” เข้ากับการวัดเพื่อสร้างช่วงวันที่ที่แคบลงและสมจริงมากขึ้น) ซึ่งรวมวันที่ของเรดิโอคาร์บอนหลายๆ วันเข้ากับลำดับชั้นหิน วิธีการนี้จะจำกัดความไม่แน่นอนของวันที่แต่ละวันให้แคบลงโดยจำกัดให้อยู่ในลำดับชั้นที่ทราบ AI สามารถช่วยสร้างและคำนวณโมเดลเหล่านี้ได้ แต่สิ่งที่ข้อมูลก่อนหน้านี้ (ความสัมพันธ์เชิงชั้นหิน) เข้าไปในแบบจำลองคือการตัดสินใจของผู้เชี่ยวชาญ และข้อจำกัดก่อนหน้าที่ไม่ถูกต้องจะให้ผลลัพธ์ที่มั่นใจแต่ไม่ถูกต้อง

จากที่นี่ เรามาถึงหลักการทางสถิติขั้นพื้นฐานที่สุดของโมดูล: "ขยะเข้า ขยะออก" แม้แต่ AI ที่ทันสมัยที่สุดและสถิติที่หรูหราที่สุดก็ไม่สามารถให้ผลลัพธ์ที่ดีจากข้อมูลที่ไม่ดีได้ ตัวอย่างเรดิโอคาร์บอนที่ปนเปื้อน ค้นพบจากบริบทที่หลากหลาย หรือตัวอย่างที่มีความเอนเอียงจะยังคงไม่ถูกต้องไม่ว่าการประมวลผลจะเสร็จสิ้นเพียงใดก็ตาม AI ไม่สามารถมองเห็นปัญหาเหล่านี้ได้เนื่องจากไม่ได้ดูข้อมูล "จากภายนอก" จะยอมรับตัวเลขที่คุณให้มาว่าเป็นตัวเลขจริง มีเพียงผู้เชี่ยวชาญที่รู้สาขานั้นเท่านั้นที่สามารถประเมินวิธีการเก็บตัวอย่าง บริบทใดที่มาจาก และสิ่งที่ตัวอย่างเป็นตัวแทน

ดังนั้น ก่อนที่จะเชื่อถือผลลัพธ์ทางสถิติใดๆ ให้ถามคำถามสามข้อต่อไปนี้: ตัวอย่างมีขนาดใหญ่และเป็นตัวแทนเพียงพอหรือไม่ บริบทเชื่อถือได้และไม่สับสนหรือไม่ วิธีการวัดเหมาะสมกับคำถามนี้หรือไม่? หากคุณไม่สามารถตอบ "ใช่" สำหรับคำถามทั้งสามข้อนี้ได้ ก็ไม่สำคัญว่าผลลัพธ์จะ "สำคัญ" แค่ไหนก็ตาม

Tip: When evaluating the output of a statistic, look first at the input, not the outcome. “ข้อมูลนี้มาจากไหน อย่างไร มีกี่ตัวอย่าง” คำถามจะกำจัดข้อสรุปที่ผิดพลาดส่วนใหญ่ก่อนที่จะดูกราฟด้วยซ้ำ

ตารางงานการวิเคราะห์

ภารกิจ

บทบาทของเอไอ

การตัดสินใจของมนุษย์

การตรวจสอบ

การสอบเทียบ C14

การคำนวณการแสดงภาพ

ความถูกต้องของการสุ่มตัวอย่าง

บริบทไม้เก่า

การซีเรียส

การสแกนรูปแบบ

การแยกลำดับเหตุการณ์/ฟังก์ชัน

เปรียบเทียบกับชั้นหิน

หลายตัวแปร

เครื่องคำนวณสถิติ

การเลือกวิธีการ

ตรวจสอบสมมติฐาน

การสร้างภาพ

กราฟิก/โค้ด

การเป็นตัวแทนที่ซื่อสัตย์

ความไม่แน่นอนขนาด

ความคิดเห็น

สรุปร่าง

ความหมาย, ขีดจำกัด

ผู้เชี่ยวชาญวรรณกรรม

ข้อผิดพลาดทั่วไป

• ใช้วิธีการโดยไม่ต้องตั้งคำถาม การทดสอบที่ผิดให้ผลลัพธ์ที่ "สะอาด" แต่ผิด
• ลดความไม่แน่นอนเหลือเพียงปีเดียว เรดิโอคาร์บอนเป็นช่วง; หนึ่งปีทำให้เข้าใจผิด
• ข้ามปัญหาการสุ่มตัวอย่าง ตัวอย่างขนาดเล็ก/สกปรก/เอนเอียงทำให้ผลลัพธ์เป็นโมฆะ
• ความสัมพันธ์ที่ผิดพลาดสำหรับสาเหตุ การเปลี่ยนแปลงร่วมกันไม่ใช่เหตุและผล
• ทำให้เข้าใจผิดกับกราฟิก แกนประ ความไม่แน่นอนที่ซ่อนอยู่คือการบิดเบือนทางวิทยาศาสตร์

โดยสรุป

AI ในการนัดหมายและสถิติ เป็นตัวเร่งอันทรงพลังสำหรับการสอบเทียบ การสแกนรูปแบบ การคำนวณ และการแสดงภาพ แต่การเลือกวิธีการ การวิจารณ์ตัวอย่าง การแสดงความไม่แน่นอนอย่างตรงไปตรงมา และการตีความผลลัพธ์นั้นขึ้นอยู่กับการตัดสินทางวิทยาศาสตร์ อย่าเชื่อถือแผนภูมิโดยไม่เข้าใจวิธีการ มักมีความไม่แน่นอนอยู่เสมอ และต่อต้านการยืนกรานใน "วันที่แน่นอน" เพียงครั้งเดียว

งานสมัคร

เตรียมตารางความถี่ค้นหาตัวอย่างหรือชุดช่วงเรดิโอคาร์บอนที่ปรับเทียบแล้ว มีการวิเคราะห์ที่เหมาะสมและสมมติฐานที่ระบุด้วยเทมเพลต "การสอบถามความเหมาะสมของวิธีการ" จากนั้นให้วิเคราะห์การวิเคราะห์ด้วยเทมเพลต "การตรวจสอบทางสถิติ" สร้างภาพร่างแผนภูมิที่แสดงช่วงความไม่แน่นอนด้วยเทมเพลต "การแสดงภาพ (ซื่อสัตย์)" และหลีกเลี่ยงการลดราคาหนึ่งปี

รายการตรวจสอบ

• [ ] ฉันได้ตรวจสอบการเลือกวิธีการและสมมติฐานแล้ว
• [ ] I questioned sample validity (size, mix, old wood).
• [ ] ฉันเก็บความไม่แน่นอนไว้เป็นช่วงๆ ไม่ได้ลดเหลือเพียงปีเดียว
• [ ] ฉันไม่ได้สับสนระหว่างความสัมพันธ์กับสาเหตุ
• [ ] ฉันได้แสดงขนาดและความไม่แน่นอนในแผนภูมิโดยสุจริต