Mga nadagdag:
- Kakayahang gumamit ng artificial intelligence sa radiocarbon calibration, serialation at multivariate analysis, at maunawaan na ang pagpili ng paraan at pagpapalagay ay yaong sa eksperto.
- Kakayahang kilalanin na ang resulta ng radiocarbon ay may saklaw ng posibilidad at na ang pagbabawas ng kawalan ng katiyakan sa isang taon ay isang pang-agham na pagbaluktot
- Kakayahang magtanong sa sample validity na may prinsipyo ng 'garbage in, garbage out' at ilapat ang reflex ng hindi nakakalito na ugnayan at sanhi
Ang arkeolohiya ay umaasa sa parehong mga agham at istatistika ng laboratoryo upang sagutin ang tanong na "kailan". Sa unit na ito, makikita natin kung paano pinapabilis ng AI ang mga gawain tulad ng pakikipag-date (pagtukoy sa edad ng isang paghahanap o layer), pagsusuri ng radiocarbon (C14), typology (pag-uuri at periodizing ng mga paghahanap ayon sa kanilang mga pormal na katangian) at serye (ang paraan ng pagsasaayos ng mga konteksto ayon sa pagkakasunud-sunod ayon sa pagbabago ng mga uri ng paghahanap sa paglipas ng panahon), ngunit bakit ang interpretasyon ng mga resulta ng siyentipiko ay palaging nauukol sa tamang pamamaraan.
Pangunahing prinsipyo: Pinapabilis ng AI ang pagkalkula, pagkakalibrate, istatistikal na patterning at visualization; Ngunit aling pamamaraan ang angkop, kung ang sample ay wasto o hindi, at kung ano ang ibig sabihin ng resulta ay nangangailangan ng siyentipikong paghatol. Ang paglalagay ng maling istatistika sa isang magandang graph ay hindi ginagawang tama.
Mga paraan ng pakikipag-date at AI
Radiocarbon (C14). Ang edad ay kinakalkula mula sa pagkabulok ng radioactive carbon sa mga organikong labi. Ang raw na resulta ay na-calibrate gamit ang isang curve batay sa mga singsing ng puno (calibration — pagwawasto na nagko-convert ng raw radiocarbon na edad sa aktwal na taon ng kalendaryo). Pinapabilis ng AI ang mga kalkulasyon sa pagkakalibrate at paghahambing na visualization ng maraming petsa. Ngunit hindi alam ng AI ang mga bitag tulad ng lumang problema sa kahoy (isang sample na kinuha mula sa isang puno na nabuhay nang daan-daang taon ay mas matanda kaysa sa kaganapan kung saan ito ginamit); Ang halimbawang kritisismo ay trabaho ng isang dalubhasa.
Tipolohiya at serye. Ang dalas ng mga uri ng paghahanap ay nag-iiba sa paglipas ng panahon; Lumilitaw ang isang uri, nagiging laganap, bumababa. Pinag-uuri-uri ng serye ang mga konteksto gamit ang pattern na "kumot" na ito. Ang AI ay mahusay sa paghahanap ng mga pattern na ito sa malalaking set ng data at sa multivariate na pagsusuri (mga istatistika na sinusuri ang maraming feature nang sabay-sabay). Ngunit maaaring makilala ng eksperto kung ang resulta ay dahil sa isang kronolohikal o functional/rehiyonal na pagkakaiba.
Iba pang mga pamamaraan. Ang mga pamamaraan tulad ng dendrochronology (singsing ng puno), thermoluminescence, at archaeomagnetism ay nakakatulong din sa pagkalkula at paghahambing ng AI; Ang pagpili at interpretasyon ng pamamaraan ay ipinauubaya sa eksperto.
Tip: Kapag nagpapatakbo ng istatistika ang AI, itanong "anong paraan ang ginamit mo at ano ang mga pagpapalagay nito?" magtanong. Kung mali ang pamamaraan (hal. pag-average ng hindi sunud-sunod na data, binabalewala ang outlier) ang resulta ay magiging biswal na "malinis" ngunit hindi tama ayon sa siyensiya. Huwag magtiwala sa tsart nang hindi nauunawaan ang pamamaraan.
Mga kalakasan at kahinaan ng AI sa mga istatistika
Napakahusay: Paulit-ulit na pagkalkula, pagkakalibrate, pag-scan ng pattern sa malalaking set ng data, pagbuo ng visualization code, mabilis na pagsubok ng iba't ibang pamamaraan.
Mahina/mapanganib:
- Huwag magmungkahi ng maling pamamaraan. Kumpiyansa ang AI na makakapagrekomenda ng pagsubok na hindi akma sa data.
- Sampling pagkabulag. Hindi nito nakikita ang maliit, bias o kontaminadong sample; "Ito ang data," sabi niya.
- Matinding komento. Maaari itong magpakita ng mahinang ugnayan bilang isang malakas na resulta; Ang ugnayan ay hindi sanhi (dahil lamang sa dalawang bagay na nagbabago nang magkasama ay hindi nangangahulugan na ang isa ay sanhi ng isa pa).
- Ginawa na numero. Kung ninanais, maaari itong makagawa ng isang "maaaring mangyari" ngunit hindi makatotohanang petsa o posibilidad.
Pag-iingat: Ang petsa ng radiocarbon ay hindi isang solong "eksaktong taon"; ay isang saklaw ng posibilidad (hal. 750-680 BC na may 95% kumpiyansa). Huwag hayaang bawasan ng AI ang resulta sa isang taon; Palaging nagdadala ng kawalan ng katiyakan. Ang pagtatago ng kawalan ng katiyakan ay isang pang-agham na pagbaluktot.
tatlong mini case
Case 1 — Pinabilis ang pagkakalibrate. Ang isang proyekto ay gagawa ng pagkakalibrate at paghahambing ng visualization ng 48 radiocarbon sample. Ang AI ay nakabuo ng code ng pagkakalibrate at mga graph ng paghahambing sa ilang minuto sa halip na mga oras; Sinuri mismo ng eksperto ang mga konteksto ng sampling at panganib ng lumang kahoy at minarkahan ang dalawang sample bilang "hindi mapagkakatiwalaan".
Kaso 2 — Nahuli ang maling paraan. Nag-apply ang isang mag-aaral ng pagsusulit na iminungkahi ng AI upang mahanap ang mga frequency ng uri at nakakuha ng "makabuluhang istatistika" na resulta. Ang statistical consultant ay nagpakita na ang data ay hindi angkop para sa pagsusulit na ito (mga pagpapalagay ay nilabag); Sa tamang paraan, walang kabuluhan ang resulta. Aralin: ang pagpili ng paraan ay tumutukoy sa kinalabasan.
Kaso 3 — Ibinalik ang kawalan ng katiyakan. Ang isang koponan ay mag-uulat ng isang petsa mula sa buod ng AI para sa isang layer, "720 BC." Sinabi ng eksperto na ang hanay ng kalibre ay 800-680 BC, at ang isang taon ay nakaliligaw. Ang ulat ay naitama sa saklaw ng posibilidad. Ang pagdadala ng kawalan ng katiyakan ay katapatan.
Apat na maaaring kopyahin na mga template
1) Query sa pagiging angkop ng pamamaraan:
Ang iyong tungkulin: consultant ng archaeological statistics. Ilalarawan ko ang sumusunod na data at tanong: [uri ng data, laki ng sample, tanong]. Sabihin sa akin ang tungkol sa mga opsyon sa pamamaraan na INAPRUBAHAN sa data na ito, ang mga ASSUMPTIONS ng bawat isa, at kung paano suriin kung ang yield ay nakakatugon sa mga pagpapalagay na iyon. Ang mga hindi naaangkop na pamamaraan ay dapat ding tugunan sa mga batayan.
2) Balangkas ng interpretasyon ng radiocarbon:
Nasa ibaba ko ang aking mga na-calibrate na radiocarbon interval: [listahan]. Ipaliwanag ang mga pitfalls na dapat kong malaman kapag binibigyang kahulugan ang mga ito (lumang kahoy, kontaminasyon, epekto ng reservoir ng dagat, relasyon ng sample-to-event) at kung paano ipahayag nang tama ang agwat ng kawalan ng katiyakan. Huwag bigyan ito ng isang taon; panatilihin ang mga agwat.
3) Pag-audit ng istatistika:
Isinagawa ko ang sumusunod na pagsusuri: [paraan at resulta]. Mangyaring punahin: ang pamamaraan ba ay umaangkop sa data, ang mga pagpapalagay ba ay hawak, ang sample ba ay sapat, mayroon bang anumang mga outlier/halo, ang resulta ba ay labis na na-interpret? Ilista ang iyong mga kahinaan; Huwag kumpirmahin ang resulta, tanungin ito.
4) Visualization (tapat):
Maghanda ng tsart/code na may sumusunod na data: [data]. DAPAT magpakita ng mga hanay ng kawalan ng katiyakan (error bar/range). I-set up ang axis at scale nang hindi gumagawa ng mga mapanlinlang na pagbawas. HUWAG MAGDAGDAG ng anumang puntos na wala sa data. Ipaliwanag gamit ang isang tala kung ano ang ginagawa at hindi ipinapakita ng graph.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Suriin ang data ng paghahanap na ito at sabihin ang eksaktong petsa ng site.
Ang AI ay maaaring pumili ng hindi naaangkop na paraan at gumawa ng isang eksaktong petsa; Itinatago nito ang kawalan ng katiyakan at hindi nakikita ang mga problema sa pag-sample.
Napakahusay na prompt:
Ang iyong tungkulin: statistical consultant. Yield: [kahulugan, laki ng sample]. Sabihin muna sa akin ang pamamaraan at ang mga pagpapalagay nito na angkop para sa data na ito, pagkatapos ay ibigay ang resulta na may hanay ng kawalan ng katiyakan kung ilalapat natin ito. Huwag magbigay ng isang tiyak na petsa. Ipahiwatig din kung aling mga panganib na nauugnay sa sample (maliit na n, halo, lumang kahoy) ang maaaring magpahina sa resulta.
Ang pagkakaiba: ang una ay nagbubunga ng maling katiyakan; pangalawa, pinapanatili ng pamamaraan ang bukas na mga pagpapalagay at kawalan ng katiyakan.
Bayesian approach, sampling at "garbage in, garbage out"
Ang isang makapangyarihang paraan sa modernong archaeological dating ay ang Bayesian modeling (isang istatistikal na diskarte na pinagsasama-sama ang dati nang impormasyon—hal., "layer A ang nasa ilalim ng B"—na may mga sukat upang makabuo ng mas makitid, mas makatotohanang mga hanay ng petsa) na pinagsasama ang maraming radiocarbon na petsa sa mga stratigraphic sequence. Ang diskarte na ito ay nagpapaliit sa malawak na kawalan ng katiyakan ng mga indibidwal na petsa sa pamamagitan ng paghihigpit sa mga ito sa kilalang pagkakasunud-sunod ng mga layer. Makakatulong ang AI sa pagbuo at pagkalkula ng mga modelong ito; ngunit kung anong naunang impormasyon (mga stratigraphic na relasyon) ang napupunta sa modelo ay isang desisyon ng dalubhasa, at ang isang maling naunang hadlang ay nagbubunga ng isang tiwala ngunit hindi tumpak na resulta.
Mula dito ay dumating tayo sa pinakapangunahing istatistikal na prinsipyo ng modyul: "basura in, garbage out." Kahit na ang pinaka-advanced na AI at ang pinaka-eleganteng istatistika ay hindi makakapagdulot ng magagandang resulta mula sa masamang data. Ang isang kontaminadong sample ng radiocarbon, nahanap mula sa magkahalong konteksto, o isang biased na sample ay mananatiling invalid kahit gaano pa karami ang pagpoproseso. Hindi nakikita ng AI ang mga problemang ito dahil hindi nito tinitingnan ang data "mula sa labas"; Tinatanggap nito ang mga numerong ibibigay mo bilang totoo. Isang dalubhasa lamang na nakakaalam sa larangan ang makakapagsuri kung paano nakolekta ang sample, kung saang konteksto ito nanggaling, at kung ano ang kinakatawan nito.
Kaya bago magtiwala sa anumang istatistikal na resulta, itanong ang tatlong tanong na ito: Sapat ba ang sample na malaki at kinatawan? Ang mga konteksto ba ay maaasahan at hindi nalilito? Angkop ba ang paraan ng pagsukat para sa tanong na ito? Kung hindi mo masasagot ng "oo" ang tatlong tanong na ito, hindi mahalaga kung gaano kahalaga ang resulta.
Tip: Kapag sinusuri ang output ng isang istatistika, tingnan muna ang input, hindi ang kinalabasan. "Saan nagmula ang data na ito, paano, sa ilang sample?" Tinatanggal ng tanong ang karamihan sa mga maling konklusyon bago man lang tumingin sa graph.
Pagsusuri ng talahanayan ng gawain
Paghanap
Papel ng AI
desisyon ng tao
pagpapatunay
Pag-calibrate ng C14
Pagkalkula, visualization
Sampling validity
Konteksto, lumang kahoy
serye
pag-scan ng pattern
Chronology/function na paghihiwalay
Paghahambing sa stratigraphy
multivariable
calculator ng istatistika
Pagpili ng pamamaraan
pagsusuri ng pagpapalagay
visualization
Mga graphic/code
tapat na representasyon
kawalan ng katiyakan, sukat
Magkomento
Buod ng buod
ibig sabihin, limitasyon
dalubhasa, panitikan
Mga karaniwang pagkakamali
- Paglalapat ng pamamaraan nang walang pagtatanong. Ang maling pagsubok ay nagbibigay ng "malinis" ngunit maling resulta.
- Pagbabawas ng kawalan ng katiyakan sa isang taon. Ang radiocarbon ay isang hanay; Ang isang taon ay nakaliligaw.
- Pag-bypass sa mga problema sa sampling. Ang maliit/marumi/biased na sample ay nagpapawalang-bisa sa resulta.
- Nagkakamali sa ugnayan para sa sanhi. Ang pagbabagong magkasama ay hindi sanhi at bunga.
- Manligaw gamit ang mga graphics. Ang putol-putol na axis, nakatagong kawalan ng katiyakan ay siyentipikong pagbaluktot.
Sa buod
AI sa pakikipag-date at mga istatistika; Ito ay isang malakas na accelerator para sa pagkakalibrate, pag-scan ng pattern, pagkalkula at visualization. Ngunit ang pagpili ng paraan, halimbawang kritisismo, tapat na pagpapahayag ng kawalan ng katiyakan, at interpretasyon ng resulta ay nabibilang sa siyentipikong paghatol. Huwag magtiwala sa tsart nang hindi nauunawaan ang pamamaraan; laging nagdadala ng kawalan ng katiyakan; at labanan ang paggigiit sa isang "eksaktong petsa."
Gawain ng aplikasyon
Maghanda ng sample find-frequency table o isang set ng mga na-calibrate na radiocarbon interval. Ipatukoy ang naaangkop na pagsusuri at ang mga pagpapalagay nito sa template na "Query sa kaangkupan ng pamamaraan," pagkatapos ay magkaroon ng pagsusuri na punahin gamit ang template na "Statistical audit." Gumawa ng chart sketch na nagpapakita ng mga hanay ng kawalan ng katiyakan gamit ang template na "Visualization (honest)" at iwasan ang solong taon na diskwento.
checklist
- [ ] Sinuri ko ang pagpili ng pamamaraan at mga pagpapalagay.
- [ ] Tinanong ko ang bisa ng sample (laki, halo, lumang kahoy).
- [ ] Iningatan ko ang kawalan ng katiyakan bilang isang agwat, hindi ko ito binawasan sa isang taon.
- [ ] Hindi ko nalilito ang ugnayan sa sanhi.
- [ ] Naipakita ko nang tapat ang sukat at kawalan ng katiyakan sa tsart.