Lợi nhuận:
- Khả năng sử dụng trí thông minh nhân tạo trong hiệu chuẩn carbon phóng xạ, phân tích chuỗi và đa biến, đồng thời hiểu rằng việc lựa chọn và giả định phương pháp là của chuyên gia.
- Khả năng nhận ra rằng kết quả carbon phóng xạ có nhiều khả năng xảy ra và việc giảm độ không chắc chắn xuống còn một năm là một sự bóp méo khoa học
- Khả năng đặt câu hỏi về tính hợp lệ của mẫu với nguyên tắc 'rác vào, rác ra' và áp dụng phản xạ không nhầm lẫn giữa tương quan và nhân quả
Khảo cổ học dựa vào cả khoa học thí nghiệm và thống kê để trả lời câu hỏi “khi nào”. Trong phần này, chúng ta sẽ xem cách AI tăng tốc các nhiệm vụ như xác định niên đại (xác định tuổi của một phát hiện hoặc lớp), phân tích carbon phóng xạ (C14), phân loại (sắp xếp và định kỳ các phát hiện theo đặc điểm hình thức của chúng) và xâu chuỗi (phương pháp sắp xếp bối cảnh theo trình tự thời gian theo sự thay đổi của các loại tìm kiếm theo thời gian), nhưng tại sao việc giải thích các kết quả khoa học luôn được giao cho chuyên gia và phương pháp chính xác.
Nguyên tắc cơ bản: AI tăng tốc tính toán, hiệu chỉnh, tạo khuôn thống kê và trực quan hóa; Nhưng phương pháp nào là phù hợp, mẫu có hợp lệ hay không và kết quả có ý nghĩa gì thì cần có sự đánh giá khoa học. Đưa một số liệu thống kê sai vào một biểu đồ đẹp không có nghĩa là nó đúng.
Phương pháp hẹn hò và AI
Cacbon phóng xạ (C14). Tuổi được tính từ sự phân hủy của carbon phóng xạ trong tàn tích hữu cơ. Kết quả thô được hiệu chỉnh bằng đường cong dựa trên các vòng cây (hiệu chuẩn - hiệu chỉnh chuyển đổi tuổi cacbon phóng xạ thô sang năm dương lịch thực tế). AI tăng tốc tính toán hiệu chuẩn và trực quan hóa so sánh nhiều ngày. Nhưng AI không biết những cái bẫy như vấn đề gỗ cũ (mẫu lấy từ một cái cây đã sống hàng trăm năm sẽ cũ hơn nhiều so với sự kiện nó được sử dụng); Phê bình mẫu là công việc của một chuyên gia.
Kiểu chữ và thứ tự. Tần suất của các loại tìm kiếm thay đổi theo thời gian; Một loại xuất hiện, trở nên phổ biến, giảm sút. Chuỗi sắp xếp ngữ cảnh bằng cách sử dụng mẫu "chăn" này. AI rất mạnh trong việc tìm kiếm các mẫu này trong các tập dữ liệu lớn và trong phân tích đa biến (số liệu thống kê đánh giá nhiều tính năng cùng một lúc). Nhưng chuyên gia có thể phân biệt liệu kết quả là do sự khác biệt về thời gian hay sự khác biệt về chức năng/khu vực.
Các phương pháp khác. Các phương pháp như dendrochronology (vòng cây), nhiệt phát quang và khảo cổ học cũng rất hữu ích trong việc tính toán và so sánh AI; Việc lựa chọn và giải thích phương pháp được giao cho chuyên gia.
Mẹo: Khi yêu cầu AI chạy một thống kê, hãy hỏi “bạn đã sử dụng phương pháp nào và giả định của nó là gì?” hỏi. Nếu phương pháp sai (ví dụ: lấy trung bình dữ liệu không tuần tự, bỏ qua giá trị ngoại lệ), kết quả sẽ "sạch" về mặt trực quan nhưng không chính xác về mặt khoa học. Đừng tin vào biểu đồ mà không hiểu phương pháp.
Điểm mạnh và điểm yếu của AI trong thống kê
Mạnh mẽ: Tính toán lặp lại, hiệu chuẩn, quét mẫu trong tập dữ liệu lớn, tạo mã trực quan, thử nghiệm nhanh các phương pháp khác nhau.
Yếu/rủi ro:
- Đừng đề xuất phương pháp sai. AI có thể tự tin đề xuất một bài kiểm tra không phù hợp với dữ liệu.
- Lấy mẫu mù. Nó không nhìn thấy mẫu nhỏ, sai lệch hoặc bị ô nhiễm; "Đây là dữ liệu," ông nói.
- Bình luận cực đoan. Nó có thể thể hiện một mối tương quan yếu như một kết quả mạnh mẽ; mối tương quan không phải là quan hệ nhân quả (chỉ vì hai thứ thay đổi cùng nhau không có nghĩa là cái này gây ra cái kia).
- Số tạo thành. Nếu muốn, nó có thể tạo ra một ngày hoặc xác suất "hợp lý" nhưng không thực tế.
Thận trọng: Ngày carbon phóng xạ không bao giờ là một "năm chính xác"; là một phạm vi xác suất (ví dụ: 750-680 BC với độ tin cậy 95%). Đừng để AI giảm kết quả xuống còn một năm; Luôn mang theo sự không chắc chắn. Che giấu sự không chắc chắn là một sự bóp méo khoa học.
ba trường hợp nhỏ
Trường hợp 1 - Hiệu chuẩn được tăng tốc. Một dự án sẽ thực hiện hiệu chuẩn và so sánh trực quan 48 mẫu cacbon phóng xạ. AI tạo mã hiệu chuẩn và biểu đồ so sánh tính bằng phút thay vì hàng giờ; Bản thân chuyên gia này đã đánh giá bối cảnh lấy mẫu và rủi ro của gỗ cũ và đánh dấu hai mẫu là “không đáng tin cậy”.
Trường hợp 2 - Bắt sai phương pháp. Một sinh viên đã áp dụng bài kiểm tra do AI gợi ý để tìm tần số loại và nhận được kết quả "có ý nghĩa thống kê". Chuyên gia tư vấn thống kê cho thấy số liệu không phù hợp cho thử nghiệm này (các giả định đã bị vi phạm); Với phương pháp đúng, kết quả là vô nghĩa. Bài học: Việc lựa chọn phương pháp quyết định kết quả.
Trường hợp 3 - Sự không chắc chắn được đưa trở lại. Một nhóm sẽ báo cáo một ngày duy nhất trong bản tóm tắt AI cho một lớp, "720 BC." Chuyên gia này tuyên bố rằng phạm vi cỡ nòng là 800-680 trước Công nguyên và năm duy nhất là sai lệch. Báo cáo được sửa với phạm vi xác suất. Chịu đựng sự không chắc chắn là sự trung thực.
Bốn mẫu có thể sao chép
1) Truy vấn tính phù hợp của phương pháp:
Vai trò của bạn: nhà tư vấn thống kê khảo cổ học. Tôi sẽ mô tả dữ liệu và câu hỏi sau: [loại dữ liệu, cỡ mẫu, câu hỏi]. Hãy cho tôi biết về các tùy chọn phương pháp ĐƯỢC PHÊ DUYỆT với dữ liệu này, GIẢ ĐỊNH của từng tùy chọn và cách kiểm tra xem lợi nhuận có đáp ứng các giả định đó hay không. Các phương pháp không phù hợp cũng cần được giải quyết trên cơ sở.
2) Khung giải thích cacbon phóng xạ:
Dưới đây tôi có các khoảng cacbon phóng xạ đã được hiệu chỉnh của mình: [danh sách]. Giải thích những cạm bẫy mà tôi nên biết khi diễn giải những điều này (gỗ cũ, ô nhiễm, hiệu ứng hồ chứa biển, mối quan hệ giữa mẫu với sự kiện) và cách diễn đạt khoảng không chắc chắn một cách chính xác. Đừng cho nó một năm; duy trì khoảng thời gian.
3) Kiểm toán thống kê:
Tôi đã tiến hành phân tích sau: [phương pháp và kết quả]. Hãy phê bình: phương pháp này có phù hợp với dữ liệu không, các giả định có đúng không, mẫu có đủ không, có bất kỳ ngoại lệ/hỗn hợp nào không, kết quả có được diễn giải quá mức không? Liệt kê những điểm yếu của bạn; Đừng xác nhận kết quả, hãy đặt câu hỏi.
4) Hình dung (trung thực):
Chuẩn bị biểu đồ/mã với dữ liệu sau: [dữ liệu]. PHẢI hiển thị phạm vi không chắc chắn (thanh/phạm vi lỗi). Thiết lập trục và tỷ lệ mà không thực hiện các vết cắt sai lệch. KHÔNG THÊM bất kỳ điểm nào không có trong dữ liệu. Giải thích bằng ghi chú những gì biểu đồ thể hiện và không thể hiện.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Phân tích dữ liệu tìm thấy này và nêu ngày chính xác của trang web.
AI có thể chọn một phương pháp không phù hợp và tạo ra một ngày chính xác duy nhất; Nó che giấu sự không chắc chắn và không nhìn thấy vấn đề lấy mẫu.
Lời nhắc mạnh mẽ:
Vai trò của bạn: cố vấn thống kê. Năng suất: [định nghĩa, cỡ mẫu]. Trước tiên, hãy cho tôi biết phương pháp và các giả định của nó phù hợp với dữ liệu này, sau đó đưa ra kết quả với phạm vi không chắc chắn nếu chúng tôi áp dụng nó. Đừng đưa ra một ngày dứt khoát. Đồng thời chỉ ra những rủi ro nào liên quan đến mẫu (n nhỏ, hỗn hợp, gỗ cũ) có thể làm suy yếu kết quả.
Sự khác biệt: cái trước tạo ra sự chắc chắn sai lầm; thứ hai, phương pháp này giữ các giả định mở và sự không chắc chắn.
Cách tiếp cận Bayes, lấy mẫu và "rác vào, rác ra"
Một phương pháp mạnh mẽ trong việc xác định niên đại khảo cổ học hiện đại là mô hình Bayesian (một phương pháp thống kê kết hợp thông tin trước đó hiện có—ví dụ: “lớp A làm nền cho lớp B”—với các phép đo để tạo ra phạm vi ngày hẹp hơn, thực tế hơn) kết hợp nhiều niên đại cacbon phóng xạ với trình tự địa tầng. Cách tiếp cận này thu hẹp sự không chắc chắn rộng rãi của từng niên đại bằng cách giới hạn chúng theo thứ tự đã biết của các lớp. AI có thể giúp xây dựng và tính toán những mô hình này; nhưng thông tin trước đó (mối quan hệ địa tầng) được đưa vào mô hình là quyết định của chuyên gia và ràng buộc trước đó không chính xác sẽ tạo ra kết quả đáng tin cậy nhưng không chính xác.
Từ đây chúng ta đi đến nguyên tắc thống kê cơ bản nhất của module: "rác vào, rác ra". Ngay cả AI tiên tiến nhất và số liệu thống kê tinh vi nhất cũng không thể tạo ra kết quả tốt từ dữ liệu xấu. Một mẫu carbon phóng xạ bị ô nhiễm, được phát hiện từ một bối cảnh hỗn hợp hoặc một mẫu sai lệch sẽ vẫn không hợp lệ cho dù có xử lý bao nhiêu đi chăng nữa. AI không thể nhìn thấy những vấn đề này vì nó không nhìn vào dữ liệu “từ bên ngoài”; Nó chấp nhận những con số bạn đưa ra là thật. Chỉ có chuyên gia hiểu biết về lĩnh vực này mới có thể đánh giá mẫu được thu thập như thế nào, nó đến từ bối cảnh nào và nó đại diện cho điều gì.
Vì vậy, trước khi tin tưởng vào bất kỳ kết quả thống kê nào, hãy hỏi ba câu hỏi sau: Mẫu có đủ lớn và mang tính đại diện không? Các bối cảnh có đáng tin cậy và không bị nhầm lẫn không? Phương pháp đo lường có phù hợp với câu hỏi này không? Nếu bạn không thể trả lời “có” cho ba câu hỏi này thì kết quả có vẻ “đáng kể” đến mức nào cũng không thành vấn đề.
Mẹo: Khi đánh giá đầu ra của một thống kê, trước tiên hãy nhìn vào đầu vào chứ không phải kết quả. "Dữ liệu này đến từ đâu, bằng cách nào, với bao nhiêu mẫu?" câu hỏi loại bỏ hầu hết các kết luận sai thậm chí trước khi nhìn vào biểu đồ.
Bảng nhiệm vụ phân tích
Nhiệm vụ
Vai trò của AI
quyết định của con người
xác minh
Hiệu chuẩn C14
Tính toán, trực quan hóa
Hiệu lực lấy mẫu
Bối cảnh, gỗ cũ
sự sắp xếp theo thứ tự
quét mẫu
Phân tách thời gian/chức năng
So sánh với địa tầng
đa biến
máy tính thống kê
Lựa chọn phương pháp
kiểm tra giả định
hình dung
Đồ họa/mã
đại diện trung thực
sự không chắc chắn, quy mô
Bình luận
bản thảo tóm tắt
ý nghĩa, giới hạn
chuyên gia, văn học
Những lỗi thường gặp
- Áp dụng phương pháp mà không cần đặt câu hỏi. Xét nghiệm sai cho kết quả "sạch" nhưng sai.
- Giảm sự không chắc chắn xuống còn một năm. Radiocarbon là một phạm vi; Một năm là sai lầm.
- Bỏ qua các vấn đề lấy mẫu. Mẫu nhỏ/bẩn/sai lệch sẽ làm mất hiệu lực của kết quả.
- Nhầm lẫn mối tương quan với quan hệ nhân quả. Cùng nhau thay đổi không phải là nhân quả.
- Gây hiểu lầm với đồ họa. Trục đứt nét, ẩn chứa sự bất định là sự bóp méo khoa học.
Tóm lại
AI trong hẹn hò và thống kê; Nó là một công cụ tăng tốc mạnh mẽ để hiệu chỉnh, quét mẫu, tính toán và trực quan hóa. Nhưng việc lựa chọn phương pháp, phê bình mẫu, trình bày trung thực sự không chắc chắn và giải thích kết quả đều thuộc về phán đoán khoa học. Đừng tin vào biểu đồ nếu không hiểu phương pháp; luôn mang theo sự bất định; và chống lại sự khăng khăng về một “ngày chính xác” duy nhất.
Nhiệm vụ ứng dụng
Chuẩn bị bảng tần số tìm mẫu hoặc một tập hợp các khoảng cacbon phóng xạ đã hiệu chuẩn. Xác định bản phân tích phù hợp và các giả định của nó bằng mẫu "Truy vấn về tính phù hợp của phương pháp", sau đó phê bình bản phân tích bằng mẫu "Kiểm tra thống kê". Tạo bản phác thảo biểu đồ hiển thị phạm vi không chắc chắn bằng mẫu "Trực quan hóa (trung thực)" và tránh chiết khấu trong một năm.
danh sách kiểm tra
- [ ] Tôi đã kiểm tra việc lựa chọn phương pháp và các giả định.
- [ ] Tôi nghi ngờ tính hợp lệ của mẫu (kích thước, hỗn hợp, gỗ cũ).
- [ ] Tôi giữ sự không chắc chắn như một khoảng thời gian, tôi không giảm nó xuống còn một năm.
- [ ] Tôi không nhầm lẫn mối tương quan với quan hệ nhân quả.
- [ ] Tôi đã thể hiện một cách trung thực tỷ lệ và sự không chắc chắn trong biểu đồ.