收益：
- 能够在放射性碳校准、序列化和多变量分析中使用人工智能，并了解专家的方法选择和假设。
- 能够认识到放射性碳结果具有一定的概率范围，并且将不确定性降低到一年是一种科学扭曲
- 能够按照“垃圾进，垃圾出”的原则质疑样本有效性，并运用不混淆相关性和因果关系的反射能力
考古学依靠实验室科学和统计学来回答“何时”的问题。在本单元中，我们将了解人工智能如何加速诸如约会（确定发现物或层的年龄）、放射性碳（C14）分析、类型学（根据发现物的形式特征对发现物进行排序和分期）和系列化（根据发现物类型随时间的变化按时间顺序排列上下文的方法）等任务，但为什么科学结果的解释总是留给专家和正确的方法。
基本原理：人工智能加速计算、校准、统计模式和可视化；但哪种方法合适、样本是否有效、结果意味着什么，都需要科学判断。将错误的统计数据放入漂亮的图表中并不意味着它就是正确的。
约会方法和人工智能
放射性碳 (C14)。年龄是根据有机遗骸中放射性碳的衰变来计算的。原始结果使用基于树木年轮的曲线进行校准（校准 - 将原始放射性碳年龄转换为实际日历年的校正）。人工智能加速校准计算和多个日期的比较可视化。但人工智能不知道诸如老木问题之类的陷阱（从已经存在了数百年的树上采集的样本比使用它的事件要古老得多）；样本批评是专家的工作。
类型学和系列化。查找类型的频率随时间变化；一种类型出现，变得广泛，然后减少。序列化使用这种“毯子”模式对上下文进行排序。人工智能非常擅长在大型数据集中和多变量分析（同时评估许多特征的统计数据）中发现这些模式。但专家可以区分结果是由于时间顺序还是功能/区域差异造成的。
其他方法。树木年代学（树木年轮）、热释光、考古磁学等方法也有助于AI计算和比较；方法选择和解释留给专家。
提示：当让人工智能进行统计时，询问“你使用了什么方法以及它的假设是什么？”问。如果方法错误（例如对非序列数据进行平均、忽略异常值），结果在视觉上将是“干净的”，但在科学上是不正确的。在不了解方法的情况下，不要相信图表。
人工智能在统计学中的优势和劣势
功能强大：重复计算、校准、大数据集中的模式扫描、可视化代码生成、不同方法的快速测试。
弱/有风险：
- 不要建议错误的方法。 AI 可以自信地推荐与数据不相符的测试。
- 抽样盲目性。它看不到小样本、有偏见的样本或被污染的样本； “这就是数据，”他说。
- 极端评论。它可以将弱相关性呈现为强结果；相关性不是因果关系（仅仅因为两件事一起变化并不意味着其中一件事会导致另一件事）。
- 编造的号码。如果需要，它可以产生一个“看似合理”但不切实际的日期或概率。
注意：放射性碳日期从来都不是单一的“精确年份”；是一个概率范围（例如 750-680 BC，置信度为 95%）。不要让人工智能将结果减少到一年；总是带着不确定性。隐藏不确定性是一种科学扭曲。
三个迷你箱子
案例 1 — 校准加速。其中一个项目将对 48 个放射性碳样品进行校准和比较可视化。 AI在几分钟而不是几小时内生成校准代码和对比图；专家亲自评估了旧木材的采样背景和风险，并将两个样本标记为“不可靠”。
案例 2 — 发现了错误的方法。一名学生应用人工智能建议的测试来查找类型频率，并得到了“具有统计显着性”的结果。统计顾问表明数据不适合本次检验（违反了假设）；只要方法正确，结果就毫无意义。教训：方法的选择决定结果。
情况 3 — 不确定性被放回。团队将报告图层的 AI 摘要中的单个日期“公元前 720 年”。专家表示，口径范围为公元前800-680年，单一年份具有误导性。报告已用概率范围进行更正。承担不确定性就是诚实。
四个可复制模板
1）方法适用性查询：
您的角色：考古统计顾问。我将描述以下数据和问题：[数据类型、样本大小、问题]。告诉我有关此数据批准的方法选项、每个选项的假设，以及如何检查产量是否满足这些假设。不适当的方法也应根据理由予以解决。
2）放射性碳解释框架：
下面是我校准的放射性碳间隔：[列表]。解释在解释这些时我应该注意的陷阱（旧木材、污染、海洋水库效应、样本与事件的关系）以及如何正确表达不确定性区间。不要给它一年的时间；保持间隔。
3）统计审核：
我进行了以下分析：【方法与结果】。请批评：该方法是否适合数据，假设是否成立，样本是否足够，是否存在异常值/混合物，结果是否过度解释？列出你的弱点；不要确认结果，质疑它。
4）可视化（诚实）：
使用以下数据准备图表/代码：[数据]。必须显示不确定性范围（误差条/范围）。设置轴和比例，不要进行误导性的切割。不要添加数据中没有的任何点。用注释解释该图显示了什么和没有显示什么。
弱提示/强提示
弱提示：
分析此发现数据并说明该站点的确切日期。
AI可能会选择不适当的方法并编造出一个准确的日期；它隐藏了不确定性并且看不到抽样问题。
强力提示：
您的角色：统计顾问。产量：[定义，样本量]。首先告诉我适合该数据的方法及其假设，然后给出结果以及应用它时的不确定性范围。不要给出一个明确的日期。还要指出与样本相关的哪些风险（小样本、混合样本、旧木材）可能会削弱结果。
区别：前者产生错误的确定性；后者产生错误的确定性。其次，该方法保持开放的假设和不确定性。
贝叶斯方法、采样和“垃圾进，垃圾出”
现代考古测年中的一种强大方法是贝叶斯建模（一种统计方法，它将现有的先验信息（例如，“A 层位于 B 层之下”）与测量相结合，以产生更窄、更真实的日期范围），将多个放射性碳测年法与地层序列结合起来。这种方法通过将各个日期限制在已知的层顺序内，缩小了各个日期的广泛不确定性。人工智能可以帮助构建和计算这些模型；但是模型中输入的先验信息（地层关系）是专家决策，不正确的先验约束会产生可信但不准确的结果。
从这里我们就得出了模块最基本的统计原理：“垃圾进，垃圾出”。即使是最先进的人工智能和最优雅的统计数据也无法从糟糕的数据中产生良好的结果。无论进行多少处理，从混合环境中发现的受污染的放射性碳样本或有偏差的样本都将仍然无效。 AI看不到这些问题，因为它不“从外部”查看数据；它接受您提供的真实数字。只有了解该领域的专家才能评估样本的收集方式、样本来自什么背景以及代表什么。
因此，在相信任何统计结果之前，请先问以下三个问题：样本是否足够大且具有代表性？上下文是否可靠且清晰？测量方法适合这个问题吗？如果你对这三个问题都不能回答“是”，那么无论结果看起来多么“重要”都没有关系。
提示：在评估统计数据的输出时，首先查看输入，而不是结果。 “这些数据从哪里来、如何来、有多少样本？”在查看图表之前，问题就消除了大多数错误的结论。
分析任务表
任务
人工智能的作用
人类的决定
验证
C14校准
计算、可视化
抽样有效性
背景，老木头
系列化
图案扫描
年代/功能分离
与地层学的比较
多变量
统计计算器
方法选择
假设检验
可视化
图形/代码
诚实的代表
不确定性、规模
评论
摘要草案
意义、限制
专家、文献
常见错误
- 毫无疑问地应用该方法。错误的测试给出了“干净”但错误的结果。
- 将不确定性减少到一年。放射性碳是一个范围；一年是有误导性的。
- 绕过采样问题。小/脏/有偏差的样本会使结果无效。
- 将相关性误认为因果关系。一起改变不是因果。
- 用图形误导。虚线轴，隐藏着不确定性，是科学扭曲。
综上所述
约会和统计中的人工智能；它是校准、模式扫描、计算和可视化的强大加速器。但方法的选择、样本的批评、不确定性的诚实表达以及结果的解释都属于科学判断。不了解方法就不要相信图表；总是带有不确定性；并抵制对单一“确切日期”的坚持。
应用任务
准备一个样本查找频率表或一组校准的放射性碳间隔。使用“方法适用性查询”模板确定适当的分析及其假设，然后使用“统计审计”模板对分析进行批评。使用“可视化（诚实）”模板制作显示不确定性范围的图表草图，并避免单年折扣。
清单
- [ ] 我已经检查了方法选择和假设。
- [ ] 我质疑样本的有效性（尺寸、混合、旧木材）。
- [ ] 我将不确定性保留为一个区间，我没有将其减少到一年。
- [ ] 我没有混淆相关性和因果关系。
- [ ] 我在图表中诚实地显示了规模和不确定性。