Neuraal Netwerk Maakt het Gemakkelijker om Verschillende Punten in de Geschiedenis te Identificeren

Een gebied dat niet zo veel wordt behandeld in termen van het potentieel van kunstmatige intelligentie (AI) is hoe het kan worden gebruikt in geschiedenis, antropologie, archeologie en andere vergelijkbare gebieden. Dit wordt gedemonstreerd door nieuw onderzoek dat laat zien hoe machine learning kan fungeren als een instrument voor archeologen om twee belangrijke perioden te onderscheiden: het Midden-Steenijdperk (MSA) en het Late Steenijdperk (LSA).

Deze onderscheiding lijkt misschien iets dat academici en archeologen al hebben vastgesteld, maar dat is verre van het geval. In veel gevallen is het niet gemakkelijk om tussen de twee te onderscheiden.

MSA en LSA

Ongeveer 300.000 jaar geleden verschenen de eerste MSA-gereedschapssets tijdens dezelfde tijd als de vroegste fossielen van Homo Sapiens. Dezelfde gereedschapssets werden gebruikt tot ongeveer 30.000 jaar geleden. Een belangrijke verandering in gedrag vond plaats ongeveer 67.000 jaar geleden, toen er veranderingen waren in de productie van stenen gereedschap, en de resulterende gereedschapssets waren LSA.

LSA-gereedschapssets werden nog steeds gebruikt in de recente geschiedenis, en het wordt nu duidelijk dat de overgang van MSA naar LSA geen lineair proces was. De veranderingen vonden plaats op verschillende tijdstippen en op verschillende plaatsen, wat de reden is waarom onderzoekers zich zo veel richten op dit proces dat kan helpen bij het begrijpen van culturele innovatie en creativiteit.

De basis van dit begrip is de onderscheiding tussen MSA en LSA.

Dr. Jimbob Blinkhorn is een archeoloog van de Pan African Evolution Research Group, Max Planck Institute for the Science of Human History en het Centre for Quaternary Research, Department of Geography, Royal Holloway.

“Oost-Afrika is een belangrijke regio om deze belangrijke culturele verandering te onderzoeken, niet alleen omdat het enkele van de jongste MSA-sites en enkele van de oudste LSA-sites herbergt, maar ook omdat een groot aantal goed opgegraven en gedateerde sites het ideaal maakt voor onderzoek met behulp van kwantitatieve methoden,” zegt Dr. Blinkhorn. “Dit stelde ons in staat om een aanzienlijke database van veranderende patronen in de productie en het gebruik van stenen gereedschap samen te stellen, die zich uitstrekt van 130.000 tot 12.000 jaar geleden, om de overgang van MSA naar LSA te onderzoeken.”

Kunstmatige Neurale Netwerken (ANN’s)

De studie is gebaseerd op 16 alternatieve gereedschapstypen over 92 stenen gereedschapssets, met de focus op hun aanwezigheid of afwezigheid. De studie benadrukt de constellaties van gereedschapsvormen die vaak samen voorkomen in plaats van elk individueel gereedschap.

Dr. Matt Grove is een archeoloog aan de Universiteit van Liverpool.

“We hebben een benadering van Kunstmatige Neurale Netwerken (ANN’s) gebruikt om modellen te trainen en te testen die LSA-gereedschapssets onderscheiden van MSA-gereedschapssets, evenals om de chronologische verschillen tussen oudere (130.000-71.000 jaar geleden) en jongere (71.000-28.000 jaar geleden) MSA-gereedschapssets te onderzoeken met een succespercentage van 94%,” zegt Dr. Glove.

Kunstmatige Neurale Netwerken (ANN’s) imiteren bepaalde informatie-verwerkingsfuncties van de menselijke hersenen, en de verwerkingskracht is sterk afhankelijk van de actie van veel eenvoudige eenheden die samenwerken.

“ANN’s worden soms beschreven als een ‘black box’-benadering, omdat zelfs als ze zeer succesvol zijn, het niet altijd duidelijk is waarom,” zegt Grove. “We hebben een simulatiebenadering gebruikt die deze black box opent om te begrijpen welke invoer een significante invloed heeft op de resultaten. Dit stelde ons in staat om te identificeren hoe patronen van stenen gereedschapssets variëren tussen MSA en LSA, en we hopen dat dit aantoont hoe dergelijke methoden op een bredere schaal kunnen worden gebruikt in archeologisch onderzoek in de toekomst.”

“De resultaten van onze studie laten zien dat MSA- en LSA-gereedschapssets kunnen worden onderscheiden op basis van de constellatie van artifacttypen die worden aangetroffen in een gereedschapsset alleen,” zegt Blinkhorn. “De gecombineerde aanwezigheid van backed pieces, blade en bipolar technologieën, samen met de gecombineerde afwezigheid van core tools, Levallois flake technologie, point technologie en schrapers, identificeert robuust LSA-gereedschapssets, met het tegenovergestelde patroon dat MSA-gereedschapssets identificeert. Dit biedt gekwantificeerde ondersteuning voor kwalitatieve verschillen die zijn opgemerkt door eerdere onderzoekers dat belangrijke typologische veranderingen optreden bij deze culturele overgang.”

Het team zal nu de nieuw ontwikkelde methode gebruiken om verder te kijken naar culturele verandering in de Afrikaanse Steentijd.

“De benadering die we hebben gebruikt, biedt een krachtig instrumentarium om de categorieën te onderzoeken die we gebruiken om het archeologische record te beschrijven en om ons te helpen bij het onderzoeken en verklaren van culturele verandering onder onze voorouders,” zegt Blinkhorn.