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

Een gebied dat niet zo veel aandacht krijgt in termen van het potentieel van kunstmatige intelligentie (AI) is hoe het kan worden gebruikt in geschiedenis, antropologie, archeologie en andere vergelijkbare vakgebieden. 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: de Midden Steentijd (MSA) en de Late Steentijd (LSA).

Deze onderscheiding lijkt misschien op 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

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

LSA-gereedschapskisten 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 focussen 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 sleutelregio 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 ideaal is voor onderzoek met kwantitatieve methoden,” zegt Dr. Blinkhorn. “Dit stelde ons in staat om een aanzienlijke database van veranderende patronen in steengereedschapsproductie en -gebruik 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 gereedschapssoorten over 92 steengereedschapsverzamelingen, 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 University of Liverpool.

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

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 zijn 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 op de resultaten heeft. Dit stelde ons in staat om te identificeren hoe patronen van steengereedschapsverzamelingssamenstelling variëren tussen MSA en LSA, en we hopen dat dit aantoont hoe dergelijke methoden op bredere schaal kunnen worden gebruikt in archeologisch onderzoek in de toekomst.”

“De resultaten van onze studie laten zien dat MSA- en LSA-verzamelingen kunnen worden onderscheiden op basis van de constellatie van artifacttypen die worden aangetroffen in een verzameling alleen,” zegt Blinkhorn. “De gecombineerde aanwezigheid van gesteunde stukken, blad- en bipolaire technologieën, samen met de gecombineerde afwezigheid van kerngereedschap, Levallois-schilfertechnologie, punttechnologie en schrapers, identificeert robuust LSA-verzamelingen, met het tegenovergestelde patroon dat MSA-verzamelingen identificeert. Dit levert gekwantificeerde ondersteuning voor kwalitatieve verschillen die eerder door onderzoekers zijn opgemerkt, die aangeven 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.