論文の概要: (Whose defaults?) Is artificial intelligence reorienting archaeological methods?
- arxiv url: http://arxiv.org/abs/2609.11198v1
- Date: Thu, 10 Sep 2026 08:08:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.247973
- Title: (Whose defaults?) Is artificial intelligence reorienting archaeological methods?
- Title（参考訳）: (デフォルトは?)人工知能は考古学的手法を再編成しているのか?
- Abstract要約: 生成AIと「バイブコーディング」は、考古学者が計算研究を行う方法を変えつつある。
大型言語モデル (LLM) が考古学者が使用する方法の多様性を狭めているかどうかを評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Generative AI and the practice of "vibe coding" are changing how archaeologists carry out computational research, but their effects on the discipline's range of methods is still understudied. In this paper, we evaluate whether large language models (LLMs) are narrowing the variety of methods archaeologists use. We first analysed approximately 119,000 archaeology abstracts from Scopus, covering publications from 2010 to 2025. Using a locally run LLM, we identified the computational methods reported in each abstract and organised them into 25 broad categories (L2) and 241 finer clusters (L3). A Bayesian Dirichlet-multinomial model of method composition within sub-disciplines found a small but credible shift in method use after 2023. However, this shift was smaller than the variation already present across the full study period. No individual technique showed a significant change, and overall methodological diversity increased rather than declined. We then ran a controlled experiment to see whether LLMs recommend a narrower set of methods than archaeologists have used in practice. Two different open-weight models were asked to suggest methods for 28 archaeological research problems, with prompts providing three levels of methodological guidance: novice, intermediate, and expert. Recommendation diversity was much lower than in the published literature, particularly without methodological guidance. The models also tended to favour methods that were widely used before 2023, and their recommendations more closely resembled the post-2023 literature. Taken together, these results are consistent with LLMs pushing methodological choice towards convergence, although our study cannot establish a causal effect. They raise a broader question: how can archaeology retain methodological diversity as LLMs become more involved in research?
- Abstract（参考訳）: 生成AIと「バイブコーディング」の実践は、考古学者が計算研究を行う方法を変えつつあるが、その分野の手法に対する影響はまだ検討されていない。
本稿では,大規模言語モデル (LLM) が考古学者が使用する様々な手法を狭めているかどうかを評価する。
われわれは、2010年から2025年にかけて、スコパスから約119,000の考古学的要約を分析した。
局所的に実行されたLLMを用いて,各抽象的に報告された計算手法を特定し,25の広いカテゴリ (L2) と241の微細クラスタ (L3) に分類した。
ベイズ・ディリクレ・マルチノミカルモデル(英語版)は2023年以降の方法では、小さなが信頼性のある変化が見られた。
しかし、この変化は、全研究期間にわたって既に存在する変動よりも小さくなっていた。
個々のテクニックでは大きな変化は見られず、全体的な方法論的多様性は低下するよりも増大した。
LLMが考古学者が実際に用いた方法よりも、より狭い手法を推奨するかどうかを確認するために、制御された実験を行った。
2つの異なるオープンウェイトモデルが28の考古学的研究問題の方法の提案を依頼され、初心者、中間者、専門家の3段階の方法論的ガイダンスが提案された。
勧告の多様性は、特に方法論的指導を伴わずに、出版された文献よりもはるかに低かった。
これらのモデルは2023年以前に広く用いられた手法を好む傾向があり、その勧告は2023年以降の文献によく似ている。
これらの結果は, コンバージェンスへの方法論的選択を推し進めるLSMと一致しているが, 因果効果は確立できない。
LLMが研究に深く関与するにつれて、どのように考古学は方法論の多様性を維持することができるのか?
関連論文リスト
- Parameter Exploration for RLVR via Variational Learning [52.28666546574647]
既存の多くの手法は、例えば温度スケーリングを用いて、アクション空間での探索を制御する。
そこで本研究では,異なるロールアウトを探索可能な後部から異なるポリシーをサンプリングすることにより,ロールアウトを生成するパラメータ空間探索について検討する。
実験により、これらの手法は標準のGRPOよりもほぼ同一のFLOPsコストで平均ダウンストリーム性能を一貫して向上することが示された。
論文 参考訳（メタデータ） (2026-08-10T16:28:07Z) - Research Method Usage across Academic Ages in Library and Information Science: An Empirical Study (1990-2023) [7.4287545941586615]
学齢はキャリアの発達を形作り、研究行動、出力量、方法論の選択に影響を与える。
1990-2023年に14の権威ある図書館と情報科学誌に掲載された26,677の論文のコーパスが編纂された。
中産階級の学者は最も多様性の高い方法を示しており、後期の学者は最も低い方法を示している。
論文 参考訳（メタデータ） (2026-06-20T03:57:28Z) - Thinking Like a Scientist? A Structural Study of LLM-Generated Research Methods [4.424680117690851]
GPT-5.1、Gemini 3 Pro、DeepSeek-V3.2に、最近のarXivコンピュータサイエンス論文1000件のそれぞれからLLMで抽出された研究質問を提出する。
調査質問のみを提供するので、これらの提案がどの程度最適かではなく、最初の提案を反映している。
最も強い不均衡は提供者の選択に現れ、ジェンセン=シャノンの発散は他の分類学の次元よりも約3,5倍大きい。
論文 参考訳（メタデータ） (2026-06-15T14:53:30Z) - Part I: Tricks or Traps? A Deep Dive into RL for LLM Reasoning [53.85659415230589]
本稿では,広く採用されている強化学習手法を体系的にレビューする。
特定の設定に合わせてRLテクニックを選択するための明確なガイドラインを示す。
また、2つのテクニックを最小限に組み合わせることで、批判のないポリシーの学習能力を解き放つことも明らかにした。
論文 参考訳（メタデータ） (2025-08-11T17:39:45Z) - Machine learning applications in archaeological practices: a review [0.0]
1997年から2022年にかけて135の論文をレビューした。
自動構造検出とアーティファクト分類が最も顕著なタスクであった。
使用した機械学習手法の要件や注意点が不十分な場合もありました。
論文 参考訳（メタデータ） (2025-01-07T14:50:05Z) - Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
オンロジはドメインの知識とメタデータを表現するために広く使われている。
直接支援できる論理的推論は、学習、近似、予測において非常に限られています。
1つの簡単な解決策は、統計分析と機械学習を統合することである。
論文 参考訳（メタデータ） (2024-06-16T14:49:19Z) - CausalGym: Benchmarking causal interpretability methods on linguistic
tasks [52.61917615039112]
CausalGymを使って、モデル動作に因果的に影響を及ぼす解釈可能性手法のベンチマークを行う。
ピチアモデル (14M--6.9B) について検討し, 幅広い解釈可能性手法の因果効果について検討した。
DASは他の手法よりも優れており、2つの困難な言語現象の学習軌跡の研究に利用している。
論文 参考訳（メタデータ） (2024-02-19T21:35:56Z) - Use and Misuse of Machine Learning in Anthropology [0.9786690381850356]
生物学的・文化的な証拠に基づいて人類の進化を理解することを目指す古人類学の分野に焦点をあてる。
本研究の目的は,MLが古人類学に応用されている方法について,簡単な紹介を行うことである。
人類学文献の集積部において,ML手法の正しいプロトコルの一連の誤り,誤り,違反について論じる。
論文 参考訳（メタデータ） (2022-09-06T20:32:24Z) - Guided Deep Metric Learning [0.9786690381850356]
我々は、ガイドドディープメトリックラーニングと呼ばれる新しいDML手法を提案する。
提案手法は、最大40%の改善まで、より優れた多様体の一般化と表現が可能である。
論文 参考訳（メタデータ） (2022-06-04T17:34:11Z) - A Survey on Deep Semi-supervised Learning [51.26862262550445]
まず,既存の手法を分類した深層半指導学習の分類法を提案する。
次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
論文 参考訳（メタデータ） (2021-02-28T16:22:58Z) - There and Back Again: Revisiting Backpropagation Saliency Methods [87.40330595283969]
正当性法は,各入力サンプルの重要度マップを作成することによって,モデルの予測を説明する。
このような手法の一般的なクラスは、信号のバックプロパゲートと結果の勾配の分析に基づいている。
本稿では,そのような手法を統一可能な単一のフレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-06T17:58:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。