A Machine Learning Model for Criticizing Historical Materials

用于批评历史材料的机器学习模型

• 批准号: 21K19998
• 负责人: 大澤 僚也
• 金额: $ 1.75万
• 依托单位: Doshisha University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Research Activity Start-up
• 财政年份: 2021
• 资助国家: 日本
• 起止时间: 2021-08-30 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-21K19998/
• 关键词: 人文社会学; 考古学; 史資料批判; 予測モデル; 機械学習; シミュレーション

人文社会学研究では、特に史資料批判が研究の根幹をなす。この史資料批判は、外的批判と内的批判に類型化され、後者は比較的専門分野の訓練と経験により習熟していく性質があるが、 前者を科学的に行う方法論は確立されていない。一方で、近年、AIやビックデータ解析が発展をうけ、従来評価や予測のできなかった“不在”事象について、一定の確度で解析・予測できるアルゴリズムが開発されている。ある種の史資料の外的批判の放棄の段階から、新しい「分布は確からしさ」への拡張が可能となるだろう。本研究では、機械学習を応用し、史資料の外的批判が科学的に可能かという問いの解決を目指す。２０２１年度は分析の対象を縄文・弥生の縄文時代後期から弥生時代の遺跡毎の遺構データから変更し、既知の貝塚での出土貝組成データとする。貝組成データの傾向から、その立地の背景を明らかにし、未知の貝塚の貝組成傾向を知る方法の確立を目指す。日本の遺跡（貝塚）データに対して、機械学習モデルを作成し、遺構データに基づく遺跡を推定可能なモデル作成を目指す。機械学習によって簡単な分類モデルを作成する。その機械学習によって作成された分類モデルが重要と捉える変数と、これまで考古学分野で一般的に主張されてきた内容がどの程度確からしいかを確認する。貝塚の立地について、貝を供給する資源中心域からの移動距離によって、遺跡群のゾーニングする(クラスター)。そのうち、対象のクラスターの遺跡であるかどうかを分類するモデルから、ハマグリの割合、アサリの割合という特定の資源からの距離の変数がモデルにとって重要な変数であることを明らかにした。この結果は、対象クラスターを説明する通説にと違和感はなく機械学習モデルの有用性が示唆された。

Humanities and social sciences research で で, special に historical materials critical が research で root and stem をなす. こ の history data that criticism と は, outside critique に typed さ れ は, latter is 専 door eset の training と 経 験 に よ り acquisition し て い く nature が あ る が は line, the former を scientific に う methodology established さ れ て い な い. One party で, in recent years, the AI や ビ ッ ク デ ー タ parsing が 発 exhibition を う け, 従 to review 価 や be の で き な か っ た "not" things like に つ い て, the accuracy of the certain の で resolution can be で き る ア ル ゴ リ ズ ム が open 発 さ れ て い る. There are ある kinds of historical materials outside the <s:1> that criticize the abandonment of the <s:1> stage ら, and the new <s:1> "distribution <s:1> is confirmed が ら さ さ" へ 拡 zhang が may となるだろう. In this study, で で, machine learning を応, and critical が science other than historical data に are used to ask <s:1> to solve を, aiming at す. 2021 は analysis の like を seaborne jomon, yayoi の late jomon era か ら yayoi era の ruins their の heritage compose デ ー タ か ら - more し, both known の middens で の unearthed an bei デ ー タ と す る. Of Mr デ ー タ の tendency か ら, そ の site の background を Ming ら か に し, unknown の middens の bei composition tendency を know る method の establish を refers す. Japan の sites (middens) デ ー タ に し seaborne て, mechanical learning モ デ ル を make し, heritage compose デ ー タ に base づ く ruins を presumption may な モ デ ル made を refers す. Machine learning によって is simplified to 単な classification モデ を is made into する. そ の rote learning に よ っ て made さ れ た classification モ デ ル が important と catch え る - と, こ れ ま で archaeology eset で general に claims さ れ て き た content が ど の degree is か ら し い か を confirm す る. Middens の site に つ い て, bei を supply す る resource center domain か ら の mobile distance に よ っ て, ruins group の ゾ ー ニ ン グ す る (ク ラ ス タ ー). そ の う ち, like の seaborne ク ラ ス タ ー の ruins で あ る か ど う か を classification す る モ デ ル か ら, ハ マ グ リ の cut, ア サ リ の cut close と い う specific の resources か ら の distance の - several が モ デ ル に と っ て important な - several で あ る こ と を Ming ら か に し た. The <s:1> results された and the objects ラスタ ラスタ を を indicate that the する general theory にと sense of incongruity された なく machine learning モデ モデ the usefulness of が suggests された.

项目成果

遺伝的アルゴリズムを応用した進化シミュレーション

使用遗传算法的进化模拟

• 发表时间: 2022
• 作者: 大澤僚也;岸本幹史;山口雄治;坂平文博;津村宏臣
• 通讯作者: 津村宏臣

貝塚の貝組成傾向分析のための機械学習の検討

用于分析贝丘中贝类成分趋势的机器学习检查

• 发表时间: 2022
• 作者: 大澤僚也;岸本幹史;津村宏臣
• 通讯作者: 津村宏臣