Tarih ve Veri Bilimi

Tarihsel nüfus hareketlerinin incelenmesi geleneksel olarak parçalanmış kanıtlara dayanıyordu - insan davranışının sesi, gemi açıklarını, vergi kayıtlarını ve mektupları. Tarihçiler ve arkeologlar, insan toplumlarının ebb ve akışını yeniden inşa etmek için bu shards parçasını bir araya getiriyorlar. Ancak, bilinen göçler ve çevre verileri üzerinde eğitim algoritmalarıyla, araştırmacılar, daha önce de bilgisayar destekli bir eğitimle ilgili olarak yeniden yapılanma izin veren bir eğitimle geçmişleri tahmin edebilir.

Tarihi arşivlerin dijitalleştirilmesi son on yılda çok hızlandırdı. Milyonlarca sayım geri döndü, parish kayıt ve vergi ruloları şimdi makine hazırlayıcıdır.Ancak hamil bilgi oluşturmakla kalmaz.İnsan hareketliliğinin modelleri derinden doğrusal değildir: bir kıtlık bu boşluğun ötesine geçmek için tarihçilerin bu karmaşıklıkları tahmin etmeye ve ticari erişimi tahmin etmesine izin verir. Geleneksel istatistik yöntemleri genellikle bu karmaşıklıkları yakalamaya çalışır.

Bu makale, tarihsel nüfus hareketlerini tahmin etmek için makine öğreniminin nasıl uygulandığını, araştırmacıların karşılaştığı veriler ve teknikler ve her iki tarihsel burs ve çağdaş politika için dönüştürücü potansiyeli araştırıyor. Neolitik genişlemeden Avrupa'ya Amerikan Toz Bowl göçüne kadar gerçek vaka çalışmaları inceleyeceğiz ve araştırmacıların bu yöntemleri benimsemelerini sağlamak için harekete geçtik.

Makine Neden Tarihsel Demografikler Için Öğrenme?

Geleneksel demografik tarih genellikle anlatı analizi ve temel istatistik korelasyonları üzerine dayanır. Makine öğrenimi bu yetenekleri doğrusal olmayan ilişkileri ve yüksek boyutlu etkileşimleri ele alarak genişletir.Örneğin, göç etme kararı, ek getirilerin, siyasi istikrarsızlık, vergi yüklerinin ve kinship ağlarının bir kombinasyonunun bir kombinasyonunun bağlı olabilir.Demek için lineer bir regresyon modeli bu tür etkileşimleri ele almak için mücadele eder, ancak bir gradient-boosted ağacı veya bir sinir ağı bunları tam olarak verileriyle öğrenebilir.

Tarihteki ML'nin erken kabul edenleri, bu modellerin geleneksel yöntemlere açıklayabileceğini göstermiştir.A 2020, Cambridge Üniversitesi'ndeki araştırmacılar tarafından yapılan bir araştırma, Avrupa'daki Neolitik yerleşim yerlerini doğrultmak, sadece çevresel değişkenlere güvenmek için gerçek bir araç olduğunu göstermektedir.

Tahminin ötesinde, ML tarihçiler için belki daha değerli bir şey sunuyor: belirsizliği ölçmek için yeteneği. Tarihsel tartışmalar genellikle olasılıksaldır -" nüfusun geleneksel historiyografinin nedeniyle batıya taşındıkları büyük olasılıkla.

Ekonomik ve insani tehlikeler de önemlidir. Tarihi göç sürücülerinin bugün iklim mülteciler, kentsel planlama ve felaket yanıtı hakkında modern politikayı bilgilendirebilmelerini anlamak, örneğin, modeller tarihsel göçlerin sürekli olarak kuraklık ve ticaret rotası kesintisinin bir kombinasyonunun ortaya çıktığını gösteriyorsa, o zaman erken uyarı sistemleri bu öncüleri bugün tespit etmek için tasarlanabilir.

Tarihsel Veri Biliminin Evrimi

Tarihsel veriler bilim bir gecede ortaya çıkmadı. 1960'larda ve 1970'lerde erken çabalar, nicel tarihe odaklandı - insanları zaman içinde haritalama verileri ve ana çerçeve bilgisayarları analiz etmeye teşvik etti.Cliometris, çağrıldığı gibi, geleneksel tarihçilerin düşüşünü tekrar tahmin ettiğini gösteriyor.

Makine öğrenimi bir sonraki mantıksal adımı temsil eder. GIS'in "var" cevapları ve "neden", "kullanıcıların" kullanılabilirliği, açık kaynak kütüphaneleri scikit-öğrenme ve TensorFlow gibi, standart veri formatları, modern AI'nın hesaplama gücü ile daha düşüktü.

Data Sources: The Raw Material of Prediction

Herhangi bir makine öğrenme projesi sadece verileri kadar iyidir. Tarihi nüfus hareketleri için araştırmacılar, birden çok disiplinden heterojen veri kümelerini derlemelidir.En yaygın kaynaklar şunları içerir:

  • [FONT:0]Demografik kayıtlar: [Döneticiler, parish kayıtları, vergi ruloları ve askeri yazıt listeleri. Bunlar nüfus sayımı, yaş dağıtımları ve ev yapıları belirli zaman noktalarında sağlar.
  • [FONT:0]Migration logs:[Dönetici:[Dönder: 1) Gemi yolcu listeleri, sınır geçiş kayıtları ve iç pasaport sistemleri. Bu yakalama bireysel hareket eder ve matriks akmak için akır.
  • [FONT:0)Environmental arşivler: Ağaç-küreleri, buz çekirdekleri, göl sedi kayıtları ve paleoklimate model çıktıları. Bu yeniden inşa sıcaklık, yağış ve tarımsal verimlilik.
  • [FONT:0] Arkeolojik veriler:[[Dönetici:[Dönetici:0) Site konumları, radyokarbon tarihleri, pottery tipolojiler ve DNA antik soy örnekleri.
  • [FONT:0] Historical GIS:[Dönemli yollar, limanlar ve şehir merkezlerinin haritaları. Bunlar, mobiliteyi şekillendiren fiziksel altyapıyı tanımlar.

Veri hazırlığı kritiktir. Tarihsel kayıtlar genellikle, yazlıkları, tarih formatları ve coğrafi birimleri adlandırmak için, bir köy adı yüzyıllar boyunca büyüyebilir veya bir sayım belirli etnik gruplar kullanmak için kullanılabilir. Data temizliği, notlama tarihleri kullanarak standartlaştırılmış yerleri içeriyor ve "kırıklama" veya "kırık grup" gibi kategorize edilebilir.Bir vaat eden bir yaklaşım, belirli bir metinden elde etmek için doğal dil işleme (NLP) gerekli olan belirli bilgileri, günlük giriş veya raporlardan veya rapor alma gibi.

Bias ve Eksik Data

Tarihsel kayıtlar nadiren tamamlanıyor. kölelerin veya mevsimlik işçilerin göçünü kaçıran bir makine öğrenme modeli genellikle aşağıda belirtilen verilerle hesaba katılıyor. Örneğin, bazı seramik pottery türleri arasında önemli ölçüde gelişmiş bir şekilde eğitim gören bir makine öğrenme modeli, yazılı kayıtların olmadığı zamanlarda bile belirli bir kültürel grubun geçişine hizmet edebilir.

Bir başka kritik yön zaman zaman zaman zaman zaman zaman dilimini daraltıyor. Tarihsel veriler genellikle on yıldan fazla bir süre boyunca veya hatta yüzyıllardan fazla bir süre içinde toplanıyor olabilirken, gerçek göç olayları kısa patlamalarda meydana gelebilir. Her on yıl alınan bir sayı, interpolasyon tekniklerini kullanarak bu konuyu ele alabilir veya daha yüksek zamansal kararlarla olaylara odaklanabilir, örneğin yolcu listeleri veya mülteci kamp kayıtları gibi.

Tarihsel Göç için Özel Mühendislik

Özel mühendislik, bir makine öğrenme modelinin etkili bir şekilde kullanabileceği değişkenlere dönüştürme sürecidir. Tarihsel nüfus hareketleri için, bu farklı çağda ve bölgelerde göçe yol açanlarla ilgili alan bilgisi gerektirir. Common features include:

  • [FONT:0)Environmental stres endeksleri: Sıcaklık, yağış ve toprak kalitesi, tarımsal viability tek bir ölçüye kadar hesaplanabilir. Örneğin, ağaçla kaplı verilerle hesaplanabilir.
  • [FONT:0]Economic it-pull faktörler: kökeni ve varış, arazi fiyatları, vergi oranları ve ortak toprakların kullanılabilirliği. Bunlar tarihi öncül ve fiyat serisinden yeniden inşa edilebilir.
  • [FONT:0]Sosyal ağ değişkenleri:[Dönetici:[Dönetici:0) Aynı köyden gelen göçmenlerin varışta, dil benzerliği ve paylaşılan dini kurumlar. Bu, zincir göçünün iyi niyetli fenomenini ele alır.
  • [FONT:0]Political ve kurumsal faktörler: Sınır değişiklikleri, yazıt yasaları, dini zulüm ve miras kuralları. Bunlar genellikle kategorik ve dikkatli bir şekilde kodlama gerektirir.
  • [FONT:0]Distance ve erişilebilirlik:[Dönetici:[Dönetici: · 1 ) Euclidean mesafe, tarihsel yollar boyunca seyahat zamanı, port erişim ve navigable nehirlerin varlığı.

Özel seçim eşit derecede önemlidir. onlarca veya yüzlerce potansiyel tahminci ile, aşırılık, yeniden alımel özellik ortadan kaldırılması gibi gerçek bir tehlikedir, LASSO regresyon ve ağaç tabanlı modellerden önemli puanlar, en bilgilendirici değişkenlerini tanımlamaya yardımcı olur.

Makine Öğrenme Teknikleri Tarih için Öğrdü

Tüm ML algoritmaları tarihsel verilere eşit derecede uygun değildir. Seçim, nüfus sayımının sınıflandırılması vs. regresyonları, veri kümesinin büyüklüğü ve yorumlanabilirlik ihtiyacına bağlıdır.

Süpervize Öğrenme: Bilinen Göçlerden Öğrenme

Araştırmacılar göçe dair tarihsel örneklere sahip olduklarında (örneğin, İrlanda Potato Famine göçü, ABD'deki Büyük Göç) ve İZMİR'in gözetimi altında, iklim anomalileri ve ekonomik endeksler gibi özellikleri üzerinde eğitim almışlar, bir göç olayının meydana geldiği hedef değişkenleri ile, örneğin İsveç'te Büyük Göç (% 0:1) ve DÖRT:2XGBoost) en güçlü 19'da yüzde 10'luk bir artış olduğunu anlamaktadır.

Neural ağları, özellikle çok katmanlı perceptrons, daha karmaşık etkileşimleri yakalayabilir, ancak geçiş maliyetinde en uygun olanıdır.Bu mimariler arasındaki seçim, veri formatları ve araştırma soruları ile ilgilidir.

Denetimsiz Öğrenme: Gizli Desenleri Keşfetmek

Hiçbir etiketlenme olayları mevcut olduğunda, denetimsiz öğrenme, paylaşılan özelliklere dayanan popülasyonları kümeleyemez - dil aileleri, burial uygulamaları veya genetik işaretler.Ücretsiz:0)K-means kümeleme) ve [[DBSCAN)[DBSKA[DBS][DBSDDBS][Döneticileri tespit etmek için kullanılan, toplum algoritmaları daha önce “sıcaklıkların web sitelerindeki mesafeleri nasıl yeniden tanımladığını ortaya çıkarabilir.

Örneğin, PCA, göç dalgalarına karşılık gelen kümeleri ortaya çıkarabilir, t-SNE, genetik alanda farklı popülasyonların birbirleriyle nasıl ilişkili olduğunu gösterebilir. Bu görselleştirmeler genellikle daha titiz yöntemlerle test edilebilir hipotezler üretebilir.

Dondurma Öğrenme: Ajan-Based Hareketleri Simulating

Dondurma öğrenme (RL) daha az yaygındır, ancak yol katar. RL, bir ‘yatlı’ (bir grup insanı temsil ediyor) çevresel ödüllere dayanarak hareket etmek için bir politika öğrenir (güvenlik, güvenlik, sosyal bağlar).Birkaç nesil üzerinde binlerce ajanlar basitleştirmek için, araştırmacılar zorlama ve çekme faktörleri test edebilir. Örneğin, ortalama sıcaklıkta küçük bir değişimin nasıl bir değişim olduğunu gösterebilir.

Geleneksel ajan tabanlı modellerin avantajı, ajanlar tarihsel insanların gerçek karar verme sürecini öğrenmektir.Bu, arkeolojik kanıtlarla karşılaştırılabilecek ortaya çıkan ortaya çıkan davranışlara izin verir.Eğer tür simülasyonları doğrulamak için kullanılan tür bir genetik veri kaynağı sağlar.

Vaka Çalışması: Toz Bowl'dan Göç Tahmin Etmek

1930'ların Amerikan Toz Bowlu, hangi ilçelerde net bir şekilde bilgi sahibi olacağını tahmin etmek için iyi eğitimli bir tarihsel olaydır. Önemli olarak, kuraklık birincil sürücü ve iklim kayıtları, araştırmacılar mevcut göçmen topluluklarına erişim önemli ölçüde gelişmiş bir sınıflandırıcılık yaptı. Bu tür bir anlayış modern bir felaket planlamayı deneyimleyebilir: eğer bir kıtlık grevi bugün yapılan bir bölge üzerinde başarı elde ederse, hangi bölgelerin en büyük sürücüyü alacaklarını vurguladı?

Toz Bowl davası da zaman dinamiklerinin önemini gösteriyor. Göç bir kez daha gerçekleşmedi ama başarılı ek başarısızlıklara karşılık gelen dalgalarda gerçekleşir. Yerel kaynakların kurulması ve silinmesi gibi bir zaman serisi modeli.Bu dinamikleri görmezden gelmek yanıltıcı tahminlere yol açabilir.

Vaka Çalışması: Avrupa'ya Neolitik genişleme

Yakın Doğu'dan Avrupa'ya yaklaşık 8,000 yıl önce tarımın yayılması, arkeolojide en çok incelenen nüfus hareketlerinden biridir. Geleneksel olarak, insanların bir göçü olarak görüldü (profesyonel difüzyon) veya bir fikir edinme modeli ile uyumlu bulundu. Makine öğrenimi, radyokarbon tarihlerinde rastgele bir orman eğitimi ile, toprak türleri ve iklim rekontuları üzerinde yapılan bir araştırma modeliyle, araştırmacılar, nüfusun büyümesi ve çevresel taşıma kapasitesiyle tutarlıydı.

Model ayrıca genişlemenin tezgahladığı veya tersine çevirildiği bölgeleri de tespit etti, örneğin Alpler ve Baltık sahili. Bu "bottlenecks", yerel gen havuzunda önemli bir değişimle ilişkili olduğunu gösteriyor.Bu tür multi-proxy yaklaşımı, web sitesiyle gerçekten ışık tutuyor: 0,2.) Daha önce genetik verilerle modele entegre edildi, bir bölgeye gelen çiftçilerin gelişinin yerel bir genetik çerçevede önemli bir değişiklikle ilişkili olduğunu gösteriyor.

Meydanlar ve Sınırlar: Tarihçinin Caveat

Sözcülüğe rağmen, ML'yi tarihsel nüfus hareketlerine uygulamaktadır.İlki filiz:0)Tamlık ve önyargı[Döneticileri 1), daha önce bahsedilen ikinci bir olay olarak yanlış bir şekilde modellenebilir.[Dönemli bir aggregasyon[DDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDD)[Döneticileri)[Dönemli bir şekilde, on yıl boyunca yapılan bir iklim değişikliğine neden olan bir gerçekliğe yol açabilir.

Başka bir önemli konu ise şöyledir: 0)Süresellik[Döneticilik[Döntilebilirlik[Döntilebilirlik) ve EDME (yerel yorumlanabilir model-agnostic açıklamalar) bu alandan gelen bir hatanın, tahminlerin yer aldığına dair kabul edilmesi gerekir.TheFLT:3Strespretable Machine Learning book

Ayrıca, geçmişte göç eden faktörler, tarihsel olarak uygun ve doğru zaman dönemleri olan standart ve pasaport sistemleri tarafından yoğun olarak etkilenebilir. 20. Yüzyılda eğitim gören bir model, 14. yüzyıldaki verilerle eğitim gören bir model olabilir. Araştırmacılar, geçmişteki özellikleri seçmeye dikkat etmelidirler. Örneğin, modern göç, ulus-devlet sınırları ve pasaport sistemleri tarafından ağır ölçüde etkileniyor, bu da 20. yüzyıl verileri üzerinde eğitim gören bir model.

Etik düşünceler

Tarihsel nüfus hareketlerini incelemek için makine öğrenimi kullanmak da etik soruları ortaya koyar. Tahmin edici modeller, göç politikalarını haklı çıkarmak veya belirli grupları "tarihsel olarak migratory" olarak tanımlamak için bir sorumluluğu vardır. Tarihçiler, korelasyonun eşit bir şekilde olmadığını vurgulamak için iletişim kurmakta ve bunun yanı sıra, verilerin gizliliği, yaşayan bireyler veya yakın akrabaları hakkında bilgi içeren son tarihsel kayıtlarla çalışırken endişe vericidir.

Aynı zamanda, gelecek göçler hakkında tahminler yapmak için tarihsel ML modellerini kullanmak caziptir, ancak geçmiş, mükemmel bir rehber değildir. İklim değişikliği, teknolojik değişim ve jeopolitik değişimler tarihsel bir öncekilere sahip olmayabilir.Bu modellerin en sorumlu kullanımı gelecekteki tahminleri tahmin etmek değil, aynı zamanda mevcut için dikkatli dersler vermek için değildir.

Future: A More Integrated Approach

Tarihli demografin geleceği birkaç konvering trendinde yatıyor. Birincisi, arşivlerin dijitalleştirilmesi hızlı bir hızda devam ediyor: www.Döneticileri Aramak) Tarihi olarak 5 milyardan fazla sayısal kayıt tutuyor, coğrafi verilerle birçok.İkinci, uzaktan algılama (LiDAR, uydu görüntüleyicisi) Amazon ve Orta Asya gibi yerlerde gizli yerleşim kalıpları ortaya çıkıyor.

Başka heyecan verici gelişme, belirli tarihsel görevlerin iyi düzeltilebileceği bir vizyon modelidir. Örneğin, milyonlarca tarihsel belge üzerinde eğitilmiş bir dil modeli, tarihsel haritalarda eğitilmiş bir vizyon modeli otomatik olarak yerleşimleri, yolları ve alan sınırları tespit edebilir.

Son olarak, Silk Road'un reddedilmediği heyecan verici bir olasılık var: 0) Karşılaştırmalı tarih[[Dönetici: 0:1) tarihsel veriler üzerinde bir model eğitimi ve sonra bir giriş (örneğin, İpek Yolu'nun başarısız olup olmadığını anlamaları için) bir araya gelebilirler.

ML'nin ESRA ile entegrasyonu:0) Dijital ikiz) teknoloji aynı zamanda bir tarihsel bölgenin dijital ikizi -eşfetli demografi, ekonomi, çevre ve altyapı – farklı senaryolar altında nüfus hareketlerini simüle etmek için kullanılır. Bu, tarihçilerin gerçek dünyada imkansız olan sanal deneyleri yapmasına izin verir.

Sonuç olarak, makine öğrenimi tarihçileri algoritmaları ile değiştirmekle ilgili değildir. Bu yeni dijital tarihinin en umut verici sınırlarından biridir ve iş sadece kritik bir perspektifi korumaktır: Sınırların sınırlarının farkındayken, önyargıları ve etik sonuçlarıyla karşı karşıya kalır.