Testing Area‐Scale Fractal Complexity (A<scp>sfc</scp>) and Laser Scanning Confocal Microscopy (LSCM) to Document and Discriminate Microwear on Experimental Quartzite Scrapers
Notice bibliographique
Résumé
Few microwear studies have been conducted on tools made from quartzite. Most rely on visual observation of microwear features using optical light microscopes and scanning electron microscopes. Quantification of microwear on quartzite tools is extremely rare, even though numerous methods to mathematically document surface roughness have been applied to other silicate tools. In this paper, laser scanning confocal microscopy (LSCM) was used to document surface roughness on four experimental scrapers made from two different subtypes of Mistassini quartzite that were used on either fresh or dry deer hide. Surface roughness data were analysed using area‐scale fractal complexity (Asfc). The results of this test case indicate that Asfc can effectively discriminate between the unused and used regions on the quartzite tools based on surface roughness, and that it can also discriminate between surface roughness produced by working dry versus fresh hides. Differences in the subtypes of Mistassini quartzite did affect surface roughness, but not significantly enough to prevent discrimination of the dry and fresh hide‐working tools. Although the use of the Asfc parameter for lithic microwear analysis requires further testing, these first results suggest it could be a reliable technique to mathematically document and discriminate wear patterns on archaeological quartzite tools.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».