Combined organic biomarker and use-wear analyses of stone artefacts from Liang Bua, Flores, Indonesia
Notice bibliographique
Résumé
Organic biomarker and lithic use-wear analyses of archaeological implements manufactured and/or used by hominins in the past offers a means of assessing how prehistoric peoples utilised natural resources. Currently, most studies focus on one of these techniques, rather than using both in sequence. This study aims to assess the potential of combining both methods to analyse stone artefacts, using a set of 69 stones excavated from the cave site of Liang Bua (Flores, Indonesia). Prior to chemical analysis, an initial inspection of the artefacts revealed potential use-wear traces but no visible residues. Gas chromatography mass spectrometry (GC-MS) analysis, including the targeting of 86 lipids, terpenes, terpenoids, alkanes and their analogues, found compounds with plant or animal origin on 27 of the 69 stones. The artefacts were subsequently cleaned, and use-wear analysis identified traces of use on 43 artefacts. Use-wear analysis confirmed traces of use on 23 of the 27 artefacts with potential use-residues that were determined by GC-MS. The GC-MS results were broadly consistent with the functional classes identified in the later use-wear analysis. This inclusive approach for stone artefact analysis strengthens the identifications made through multiple lines of enquiry. There remain conflicts and uncertainties in specific cases, suggesting the need for further refinement and analyses of the relationships between use-wear and residues.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».