Predictive modeling and the ecology of hunter-gatherers of the boral forest of Manitoba
Notice bibliographique
Résumé
This dissertation examines the practice of archaeological predictive modeling. The focus in regards to predictive modeling is on two main areas - predictive modeling methodology and the predictor variables employed. Two predictive modeling methodologies are tested using the same set of data. Two cultural-environmental models are created, one using the CARP methodology (Dalla Bona: 1994a, b), and the other employing logistic regression. This allows for the comparison of two distinctly different approaches to predictive modeling. The test of predictor variables is accomplished through the use of environmental data (slope, aspect, distance to lakes/rivers and tree type) in tandem with cultural land-use data (vegetative, earth, local, faunal, ceremonial and industrial resources, trails, and place names). Economic variables (moose and woodland caribou habitat) are also employed. The test of predictor variables is done through the creation of three models using logistic regression: 1) a cultural-environmental model, 2) an economic model and 3) a cultural-environmental-economic model. Each of these models is evaluated using a set of tools: 1) a survey statistic; 2) the Kolmogorov-Smirnov statistical test of significance and 3) the gain statistic (Kvamme 1988a). This allows for an assessment of each of the models' predictive efficacy, and therefore an evaluation of the predictor variables employed in the creation of those models. This assessment allows for comment on the implications of this research for anthropology, for archaeology and predictive modeling, for First Nations communities and for resource companies and cultural resource management.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,000 | 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 tête enseignante, 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 ».