Sztuczna inteligencja w badaniach archeologicznych WNHS-AR-1-SIBA
Celem wykładu jest zapoznanie studentów z rozwojem sztucznej inteligencji i jej wpływem na badania archeologiczne. Kurs obejmuje omówienie kluczowych etapów rozwoju AI — od systemów eksperckich po współczesne sieci neuronowe i modele językowe. Studenci poznają podstawowe pojęcia związane z uczeniem maszynowym, głębokim uczeniem i metodami przetwarzania danych przestrzennych. W ramach zajęć analizowane są przykłady zastosowań AI w archeologii, w tym automatyczne wykrywanie stanowisk w danych LiDAR i satelitarnych, klasyfikacja zabytków, rekonstrukcja krajobrazów oraz wspomaganie analizy źródeł tekstowych. Wykład obejmuje także wprowadzenie do prompt engineering i zasad pracy z dużymi modelami językowymi w kontekście badań humanistycznych.
Dyscyplina naukowa, do której odnoszą się efekty uczenia się
Grupa przedmiotów ogólnouczenianych
Koordynatorzy przedmiotu
Opis nakładu pracy studenta w ECTS
Poziom przedmiotu
Symbol/Symbole kierunkowe efektów uczenia się
Typ przedmiotu
Wymagania wstępne
Efekty uczenia się
W1 - student omawia historię i główne etapy rozwoju sztucznej inteligencji;
W2 - student wyjaśnia podstawowe zasady działania sieci neuronowych i uczenia maszynowego;
W3 - student wymienia przykłady zastosowań sztucznej inteligencji w archeologii;
U1 - student ocenia potencjał badawczy omawianych zastosowań sztucznej inteligencji w archeologii;
U2 - student konstruuje proste zapytania i prompty do modeli językowych;
K1 - student ocenia krytycznie ograniczenia i wiarygodność wyników uzyskanych z wykorzystaniem sztucznej inteligencji.
Kryteria oceniania
Efekty W1, W2, W3:
na ocenę 5 (bdb) - student biegle omawia historię rozwoju sztucznej inteligencji, wyjaśnia zasady działania sieci neuronowych i wskazuje konkretne przykłady zastosowań w archeologii;
na ocenę 4 (db) - student poprawnie opisuje główne pojęcia i omawia wybrane przykłady zastosowań;
na ocenę 3 (dst) - student orientuje się w podstawowych pojęciach i opisuje w sposób ogólny znaczenie sztucznej inteligencji dla badań archeologicznych.
Efekty U1, U2:
na ocenę 5 (bdb) - student samodzielnie ocenia potencjał badawczy omawianych zastosowań i konstruuje poprawne zapytania do modeli językowych;
na ocenę 4 (db) - student ocenia potencjał badawczy wybranych zastosowań i konstruuje zapytania z niewielką pomocą;
na ocenę 3 (dst) - student z pomocą prowadzącego ocenia wybrane zastosowanie i konstruuje proste zapytanie.
Efekt K1 oceniany jest w kategoriach osiągnął / nie osiągnął: student osiąga efekt, jeżeli wskazuje ograniczenia i zagrożenia związane z wiarygodnością wyników uzyskanych z wykorzystaniem sztucznej inteligencji.
Literatura
Russell, S. & Norvig, P. 2021. Artificial Intelligence: A Modern Approach. 4th ed. Pearson. (rozdziały: 1–3, 18–21 – zarys historii, uczenie maszynowe i sieci neuronowe)
Gattiglia, G. 2025. Managing Artificial Intelligence in Archeology: An overview. Journal of Cultural Heritage, 71, 225–233. https://doi.org/10.1016/j.culher.2024.11.020
Bickler SH. Machine Learning Arrives in Archaeology. Advances in Archaeological Practice. 2021;9(2):186-191. doi:10.1017/aap.2021.6
Bachagha, N.; Elnashar, A.; Tababi, M.; Souei, F.; Xu, W. The Use of Machine Learning and Satellite Imagery to Detect Roman Fortified Sites: The Case Study of Blad Talh (Tunisia Section). Appl. Sci. 2023, 13, 2613. https://doi.org/10.3390/app13042613
Michał Jakubczak, Michał Tyszkiewicz, Michał Leloch, Zastosowanie uczenia maszynowego w archeologii – metodyka i studium przypadku, „Ochrona Zabytków” 2025, nr 2, s. 31–49.
Więcej informacji
Więcej informacji o poziomie przedmiotu, roku studiów (i/lub semestrze) w którym się odbywa, o rodzaju i liczbie godzin zajęć - szukaj w planach studiów odpowiednich programów. Ten przedmiot jest związany z programami:
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: