Essentia Memoria haber masasından yayımlanmış araştırmaların taraması. Gerçek makaleleri listeler, her biri DOI kayıt kurumunda arandı; oyun bu sonuçları kendisi tekrarlamadı.
Araştırma taraması
Yapay zekâ araştırmaları ne buldu: tarihi yerleri bulmak ve kazmak
Olay zamanı: · Yayın zamanı:
tarihi yerleri bulmak ve kazmak üzerine 12 yayımlanmış eser; her biri burada listelenmeden önce DOI kayıt kurumunda arandı, her birinin ne bildirdiği sade sözlerle yazıldı.
İzle
Açıklayıcı görselleştirme: kayıttaki sayılardan çizildi. Olay anının görüntüsü değil; olayı kimse kaydetmedi.
Dinle
Metin dökümü
Essentia Memoria oyun evreninden haber. Yapay zekâ araştırmaları ne buldu: tarihi yerleri bulmak ve kazmak. Tarihi yerleri bulmak ve kazmak üzerine 12 yayımlanmış eser. Her biri burada listelenmeden önce DOI kayıt kurumunda arandı, her birinin ne bildirdiği sade sözlerle yazıldı. Bu tarama her makalenin ne bildirdiğini listeler. Oyun bu sonuçları kendisi tekrarlamadı. Arama sözcükleriyle eşleşen makaleleri bulur. Listelenen bir makale yapay zekâyı yalnızca kısmen kullanıyor olabilir. Arama en çok atıf alan elli eşleşmeyle sınırlıdır. En yeni sonuçlar atıf alana dek eksik kalabilir. Bu haber dünya kaydından sabit bir şablonla yazıldı. Haberin tamamı ve kaynak kayıtları essentiamemoria.com adresinde.
Soru
Yapay zekâ, kimse kazmadan önce toprağın içindeki kalıntıları, höyükleri ve çizimleri nasıl buluyor?
İddialar ve her birinin kaynağı
- Bu araştırmanın oyundaki yeri (dünya dilbilgisinin kurduğu bir yer)archaeological-site → heritage-site
Oyun simülasyonu · Kodda tanımlı
src/lib/world-grammar/place-grammar.ts · resolvePurpose('archaeological-site') - Bu taramadaki yayımlanmış eser; her biri DOI kayıt kurumunda çözüldü12
Gerçek dünya bilgisi · Kaynak [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12]
- Radar ve çok bantlı uydu görüntüleri üzerinde çalışan bir sınıflandırıcı, Cholistan çölündeki eski yerleşim höyüklerini haritaladı.Orengo 2020
Gerçek dünya bilgisi · Kaynak [1]
- Bir model Nazca çölünün hava fotoğraflarında olası noktaları seçti; oralara yürüyen ekip altı ayda yüzlerce yeni figür buldu.Sakai 2024
Gerçek dünya bilgisi · Kaynak [2]
- A Review of Artificial Intelligence and Remote Sensing for Archaeological ResearchArgyrou 2022
Gerçek dünya bilgisi · Kaynak [3]
- Convolutional neural networks for archaeological site detection – Finding “princely” tombsCaspari 2019
Gerçek dünya bilgisi · Kaynak [4]
- Using deep neural networks on airborne laser scanning data: Results from a case study of semi‐automatic mapping of archaeological topography on Arran, ScotlandTrier 2018
Gerçek dünya bilgisi · Kaynak [5]
- Integrating Remote Sensing, Machine Learning, and Citizen Science in Dutch Archaeological ProspectionLambers 2019
Gerçek dünya bilgisi · Kaynak [6]
- Deep Learning in Archaeological Remote Sensing: Automated Qanat Detection in the Kurdistan Region of IraqSoroush 2020
Gerçek dünya bilgisi · Kaynak [7]
- Point Cloud Semantic Segmentation Using a Deep Learning Framework for Cultural HeritagePierdicca 2020
Gerçek dünya bilgisi · Kaynak [8]
- Machine Learning for Cultural Heritage: A SurveyFiorucci 2020
Gerçek dünya bilgisi · Kaynak [9]
- Artificial intelligence-assisted visual inspection for cultural heritage: State-of-the-art reviewMishra 2024
Gerçek dünya bilgisi · Kaynak [10]
- An Analysis of Research Trends for Using Artificial Intelligence in Cultural HeritageGîrbacia 2024
Gerçek dünya bilgisi · Kaynak [11]
- Machine Learning Arrives in ArchaeologyBickler 2021
Gerçek dünya bilgisi · Kaynak [12]
Kaynakça, kayıt kurumunda denetlendi
[1] Orengo (2020). Automated detection of archaeological mounds using machine-learning classification of multisensor and multitemporal satellite data. Proceedings of the National Academy of Sciences. doi:10.1073/pnas.2005583117
Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 23:11 UTC tarihinde denetlendi · kayıttaki eser “Automated detection of archaeological mounds using machine-learning classification of multisensor and multitemporal satellite data” (2020)
[2] Sakai (2024). AI-accelerated Nazca survey nearly doubles the number of known figurative geoglyphs and sheds light on their purpose. Proceedings of the National Academy of Sciences. doi:10.1073/pnas.2407652121
Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 23:11 UTC tarihinde denetlendi · kayıttaki eser “AI-accelerated Nazca survey nearly doubles the number of known figurative geoglyphs and sheds light on their purpose” (2024)
[3] Argyrou (2022). A Review of Artificial Intelligence and Remote Sensing for Archaeological Research. Remote Sensing. doi:10.3390/rs14236000
Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 23:11 UTC tarihinde denetlendi · kayıttaki eser “A Review of Artificial Intelligence and Remote Sensing for Archaeological Research” (2022)
[4] Caspari (2019). Convolutional neural networks for archaeological site detection – Finding “princely” tombs. Journal of Archaeological Science. doi:10.1016/j.jas.2019.104998
Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 23:11 UTC tarihinde denetlendi · kayıttaki eser “Convolutional neural networks for archaeological site detection – Finding “princely” tombs” (2019)
[5] Trier (2018). Using deep neural networks on airborne laser scanning data: Results from a case study of semi‐automatic mapping of archaeological topography on Arran, Scotland. Archaeological Prospection. doi:10.1002/arp.1731
Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 23:11 UTC tarihinde denetlendi · kayıttaki eser “Using deep neural networks on airborne laser scanning data: Results from a case study of semi‐automatic mapping of archaeological topography on Arran, Scotland” (2019)
[6] Lambers (2019). Integrating Remote Sensing, Machine Learning, and Citizen Science in Dutch Archaeological Prospection. Remote Sensing. doi:10.3390/rs11070794
Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 23:11 UTC tarihinde denetlendi · kayıttaki eser “Integrating Remote Sensing, Machine Learning, and Citizen Science in Dutch Archaeological Prospection” (2019)
[7] Soroush (2020). Deep Learning in Archaeological Remote Sensing: Automated Qanat Detection in the Kurdistan Region of Iraq. Remote Sensing. doi:10.3390/rs12030500
Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 23:11 UTC tarihinde denetlendi · kayıttaki eser “Deep Learning in Archaeological Remote Sensing: Automated Qanat Detection in the Kurdistan Region of Iraq” (2020)
[8] Pierdicca (2020). Point Cloud Semantic Segmentation Using a Deep Learning Framework for Cultural Heritage. Remote Sensing. doi:10.3390/rs12061005
Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 23:11 UTC tarihinde denetlendi · kayıttaki eser “Point Cloud Semantic Segmentation Using a Deep Learning Framework for Cultural Heritage” (2020)
[9] Fiorucci (2020). Machine Learning for Cultural Heritage: A Survey. Pattern Recognition Letters. doi:10.1016/j.patrec.2020.02.017
Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 23:11 UTC tarihinde denetlendi · kayıttaki eser “Machine Learning for Cultural Heritage: A Survey” (2020)
[10] Mishra (2024). Artificial intelligence-assisted visual inspection for cultural heritage: State-of-the-art review. Journal of Cultural Heritage. doi:10.1016/j.culher.2024.01.005
Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 23:11 UTC tarihinde denetlendi · kayıttaki eser “Artificial intelligence-assisted visual inspection for cultural heritage: State-of-the-art review” (2024)
[11] Gîrbacia (2024). An Analysis of Research Trends for Using Artificial Intelligence in Cultural Heritage. Electronics. doi:10.3390/electronics13183738
Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 23:11 UTC tarihinde denetlendi · kayıttaki eser “An Analysis of Research Trends for Using Artificial Intelligence in Cultural Heritage” (2024)
[12] Bickler (2021). Machine Learning Arrives in Archaeology. Advances in Archaeological Practice. doi:10.1017/aap.2021.6
Doğrulandı: eser var ve eşleşiyor · Crossref üzerinde 28 Eki 2026 23:11 UTC tarihinde denetlendi · kayıttaki eser “Machine Learning Arrives in Archaeology” (2021)
İnceleme
Hakem değerlendirmesinden geçmedi. Bu taramayı henüz hiçbir insan bilim insanı incelemedi. Şablonu ve temel eser özetleri bir yapay zekâ yardımcısıyla (Claude) yazıldı; listelediği makaleler gerçek ve her biri kayıt kurumunda denetlendi, herkes bağlantıları izleyip okuyabilir.
- Listelenen her DOI çözüldü; başlık, yıl ve ilk yazar listeyle eşleşti.
- Aramanın bulduğu her eseri, aramadan bağımsız bir kayıt kurumu olan Crossref tutuyor.
- Başlık ve özetteki her sayı listelenen bir iddiayla karşılanıyor.
- Hiçbir aday eser düşürülmedi: masanın bulduğu ya da adlandırdığı her eseri kayıt kurumu doğruladı.
Kod sürümü: deb216f03447
Kaydın söylemedikleri
Bu tarama her makalenin ne bildirdiğini listeler; oyun bu sonuçları kendisi tekrarlamadı. Arama sözcükleriyle eşleşen makaleleri bulur; listelenen bir makale yapay zekâyı yalnızca kısmen kullanıyor olabilir. Arama en çok atıf alan elli eşleşmeyle sınırlıdır; en yeni sonuçlar atıf alana dek eksik kalabilir.
Nasıl yazıldı
Masanın adlandırdığı temel eserler, ardından OpenAlex’te başlık ve özetlerde (archaeology OR archaeological OR geoglyph OR "cultural heritage" OR "ancient site" OR "ancient settlement") AND ("machine learning" OR "deep learning" OR "neural network" OR "neural networks" OR "artificial intelligence" OR convolutional OR "reinforcement learning" OR "language model" OR transformer) araması için dönen, DOI’si olan en çok atıf almış eserler; bir sonuç ancak kendi başlığı alanı, başlığı ya da özeti bir yapay zekâ yöntemini tam sözcük olarak anıyorsa tutulur; bu sözcüklerden en çoğunu başlığında anan sonuçlar önce gelir. Her aday Crossref’te (ikinci çözücü OpenAlex) arandı; başlığı, yılı ve ilk yazarı karşılaştırıldı. Aramanın bulduğu bir eser ancak Crossref onu tutuyorsa gösterilir. Temel eserlerin özetlerini masa yazdı; diğer eserler kendi başlıklarıyla listelenir.
Kaynak kayıtlar: code:src/lib/world-grammar/place-grammar.ts#resolvePurpose · doi:10.1073/pnas.2005583117 · doi:10.1073/pnas.2407652121 · doi:10.3390/rs14236000 · doi:10.1016/j.jas.2019.104998 · doi:10.1002/arp.1731 · doi:10.3390/rs11070794 · doi:10.3390/rs12030500 · doi:10.3390/rs12061005 · doi:10.1016/j.patrec.2020.02.017 · doi:10.1016/j.culher.2024.01.005 · doi:10.3390/electronics13183738 · doi:10.1017/aap.2021.6