3

0
0

文字

分享

3
0
0

我有毒,不要吃我!

老狐狸
・2011/11/09 ・1207字 ・閱讀時間約 2 分鐘 ・SR值 508 ・六年級

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

(圖片引自原文)
(圖片引自原文)

在接近巴西邊境的熱帶雨林之中,是這種小型箭毒蛙多樣性頗高的地區之一。牠們擁有非常多樣的色彩跟斑紋,有的擁有金色的頭部以及白斑縱橫的身體;也有的身上滿佈著黑色底亮黃色的線條,就像是刺青一樣。這對掠食者傳達了一樣對牠們來說最糟的訊息:「我有毒,不要吃我!」但為何傳達訊息的圖樣並非演化成單一一種,而形成如此複雜的設計呢?

加拿大蒙特婁大學的演化生物學家Mathieu Chouteau深入進入雨林當中,去尋找問題的解答。他研究其中一種箭毒蛙的Ranitomeya imitator的演化歷程,這種箭毒蛙演化出了約10種不同模式的斑紋。「這麼多樣的斑紋對於掠食者來說應該是很容易混淆的」他說,「因為警戒色應該是要傳達單一的訊息,就常理來說,單一的模式對於掠食者來說是比較容易依循的方式!」

為了瞭解其中原由,Chouteau請她的女友協助製作了3600隻18mm長的青蛙模型。「至少全天工作一個月才完成」他說。他們利用黑色的軟黏土製作青蛙外型的素胚並各自彩繪成兩種模式的斑紋:黃色的直條紋;或是像長頸鹿一樣,綠色調的網紋。它們也製作了褐色的青蛙模型做為無毒蛙類的控制組。然後Chouteau將這些青蛙打包,並帶著它們飛到秘魯去。

這些模型代表兩種生活在不同地區的青蛙:一種生活在亞馬遜的低地;另一種是在海拔約500公尺的河谷。這兩個地區有很高的山脊隔離,每個樣區各花了整整一天的時間,將其中900隻「野放」到樹葉的表面。路徑是被當地人作為獵徑的一條狹長樣線。在接下來的三天,他會回到同一條樣線,看看軟黏土模型上是否有被鳥攻擊的痕跡。

鳥多半會避免攻擊長相與當地箭毒蛙類似的模型,但會攻擊與另一個地區的箭毒蛙類似的模型。Chouteau將其研究的成果發表在12月的《美國博物學家》(The American Naturalist)期刊上。在較高的河谷地,綠色網紋的箭毒蛙居住的地區中,與當地物種類似的模型僅有7.2%被鳥類攻擊,控制組被攻擊的機率有14.2%,黃色條紋的模型則有26.6%,在另一地區的調查也呈現類似的趨勢。

「這會有助於解釋雨林中箭毒蛙色彩及斑紋的多樣性」Chouteau說道,「在不同地區會其有主要的斑紋模式,而鳥類會持續性的移除那些與不同於多數個體的斑紋模式。」

「這項研究很成功的展示了,當箭毒蛙色彩的多樣性提高時,又被鳥類的捕食穩定下來。」英國劍橋大學的演化生物學者Chris Jiggins說道。「但是這樣的多樣性是如何產生的呢?這仍然是一個未解的問題。」這些箭毒蛙獨特的斑紋模式可能最適合牠們棲地的環境,他認為這些不同箭毒蛙之間的差異可能是由遺傳漂變造成的。這些逢機性的變化被穩定篩選下來,又持續的演化,造成蛙種之間的隔離。「最讓人驚訝的是鳥類真的會捕食這些蛙類,你可以想像這些蛙類是不好吃的,也不會想要靠近箭毒蛙。」Chris Jiggins說道 ,「也許雨林當中的生物真的是太多樣了,總是可以去嚐試吃一些新東西,儘管這些食物有著亮麗的色彩。」

全文引自:Science NOWWhy Are There So Many Colors of Poisonous Frogs?[4 November 2011]
相關研究發表於:The American Naturalist 

文章難易度
所有討論 3
老狐狸
7 篇文章 ・ 0 位粉絲
老是喜歡東找找西摸摸的路人 狐疑的踏入了一個很適合東翻西找的小路裡 狸貓的足跡都可以讓我駐足半天 是非對錯無關緊要 我只是想要好好的看看我住的世界

1

133
3

文字

分享

1
133
3
AI 是理科「主場」? AI 也可以成為文科人的助力!
研之有物│中央研究院_96
・2022/08/13 ・5646字 ・閱讀時間約 11 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

本文轉載自中央研究院研之有物,泛科學為宣傳推廣執行單位。

  • 採訪撰文/田偲妤
  • 美術設計/蔡宛潔

AI 的誕生,文理缺一不可

人工智慧(Artificial Intelligence,簡稱 AI)在 21 世紀的今日已大量運用在生活當中,近期掀起熱議的聊天機器人 LaMDA、特斯拉自駕系統、AI 算圖生成藝術品等,都是 AI 技術的應用。多數 AI 的研發秉持改善人類生活的人文思維,除了仰賴工程師的先進技術,更需要人文社會領域人才的加入。

中央研究院「研之有物」專訪院內人文社會科學研究中心蔡宗翰研究員,帶大家釐清什麼是 AI?文科人與工程師合作時,需具備什麼基本 AI 知識?AI 如何應用在人文社會領域的工作當中?

中央研究院人文社會科學研究中心蔡宗翰研究員。圖/研之有物

詩詞大對決:人與 AI 誰獲勝?

一場緊張刺激的詩詞對決在線上展開!人類代表是有「AI 界李白」稱號的蔡宗翰研究員,AI 代表則是能秒速成詩的北京清華九歌寫詩機器人,兩位以「人工智慧」、「類神經」為命題創作七言絕句,猜猜看以下兩首詩各是誰的創作?你比較喜歡哪一首詩呢?

猜猜哪首詩是 AI 做的?哪首詩是人類做的?圖/研之有物

答案揭曉!A 詩是蔡宗翰研究員的創作,B 詩是寫詩機器人的創作。細細賞讀可發覺,A 詩的內容充滿巧思,為了符合格律,將「類神經」改成「類審經」;詩中的「福落天赦」是「天赦福落」的倒裝,多念幾次會發現,原來是 Google 開發的機器學習開源軟體庫「Tensor Flow」的音譯;而「拍拓曲」則是 Facebook 開發的機器學習庫「Pytorch」的音譯,整首詩創意十足,充滿令人會心一笑的魅力!

相較之下,B 詩雖然有將「人工」兩字穿插引用在詩中,但整體內容並沒有呼應命題,只是在詩的既有框架內排列字句。這場人機詩詞對決明顯由人類獲勝!

由此可見,當前的 AI 缺乏創作所需的感受力與想像力,無法做出超越預先設定的創意行為。然而,在不久的將來,AI 是否會逐漸產生情感,演變成電影《A.I. 人工智慧》中渴望人類關愛的機器人?

AI 其實沒有想像中聰明?

近期有一則新聞「AI 有情感像 8 歲孩童?Google 工程師爆驚人對話遭停職」,讓 AI 是否已發展出「自我意識」再度成為眾人議論的焦點。蔡宗翰研究員表示:「當前的 AI 還是要看過資料、或是看過怎麼判讀資料,經過對應問題與答案的訓練才能夠運作。換而言之,AI 無法超越程式,做它沒看過的事情,更無法替人類主宰一切!

會產生 AI 可能發展出情感、甚至主宰人類命運的傳言,多半是因為我們對 AI 的訓練流程認識不足,也缺乏實際使用 AI 工具的經驗,因而對其懷抱戒慎恐懼的心態。這種狀況特別容易發生在文科人身上,更延伸到文科人與理科人的合作溝通上,因不了解彼此領域而產生誤會與衝突。如果文科人可以對 AI 的研發與應用有基本認識,不僅能讓跨領域的合作更加順利,還能在工作中應用 AI 解決許多棘手問題。

「職場上常遇到的狀況是,由於文科人不了解 AI 的訓練流程,因此對 AI 產生錯誤的期待,認為辛苦標注的上千筆資料,應該下個月就能看到成果,結果還是錯誤百出,準確率卡在 60、70% 而已。如果工程師又不肯解釋清楚,兩方就會陷入僵局,導致合作無疾而終。」蔡宗翰研究員分享多年的觀察與建議:

如果文科人了解基本的 AI 訓練流程,並在每個訓練階段協助分析:錯誤偏向哪些面向?AI 是否看過這方面資料?文科人就可以補充缺少的資料,讓 AI 再進行更完善的訓練。

史上最認真的學生:AI

認識 AI 的第一步,我們先從分辨什麼是 AI 做起。現在的數位工具五花八門,究竟什麼才是 AI 的應用?真正的 AI 有什麼樣的特徵?

基本上,有「預測」功能的才是 AI,你無法得知每次 AI 會做出什麼判斷。如果只是整合資料後視覺化呈現,而且人類手工操作就辦得到,那就不是 AI。

數位化到 AI 自動化作業的進程與舉例。圖/研之有物

蔡宗翰研究員以今日常見的語音辨識系統為例,大家可以試著對 Siri、Line 或 Google 上的語音辨識系統講一句話,你會發現自己無法事先知曉將產生什麼文字或回應,結果可能正是你想要的、也可能牛頭不對馬嘴。此現象點出 AI 與一般數位工具最明顯的不同:AI 無法百分之百正確!

因此,AI 的運作需建立在不斷訓練、測試與調整的基礎上,盡量維持 80、90% 的準確率。在整個製程中最重要的就是訓練階段,工程師彷彿化身老師,必須設計一套學習方法,提供有助學習的豐富教材。而 AI 則是史上最認真的學生,可以穩定、一字不漏、日以繼夜地學習所有課程。

AI 的學習方法主要分為「非監督式學習」、「監督式學習」。非監督式學習是將大批資料提供給 AI,讓其根據工程師所定義的資料相似度算法,逐漸學會將相似資料分在同一堆,再由人類檢視並標注每堆資料對應的類別,進而產生監督式學習所需的訓練資料。而監督式學習則是將大批「資料」和「答案」提供給 AI,讓其逐漸學會將任意資料對應到正確答案。

圖/研之有物

學習到一定階段後,工程師會出試題,測試 AI 的學習狀況,如果成績只有 60、70 分,AI 會針對答錯的地方調整自己的觀念,而工程師也應該與專門領域專家一起討論,想想是否需補充什麼教材,讓 AI 的準確率可以再往上提升。

就算 AI 最後通過測試、可以正式上場工作,也可能因為時事與技術的推陳出新,導致準確率下降。這時,AI 就要定時進修,針對使用者回報的錯誤進行修正,不斷補充新的學習內容,讓自己可以跟得上最新趨勢。

在了解 AI 的基本特徵與訓練流程後,蔡宗翰研究員建議:文科人可以看一些視覺化的操作影片,加深對訓練過程的認識,並實際參與檢視與標注資料的過程。現在網路上也有很多 playground,可以讓初學者練習怎麼訓練 AI,有了上述基本概念與實務經驗,就可以跟工程師溝通無礙了。

AI 能騙過人類,全靠「自然語言處理」

AI 的應用領域相當廣泛,而蔡宗翰研究員專精的是「自然語言處理」。問起當初想投入該領域的原因,他充滿自信地回答:因為自然語言處理是「AI 皇冠上的明珠」!這顆明珠開創 AI 發展的諸多可能性,可以快速讀過並分類所有資料,整理出能快速檢索的結構化內容,也可以如同真人般與人類溝通。

著名的「圖靈測試」(Turing Test)便證明了自然語言處理如何在 AI 智力提升上扮演關鍵角色。1950 年代,傳奇電腦科學家艾倫・圖靈(Alan Turing)設計了一個實驗,用來測試 AI 能否表現出與人類相當的智力水準。首先實驗者將 AI 架設好,並派一個人操作終端機,再找一個第三者來進行對話,判斷從終端機傳入的訊息是來自 AI 或真人,如果第三者無法判斷,代表 AI 通過測試。

圖靈測試:AI(A)與真人(B)同時傳訊息給第三者(C),如果 C 分不出訊息來自 A 或 B,代表 AI 通過實驗。圖/研之有物

換而言之,AI 必須擁有一定的智力,才可能成功騙過人類,讓人類不覺得自己在跟機器對話,而這有賴自然語言處理技術的精進。目前蔡宗翰的研究團隊有將自然語言處理應用在:人文研究文本分析、新聞真偽查核,更嘗試以合成語料訓練臺灣人專用的 AI 語言模型。

讓 AI 替你查資料,追溯文本的起源

目前幾乎所有正史、許多地方志都已經數位化,而大量數位化的經典更被主動分享到「Chinese Text Project」平台,讓 AI 自然語言處理有豐富的文本資料可以分析,包含一字不漏地快速閱讀大量文本,進一步畫出重點、分門別類、比較相似之處等功能,既節省整理文本的時間,更能橫跨大範圍的文本、時間、空間,擴展研究的多元可能性。

例如我們想了解經典傳說《白蛇傳》是怎麼形成的?就可以應用 AI 進行文本溯源。白蛇傳的故事起源於北宋,由鎮江、杭州一帶的說書人所創作,著有話本《西湖三塔記》流傳後世。直至明代馮夢龍的《警世通言》二十八卷〈白娘子永鎮雷峰塔〉,才讓流傳 600 年的故事大體成型。

我們可以透過「命名實體辨識技術」標記文本中的人名、地名、時間、職業、動植物等關鍵故事元素,接著用這批標記好的語料來訓練 BERT 等序列標注模型,以便將「文本向量化」,進而找出給定段落與其他文本的相似之處。

經過多種文本的比較之後發現,白蛇傳的原型可追溯自印度教的那伽蛇族故事,傳說那伽龍王的三女兒轉化成佛、輔佐觀世音,或許與白蛇誤食舍利成精的概念有所關連,推測印度神話應該是跟著海上絲路傳進鎮江與杭州等通商口岸。此外,故事的雛型可能早從唐代便開始醞釀,晚唐傳奇《博異志》便記載了白蛇化身美女誘惑男子的故事,而法海和尚、金山寺等關鍵人物與景點皆真實存在,金山寺最初就是由唐宣宗時期的高僧法海所建。

白蛇傳中鎮壓白娘子的雷峰塔。最早為五代吳越王錢俶於 972 年建造,北宋宣和二年(1120 年)曾因戰亂倒塌,大致為故事雛形到元素齊全的時期。照片中雷峰塔為 21 世紀重建。圖/Wikimedia

在 AI 的協助之下,我們得以跨時空比較不同文本,了解說書人如何結合印度神話、唐代傳奇、在地的真人真事,創作出流傳千年的白蛇傳經典。

最困難的挑戰:AI 如何判斷假新聞

除了應用在人文研究文本分析,AI 也可以查核新聞真偽,這對假新聞氾濫的當代社會是一大福音,但對 AI 來說可能是最困難的挑戰!蔡宗翰研究員指出 AI 的弱點:

如果是答案和數據很清楚的問題,就比較好訓練 AI。如果問題很複雜、變數很多,對 AI 來說就會很困難!

困難點在於新聞資訊的對錯會變動,可能這個時空是對的,另一個時空卻是錯的。雖然坊間有一些以「監督式學習」、「文本分類法」訓練出的假新聞分類器,可輸入當前的新聞讓機器去判讀真假,但過一段時間可能會失準,因為新的資訊源源不絕出現。而且道高一尺、魔高一丈,當 AI 好不容易能分辨出假新聞,製造假新聞的人就會破解偵測,創造出 AI 沒看過的新模式,讓先前的努力功虧一簣。

因此,現在多應用「事實查核法」,原理是讓 AI 模仿人類查核事實的過程,尋找權威資料庫中有無類似的陳述,可用來支持新聞上描述的事件、主張與說法。目前英國劍橋大學為主的學者群、Facebook 與 Amazon 等業界研究人員已組成 FEVEROUS 團隊,致力於建立英文事實查核法模型所能運用的資源,並透過舉辦國際競賽,廣邀全球學者專家投入研究。

蔡宗翰教授團隊 2021 年參加 FEVEROUS 競賽勇奪全球第三、學術團隊第一後,也與合作夥伴事實查核中心及資策會討論,正著手建立中文事實查核法模型所需資源。預期在不久的將來,AI 就能幫讀者標出新聞中所有說法的資料來源,節省讀者查證新聞真偽的時間。

AI 的無限可能:專屬於你的療癒「杯麵」

想像與 AI 共存的未來,蔡宗翰研究員驚嘆於 AI 的學習能力,只要提供夠好、夠多的資料,幾乎都可以訓練到讓人驚訝的地步!圖/研之有物

AI 的未來充滿無限可能,不僅可以成為分類與查證資料的得力助手,還能照護並撫慰人類的心靈,這對邁入高齡化社會的臺灣來說格外重要!許多青壯年陷入三明治人(上有老、下有小要照顧)的困境,期待有像動畫《大英雄天團》的「杯麵」(Baymax)機器人出現,幫忙分擔家務、照顧家人,在身心勞累時給你一個溫暖的擁抱。

機器人陪伴高齡者已是現在進行式,新加坡南洋理工大學 Gauri Tulsulkar 教授等學者於 2021 年發表了一項部署在長照機構的機器人實驗。這名外表與人類相似的機器人叫「娜丁」(Nadine),由感知、處理、互動等三層架構組成,可以透過麥克風、3D和網路鏡頭感知用戶特徵、所處環境,並將上述資訊發送到處理層。處理層會依據感知層提供的資訊,連結該用戶先前與娜丁互動的記憶,讓互動層可以進行適當的對話、變化臉部表情、用手勢做出反應。

長照機構的高齡住戶多數因身心因素、長期缺乏聊天對象,或對陌生事物感到不安,常選擇靜默不語,需要照護者主動引導。因此,娜丁內建了注視追蹤模型,當偵測到住戶已長時間處於被動狀態,就會自動發起話題。

實驗發現,在娜丁進駐長照機構一段時間後,住戶有一半的天數會去找她互動,而娜丁偵測到的住戶情緒多為微笑和中性,其中有 8 位認知障礙住戶的溝通能力與心理狀態有明顯改善。

照護機器人娜丁的運作架構。圖/研之有物

至於未來的改進方向,研究團隊認為「語音辨識系統」仍有很大的改進空間,需要讓機器人能配合老年人緩慢且停頓較長的語速,音量也要能讓重聽者可以清楚聽見,並加強對方言與多語混雜的理解能力。

臺灣如要發展出能順暢溝通的機器人,首要任務就是要開發一套臺灣人專用的 AI 語言模型,包含華語、臺語、客語、原住民語及混合以上兩種語言的理解引擎。這需花費大量人力與經費蒐集各種語料、發展預訓練模型,期待政府能整合學界與業界的力量,降低各行各業導入 AI 相關語言服務的門檻。

或許 AI 無法發展出情感,但卻可以成為人類大腦的延伸,協助我們節省處理資料的時間,更可以心平氣和地回應人們的身心需求。與 AI 共存的未來即將來臨,如何讓自己的行事邏輯跟上 AI 時代,讓 AI 成為自己的助力,是值得你我關注的課題。

延伸閱讀

文章難易度
所有討論 1
研之有物│中央研究院_96
253 篇文章 ・ 2220 位粉絲
研之有物,取諧音自「言之有物」,出處為《周易·家人》:「君子以言有物而行有恆」。探索具體研究案例、直擊研究員生活,成為串聯您與中研院的橋梁,通往博大精深的知識世界。 網頁:研之有物 臉書:研之有物@Facebook

4

13
3

文字

分享

4
13
3
美洲舊石器時代,女生不只採集,也常狩獵?
寒波_96
・2021/03/09 ・3459字 ・閱讀時間約 7 分鐘 ・SR值 548 ・八年級

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

人類發展出農業之前,以採集和狩獵維生,至今也仍有一些仰賴採集狩獵的人群。不過採集(gatherer)與狩獵(hunter)其實是兩件事,而且似乎與性別高度相關:女生採集、男生狩獵。

去年發表的一篇論文卻指出,美洲在舊石器時代,女生可能也擔任獵人。女獵人很吸引眼球,這篇論文非常熱門,排名 Altmetric 資料庫 2020 年的第 30 名[1, 2, 3, 4]

女生狩獵草泥馬想像圖。圖/取自 [參考資料2]

由琺瑯質的蛋白質判斷性別

秘魯南部,安地斯山上的 Wilamaya Patjxa 遺址位於海拔 3925 公尺,可謂雲端。此處有 2 萬件人造物,以及 6 位長眠的死者出土,其中 2 位的陪葬品包含狩獵裝備。有意思的是,其中一位是生理女性。

編號 WMP1 的男性死者,身邊有狩獵大型動物的裝備陪葬,由牙齒磨損的狀況,估計去世時為 25 到 30 歲。考古學家根據骨頭型態判斷他是男生,分析牙齒中的 AMEL 蛋白質,也得到一樣的結果。

AMEL 蛋白質的全名為 amelogenin,會參與牙齒琺瑯質的生成;此一基因位於 X 和 Y染色體上,兩者的氨基酸序列小有差異,所以男女有別,可用於分辨生理性別。

男生的 X、Y染色體各有一條,因此男生的蛋白質產物,同時有 X染色體產生的 AMELX,以及 Y染色體製造的 AMELY。女生則有兩條X染色體,沒有 Y染色體,所以女生不會製作 AMELY,只有 AMELX。

X、Y染色體的 AMEL 蛋白質產物有所差異,可以用於判斷性別:偵測到 2 個訊號便是男生,只有 1 個訊號則是女生。圖/取自 Sex determination of human remains from peptides in tooth enamel

如果能由牙齒取得 AMEL 蛋白質,便有機會判斷性別,而且此一資訊取決於遺傳,不像型態更容易受到個體差異影響而誤判(例如骨架很纖細的男生,被誤判為女生)。

安地斯山9000年前,草泥馬獵人

人體由吃進去的食物、飲水重組後構成,分析骨頭或牙齒中,衰變速度極為緩慢的穩定同位素,可以判斷一個人生前的飲食、出生地等資訊。

由 WMP1 的氧18 穩定同位素判斷,他長期飲用高海拔的水源;碳13 穩定同位素則能推論他住在高山,飲食混合動物與植物。

綜合看來,這位有狩獵裝備陪葬的男生,生前應該長居山上,飲食包含不少肉類。合理推論:

他是一位獵人。

Wilamaya Patjxa 遺址現場。圖/取自 [參考資料2]

另一位身邊擺放狩獵裝備的死者 WMP6,分析骨頭中的膠原蛋白,以碳同位素定年法估計約在 9000 年前去世。其餘和前述一樣的分析指出,她生前長住山上,飲食包含不少肉類,可能在 17 到 19 歲時去世,AMEL 蛋白質則明確表示她是女生。

她身邊有一批裝備,原本或許放在皮帶之內,可用於攻擊和處理獵物,尤其是大型動物。儘管無從得知是否真的會狩獵,依照陪葬品及飲食狀態,採用和 WMP1 同樣的邏輯推論:

她應該也是一位獵人。

現存於世的採集狩獵族群中,通常是男生狩獵、女生採集;距今 9000 年前的安地斯山上,卻可能並非如此。這點發現相當有趣,研究者認為值得深究,便探討美洲其他考古遺址中,有狩獵裝備陪葬的人性別為何——結果發現,女性獵人也許出乎意料的多?

美洲舊石器時代,各種遺址分佈。圖/取自 [參考資料1]

美洲舊石器時代,女生打獵或許不算罕見?

總共有 107 處舊石器時代的遺址,429 人納入分析。存在狩獵大型動物工具陪葬的,總共有 18 個遺址;10 處遺址包括 11 位女生、15 處遺址包括 16 位男生。

乍看之下,墓葬與狩獵元素相關的人,兩性比例好像差別不大,不過取樣其實非常有限。也不可忽視如 Upward Sun River 遺址,有武器陪葬的 2 位女生根本還是嬰兒,絕對不可能當過獵人。

光是有狩獵工具陪葬,不能直接等於死者生前擔任獵人,也可能是想表現某些象徵意涵。不過論文主張,至少 Wilamaya Patjxa 遺址中的一男一女沒什麼差別,女生應該曾為獵人;另外在美洲的舊石器時代,雖然不清楚比例,女生獵人或許並不罕見。

現代仍然以採集、狩獵維生的人們,多半具有明顯的性別分工:女生採集、男生狩獵。由這些觀察推導出的論點是:古代就是如此。不過仍有少數例外,例如菲律賓的阿埃塔人(Agta),女生便會擔任獵人。

這項新研究則認為,古代的採集狩獵族群,性別角色未必和現在一樣。至少在舊石器時代的美洲,女生也會打獵。

1980 年首度出版的科幻小說《愛拉與穴熊族》。圖/取自 amazon

人類多變化的營生、性別角色

雖然少數女生會狩獵,但是由男生擔任獵人,可謂根深蒂固的想法。珍奧爾(Jean M. Auel)以冰河時期歐洲為背景的「愛拉傳奇」系列首部曲《愛拉與穴熊族》,便用「女性獵人」為主軸,營造衝突與轉折。這本精彩的小說,描述被尼安德塔人收養的智人女主角,因為喜歡狩獵被視為離經叛道,經歷奮鬥後克服偏見,獲得認同的故事。

考古研究若是發現,戰士、獵人這類某些人認為專屬於男生的角色,性別竟然是女生,起爭議是正常的。

近期最出名的案例,莫過於也超級熱門,2017 年發表的維京女戰士;即使證據十分明確,仍有些歷史和考古學家抵死不認,搬出各種自相矛盾的說法乞辭詭辯,主張遺傳學家不懂歷史、「女戰士」只是噱頭……

維京女戰士想像圖。圖/取自 The Vintage News

相比之下,這回安地斯山上的研究,證據上沒那麼周全;擴大到整個美洲,更是頗為可疑。不過我個人意見是,儘管目前證據不足,論文的主要觀點也許無誤:

舊石器時代的美洲,女生打獵不罕見。

取得資源,確保生存是第一要務,有時候甚至是唯一任務。距今 9000 年前,海拔 4000 公尺的安地斯山上,算是資源稀缺的艱困環境;假如只靠男生狩獵,等於只有一半人力打獵,當時有那個餘裕嗎?所以我覺得,那個人口稀少的背景下,女生一起參加打獵很合理,甚至是必然的。

和動物相比,智人一大特色是充滿彈性。所謂的性別分工,應該是因時、因地、因物,以及文化而異。

另外我們也不能忽視,智人是社會化的動物,除了先天的生理性別之外,還有千變萬化的社會角色。堅持古往今來某些社會角色,只能由特定生理性別擔任,我想反而才是太過武斷。

延伸閱讀:

參考資料:

  1. Haas, R., Watson, J., Buonasera, T., Southon, J., Chen, J. C., Noe, S., … & Parker, G. (2020). Female hunters of the early Americas. Science advances, 6(45), eabd0310.
  2. Women at the Hearth and on the Hunt
  3. Early big-game hunters of the americas were female, researchers suggest
  4. Woman the hunter: Ancient Andean remains challenge old ideas of who speared big game

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁

所有討論 4
寒波_96
175 篇文章 ・ 677 位粉絲
生命科學碩士、文學與電影愛好者、戳樂黨員,主要興趣為演化,希望把好東西介紹給大家。部落格《盲眼的尼安德塔石器匠》、同名粉絲團《盲眼的尼安德塔石器匠》。

0

0
0

文字

分享

0
0
0
COVID-19 殺死的人比帳面數字更多,但是究竟多少?
寒波_96
・2020/09/17 ・1942字 ・閱讀時間約 4 分鐘 ・SR值 527 ・七年級

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

COVID-19(武漢肺炎、新冠肺炎)肆虐至今,帳面死亡數字已經超過 87 萬人,但是實際人數肯定更多。由 SARS-CoV-2(SARS二世冠狀病毒)引發疫情的影響太過廣泛,直接亡於瘟疫的死者之外,也有不少間接受害者,幾乎不可能精確評估實際人數。

Photo by Tmaximumge form PxHere

以「額外死亡數」評估疫情影響

若想評估疫情的影響,最方便的估計方法稱作「額外死亡數(excess mortality)」,也就是比較今年瘟疫肆虐下,和過往同期的差異,看看死亡人數超過多少。每一年的死亡數會波動,所以通常是和前 5 年的平均相比。

由 30 多個國家(多數在歐洲)的資料看來,到今年 7 月底,死亡人數比預期多出約 60 萬人,同時帳面上武漢肺炎的死亡數只有 41 萬,差異將近 20 萬。

然而,額外死亡數並非全部直接來自武漢肺炎,例如沒有感染武漢肺炎,卻由於醫療系統崩潰而造成的死者,就算是被間接影響。

美國、英國今年的死亡數。圖/取自 ref 1

科學媒體 Nature 分析指出,額外死亡數和武漢肺炎死亡數的距離,不同國家的差別很大。美國的額外死亡數中有 25% 不是列為武漢肺炎,西班牙則是 35%。差距最大的秘魯高達 74%;可以推論,秘魯有非常多武漢肺炎死者,沒有被正式記錄。

保加利亞比較特別,額外死亡數是負的,表示瘟疫肆虐下反而比預期死掉更少的人(不過保加利亞目前的確診與死亡數,正處於指數上升的趨勢)。

南非從 3 月底嚴格防疫管制開始後,額外死亡數也一度是負的,不過 5 月底放鬆管制,後來感染人數又上升之後,額外死亡數便很快明顯增加。

南非、秘魯幾年的死亡數。圖/取自 ref 1

死亡人數比預期少,除了隨機波動外,是因為實施防疫措施,如減少人群接觸、停班、封城等影響,使得暴力衝突、交通事故等死亡事件減少。而阻止 SARS二世冠狀病毒傳播的行為,也會阻止某些疾病傳播,特別是流感。死於流感等疾病的人數變少,也會減少死亡數。

也就是說,人為介入防疫之後,原本的預計死亡人數會減低一些;因此 SARS二世冠狀病毒實際上的負面影響,應該要比額外死亡數再高一些。

疫情影響太大,死亡數字難以釐清

死亡數的詳情相當難以釐清,西班牙流感(照現在流行可以稱為 1918 年新型流感)已經過去一百多年,但是仍然不太清楚詳細的死亡數據。

儘管武漢肺炎的疫情就在眼前上演,專家依然沒有把握能精確釐清各種死亡人數。全世界每年粗估只有 50% 的死亡有明確記錄,另外 50% 缺乏存在感,就跟沒有發生過一般,尤其是在中、低收入國家。

想要估計額外死亡數,必需掌握充足的資料,這樣的國家卻不多。人口統計不發達的國家,原本有多少活人、死人就不太清楚,還要計算瘟疫下額外死掉多少人,實在是強人所難。由於各種原因沒有被記錄到的死者,即使可以透過事後調查得知,也將是一段時間以後的過時資訊。

對於瘟疫期間去世的人,一些專家希望精確釐清各種不同的死因,深入認識 SARS二世冠狀病毒在各個層面造成的直接與間接影響。卻也有些專家認為分那麼細沒什麼意義,因為不論直接或間接,這些額外死亡數皆與武漢肺炎有關。

還有些專家提醒各位,目前疫情還在持續,感染與死亡數仍然持續增加,一些估計其實不用急於一時。

根據已知資訊判斷,感染 SARS二世冠狀病毒以後的死亡率並不是太高,介於 0.5 到 1% 之間。不過由於感染人數眾多,對全人類或各大地區的影響,仍然算是非常廣泛。

本文轉載自新公民議會〈武漢肺炎究竟殺死多少人?

延伸閱讀

  1. COVID-19 有多致命?認識3種死亡率
  2. 黑死病、西班牙流感到 COVID-19,瘟疫如何重塑社會貧富?
  3. 瘟疫的長久烙印──回顧100年前西班牙流感蔓延時的台灣
  4. 為什麼台灣在某一天,不可能有640位無症狀感染者?

參考資料

  1. How many people has the coronavirus killed?
  2. Excess mortality from the Coronavirus pandemic (COVID-19)

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁

寒波_96
175 篇文章 ・ 677 位粉絲
生命科學碩士、文學與電影愛好者、戳樂黨員,主要興趣為演化,希望把好東西介紹給大家。部落格《盲眼的尼安德塔石器匠》、同名粉絲團《盲眼的尼安德塔石器匠》。