Cultural-evolutionary modeling of archaeological data faces numerous challenges, perhaps the most significant being the mismatch between models of microscale activities and the macroevolutionary scale of the archaeological record. This is especially the case with identifying different kinds of social learning reflected in the record. Here we present a computational approach to social learning using a new model that compares frequencies of stylistic traits through time to an evolutionary model of social learning. Two dimensions of cultural evolution—popularity bias and information transparency—help unify a range of hitherto competing models of social learning. This model has never successfully been calibrated to real-world data, with the sparseness of archaeological data presenting an even further challenge. By calibrating the model to archaeological data, we confirm that it can be used successfully to characterize cultural transmission in the past. Our case study consists of decorative motifs on pottery from Early Neolithic Europe, ca. 5400–5000 BCE. The comparison of data to model is highly computational, involving seven different metrics and hundreds of simulations and re-samplings. Inferences are made using approximate Bayesian computation and a random-forest algorithm to estimate the best solution using a combination of all metrics. The computational modeling confirms that cultural transmission of the Neolithic pottery motifs was a process of unbiased social learning and opens the way for the exploration of a wide range of frequency data.

考古数据的文化进化模型面临着许多挑战，其中最重要的挑战可能是微观活动模型与考古记录的宏观进化规模之间的不匹配。在识别记录中反映的不同类型的社会学习时尤其如此。在这里，我们提出了一种使用新模型的社会学习计算方法，该模型将随时间变化的风格特征频率与社会学习的进化模型进行比较。文化进化的两个维度——受欢迎程度偏见和信息透明度——有助于统一迄今为止一系列相互竞争的社会学习模式。该模型从未成功地根据现实世界的数据进行校准，考古数据的稀疏性提出了进一步的挑战。通过根据考古数据校准模型，我们确认它可以成功地用于表征过去的文化传播。我们的案例研究包括来自欧洲新石器时代早期陶器的装饰图案，大约。公元前 5400–5000 年。数据与模型的比较需要高度计算，涉及七种不同的指标以及数百次模拟和重新采样。使用近似贝叶斯计算和随机森林算法进行推断，以使用所有指标的组合来估计最佳解决方案。计算模型证实了新石器时代陶器图案的文化传播是一个公正的社会学习过程，并为探索广泛的频率数据开辟了道路。我们的案例研究包括来自欧洲新石器时代早期陶器的装饰图案，大约。公元前 5400–5000 年。数据与模型的比较需要高度计算，涉及七种不同的指标以及数百次模拟和重新采样。使用近似贝叶斯计算和随机森林算法进行推断，以使用所有指标的组合来估计最佳解决方案。计算模型证实了新石器时代陶器图案的文化传播是一个公正的社会学习过程，并为探索广泛的频率数据开辟了道路。我们的案例研究包括来自欧洲新石器时代早期陶器的装饰图案，大约。公元前 5400–5000 年。数据与模型的比较需要高度计算，涉及七种不同的指标以及数百次模拟和重新采样。使用近似贝叶斯计算和随机森林算法进行推断，以使用所有指标的组合来估计最佳解决方案。计算模型证实了新石器时代陶器图案的文化传播是一个公正的社会学习过程，并为探索广泛的频率数据开辟了道路。使用近似贝叶斯计算和随机森林算法进行推断，以使用所有指标的组合来估计最佳解决方案。计算模型证实了新石器时代陶器图案的文化传播是一个公正的社会学习过程，并为探索广泛的频率数据开辟了道路。使用近似贝叶斯计算和随机森林算法进行推断，以使用所有指标的组合来估计最佳解决方案。计算模型证实了新石器时代陶器图案的文化传播是一个公正的社会学习过程，并为探索广泛的频率数据开辟了道路。