Artificial Intelligence in archaeological classification: Theory and applications of deep learning and neural networks

Resum

Aquesta tesi doctoral examina els mètodes d’intel·ligència artificial en la teoria de la classificació arqueològica. El seu objectiu és aconseguir classificacions amb taxes d’exactitud més elevades mitjançant l’aprofitament de detalls imperceptibles per a l’ull humà i l’eliminació d’errors específics del judici humà, com la subjectivitat i el biaix, gràcies al seu fonament matemàtic. Aquest enfocament no només permet classificar troballes prèviament no identificables, sinó que també pretén evitar la pèrdua de dades arqueològiques._x000D_ _x000D_ La recerca explora tècniques avançades d’aprenentatge automàtic basades en xarxes neuronals artificials que han demostrat ser eficaces fins i tot amb conjunts de dades petits. Això és especialment rellevant en arqueologia, on el principal repte és l’escassetat de dades etiquetades. La tesi demostra els avantatges de les xarxes neuronals artificials en la classificació arqueològica i compara diferents models d’aprenentatge automàtic per superar l’obstacle principal: la manca de dades._x000D_ _x000D_ Fins ara, la classificació arqueològica ha estat realitzada per experts humans, basada en ecos, identificacions personals i interpretacions subjectives. Per molt imparcial que sigui l’especialista, el procés no ha pogut desprendre’s del seu caràcter personal. Avui dia, les tècniques d’aprenentatge automàtic estan transformant aquest procés en un de més analític, especialment gràcies a les xarxes neuronals artificials (ANNs), que, gràcies a la seva capacitat de no linealitat, també poden dur a terme l’extracció de característiques. No obstant això, aquests mètodes presenten importants desafiaments tècnics._x000D_ _x000D_ Mitjançant aquesta recerca doctoral, es proposa un repertori de metodologies que permeten utilitzar eficaçment la intel·ligència artificial en arqueologia, malgrat el repte més urgent en el camp: els conjunts de dades arqueològiques solen ser escassos, de baixa qualitat, no estandarditzats i fortament degradats per processos postdeposicionals. Els mètodes presentats aquí pretenen generar noves interpretacions arqueològiques aprofitant al màxim la IA sota aquestes limitacions. En particular, ofereixen oportunitats per reavaluar conjunts de dades històrics—que contenen milions de paràmetres i continguts altament variables—i extreure noves interpretacions. Per exemple, l’anàlisi comparativa d’artefactes de regions geogràfiques diferents podria revelar connexions i relacions contextuals prèviament no reconegudes._x000D_ _x000D_ Aquesta recerca aborda problemes reals per als arqueòlegs, com les dificultats d’identificació causades per la degradació en la classificació d’artefactes. A més, es limita deliberadament a l’anàlisi de dades visuals en 2D. L’arqueologia, com a disciplina, depèn extensament d’inferències basades en representacions visuals. Els arqueòlegs interpreten les característiques visuals de les troballes segons la seva experiència acumulada. Per això, el domini visual continua sent el focus principal d’aquest treball. Tot i que les dades numèriques són indubtablement importants, el seu tractament analític ja està àmpliament documentat en la literatura. Per aquesta raó, els conjunts de dades estadístics no han estat el focus d’aquesta tesi._x000D_ _x000D_ L’aspecte innovador clau d’aquesta recerca rau en el reconeixement que no només les característiques arqueològiques incrustades en la textura dels artefactes, sinó també la degradació i erosió del material—formes úniques de deteriorament arqueològic—no s’han de considerar com a soroll. Més aviat, es tracten com a fonts de dades informatives que poden millorar el rendiment de la classificació. En alguns casos, les característiques arqueològiques o antropomòrfiques a la superfície i textura dels artefactes poden estar tan erosionades que ja no són discernibles. No obstant això, aquests patrons de degradació superficial poden contenir informació significativa, especialment per determinar la procedència geogràfica d’un artefacte. Per a aquest fi, s’han integrat tècniques convencionals de processament de senyals amb algoritmes avançats d’aprenentatge profund capaços d’aprendre eficaçment a partir de conjunts de dades amb pocs recursos. L’eficàcia d’aquest enfocament combinat es demostra en la secció de resultats.

Data del Ajut	15 de gen. 2026
Idioma original	Anglès
Institució adjudicatària	Universitat Autònoma de Barcelona (UAB)
Supervisor	Juan Antonio Barcelo Alvarez (Director/a)