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

Resumen

Esta tesis doctoral examina los métodos de inteligencia artificial en la teoría de clasificación arqueológica. Su objetivo es lograr clasificaciones con tasas de precisión más altas mediante el aprovechamiento de detalles imperceptibles al ojo humano y la eliminación de errores específicos del juicio humano, como la subjetividad y el sesgo, gracias a su fundamento matemático. Este enfoque no solo permite clasificar hallazgos previamente no identificables, sino que también busca prevenir la pérdida de datos arqueológicos._x000D_ _x000D_ La investigación explora técnicas avanzadas de aprendizaje automático basadas en redes neuronales artificiales que han demostrado ser eficaces incluso con conjuntos de datos pequeños. Esto es especialmente relevante en arqueología, donde el principal desafío es la escasez de datos etiquetados. La tesis demuestra las ventajas de las redes neuronales artificiales en la clasificación arqueológica y compara distintos modelos de aprendizaje automático para superar el obstáculo principal: la escasez de datos._x000D_ _x000D_ Hasta ahora, la clasificación arqueológica ha sido realizada por expertos humanos, basándose en ecos, identificaciones personales e interpretaciones subjetivas. Por muy imparcial que sea el especialista, el proceso no ha podido desprenderse de su carácter personal. Hoy en día, las técnicas de aprendizaje automático están transformando este proceso en uno más analítico, especialmente gracias a las redes neuronales artificiales (ANNs), que, gracias a su capacidad de no linealidad, también pueden realizar extracción de características. No obstante, estos métodos presentan importantes desafíos técnicos._x000D_ _x000D_ A través de esta investigación doctoral, se propone un repertorio de metodologías que permite utilizar eficazmente la inteligencia artificial en arqueología, a pesar del reto más urgente en el campo: los conjuntos de datos arqueológicos suelen ser escasos, de baja calidad, no estandarizados y fuertemente degradados por procesos postdeposicionales. Los métodos presentados aquí buscan generar nuevas interpretaciones arqueológicas aprovechando al máximo la IA bajo tales limitaciones. En particular, ofrecen oportunidades para reevaluar conjuntos de datos históricos—que contienen millones de parámetros y contenidos altamente variables—y extraer nuevas interpretaciones. Por ejemplo, el análisis comparativo de artefactos de regiones geográficas distintas podría revelar conexiones y relaciones contextuales previamente no reconocidas._x000D_ _x000D_ Esta investigación aborda problemas reales para los arqueólogos, como las dificultades de identificación causadas por la degradación en la clasificación de artefactos. Además, se limita deliberadamente al análisis de datos visuales en 2D. La arqueología, como disciplina, depende extensamente de inferencias basadas en representaciones visuales. Los arqueólogos interpretan las características visuales de los hallazgos según su experiencia acumulada. Por ello, el dominio visual sigue siendo el enfoque principal de este trabajo. Aunque los datos numéricos son indudablemente importantes, su tratamiento analítico ya está ampliamente documentado en la literatura. Por esta razón, los conjuntos de datos estadísticos no fueron el foco de esta tesis._x000D_ _x000D_ El aspecto innovador clave de esta investigación radica en el reconocimiento de que no solo las características arqueológicas incrustadas en la textura de los artefactos, sino también la degradación y erosión del material—formas únicas de deterioro arqueológico—no deben considerarse como ruido. Más bien, se tratan como fuentes de datos informativas que pueden mejorar el rendimiento de la clasificación. En algunos casos, las características arqueológicas o antropomórficas en la superficie y textura de los artefactos pueden estar tan erosionadas que ya no son discernibles. Sin embargo, estos patrones de degradación superficial pueden contener información significativa, especialmente para determinar la procedencia geográfica de un artefacto. Para ello, se han integrado técnicas convencionales de procesamiento de señales con algoritmos avanzados de aprendizaje profundo capaces de aprender eficazmente a partir de conjuntos de datos con pocos recursos. La eficacia de este enfoque combinado se demuestra en la sección de resultados.

Fecha de lectura	15 ene 2026
Idioma original	Inglés
Institución de lectura	Universitat Autònoma de Barcelona (UAB)
Supervisor	Juan Antonio Barcelo Alvarez (Director/a)