| Fecha: |
2026 |
| Resumen: |
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. 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. 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. 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. 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. 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. |
| 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. 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. 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. 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. 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. 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. |
| Resumen: |
This doctoral thesis examines artificial intelligence methods in Archaeological Classification Theory. Its objective is to achieve classifications with higher accuracy rates by utilizing details that are imperceptible to the human eye and by operating without human-specific errors such as subjectivity and bias, thanks to its mathematical foundation. This approach not only allows for the classification of previously unidentifiable findings but also aims to prevent the loss of archaeological data. The research explores advanced machine learning techniques based on artificial neural networks that are successful with small datasets. This is particularly significant in archaeology, where the major challenge is the scarcity of labeled data. The thesis demonstrates the advantages of artificial neural networks in archaeological classification and compares different machine learning models to overcome the primary obstacle of data scarcity. Since archaeological classification has so far been done by human experts, i. e. due to basis on echols and personal identifications and interpretations nature, no matter how impartial the expert may be, it has not been able to get rid of its personal character. Today, machine learning techniques are making this process analytical. Especially thanks to ANNs, which, with the advantage of nonlinearity, can also perform feature extraction. Nevertheless, These methods have major technical challenges and issues. Through this doctoral research, a repertoire of methodologies is proposed that enables the effective utilization of AI in archaeology, despite the most pressing challenge in the field: archaeological datasets are frequently scarce, of low quality, non-standardized, and heavily degraded due to post-depositional processes. The methods presented here aim to generate novel archaeological insights by leveraging AI optimally under such constraints. Notably, they offer opportunities to re-evaluate legacy datasets-comprising millions of parameters and highly variable content-and extract new interpretations. For example, comparative analysis of artifacts from disparate geographical regions could reveal previously unrecognized connections and contextual relationships. This research addresses real world issues for archaeologist such as identification difficulties based on degradation for classification of artifacts. Additionalyi it is deliberately limited to 2D visual data. Archaeology, as a discipline, relies extensively on inferences drawn from visual representations. Archaeologists interpret the visual features of finds based on their accumulated expertise. Thus, the visual domain remains the primary focus of this work. While numerical data is undoubtedly important, its analytical treatment is already well-documented in the literature. For this reason, statistical datasets were not the focus of this thesis. Key innovative aspect of this research lies in the recognition that not only the archaeological features embedded in the texture of artifacts, but also the material degradation and erosion-unique forms of archaeological deterioration-should not be regarded as noise. Rather, they are treated as informative data sources that can enhance classification performance. In some cases, archaeological or anthropomorphic features on the surface and texture of artifacts may be so severely eroded that they are no longer discernible. Notably, such patterns of surface degradation can carry significant information, particularly when determining an artifact's geographical provenance. To this end, conventional signal processing techniques have been integrated with advanced deep learning algorithms that are capable of effective learning from low-resource datasets. The efficacy of this combined approach is demonstrated in the results section. |
| Resumen: |
Universitat Autònoma de Barcelona. Programa de Doctorat en Arqueologia Prehistòrica. |
| Derechos: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, sempre i quan aquestes es distribueixin sota la mateixa llicència que regula l'obra original i es reconegui l'autoria.  |
| Lengua: |
Anglès |
| Colección: |
Programa de Doctorat en Arqueologia Prehistòrica |
| Documento: |
Tesi doctoral ; Text ; Versió publicada |
| Materia: |
English ;
Ciències Socials |
visitante ::
identificación
dir.
