| Tesis Doctorales de la Universidad de Alcalá |
| NEW METHODOLOGIES FOR THE TAPHONOMIC STUDY OF BONE SURFACE MODIFICATIONS: APPLICATIONS TO THE PLEISTOCENE FOSSIL RECORD OF OLDUVAI GORGE (FLK NORTH) THROUGH THE INTEGRATION OF EXPERIMENTAL ARCHAEOLOGY AND ARTIFICIAL INTELLIGENCE.
NUEVAS METODOLOGÍAS PARA EL ESTUDIO TAFONÓMICO DE LAS ALTERACIONES DE LA SUPERFICIE ÓSEA: APLICACIONES AL REGISTRO FÓSIL DEL PLEISTOCENO DE LA GARGANTA DE OLDUVAI (FLK NORTH) MEDIANTE LA INTEGRACIÓN DE ARQUEOLOGÍA EXPERIMENTAL E INTELIGENCIA ARTIFICIAL. | | Autor/a | Cifuentes Alcobendas, Gabriel Paul | | Departamento | Historia y Filosofía | | Director/a | Domínguez Rodrigo, Manuel | | Codirector/a | Little LITTLE, AIMEE | | Fecha de depósito | 27-02-2025 | | Periodo de exposición pública | 28 de febrero a 13 de marzo de 2025 | | Fecha de defensa | Sin especificar | | Modalidad | Presencial | | Programa | Historia, Cultura y Pensamiento (RD 99/2011) | | Mención internacional | Solicitada | | Resumen | Las modificaciones de la superficie ósea (MSO) desempeñan un papel
crucial en los estudios tafonómicos. Esto se debe a la conexión inherente que existe
entre las marcas tafonómicas y el evento o agentes que las generaron. Las MSO
pueden ser de gran ayuda para comprender la historia tafonómica de sitios
arqueológicos complejos, como los palimpsestos paleolíticos. Sin embargo, las MSO
pueden ser significativamente alteradas por procesos post-deposicionales y, a
menudo, las marcas generadas por procesos tafonómicos diferentes pueden
compartir una notable similitud. Diversos debates académicos han surgido a partir
de la dificultad para asociar con precisión una marca con su proceso causal.
Recientemente, se han utilizado aplicaciones de Inteligencia Artificial y Visión
Computarizada para elevadas precisiones de clasificación que incluso pueden
superar a los analistas humanos en ciertas tareas. En este contexto, los modelos
computacionales que mejoran la fiabilidad de la clasificación de las MSO podrían
convertirse en una herramienta inestimable para los tafónomos.
Este estudio demuestra el potencial de las Redes Neuronales
Convolucionales (RNC) para cumplir tal papel. A pesar de que se necesitan algunos
ajustes para adaptarse mejor a los materiales arqueológicos, las RNC han mostrado
resultados satisfactorios en la clasificación de MSO en elementos fósiles de
aproximadamente 1.785 millones de años. Abordar las dificultades identificadas en
este estudio podría mejorar la objetividad y la replicabilidad de la clasificación de
las MSO en diversos contextos arqueológicos.
En este estudio, se produjo un conjunto de datos de casi 7.000 imágenes de
MSO pertenecientes a 16 diferentes grupos tafonómicos, lo que marca un avance
significativo en la aplicación de las RNC en estudios tafonómicos. Además, el
conjunto de datos producido puede usarse para explorar más a fondo ciertas
características de estos tipos específicos de modificaciones. Por ejemplo, la
morfología de las marcas de corte está correlacionada con variables como la
morfología del filo de la herramienta; el material con el que está hecha la
herramienta; la angulación entre el filo de la herramienta y la superficie ósea; o la
abrasión de dicho filo. Igualmente, la morfología de las marcas de pisoteo está
altamente correlacionada con el tamaño de los granos de sedimento; su angularidad;
8
y la duración de la exposición al proceso. Además, se obtuvieron mediciones de
ancho de estas MSO (pisoteo y marcas de corte) para ser utilizadas en trabajos
futuros que busquen describir de manera más completa tales modificaciones
tafonómicas. Por último, los experimentos realizados también arrojaron
información sobre la potencial semejanza de marcas tafonómicas, tales como las
fosas producidas por compresión sedimentaria, que se asemejan a las
modificaciones producidas por carnívoros. Estos hallazgos pueden servir para guiar
futuras investigaciones experimentales sobre el siempre creciente tema de la
equifinalidad tafonómica.
El estudio desarrolla un flujo de trabajo optimizado para usar RNC en tareas
de clasificación de MSO, enfatizando la importancia del aumento de color para evitar
la fuga de datos (data leakage) basada en color. Aunque el aprendizaje por
transferencia (transfer learning) no superó al entrenamiento normal, este método
tiene potencial para futuras investigaciones realizadas en conjuntos de datos más
pequeños y con datos de dominios semejantes.
Las RNC han demostrado un rendimiento excepcional con MSO generadas
experimentalmente, aunque su aplicación a imágenes arqueológicas fuertemente
alteradas sigue siendo un desafío. El estudio confirma la validez del método, pero
llama a la cautela a la hora de considerar su funcionamiento. Entre las áreas
destacadas para mejorar, la baja similitud entre las imágenes experimentales y
arqueológicas es la más relevante. No obstante, esto se podría mejorar a través de
programas experimentales exhaustivos o de la posible integración de RNC 3D. Los
esfuerzos colaborativos en la investigación también tienen el potencial de expandir
la base de datos tafonómica, mejorando así la utilidad del método.
En conclusión, este estudio establece las bases metodológicas para el uso de
algoritmos RNC con datos de MSO, confirmando la validez del método mientras
también se reconoce la necesidad optimizarlo para contextos arqueológicos. El
trabajo aquí realizado servirá de base para futuros estudios que busquen abordar
los desafíos encontrados, posicionando así a esta nueva metodología como una
herramienta valiosa para arqueólogos y tafónomos por igual. |
|
