| Tesis Doctorales de la Universidad de Alcalá |
| NUEVAS METODOLOGÍAS DE ESTUDIO EN ARQUEOLOGÍA Y PREHISTORIA: INTELIGENCIA ARTIFICIAL Y REDES NEURONALES PARA LA IDENTIFICACIÓN DE AGENTES Y PROCESOS TAFONÓMICOS. | | Autor/a | Jiménez García, Blanca | | Departamento | Historia y Filosofía | | Director/a | Domínguez Rodrigo, Manuel | | Codirector/a | Baquedano Pérez, Enrique | | Fecha de depósito | 19-03-2026 | | Periodo de exposición pública | 20 de marzo a 10 de abril de 2026 | | Fecha de defensa | Sin especificar | | Programa | Historia, Cultura y Pensamiento (RD 99/2011) | | Mención internacional | Solicitada | | Resumen | Dentro de la Arqueología, la disciplina tafónomica desempeña un papel fundamental en la reconstrucción del registro, ya que proporciona el marco analítico para la identificación y evaluación de los procesos responsables de la formación y modificación del registro arqueológico. Una buena comprensión de estos procesos es esencial para interpretar el comportamiento humano en el pasado y la naturaleza de las interacciones entre los homininos y otros agentes, en particular los carnívoros. En este marco, el análisis de las modificaciones de la superficie ósea (en inglés bone surface modifications o, abreviado, BSMs) constituye una fuente de información crucial, dado que las marcas producidas por carnívoros, humanos y procesos posdeposicionales son un reflejo directo de los patrones de adquisición de carcasas, consumo y uso del espacio. Sin embargo, la identificación e interpretación de estas alteraciones se ha visto históricamente afectada por problemas de equifinalidad y subjetividad y variabilidad metodológica entre analistas.
Esta tesis doctoral explora el potencial de la inteligencia artificial, en concreto del aprendizaje profundo (deep learning, DL) y de las redes neuronales convolucionales (convolutional neural networks, CNNs), como un marco metodológico para mejorar la identificación e interpretación de estas BSMs y de los agentes y procesos tafonómicos responsables de su formación. Mediante la integración de enfoques computacionales en el análisis tafonómico clásico, esta investigación aborda algunos de los desafíos más persistentes de la disciplina, como posibles sesgos de observación, reproducibilidad limitada y dificultad de analizar de forma sistemática conjuntos de datos grandes y morfológicamente complejos.
El estudio se fundamenta en el uso de colecciones experimentales de referencia cuidadosamente documentadas y combina estrategias de transfer learning, ensemble learning y evaluación probabilística de modelos para extraer y cuantificar patrones morfológicos presentes en las BSMs. Lejos de proponer la inteligencia artificial como un sustituto de la interpretación tafonómica tradicional, este trabajo adopta una perspectiva explícitamente integradora, en la que los modelos basados en IA funcionan como herramientas analíticas complementarias que mejoran la resolución, la transparencia y la reproducibilidad.
El marco metodológico se pone a prueba a través de tres casos de estudio con historias y niveles de complejidad diversos: la Unidad 2 de la Cueva de Tritons, el Nivel 22A de David’s Site (DS) y el conjunto faunístico del Olduvai Carnivore Site (OCS). En estos contextos, los modelos basados en CNNs demuestran su capacidad para discriminar entre distintos agentes modificadores mediante la captura sistemática de
patrones que resultan difíciles de evaluar únicamente a través de la observación cualitativa.
Más allá de los resultados específicos, esta investigación contribuye a la transformación de la Tafonomía en una disciplina más explícitamente cuantitativa y reproducible. Al promover el razonamiento probabilístico y la evaluación mediante múltiples métricas, esta tesis sitúa la inteligencia artificial dentro de un marco teórico y metodológico que formaliza, en lugar de automatizar, la inferencia tafonómica.
El flujo de trabajo desarrollado, desde la adquisición de imágenes y la construcción de los conjuntos de datos hasta el entrenamiento, validación y aplicación de los modelos a los conjuntos de estudio, está diseñado para ser transferible y adaptable a otros contextos, laboratorios y necesidades de investigación. |
|
