Fracturación ósea e inteligencia artificial: un acercamiento experimental y sus implicaciones para la arqueología

• Mielgo, Clara ^[1] ; Moclán, Abel ^[2]
  1. [1] Universitat Rovira i Virgili

     Universitat Rovira i Virgili

     Tarragona, España

     
  2. [2] Centro Nacional de Investigación sobre la Evolución Humana (CENIEH) /Universidad de Burgos
• Localización: Periferias: desde los márgenes de la arqueología / coord. por Sonia Carbonell Pastor, María Fructuoso Cárcel, Arturo García López, Paula Martín de la Sierra Pareja, José Luis Martínez Boix, Ester Moya Soriano, Nicolás Pastor Alameda, Pedro Ramón Baraza, Israel Serna Martínez, 2023, ISBN 978-84-1302-220-8, págs. 99-103
• Idioma: español
• Enlaces
  • Texto completo
• Resumen
  • español

    La fracturación ósea ha sido ampliamente trabajada buscando entender tanto el proceso como el agente que la genera. Moclán y otros (2019) mostraron la eficacia de una nueva metodología para clasificar correctamente el agente (i.e. humanos, hienas o lobos) de fracturación de huesos de animales de talla media (50-200 kg) mediante algoritmos de aprendizaje automático. Se presentan los resultados de un experimento basado en la fracturación mediante percusión directa de animales de talla pequeña (10-50 kg) y se clasifican con los algoritmos entrenados previamente por Moclán y otros (2019). Los resultados sugieren que el modelo es aplicable a muestras antrópicas de talla pequeña, al haber clasificado correctamente hasta el 87% de la muestra.

  • English

    Bone breakage has been extensively researched in order to understand both the process and the agency. Moclán et al. (2019) showed the efficacy of a new methodology to correctly classify the agent (i.e. humans, hyenas or wolves) of bone breakage in medium-sized animals (50-200kg) using machine learning algorithms. We present the results of an experiment based on the fracturing of small animals (10-50kg) and classify them with the algorithms previously trained by Moclán et al. (2019). The results suggest that the model is applicable to small-sized anthropic samples, having correctly classified up to 87% of the sample.