Arqueología y Ciencia de Datos: Discusión de resultados del Procesamiento del Lenguaje Natural en el análisis de descripciones cerámicas arqueológicas

Abstract

Exploramos las potencialidades de técnicas de Procesamiento Natural de Lenguaje, para la investigación arqueológica. Para ello, aplicamos técnicas de representación vectorial y análisis no supervisado a textos arqueológicos descriptivos. Trabajamos con la colección arqueológica del Instituto de Arqueología y Museo, Facultad de Ciencias Naturales e IML - UNT. En su base de datos digital (formato CD) se incluye un compendio de descripciones formales de piezas cerámicas, realizadas desde los primeros registros de la institución, hasta tiempos contemporáneos. Por su naturaleza no estructurada, se trata de campos de difícil capitalización en cuanto a su procesamiento estadístico, automatizado y/o semi-automatizado. Por lo tanto, tomamos este corpus para evaluar su potencial aplicación con las técnicas propuestas. La muestra consistió en una matriz de dos columnas, y 1269 registros. Las variables consideradas fueron: a) descripción formal de la pieza en prosa; b) etiqueta estilística. Los estilos incluidos fueron: Aguada (n=133), Belén (n=237); Candelaria (n=72); Ciénaga (n=463); y Santa María (n=364). El corpus no contenía información cronológica explícita, ni datos de procedencia geográfica. Los procedimientos se implementaron en Orange Data Mining (v.3.38.1). A) Preprocesamiento: conversión a minúsculas, tokenización por regex, eliminación de stopwords y números, filtrado por frecuencia y lematización con Lemmagen. B) Procesamiento: embeddings semánticos con Multilingual SBERT y clusterización nosupervisada con k-Means (máximo del coeficiente de Silhouette); C) Visualización: reducción de dimensionalidad con t-SNE. Proponemos discutir los resultados preliminares. En este sentido, la distribución de los clusters en la visualización sugiere correspondencias cronológicas y geográficas coherentes con antecedentes arqueológicos, derivadas de las regularidades que el modelo identificó sin haber recibido información espacial ni temporal explícita. En primer lugar, la distribución de estilos por cluster en el eje vertical del gráfico (y), se distribuyen en sentido cronológico. Se distinguen tres sectores: arriba, estilos correspondientes al Período Formativo; al centro, estilos del Período Medio; en el sector inferior, estilos correspondientes al Período Tardío. Asimismo, dentro de cada cluster, se asociaron dos o más estilos, cuya interacción o afinidad estilística fue propuesta por autores tales como: A. R. González; O. Heredia; J. Nastri; V. Puente y L. Quiroga; A. Reynoso y G. Pratolongo, C. Scattolin; entre otros. En cuanto a los estilos correspondientes al Período Medio y Período Tardío, la distribución de clusters parece presentar afinidades con aspectos geográficos interregionales, que involucran aspectos de interacción sincrónica y diacrónica entre Santa María/Candelaria y Belén/Aguada, y su preponderante circulación por los valles de Yocavil y de AmbatoHualfín/Belén, respectivamente.