9781009181884.

Denisse L. Argote, Pedro A. López-García, Manuel A. Torres-García y Michael C. Thrun. Machine Learning for Archaeological Applications in R. Series Elements in Current Archaeological Tools and Techniques. Cambridge University Press. Cambridge, 2025, 96 pp. ISBN: 978-1-009-50664-9 (tapa blanda); 978-1-009-50659-5 (tapa dura); 978-1-009-50662-5, 978-1-009-50661-8 y 978-1-009-50660-1 (libro electrónico).
DOI: https://doi.org/10.1017/9781009506625.

Olga Palacios Investigadora postdoctoral en el Instituto de Ciencias del Patrimonio (INCIPIT), Consejo Superior de Investigaciones Científicas (CSIC); Laboratorio de Arqueología Cuantitativa, Departamento de Prehistoria, Universitat Autònoma de Barcelona, olga.palacios@uab.cat

La integración del aprendizaje automático y la inteligencia artificial en la arqueología ha dejado de ser una promesa futura para convertirse en una realidad metodológica. Sin embargo, estas herramientas siguen percibiéndose como inaccesibles para quienes no tienen formación especializada en estadística o programación. Los dos volúmenes reseñados, publicados en la serie Elements in Current Archaeological Tools and Techniques de Cambridge University Press, buscan cambiar esta situación. Denisse L. Argote, Pedro A. López-García, Manuel A. Torres-García y Michael C. Thrun ofrecen una propuesta dual: Knowledge Discovery from Archaeological Materials proporciona el marco teórico y metodológico, mientras que Machine Learning for Archaeological Applications in R constituye un manual práctico con datos y código reproducible.

El volumen teórico no se limita a describir técnicas, sino que pone en cuestión ciertos procedimientos muy arraigados en los análisis arqueométricos. A partir de ejemplos ilustrativos, muestra que algunos métodos ampliamente utilizados pueden producir resultados equívocos cuando se aplican sin verificar previamente si son adecuados para el tipo de datos disponible. Se señala que, con frecuencia, estas herramientas se emplean de forma rutinaria, sin atender a sus requisitos ni al comportamiento específico de los datos.

Mediante demostraciones empíricas, el libro evidencia las consecuencias de utilizar métodos inapropiados en conjuntos especialmente complejos, como los datos espectrales con miles de variables o las composiciones químicas en las que todos los componentes forman parte de un mismo total. Frente a estas limitaciones, se presentan alternativas más sólidas: desde técnicas de agrupamiento que incorporan la incertidumbre en la estimación de los grupos, hasta algoritmos inspirados en el comportamiento coordinado de los enjambres animales, capaces de detectar patrones sin imponer estructuras previas.

El volumen subraya asimismo la importancia de tratar adecuadamente los datos composicionales mediante transformaciones específicas que evitan interpretaciones erróneas y permiten comparar correctamente proporciones. Además, se abordan aspectos metodológicos esenciales que a menudo se pasan por alto: la selección rigurosa de variables, la detección de valores atípicos con métodos robustos que impiden que estos distorsionen el análisis, la estimación razonada de valores por debajo del límite de detección y la validación de los modelos para garantizar su fiabilidad.

Por su parte, el volumen práctico traslada estos fundamentos al entorno de R, ya ampliamente consolidado en la investigación arqueológica. Tras una introducción básica a la instalación del programa y a las operaciones esenciales de importación y visualización, el texto ofrece guías reproducibles para los análisis más habituales. Los ejemplos proceden de casos reales ‒muestras de obsidiana y cerámica analizadas mediante XRF‒ y permiten comprender cómo procedimientos estadísticos relativamente complejos se traducen en conclusiones arqueológicas concretas, como la identificación de fuentes geológicas, la diferenciación de talleres o la evaluación de hipótesis sobre redes de intercambio. El código proporcionado es completamente abierto y va acompañado de explicaciones detalladas que facilitan su adaptación a otros conjuntos de datos. Asimismo, la disponibilidad de videos tutoriales refuerza el carácter pedagógico del volumen y reduce de manera notable la barrera de entrada para quienes se inician en estas técnicas.

El aprendizaje se estructura a partir de tres tipos de datos. En primer lugar, los datos espectrales ‒que contienen miles de mediciones por muestra‒ requieren un pre-procesamiento cuidadoso para corregir posibles distorsiones y garantizar la comparabilidad entre muestras antes de aplicar métodos que permiten seleccionar y agrupar variables de manera conjunta. En segundo lugar, los datos composicionales, al representar proporciones que forman parte de un todo, exigen transformaciones matemáticas específicas que evitan los sesgos derivados de aplicar métodos convencionales a este tipo de información. Finalmente, cuando ambos tipos de datos se combinan, se muestra cómo determinar qué regiones del espectro aportan realmente información útil antes de proceder al análisis. La ventaja principal de este planteamiento reside en que cada técnica se presenta integrada dentro de un proceso completo: desde la preparación inicial de los datos hasta la validación de los resultados, pasando por la interpretación arqueológica de los patrones identificados.

Estas obras representan un avance significativo en la democratización del aprendizaje automático en arqueología. Al demostrar que estos métodos pueden comprenderse sin necesidad de ser programador/a experto/a, los volúmenes proporcionan criterios claros sobre cuándo utilizar técnicas supervisadas o no supervisadas, cómo evitar sesgos y cómo interpretar los resultados en términos arqueológicos. Además, promueven una visión colaborativa entre especialistas en arqueología, química, estadística y ciencia de datos, fomentando la reproducibilidad mediante datos abiertos y código compartido.

No obstante, la densidad conceptual del volumen teórico puede resultar exigente para personas sin formación estadística avanzada, especialmente en los capítulos dedicados a modelos de mezcla o al algoritmo Databionic Swarm. Este contraste con la claridad del volumen práctico sugiere que ambos textos se aprovechan mejor si se abordan de forma escalonada: primero el manual práctico para familiarizarse con las técnicas básicas y posteriormente el volumen teórico para profundizar en los fundamentos. Asimismo, se echa en falta una discusión más amplia sobre cómo traducir los resultados estadísticos en inferencias culturales; por ejemplo, qué implica que dos fuentes de obsidiana se agrupen estadísticamente pese a provenir de contextos geológicos distintos. Del mismo modo, aunque se enfatiza la reproducibilidad y la transparencia, sería deseable una reflexión más profunda sobre las dimensiones éticas del aprendizaje automático en arqueología, como los sesgos en los datos de entrenamiento, la automatización de decisiones clasificatorias o la soberanía de los datos al trabajar con colecciones de comunidades indígenas.

En definitiva, estos volúmenes invitan a repensar cómo se trabaja con datos arqueológicos, reconociendo su complejidad e incertidumbre inherentes. No se pretende formar programadores/as, sino enseñar a pensar estadísticamente: a formular las preguntas adecuadas, comprender la estructura de los datos y seleccionar los métodos que realmente se ajusten a ellos. Este enfoque resulta especialmente relevante en un contexto donde es muy fácil aplicar análisis sin entender su fundamento. Ante la acumulación exponencial de evidencia material ‒ya sea por nuevas excavaciones o por la digitalización de colecciones antiguas‒ saber interpretar datos mediante algoritmos comprendidos se vuelve esencial. El aprendizaje automático, lejos de automatizar nuestras interpretaciones, se presenta como una herramienta para manejar, integrar y reconocer patrones en volúmenes de información que ya no pueden abordarse sin asistencia computacional.

La combinación de rigor metodológico, claridad pedagógica y compromiso con la reproducibilidad convierte estas publicaciones en una referencia para arqueólogos/as interesados/as en análisis cuantitativos. Su mayor virtud reside en tender puentes: entre teoría y práctica, entre disciplinas, y entre la tradición arqueológica y las nuevas herramientas computacionales.