Investigadores da Universidade Griffith, na Austrália, desenvolveram um sistema de arqueologia digital para estudar quem criou uma das formas mais antigas de arte rupestre: as chamadas “flutuações digitais”.
As flutuações digitais são marcas feitas com os dedos numa película mineral macia conhecida como moonmilk, encontrada em paredes de cavernas. Este tipo de arte ancestral, presente em cavernas escuras por toda a Europa e Austrália, remonta a cerca de 300 mil anos — os exemplos mais antigos, em França, são atribuídos a Neandertais.
Combinando experiências físicas e realidade virtual, a equipa de investigação procurou perceber se os métodos de reconhecimento de imagem podem aprender, a partir de marcas feitas por humanos modernos, a identificar o sexo da pessoa que criou os desenhos.
A arqueóloga digital Andrea Jalandoni, do Centro de Investigação Social e Cultural da Universidade Griffith e líder do estudo, sublinha que uma das questões centrais é saber quem fez estas marcas: “Saber se foram feitas por homens ou mulheres pode ter implicações reais, inclusive na forma como se define o acesso cultural a determinados sítios arqueológicos.”
Até agora, as tentativas de identificar os autores baseavam-se sobretudo na medição de dedos ou mãos — métodos que se revelaram pouco fiáveis, devido à variabilidade de pressão, superfícies irregulares, distorções provocadas por pigmentos, e sobreposição de medidas entre sexos.
“O nosso objetivo foi evitar essas suposições e recorrer à arqueologia digital como abordagem alternativa”, explica Jalandoni.
Para isso, foram realizados dois ensaios controlados com 96 adultos, cada um produzindo nove flutuações digitais em dois contextos: primeiro num substituto de moonmilk desenvolvido para simular o toque e aspeto das superfícies originais; depois, em realidade virtual, com recurso ao headset Meta Quest 3.
As imagens resultantes foram recolhidas, organizadas e utilizadas para treinar dois modelos comuns de reconhecimento de imagem. O desempenho dos modelos foi avaliado com métricas padrão e atenção especial a sinais de overfitting — quando o modelo memoriza os dados em vez de aprender padrões generalizáveis.
Segundo Gervase Tuxworth, da Escola de Tecnologias de Informação e Comunicação, os resultados foram mistos, mas promissores.
As imagens criadas em realidade virtual não permitiram uma classificação fiável do sexo dos autores; mesmo quando os níveis de acerto pareciam aceitáveis, o equilíbrio e a capacidade de discriminação dos modelos eram baixos.
Por outro lado, os dados obtidos com o método táctil revelaram-se bastante mais eficazes.
“Num dos cenários de treino, os modelos atingiram cerca de 84% de precisão, e um deles obteve um valor de discriminação relativamente elevado”, afirma Tuxworth.
No entanto, foi observado que os modelos aprenderam padrões específicos do conjunto de dados, como pequenos artefactos do processo experimental, o que indica que ainda há trabalho a fazer para atingir resultados verdadeiramente robustos.
O estudo demonstrou que é possível construir uma cadeia computacional — desde a criação táctil realista e captação em realidade virtual até ao desenvolvimento de modelos de aprendizagem automática — que pode ser replicada e aperfeiçoada por outros investigadores.
“Publicámos o código e os materiais para que qualquer pessoa possa repetir a experiência, analisá-la criticamente e expandi-la”, afirma o co-autor Robert Haubt, cientista da informação do Centro Australiano para a Evolução Humana (ARCHE).
“É assim que um conceito experimental se transforma numa ferramenta fiável”, conclui.
A equipa acredita que esta investigação abre caminho a aplicações interdisciplinares nas áreas da arqueologia, criminalística, psicologia e interação humano-computador, ao mesmo tempo que lança uma nova luz sobre as práticas culturais e cognitivas dos primeiros seres humanos.
