Analisando Tábuas Cuneiformes Usando Aprendizado de Máquina

Tablets cuneiformes são alguns dos documentos escritos mais antigos que se conhece, originários da antiga Mesopotâmia por volta de 3500 a.C. Essas tablets, feitas de argila, têm marcas em forma de cunha feitas por um estilete de junco. Elas nos fornecem informações valiosas sobre as sociedades humanas primitivas, abordando vários tópicos como administração, comércio, leis, literatura e ciência.

Tradicionalmente, os estudiosos se baseavam em inspeções visuais desses artefatos para determinar sua idade e contexto. No entanto, esse método manual pode levar a incertezas e inconsistências na datação dessas tablets com precisão. Desenvolvimentos recentes na digitalização melhoraram o acesso a esses artefatos, permitindo técnicas analíticas mais avançadas.

#Objetivo do Estudo

Essa pesquisa foca em um aspecto específico das tablets cuneiformes: suas Formas. Ao analisar as formas dessas tablets, nosso objetivo é obter insights sobre os períodos históricos a que pertencem, o que pode oferecer uma compreensão mais clara das sociedades que as criaram. Utilizando um conjunto de dados com mais de 94.000 imagens da Iniciativa da Biblioteca Digital Cuneiforme, aplicamos técnicas modernas de Aprendizado de Máquina para classificar essas tablets com base em suas formas.

#Os Desafios da Datação de Tablets Cuneiformes

Datação de tablets cuneiformes não é um processo simples. Várias características, como a composição da argila, tamanho e estilo de escrita, podem oferecer pistas. No entanto, falta um método padronizado para medir essas características de forma objetiva em larga escala. Isso pode levar a grandes discrepâncias entre os estudiosos ao classificar tablets de períodos históricos semelhantes.

Alguns métodos tradicionais se baseiam no contexto arqueológico da argila ou nas características estilísticas do texto. Embora essas abordagens possam ser úteis, muitas vezes dependem do julgamento subjetivo, que pode variar de um especialista para outro. Esta pesquisa busca abordar esses desafios introduzindo abordagens mais sistemáticas que utilizam aprendizado de máquina.

#O Papel do Aprendizado de Máquina

Aprendizado de máquina se refere a algoritmos de computador que podem aprender com dados e fazer previsões. Usando esses métodos, os pesquisadores podem analisar grandes quantidades de informações de forma mais eficiente e precisa do que os métodos manuais permitiriam. Neste estudo, pretendemos aproveitar o aprendizado de máquina para classificar os períodos históricos das tablets cuneiformes com base em suas formas.

#Coleta e Processamento de Dados

O ponto de partida para nossa pesquisa é um conjunto de dados da Iniciativa da Biblioteca Digital Cuneiforme, que consiste em cerca de 94.936 imagens de tablets cuneiformes. Cada imagem de tablet inclui informações sobre seu período histórico e gênero. Para preparar as imagens para análise, seguimos várias etapas cruciais:

1. Redimensionamento de Imagens: As imagens são redimensionadas para um tamanho padrão para consistência.
2. Conversão para Escala de Cinza: As imagens são convertidas para escala de cinza para simplificar a análise.
3. Criação de Máscara Binária: Criamos versões em preto e branco das imagens que destacam as formas das tablets, removendo elementos de fundo.

Essas etapas de pré-processamento ajudam a isolar as características relacionadas às formas que iremos analisar.

#Análise Exploratória de Dados

Antes de mergulhar nas técnicas de aprendizado de máquina, realizamos uma análise exploratória de dados para entender melhor o conjunto de dados. Um aspecto principal que investigamos é a proporção altura-largura das tablets. Essa proporção pode fornecer insights sobre as preferências de design de diferentes períodos históricos.

Ao analisar as proporções altura-largura, notamos tendências variadas ao longo das diferentes eras. Por exemplo, tablets do período Ur III tendem a ter uma forma retrato consistente, enquanto períodos posteriores, como o Babilônico Médio, mostram uma tendência para tablets orientados em paisagem. Essas descobertas indicam que as formas das tablets podem refletir as preferências burocráticas e culturais de sua época.

#Classificando Tablets Cuneiformes

Com os dados pré-processados e análises iniciais realizadas, agora aplicamos técnicas de aprendizado de máquina para classificar as tablets com base em seus períodos históricos.

#Tentativa Inicial com Modelos Simples

Começamos usando um modelo básico que se baseia apenas na proporção altura-largura como característica preditiva. Resultados de um modelo de Árvore de Decisão apresentam uma precisão decepcionante de apenas 8%. Essa tentativa inicial destaca a inadequação de uma única característica para classificar as tablets com precisão.

#Modelos Avançados de Aprendizado de Máquina

Reconhecendo as limitações dos modelos simples, empregamos algoritmos de aprendizado de máquina mais complexos que aproveitam toda a informação visual nas imagens das tablets. Utilizamos várias abordagens:

1. Redes Neurais Convolucionais (CNNs): Este método de aprendizado profundo processa imagens de uma forma que ajuda a identificar características automaticamente. Quando aplicadas ao nosso conjunto de dados, as CNNs conseguiram classificar as tablets com um macro F1-score de 61% para imagens em escala de cinza e ligeiramente inferior para imagens de silhuetas.

2. Transferência de Aprendizado com ResNet50: Ajustamos um modelo ResNet50 pré-treinado para classificar as tablets com base nas formas. Este modelo avançado mostra melhorias significativas em precisão, alcançando um macro F1-score de 71%. O sucesso do ResNet50 nesta tarefa demonstra a eficácia das técnicas modernas de aprendizado de máquina no processamento de dados de imagem.

#Explorando Autoencoders Variacionais (VAEs)

Após aplicar modelos tradicionais de aprendizado de máquina, exploramos o uso de Autoencoders Variacionais (VAEs). Esses modelos generativos nos ajudam a analisar as formas das tablets de forma mais profunda. Ao codificar as imagens em uma representação reduzida, podemos capturar as características essenciais das formas das tablets.

#Entendendo o Espaço Latente

Os VAEs permitem que exploremos um espaço latente onde cada tablet pode ser representado por uma série de características. Ao analisar essas características latentes, podemos identificar características de forma únicas que definem diferentes períodos históricos. Por exemplo, podemos extrair formas médias de cada período para entender as tendências comuns de design.

#Agrupamento e Visualização

Usando VAEs, criamos formas médias de tablets para diferentes períodos e gêneros. Ao aplicar técnicas de agrupamento, podemos agrupar tablets com características semelhantes, revelando padrões de como as formas das tablets evoluíram ao longo do tempo.

Além disso, desenvolvemos widgets interativos que permitem aos pesquisadores explorar o espaço latente e visualizar as relações entre diferentes formas de tablets. Essas ferramentas oferecem uma maneira amigável de interagir com os dados, permitindo uma exploração mais profunda das tendências históricas.

#Descobertas e Contribuições

Através da nossa pesquisa, fizemos várias contribuições importantes para o estudo de tablets cuneiformes.

1. Novos Métodos de Classificação: Demonstramos o potencial das técnicas de aprendizado de máquina para classificar tablets cuneiformes com base em suas formas, reduzindo a dependência de métodos manuais subjetivos.

2. Insights sobre Tendências Históricas: Nossas análises revelam como as formas das tablets evoluíram ao longo do tempo, refletindo mudanças nas práticas administrativas e valores culturais.

3. Ferramentas Interativas para Exploração: O desenvolvimento de ferramentas de visualização melhora a capacidade dos pesquisadores de interagir com os dados, facilitando investigações mais profundas sobre tablets cuneiformes.

4. Padronização da Análise: Nossa pesquisa propõe uma abordagem mais padronizada para estudar tablets cuneiformes, abordando desafios anteriores relacionados a inconsistências na datação.

#Conclusão

Tablets cuneiformes oferecem insights inestimáveis sobre sociedades antigas, e nossa pesquisa demonstra como técnicas modernas podem aprimorar seu estudo. Ao utilizar aprendizado de máquina, especialmente modelos avançados como CNNs e VAEs, podemos classificar esses artefatos com mais precisão e descobrir padrões significativos em suas formas.

Essa abordagem não só complementa métodos tradicionais, mas enriquece nossa compreensão das culturas que produziram esses textos antigos. À medida que os esforços de digitalização continuam a expandir o acesso a esses artefatos, nosso estudo serve como um passo em direção a análises mais detalhadas e automatizadas no campo da arqueologia e história.

#Direções Futuras

Olhando para o futuro, há várias avenidas potenciais para novas pesquisas. Aprimorar o conjunto de dados incluindo mais imagens de tablets rotuladas ajudaria a melhorar o desempenho do modelo. Além disso, explorar outras técnicas de aprendizado de máquina e combiná-las com os modelos existentes poderia levar a insights ainda mais sofisticados.

Além disso, colaborações interdisciplinares entre historiadores, arqueólogos e cientistas de dados podem fomentar inovações em como analisamos e interpretamos tablets cuneiformes. Ao unir o conhecimento acadêmico tradicional e a tecnologia moderna, podemos obter uma compreensão mais rica da nossa história humana compartilhada.

Em resumo, a integração do aprendizado de máquina no estudo de tablets cuneiformes é um desenvolvimento promissor que pode abrir caminho para novas descobertas sobre civilizações antigas e suas práticas de escrita.