Rotstekeningen van menselijke figuren die in de loop van duizenden jaren in het Arnhemse Land van Australië zijn gemaakt, hebben een transformatieve machine learning-studie ondergaan om stijlveranderingen door de jaren heen te analyseren.

De studie heeft verschillende stijlen getest met het label 'Northern Running figures', 'Dynamische figuren', 'Post Dynamische figuren' en 'Eenvoudige figuren met Boomerangs' om te begrijpen hoe deze stijlen zich tot elkaar verhouden.

Samenwerken met de traditionele eigenaren van Mimal en Marrku van het Wilton River-gebied in de Top End van Australië, Zuid-Australische onderzoekers onder leiding van Flinders University-archeoloog Dr. Daryl Wesley hebben de kunst van deze regio onder de loep genomen.

Flinders-onderzoeker Jarrad Kowlessar en het team gebruikten machine learning om afbeeldingen van rotskunst te analyseren die zijn verzameld tijdens enquêtes in Marrku-land in 2018 en 2019.

Co-auteurs zijn onder meer Dudley Lawrence en Abraham Weson en anderen van de Mimal Land Management Aboriginal Corporation, Alfred Nayinggul van de Njanjma Aboriginal Corporation, Dr. Ian Moffat van Flinders en onderzoeker James Keal van de Universiteit van Adelaide.

De gereconstrueerde chronologie van de rotskunst, zojuist gepubliceerd in Australian Archaeology, maakt gebruik van bestaande datasets van meer dan 14 miljoen verschillende foto's van een breed scala aan dingen van dieren zoals honden, katten, hagedissen en insecten tot voorwerpen zoals stoelen, tafels en kopjes.

"In totaal zag de computer meer dan 1000 verschillende soorten objecten en leerde het verschil ertussen te zien door gewoon naar foto's ervan te kijken, " legt Dr. Wesley uit.

"De belangrijke vaardigheid die deze computer ontwikkelde, was een wiskundig model dat kan vertellen hoe vergelijkbaar twee verschillende afbeeldingen zijn."

Vervolgens werd de wiskundige modellering toegepast op de afbeeldingen die in het noorden van Australië waren verzameld.

"Deze aanpak stelt ons in staat om met het computerprogramma te laten zien hoe uniek de rotskunst in de Wilton River is en hoe deze zich verhoudt tot de rotskunst in andere delen van Arnhem Land, " zegt Dr. Wesley.

"We kunnen dit gebruiken om te laten zien hoe rockart-stijlen worden gedeeld door traditionele eigenaren in Arnhem Land en die in het verleden uniek zijn voor elke groep."

Machine learning stelt een computer in staat om verschillende dingen te 'leren' over informatie die een mens vele jaren kan kosten om door te kijken en ervan te leren, legt een Flinders University Ph.D. kandidaat in de archeologie Jarrad Kowlessar, die een pionier was in de machine learning-benadering voor analyse van rotskunst.

"Een verbazingwekkende uitkomst is dat de machine learning-benadering de stijlen in dezelfde chronologie rangschikte waarin archeologen ze hebben geordend door te inspecteren welke er bovenop verschijnen. Dit laat zien dat gelijkenis en tijd nauw met elkaar verbonden zijn in de Arnhemse rotskunst en dat menselijke figuren die dichter in de tijd waren getrokken, leken meer op elkaar dan figuren die een lange tijd uit elkaar waren getrokken, " hij zegt.

"Het machine learning-algoritme heeft bijvoorbeeld Northern Running-cijfers en Dynamic-figuren heel dicht bij elkaar weergegeven in de grafiek die het produceert. Dit laat zien dat deze stijlen waarvan we weten dat ze qua leeftijd dichter bij elkaar liggen, ook qua uiterlijk dichter bij elkaar liggen, wat misschien heel moeilijk is om op te merken zonder een benadering als deze".

Het artikel wijst erop dat de nieuwe methodologie een grote mate van individuele menselijke interpretatie en mogelijke vooringenomenheid heeft verwijderd door gebruik te maken van een machine learning-benadering die 'transfer learning' wordt genoemd.

Hierdoor kon de computer begrijpen hoe elke stijl zich rechtstreeks tot elkaar verhield, onafhankelijk van de betrokken onderzoekers.

Onderzoekers zijn enthousiast over deze methodologie die nieuwe wegen inslaat voor een grote hoeveelheid archeologisch onderzoek om allerlei verschillende menselijke materiële culturen op een andere manier te begrijpen.