CAA 2026
Dal 31 marzo al 4 aprile il MAPPALAB parteciperà al CAA 2026 la 53esima edizione della conferenza di Computer Applications and Quantitative Methods in Archaeology.
La presentazione dei poster si terrà mercoledì 1 aprile dalle 10.30 alle 14:30. I poster resteranno esposti da mercoledì 1 aprile a venerdì 3 aprile. I poster che presenteremo saranno:
– Elisa Paperini: “Generative Artificial Intelligence to simulate ancient environmental landscapes”.Il poster esplora l’uso dell’IA predittiva e generativa per la ricostruzione visiva di antichi paesaggi vegetali a partire da dati pollinici europei. Questo approccio offre nuove potenzialità per la ricerca e la divulgazione, trasformando dataset in output realistici. D’altra parte, evidenzia la necessità di bilanciare il forte realismo delle immagini generate dall’IA con l’incertezza scientifica intrinseca nelle ricostruzioni paleoambientali.
– Federica Mauro, Franco Cicirelli, Ettore Ritacco, Gabriele Gattiglia: “A Fine-Grained Pottery Dataset Through the Lens of Siamese Networks: Preliminary Results”. La classificazione fine-grained di ceramiche con una ResNet101 raggiunge circa il 74% di accuratezza su 86 classi, ma incontra difficoltà con le classi rare e visivamente simili. Una rete Siamese, sebbene meno efficace da sola, cattura pattern di similarità complementari e può correggere predizioni incerte, suggerendo il suo valore all’interno di un framework più integrato.
– Lorena Bravi, Martina Naso, Massimiliano Puntin: “Linking Analytical Data through Semantics: Challenges and Perspectives in Archaeometric Research”. l contributo propone un framework metodologico basato su ontologie e modelli a grafo per rappresentare in modo strutturato e interoperabile le diverse fasi analitiche (acquisizione, calibrazione, quantificazione e interpretazione), con l’obiettivo di migliorare trasparenza, tracciabilità e riuso dei dati.
La partecipazione si inserisce nelle attività dei loro progetti di dottorato e risponde alla necessità di affrontare la frammentazione e l’eterogeneità dei dati archeometrici, promuovendo l’adozione di standard condivisi e strumenti digitali avanzati. Inoltre, consente di contribuire al dibattito internazionale sulle infrastrutture digitali per i beni culturali, rafforzando l’integrazione tra analisi di laboratorio e interpretazione archeologica.
Gli interventi che faremo saranno:
-Elisa Paperini: “A Survey on Attitudes towards Artificial Intelligence in Archaeology.” Questo contributo presenta il processo di creazione di un sondaggio collaborativo, sviluppato all’interno della COST Action MAIA (CA23141), che indaga come l’Intelligenza Artificiale venga percepita, adottata e compresa nei vari ambiti dell’archeologia. Lo studio promuove un dialogo interdisciplinare per sviluppare standard condivisi per un uso responsabile e consapevole dell’IA nella ricerca archeologica.
– Martina Naso, Nevio Dubbini: “Beyond the Instruments: AI-Driven Integration of Multisensor Data in Archaeometry”. workflow sviluppato nel progetto AUTOMATA per l’integrazione di dati archeometrici multisensore ottenuti tramite tecniche non distruttive (HSI, pXRF e Raman). L’HSI viene utilizzato come primo livello di screening per analizzare l’intera superficie dei frammenti e guidare la selezione delle aree più significative da indagare con tecniche puntuali. Il contributo mostra inoltre come alcune fasi del processo, come la selezione delle regioni di interesse e la valutazione della qualità dei dati, possano essere supportate da approcci basati su intelligenza artificiale, facilitando l’integrazione e l’interpretazione dei dati provenienti da diverse tecniche.
– Nevio Dubbini, Francesco D’antoni: “Extracting archaeological knowledge from legacy records: a human-in-the-loop approach using AI and NLP”. hybrid AI–human workflow per l’estrazione di dati archeologici strutturati da documenti d’archivio non strutturati, combinando OCR, NLP e modelli linguistici di grandi dimensioni con la validazione di esperti.
Nevio Dubbini: “Automated Segmentation and Integration of Avifaunal Bone Image Datasets Using Deep Learning-Based Mask Generation”. Questa presentazione riguarda un flusso di lavoro basato sul deep learning per la segmentazione e standardizzazione automatica di immagini di ossa di uccelli provenienti da dataset eterogenei.
