في عالم الأبحاث الأثرية، تُعتبر التحديات المرتبطة بنقص البيانات من أبرز العقبات التي تواجه العلماء. يعتمد الكشف عن المواقع الأثرية عادةً على نماذج تنبؤية تجمع بين المواقع المعروفة وعوامل مثل البيئة والثقافة والموقع الجغرافي. ولكن ماذا عن المواقع التي لم تُكتشف بعد؟ هنا يأتي دور التعلم العميق!

تتناول الدراسة الحديثة استخدام نهج التعلم شبه المشرف، حيث تم تطوير نموذج تصنيف دلالي مُعتمد على تقنيات تعلم وضع العلامات شبه الإشرافية (Semi-supervised Learning) والذي يهدف إلى تصنيف البيانات غير المشروطة. تتسم الأبحاث الأثرية بنقص كبير في البيانات، حيث تكون المواقع الإيجابية نادرة وطبيعة العديد من المواقع غير مُعلمة، مما يستدعي الحاجة إلى حلول مبتكرة.

اعتمد الباحثون على استراتيجية تعلم إيجابي مُعزّز (Positive-Unlabeled learning) حيث يتم تطبيق تصنيف دلالي دينامي متكامل مع حقل عشوائي مشروط (Conditional Random Field) عبر شبكة عصبية متكررة (RNN). هذه التقنية حسّنت من ثقة التنبؤ بالنماذج تحت ظروف عدم توازن شديد في الفئات.

باستخدام مجموعة بيانات جغرافية مستمدة من نموذج الارتفاع الرقمي (Digital Elevation Model)، استطاع النموذج تحقيق مستوى أداء يتساوى مع أحدث النماذج المعتمدة، مثل LAMAP، مع تحسين في درجات Dice، وهو مقياس لتقييم دقة التنبؤ. وعلاوة على ذلك، تم تقييم النموذج باستخدام صور الأقمار الصناعية الخام مع تطبيق تقنيات التحقق المتقاطع (Stratified k-fold cross-validation)، ملتزماً بالحفاظ على أدائه الجيد.

تدل النتائج على أن استراتيجيات التعلم شبه المشرف تمثل بديلاً واعدًا لتحديد المواقع غير المكتشفة عبر المناظر الطبيعية الكبيرة ذات التنسيق القليل. لذا، إن كنت مهتمًا بدمج التكنولوجيا مع علم الآثار، كيف ترى تأثير هذه الأساليب الحديثة على مستقبل الدراسة الأثرية؟