Luce Prignano y Sergi Lozano

UBICS – Universitat de Barcelona

1. Introducción

A lo largo de las últimas décadas, las ciencias arqueológicas han tejido relaciones cada vez más estrechas y frecuentes con un amplio abanico de disciplinas, algunas de ellas muy lejanas en cuanto a metodología y campo del conocimiento.

Hoy en día, la arqueología cuenta con técnicas de análisis basadas en la física, la química o la geología para conocer la antigüedad, la procedencia u otras características de todo tipo de evidencia. Asimismo, no sorprende demasiado que un grupo de investigación en alguna de las diversas ciencias naturales se dedique a desarrollar o mejorar procedimientos y dispositivos tecnológicos para, por ejemplo, leer antiguos rollos de papiro que no se pueden desenrollar (Mocella et al., 2015), inferir la dieta y los hábitos cotidianos de grupos humanos que vivieron hace decenas de miles de años (Smith et al., 2018), o reconstruir la voz de alguien que murió hace 3000 años (Howard  et al., 2020). Los ejemplos son numerosos y diversos. Pero, ¿de qué tipo de relación se trata? ¿Existe un denominador común?

En general, la colaboración con especialistas dentro de las disciplinas STEM (ciencias, tecnologías, ingeniería y matemáticas, por las conocidas siglas en inglés) suele estar relegada a una fase muy concreta de la investigación, situada idealmente entre la recolección de evidencias materiales y el esfuerzo más genuinamente intelectual de juntar las piezas e inferir conclusiones. Haciendo un paralelismo poco original con el periodismo, y simplificando mucho, se podría resumir en que los expertos STEM pueden llegar a tener un papel principal en averiguar el “cuándo”, el “(de) dónde” y a veces también el “qué”, pero raras veces participan en investigar el “cómo” y casi nunca el “por qué”, que representan el verdadero núcleo de cualquier disciplina. Es decir, para entender los procesos, ir más allá de la mera descripción e identificar relaciones causales, se necesita de todo el bagaje de saberes acumulados en torno al tema en cuestión, porque la comprensión profunda se alcanza no solamente a partir de los nuevos datos disponibles, sino contando también con todo el conocimiento previo.

En una colaboración entre grupos de investigación epistemológicamente lejanos, apenas hay contenido común en lo que a la formación académica se refiere y esto propicia una separación casi completa de las tareas y una distinción drástica entre innovación metodológica (procedimental o tecnológica) y de contenido (disciplinaria).

Por lo tanto, la interacción más frecuente entre ciencias arqueológicas y STEM es la que se enmarca en la multidisciplinariedad clásica, que consiste básicamente en enviar muestras a “laboratorios” para que sean analizadas. En la gran mayoría de casos, lo que aporta la colaboración tiene la naturaleza de asesoría especializada. En particular, la física -la primera “disciplina colaboradora” que se nos suele ocurrir por las dataciones por radiocarbono- se ha quedado estancada en una relación multidisciplinar tradicional.

La física aplicada a la conservación del patrimonio, como se denomina habitualmente, representa un conjunto de técnicas enfocadas al análisis de las evidencias arqueológicas en tanto que materiales compuestos de átomos, cuyo fin  – por lo menos para una amplia mayoría de ellas – es su datación (Garrison, 2001). En general, quien aplica las técnicas de datación no tiene la necesidad de formarse en algo ajeno a su bagaje académico porque se trata de una cooperación en la cual cada uno tiene un papel bien determinado que puede desarrollar sin tener que inmiscuirse en lo que hace el otro. Una consecuencia básica de esta forma de interactuar es que desde la física raras veces nos hemos planteado abordar otros tipos de preguntas de investigación que también podrían valerse, sin ir más lejos, de las propiedades de los isótopos (véase, por ejemplo, Samuelsen & Potra  (2020); un estudio que no ha contado con investigadores en física).

Cuando la distancia epistemológica entre dos ámbitos disciplinares es muy grande, el desconocimiento mutuo de las preguntas de investigación y del lenguaje propio del otro campo dificultan la posibilidad de interacciones fructíferas. Que esto ocurra en el contexto de la organización del saber actual es, en cierta medida, inevitable y tiene la consecuencia, a la vez obvia e indeseada, de desperdiciar parte del potencial de aplicación de la investigación científica.

2. El lenguaje de la complejidad

Sin embargo, a lo largo de la última década, se han ido vislumbrando con creciente claridad algunas vías de escape muy prometedoras. Entre ellas, destacamos el lenguaje de la complejidad. Surgido en los años setenta del siglo pasado, el paradigma de los sistemas complejos ha estado realizando un trabajo de hormiga, lento y valioso, construyendo puentes entre saberes diversos y empieza a asentarse como herramienta de uso extendido también en la arqueología.

En pocas décadas ha obligado a revisar algunos pilares de la epistemología reduccionista que había caracterizado a la física sobre todo a partir del siglo XIX, postulando que “el todo es más que la suma de las partes” y rompiendo así con la jerarquía de las disciplinas que primaba las “más fundamentales” por encima de otras consideradas meras aplicaciones de las primeras. Sin negar que las moléculas están compuestas por átomos, las células por moléculas y los seres vivos por células, ni recurrir a ningún principio vitalista, pretende reconocer que existen propiedades de un sistema que no se pueden reducir a las de sus componentes. Cada objeto de estudio adquiere entonces autonomía y, por lo tanto, se deja de lado la obsesión por plasmar las demás ciencias al ejemplo de la física. Lejos de propiciar la separación definitiva de los distintos campos de la investigación, esta aproximación ha sentado las bases para un fructífero -aunque incipiente- diálogo entre iguales.

El nuevo paradigma conlleva un cambio de enfoque a varios niveles: de los detalles de los componentes a la estructura del sistema que componen; de la predicción exacta de la evolución de un proceso, a la clasificación tipológica de los comportamientos; de los particulares que diferencian a los rasgos comunes entre fenómenos aparentemente lejanos (véase https://complexityexplained.github.io/ComplexityExplained[Spanish].pdf para una introdución divulgativa).

Se trata fundamentalmente de una nueva forma de explicar los fenómenos que implica el reemplazamiento del habitual lenguaje reduccionista o mecanicista por un lenguaje al que podemos llamar semántico o simbólico (Cini, 2004, p. 145), hasta el punto que en ocasiones nos referimos de forma indiferenciada al paradigma y al lenguaje como si fueran lo mismo.

Prescindir de los detalles es necesario si se quiere lidiar con niveles de organización superiores. Por ejemplo, para describir el funcionamiento de un imán no es conveniente – ni práctico, ni útil – entrar en la descripción de la estructura atómica y del movimiento de los electrones que generan el campo magnético a nivel microscópico. Será suficiente limitarse a tener en cuenta que cada átomo tiene un momento magnético – como si fuera a su vez un pequeño imán – y recordar que lo que es relevante para la descripción macroscópica es su orientación. Podremos centrarnos en las interacciones entre tales orientaciones, estudiando bajo qué condiciones acaban alineándose o manteniéndose descorrelacionadas. Con este fin, tendremos en cuenta aspectos como con cuántos átomos interacciona cada uno, el efecto de estas interacciones, así como el papel de posibles factores externos. Esta aproximación no solamente permite describir y predecir todos los aspectos relevantes del comportamiento de un imán, sino que es susceptible de aplicarse a otros sistemas sin apenas modificaciones. En particular, en vez de átomos podríamos considerar un sistema social compuesto por individuos que tienen una opinión (por ejemplo, a favor o en contra de algo) que se puede ver condicionada por las opiniones de las demás personas con las que interactúan y por factores externos (los medios, la administración pública). Los rasgos esenciales de la descripción no se verían afectados y podríamos seguir con la misma explicación de las condiciones que determinan si el sistema tiene un comportamiento ordenado (la misma postura se extiende globalmente), desordenado (cada uno adopta una postura de forma independiente) o algo intermedio (se crean islas, grupos de personas que comparten la misma opinión, sin que en conjunto ninguna de las dos opciones domine sobre la otra) (Castellano, Fortunato & Loreto, 2009).

Esta forma de abordar los fenómenos establece un puente directo entre la física, las matemáticas y las ciencias de la computación, por un lado, y las ciencias sociales, por el otro. Ya no hace falta ir de átomos a moléculas, a células y organismos, para finalmente llegar a los sistemas sociales. Se puede dar un salto al vacío, olvidarse de los intermediarios y hablar de “átomos sociales” (Buchanan, 2007).

3. Hacia una ciencia de redes para la arqueología

De todas las ciencias de la complejidad, una de las que más han contribuido desde esta perspectiva es la ciencia de redes, una especialidad que estudia datos relacionales complejos. La ciencia de redes o ciencia de las redes complejas emerge de estudios realizados en diferentes disciplinas y, en resumidas cuentas, se compone de un formalismo, una caja de herramientas de análisis y una plétora de resultados concretos inherentes a casos de estudio que van de la evolución de la movilidad urbana a la navegabilidad de la Web, de la resiliencia de los ecosistemas a la viralización de contenidos en las redes sociales (véase por ejemplo Solé, 2009; para una introducción no técnica). También en arqueología, la aplicación de la ciencia de redes es cada vez más frecuente, aunque con algunas dificultades.

Su objeto de estudio son los sistemas complejos, es decir cualquier porción de la realidad de la que podemos definir unos límites o fronteras con el único requerimiento de estar compuesta por múltiples elementos en interacción. La peculiaridad que define la aproximación de redes complejas es que prima las conexiones por encima de los componentes. Una red no es otra cosa que una representación matemática de un sistema en la que los componentes son mapeados en objetos abstractos llamados nodos (o vértices), y las conexiones entre ellos en enlaces (o aristas) que los unen, sin importar la naturaleza ni de los primeros ni de las segundas. A partir de aquí, la ciencia de redes se olvida de la realidad concreta del sistema en examen y trabaja con objetos abstractos. Es por eso que el formalismo es denominador común de cualquier investigación, teórica o aplicada, adscribible a esta rama de las ciencias de la complejidad.

El procedimiento usual consiste en construir la representación matemática del sistema y caracterizarla mediante el cálculo de métricas definidas expresamente para ello. La elección de métricas depende del contexto. Las más básicas incluyen, entre otras, el número medio de enlaces por nodo (grado medio), la longitud mínima media del camino que separa dos nodos en términos de número de enlaces (longitud media del camino más corto), la fracción de triángulos cerrados presente en la red con respecto al total de los que podría haber (coeficiente de agrupamiento). La caracterización a través de las métricas permite responder a varios tipos de preguntas no solamente sobre un sistema en concreto, sino también en términos de comparación entre sistemas distintos. La mayoría de las preguntas más comunes y transversales a diferentes campos de estudio tienen a día de hoy formas estándar de ser respondidas, aunque cierto nivel de adaptación suele ser necesario. Por ejemplo, existe un consenso amplio sobre cómo determinar el papel de cada nodo o enlace y sabemos cómo cuantificar las consecuencia de su eventual eliminación. También hay consenso acerca de cuáles son las técnicas más efectivas para establecer si existen subregiones de mayor cohesión o si el sistema está organizado de forma jerárquica, entre otras muchas cuestiones.

Una fracción pequeña de estas preguntas pueden ser respondidas con la ayuda de software cuyo uso no requiere conocimientos de programación ni de los detalles matemáticos y conceptuales de las técnicas empleadas, funcionando un poco como una caja negra de uso fácil. Esta posibilidad ha tenido consecuencias ambivalentes. Por un lado, ha propiciado la difusión del análisis de redes también entre investigadores sin familiaridad con el formalismo matemático y la computación, extendiendo muchísimo el alcance de esta aproximación. Por el otro, se ha propagado una visión de la ciencia de redes como mero análisis exploratorio y herramienta de visualización. Sin los instrumentos necesarios para adaptar o idear métricas para exigencias específicas, pero sobre todo sin la posibilidad de usarlas para validar o descartar hipótesis, las redes se quedan huérfanas de ciencia. La medición de métricas de redes tendría que desempeñar el papel del experimento en un proceso científico normal: se empieza formulando una o más hipótesis teóricas, que luego son traducidas a valores esperados de determinadas métricas, entonces se llevan a cabo las medidas y se comparan los valores empíricos con los esperados de forma rigurosa con el fin de determinar si las similitudes y diferencias son significativas. Para llevar a cabo este último paso, tal y como ocurriría en cualquier otra ciencia empírica, nos valemos de las ciencias estadísticas. De todos estos pasos, el software de uso fácil sólo sirve para el segundo y de forma parcial.

Aunque no se ha normalizado como parte integrante de las ciencias arqueológicas, la aplicación del análisis de redes se ha extendido ampliamente a lo largo de la última década, con un número creciente de publicaciones en revistas especializadas. De todas ellas, una amplia mayoría se sirven solamente de herramientas básicas de visualización y caracterización como complemento en estudios de otro tipo. Para entender esta situación, es necesario comprender cómo funciona la colaboración interdisciplinaria en la ciencia de redes.

La ciencia de redes avanza mediante la combinación de dos enfoques de investigación complementarios. El primero corresponde a cuando los científicos de redes, que miran a las redes como objetos matemáticos abstractos, identifican una pregunta o problema general y desarrollan un método para abordarlo. El segundo es lo que hacen los investigadores de cualquier otro campo cuando adoptan el enfoque de ciencia de redes para extraer información de sus datos, y así generan nueva información refinada codificada en forma de nodos y enlaces que podrán ser utilizados más adelante (Figura 1). En el primer caso, la «caja de herramientas universales» (o teoría) crece mediante la abstracción a partir de una multiplicidad de estudios de casos diversos. En el segundo, la comprensión de un caso de estudio particular (aplicación) avanza mediante la aplicación de la herramienta universal adecuada, mientras que el proceso de construcción de la teoría se alimenta indirectamente (nuevos datos). Esta forma de funcionar, aunque es preciso tener en cuenta que se trata de una simplificación, pone de manifiesto cómo la producción de la ciencia de redes depende de la comunicación fluida entre la comunidad de investigación que se ocupa de los aspectos teóricos y las diferentes comunidades de los ámbitos de aplicación. Si un campo de aplicación se queda aislado, volvemos al problema inicial del desconocimiento mutuo de las preguntas de investigación y del lenguaje entre dos disciplinas alejadas.

En el caso de la arqueología, esto ocurre por una combinación de razones diversas. Imaginemos que un grupo de investigación en ciencia de redes encuentra en un repositorio abierto unos datasets arqueológicos susceptibles de mapearse en una o más redes. El primer problema al que se tendría que enfrentar tiene que ver con la depuración de los datos, porque para construir una red hay que identificar la información relevante y descartar el resto, tarea ardua si no se dispone del conocimiento adecuado acerca del caso de estudio. En segundo lugar, surgirán dificultades a la hora de definir una pregunta de investigación. Suele haber un amplio abanico de cuestiones que pueden parecer interesantes pero que no están presentes en la agenda de la investigación arqueológica. Por lo tanto, estudiarlas supondría poco más que un mero ejercicio sin interés para la comunidad arqueológica. Finalmente, hay que añadir las problemáticas propias de los datos arqueológicos: no solamente los datos disponibles en abierto son escasos y su interpretación no es trivial, sino que a menudo se trata de datasets pequeños con problemas de incompletitud, heterogeneidad de estándares y diferentes tipos de sesgos.

En conclusión, para que los datos arqueológicos entren en el circuito virtuoso de la ciencia de redes, el camino no es en absoluto llano. Haría falta, de entrada, una motivación específica fuerte dirigida a un determinado caso de estudio o tipo de fenómeno o proceso social, porque la inversión inicial de tiempo y también el riesgo de fracaso son bastante mayores que en el caso de otros campos de aplicación ya normalizados. En otras palabras, la colaboración no puede ser puntual y circunscrita a un proyecto de corto plazo, como suele ser la interdisciplinariedad. Es preciso formar perfiles híbridos que se manejen con ambos lenguajes, sino de forma equitativa por lo menos mínimamente equilibrada, o perfiles puentes que pueden entenderse y funcionar de mediadores. Podríamos decir que si queremos salir del paradigma de la multidisciplinariedad y aprovechar plenamente el potencial de las ciencias de la complejidad en arqueología no es viable quedarnos en ningún punto medio. Es imprescindible dar el salto a la transdisciplinariedad; o por lo menos, intentar acercarse planteando una interdisciplinariedad persistente que empiece con una etapa de formación cruzada de las personas involucradas.

A continuación, proporcionamos tres ejemplos de aplicación de la ciencia de redes a la arqueología que han seguido esta orientación.

3.1- Caso 1. La evolución en la conectividad comercial del Mediterráneo Antiguo

El primer caso^[1] encaja bien con la idea de una interdisciplinariedad persistente: los científicos de redes no nos involucramos en la identificación de la pregunta de investigación, ni en la selección de los datos más adecuados para abordarla. Nuestro papel fue el de ayudar a diseñar una metodología que permitiera aprovechar al máximo los datos disponibles para inferir información acerca de una cuestión que ya se nos presentaba traducida al lenguaje de la ciencia de redes. El tema central de la colaboración ha sido la evolución de la conectividad comercial en el Mar Mediterráneo a lo largo de la época del Imperio Romano. Se nos propuso utilizar datos previamente recopilados de naufragios en el Mediterráneo, más en concreto de pecios en los que se había encontrado material anfórico. Las ánforas presentan algunas características ventajosas: el material es durable, han sido halladas en un gran número de pecios, y se pueden clasificar en distintas tipologías, para muchas de las cuales ha sido posible inferir área geográfica y período de producción. No obstante, la distribución geográfica y cronológica de los naufragios excavados está afectada por una superposición de sesgos de origen diverso que incluyen desde la heterogeneidad de las iniciativas llevadas a cabo por los diferentes países hasta limitaciones técnicas y logísticas. Por lo tanto, es imprescindible ser precavidos a la hora de sacar conclusiones, ya que el mero análisis exploratorio de los datos que se puede llevar a cabo con las herramientas básicas de la ciencia de redes seguramente nos devuelve puro espejismo.

Nos propusimos identificar las posibles relaciones comerciales preferentes entre zonas geográficas, sorteando la amplificación artificial de algunas relaciones debido a la concentración de la producción anfórica en determinadas regiones. Para ello, creamos varias copias artificiales del dataset original en las que, cada vez, reubicamos las evidencias encontradas en los pecios de forma aleatoria. Estas copias reproducen lo que se habría podido observar  en el caso de total ausencia de relaciones preferentes entre lugares (nuestra hipótesis nula). Las relaciones realmente importantes se pueden así identificar porque destacan en el dataset original muy por encima de lo que se observa en las copias aleatorizadas.

Mapeamos los datos originales en una red e hicimos lo mismo con las copias aleatorizadas (tipos anfóricos reubicados aleatoriamente). Obtuvimos así otras muchas redes del mismo tipo, pero diferentes, seleccionamos las métricas apropiadas para su caracterización y recurrimos a la estadística -un test diseñado ad hoc- para destacar las relaciones (enlaces) entre lugares (nodos) que destacan en la red empírica (datos no manipulados).