Ανάλυση χρήσης φθοράς
Η ανάλυση φθοράς χρήσης (use-wear analysis) είναι μέθοδος στην αρχαιολογία, η οποία εξετάζει τα μακροσκοπικά και μικροσκοπικά ίχνη που αφήνονται στις επιφάνειες των εργαλείων ως αποτέλεσμα της χρήσης τους. Αυτή η προσέγγιση επιτρέπει στους ερευνητές να συμπεράνουν τις δραστηριότητες των προϊστορικών ανθρώπων, όπως η επεξεργασία τροφίμων, το κυνήγι ή η κατασκευή άλλων αντικειμένων[1]. Η μέθοδος βασίζεται σε πειραματικές αναπαραστάσεις για τη δημιουργία αναφοράς, συγκρίνοντας αρχαιολογικά ευρήματα με σύγχρονα πειράματα.
Ιστορική εξέλιξη
Η ανάλυση φθοράς χρήσης ορίζεται ως η μελέτη των ιχνών φθοράς στις επιφάνειες των εργαλείων, που προκύπτουν από την αλληλεπίδραση με υλικά όπως το ξύλο, τα οστά ή τα φυτά[2]. Αυτά τα ίχνη περιλαμβάνουν γυαλίσματα (polish), γραμμώσεις και μικρορωγμές, τα οποία είναι χαρακτηριστικά ανάλογα με το υλικό και την κίνηση. Η μέθοδος εξελίχθηκε από τα τέλη του 19ου αιώνα, όταν οι αρχαιολόγοι βασίζονταν κυρίως στη μορφολογία των εργαλείων[3]. Ο Σεργκέι Αριστάρχοβιτς Σεμένοφ (Sergei Aristarkhovich Semenov) το 1957 εισήγαγε συστηματικά πειράματα και μικροσκοπική παρατήρηση, δημιουργώντας την έννοια της ιχνολογίας (traceology). Στη δεκαετία του 1960, η νέα αρχαιολογία ενίσχυσε τις υψηλής μεγέθυνσης προσεγγίσεις, ενώ από τα 1980ς εισήχθησαν ποσοτικές μέθοδοι[4]. Σήμερα, η ενσωμάτωση μηχανικής μάθησης (machine learning) αυτοματοποιεί την ταυτοποίηση ιχνών[5]. Η εξέλιξη αυτή αντανακλά την ανάγκη για πιο αντικειμενικές και επαναληπτικές αναλύσεις.
Μέθοδοι ανάλυσης
Οι μέθοδοι της ανάλυσης φθοράς χρήσης περιλαμβάνουν οπτική μικροσκοπία χαμηλής και υψηλής μεγέθυνσης, ποσοτική ανάλυση επιφανειών και ανάλυση υπολειμμάτων[6] Η στερεομικροσκοπία εξετάζει μακροσκοπικά ίχνη, ενώ η μεταλλογραφική μικροσκοπία αποκαλύπτει μικρογυαλίσματα και γραμμώσεις[7]. Ποσοτικές τεχνικές, όπως η οπτική μικροσκοπία και η τρισδιάστατη μοντελοποίηση με GIS, μετρούν την τραχύτητα επιφανειών[8]. Πειραματικές συλλογές αναφοράς είναι απαραίτητες, όπου δοκιμάζονται παράμετροι όπως υλικό, κίνηση και διάρκεια χρήσης[9] Η ενσωμάτωση μηχανικής μάθησης χρησιμοποιεί αλγορίθμους όπως νευρωνικά δίκτυα για ταξινόμηση ιχνών, βελτιώνοντας την ακρίβεια[10] Επιπλέον, η ανάλυση υπολειμμάτων (π.χ. φυτολίθων, αμύλου) συμπληρώνει τα ίχνη φθοράς[11] Οι προκλήσεις περιλαμβάνουν την τυποποίηση πρωτοκόλλων για επαναληψιμότητα.
Εφαρμογές στην αρχαιολογία
Στην αρχαιολογία, η ανάλυση φθοράς-χρήσης εφαρμόζεται σε λίθινα, οστέινα και αλεστικά εργαλεία για την κατανόηση δραστηριοτήτων. Στη Νεολιθική Ευρώπη, αποκαλύπτει την επεξεργασία φυτών, όπως άλεσμα σιτηρών, οσπρίων και καρπών[12]. Για παράδειγμα, ίχνη σε αλεστήρες δείχνουν κυκλικές ή εμπρός-πίσω κινήσεις, συνδεδεμένες με πολιτισμικές συνήθειες τροφής[13] Σε προϊστορικούς πληθυσμούς, βοηθά στην ταυτοποίηση κυνηγιού ή σφαγής μέσω ιχνών σε αιχμές[14] Η μηχανική μάθηση εφαρμόζεται σε οστά και λίθους, αναλύοντας τροποποιήσεις επιφανειών για ταφονομικές μελέτες[15]. Εφαρμογές περιλαμβάνουν την Παλαιολιθική, όπου ίχνη σε εργαλεία από το Ολντουβάι δείχνουν επεξεργασία καρπών[16] Η μέθοδος συνεισφέρει στην κατανόηση της βιοπολιτισμικής εξέλιξης.
Σύγχρονες προσεγγίσεις
Οι σύγχρονες προσεγγίσεις ενσωματώνουν την τεχνητή νοημοσύνη για αυτοματοποίηση, με τα νευρωνικά δίκτυα να κυριαρχούν από το 2019[17] Οι προκλήσεις περιλαμβάνουν τα μικρά σύνολα δεδομένων, την ανισορροπία κλάσεων και την περιορισμένη υιοθέτηση ανοιχτής επιστήμης[18] Η συγκέντρωση ερευνών σε λίγα ιδρύματα περιορίζει την ποικιλία[19] Για τη βελτίωση της έρευνας, προτείνεται συνεργασία με αρχαιολόγους που εργάζονται με την υπολογιστική αρχαιολογία και την τυποποίηση δεδομένων[20] Επιπλέον, η διάκριση μεταξύ πολυλειτουργικών εργαλείων και ταφονομικών επιδράσεων παραμένει δύσκολη[21]. Μελλοντικές προοπτικές εστιάζουν σε μεγαλύτερα σύνολα δεδομένων και πιο ολοκληρωμένες μεθόδους.
Η ανάλυση φθοράς-χρήσης έχει μεταμορφώσει την κατανόηση προϊστορικών δραστηριοτήτων, από την επεξεργασία τροφίμων έως την τεχνολογική εξέλιξη[22]. Παρά τις προκλήσεις, η ενσωμάτωση σύγχρονων τεχνολογιών υπόσχεται μεγαλύτερη ακρίβεια[23]. Η χρήση ανοιχτών πηγών εξασφαλίζει αξιοπιστία και επαληθευσιμότητα.
Παραπομπές
- ↑ Marreiros et al. 2020, 1.
- ↑ Eleftheriadou et al. 2025, 189.
- ↑ Marreiros et al. 2020, 2
- ↑ Marreiros et al. 2020, 3.
- ↑ Eleftheriadou et al. 2025, 190.
- ↑ Hamon 2022, 3.
- ↑ Marreiros et al. 2020, 4.
- ↑ Hamon 2022: 4.
- ↑ Eleftheriadou et al. 2025, 192.
- ↑ Eleftheriadou et al. 2025, 193.
- ↑ Hamon 2022, 5.
- ↑ Hamon 2022, 6.
- ↑ Hamon 2022, 7.
- ↑ Marreiros et al. 2020, 5.
- ↑ Eleftheriadou et al. 2025, 194.
- ↑ Hamon 2022, 8.
- ↑ Eleftheriadou et al. 2025, 195.
- ↑ Eleftheriadou et al. 2025, 198.
- ↑ Eleftheriadou et al. 2025, 199.
- ↑ Marreiros et al. 2020, 6.
- ↑ Hamon 2022, 9.
- ↑ Marreiros et al. 2020, 7.
- ↑ Eleftheriadou et al. 2025, 200.
Βιβλιογραφία
- Eleftheriadou, A., S. P. McPherron, and J. Marreiros. 2025. "Machine Learning Applications in Use-Wear Analysis: A Critical Review." Journal of Computer Applications in Archaeology 8: 188–205. https://doi.org/10.5334/jcaa.190
- Hamon, C. 2022. "Use-wear Analysis of Grinding Tools and the Exploration of Plant Processing in the Neolithic of Europe: State of the Art and Perspectives." Journal of Archaeological Science: Reports 43: 103471. https://doi.org/10.1016/j.jasrep.2022.103471
- Marreiros, J., I. Calandra, W. Gneisinger, E. Paixão, A. Pedergnana, and L. Schunk. 2020. "Rethinking Use-Wear Analysis and Experimentation as Applied to the Study of Past Hominin Tool Use." Journal of Paleolithic Archaeology 3: 475–502. https://doi.org/10.1007/s41982-020-00058-1
