Las manos impresas en las paredes de las cuevas constituyen una de las manifestaciones más fascinantes del arte paleolítico. Hace miles de años, diferentes personas colocaron sus manos sobre la superficie de las paredes y proyectaron pigmento a su alrededor, dejando una silueta que ha sobrevivido hasta nuestros días.

Pero existe una pregunta que lleva décadas generando debate:

¿Quiénes hicieron esas manos?

¿Eran hombres? ¿Mujeres? ¿Personas de diferentes edades?

Ahora, un nuevo estudio propone utilizar inteligencia artificial y aprendizaje profundo para intentar responder, al menos parcialmente, a una de estas preguntas: el sexo biológico de quienes dejaron las manos.

De la mano a la inteligencia artificial

El trabajo, titulado Decoding the Past: An Uncertainty-Aware Deep Learning Framework for Sex Attribution in Prehistoric Hand Stencils, ha sido desarrollado por Karel Becerra, Boris Mederos, Dean Snow y Ramón A. Mollineda.

Su objetivo no es simplemente entrenar una inteligencia artificial para que diga si una mano pertenece a un hombre o a una mujer. La principal novedad consiste en incorporar explícitamente la incertidumbre al proceso de análisis. Esto es especialmente importante cuando trabajamos con arte rupestre.

Las manos prehistóricas pueden estar deterioradas, presentar pigmentos incompletos o encontrarse sobre superficies irregulares. Además, determinar exactamente dónde termina el contorno de una mano puede resultar complicado. Por tanto, antes incluso de utilizar la inteligencia artificial, ya existe incertidumbre en la propia imagen.

¿Cómo funciona el método?

Los investigadores desarrollaron un sistema que analiza diferentes representaciones posibles de una misma mano. A partir de los contornos obtenidos de las imágenes se generan múltiples siluetas plausibles, en lugar de asumir que existe una única representación absolutamente correcta. Estas diferentes versiones son posteriormente analizadas mediante conjuntos de redes neuronales.

El sistema utiliza dos arquitecturas de aprendizaje profundo, EfficientNet-B3 y MobileViT-S, y diferentes modelos dentro de cada conjunto para obtener múltiples predicciones. En total, el procedimiento combina numerosas predicciones antes de llegar a una atribución final.

La idea es sencilla: si diferentes modelos y diferentes representaciones de la misma mano llegan a conclusiones similares, la atribución será más estable. Si, por el contrario, las predicciones son muy diferentes, el sistema identifica el caso como más ambiguo.

¿Con qué datos se entrenó?

La inteligencia artificial se entrenó utilizando 14.036 muestras contemporáneas de manos, procedentes de un conjunto de imágenes médicas, y posteriormente se aplicó a manos impresas del Paleolítico.

Esto plantea un problema evidente: una mano contemporánea no es exactamente igual que una mano de hace 30.000 o 40.000 años. Las poblaciones humanas han cambiado y existen diferencias entre poblaciones actuales y prehistóricas.

Por eso, los investigadores son conscientes de que existe una diferencia entre los datos utilizados para entrenar el sistema y las imágenes arqueológicas a las que posteriormente se aplica. Precisamente por ello, el estudio no presenta sus resultados como una certeza absoluta.

Nueve manos paleolíticas como casos de estudio

El método se aplicó a nueve manos impresas prehistóricas. Entre ellas se incluyen cuatro muestras de la cueva de El Castillo, en Cantabria, y otras procedentes de lugares como Cosquer, Chauvet y Pech Merle.

Algunas de estas manos ya habían sido estudiadas anteriormente mediante métodos morfométricos. La nueva metodología permite reevaluarlas utilizando un sistema que no proporciona únicamente una clasificación, sino también información sobre el grado de estabilidad de esa clasificación.

La incertidumbre también es un resultado

Este es probablemente el aspecto más interesante del estudio. En lugar de considerar que una inteligencia artificial debe proporcionar necesariamente una respuesta binaria, los investigadores plantean que la incertidumbre forma parte de la evidencia científica.

El sistema distingue entre casos en los que diferentes análisis convergen y otros en los que las predicciones son menos consistentes. Así, una mano puede presentar una atribución relativamente estable, mientras que otra puede considerarse ambigua.

Esto es especialmente importante en arqueología. Cuando trabajamos con evidencias incompletas de hace miles de años, reconocer aquello que no podemos determinar con seguridad es tan importante como identificar aquello que sí podemos interpretar.

¿Puede la inteligencia artificial decirnos si era un hombre o una mujer?

Aquí debemos ser muy cuidadosos. El estudio habla de sex attribution, es decir, atribución o estimación del sexo, no de una identificación directa de la persona que realizó la mano.

La inteligencia artificial analiza características morfológicas de la mano que presentan diferencias estadísticas relacionadas con el sexo en los datos de entrenamiento. Pero eso no significa que pueda determinar inequívocamente el sexo de una persona prehistórica concreta.

Además, el tamaño y la forma de las manos están influenciados por numerosos factores, como la edad, la variación poblacional y las características individuales. Por tanto, una predicción de la IA no equivale a una identificación antropológica individual.

Un cambio importante respecto a los métodos tradicionales

Los estudios anteriores sobre las manos paleolíticas han utilizado diferentes características morfológicas para intentar determinar el sexo de sus autores. El problema es que existe una importante superposición morfológica entre hombres y mujeres. Dos manos pueden presentar características muy similares aunque pertenezcan a individuos de diferente sexo.

El nuevo enfoque intenta solucionar parte de este problema utilizando múltiples modelos y múltiples representaciones de la misma imagen. Además, incorpora técnicas de inteligencia artificial explicable, como LayerCAM, para analizar qué regiones de la silueta están influyendo en las predicciones.

Esto permite ir más allá de una simple respuesta: La cuestión pasa a ser: ¿Por qué lo dice y qué grado de estabilidad tiene esa predicción?

¿Qué nos puede aportar esto sobre el arte paleolítico?

Si estas metodologías continúan desarrollándose y se validan con conjuntos de datos arqueológicos más amplios, podrían aportar información interesante sobre la participación de diferentes individuos en la producción del arte rupestre. Durante mucho tiempo, las interpretaciones sobre quién realizó las pinturas y grabados paleolíticos se han basado en hipótesis difíciles de comprobar.

Las manos ofrecen una oportunidad particular porque conservan una característica corporal directa del individuo que estuvo allí. Pero convertir esa silueta en información biológica requiere métodos rigurosos. La inteligencia artificial puede convertirse en una herramienta más dentro de ese proceso.

Este estudio no significa que ahora podamos mirar una mano paleolítica y saber con certeza quién la hizo. Al contrario. Uno de sus principales valores es mostrar hasta qué punto la incertidumbre debe formar parte del análisis.

En este caso, los propios investigadores plantean su metodología como una herramienta para producir inferencias más transparentes, reproducibles y conscientes de sus limitaciones.

Referencia

Becerra, K., Mederos, B., Snow, D., & Mollineda, R. A. (2026). Decoding the Past: An Uncertainty-Aware Deep Learning Framework for Sex Attribution in Prehistoric Hand Stencils. arXiv:2608.14539. Publicado como preprint el 14 de agosto de 2026.