The Virtual Knapper: A Realistic Software Program Approach to Virtually Recreate Early Stone Tool Forms

Abstract

Prähistorische Steinwerkzeuge sind eines der wichtigsten Beweismittel für die Erforschung der Evolution der Homininen und reichen mindestens 2,6 Millionen Jahre zurück. Diese Werkzeuge wurden in der Regel durch (wiederholtes) Brechen eines Steins hergestellt, um einen Abschlag abzutrennen und so beispielsweise nützliche Schneidkanten auf der Oberfläche des Abschlags zu erzeugen. Dieser Prozess der Abtrennung von einem Abschlag wird als Knapping oder lithische Reduktion bezeichnet. Eine Methode zur Untersuchung der Steinbearbeitung ist die experimentelle Nachahmung durch moderne Menschen, um aus dem Prozess Rückschlüsse auf die verschiedenen verhaltensmäßigen, kognitiven oder sogar sozialen Lernanforderungen zu ziehen, die für die Herstellung dieser Artefakte erforderlich sind. In der Vergangenheit haben viele Forscher die Ansicht vertreten, dass die frühesten Steinwerkzeuge das Kopieren von Know-How-Information erfordern – und somit ein Beweis dafür sind – was der modernen menschlichen Kultur eigen ist und auch bei keinem lebenden nicht-menschlichen Menschenaffen vorkommt. Andererseits haben neuere Forschungen eine alternative Hypothese aufgestellt, die besagt, dass viele der frühesten Steinwerkzeuge nicht das Kopieren von Know-How erforderten, sondern dass sie nach einfachen Regeln und mit einem Grundstock an Fähigkeiten hergestellt wurden, die denen der nicht-menschlichen Menschenaffen ähnlicher sind als denen des modernen Menschen (die “Zone of Latent Solutions” Hypothese). Um jedoch zuverlässig zu testen, wie sich die Änderung bestimmter Variablen (z. B. die Maximierung der Abschlaglänge oder -fläche) auf die Abschlagsprodukte auswirkt, sind viele wiederholbare, groß angelegte lithische Replikationsexperimente erforderlich. Diese Experimente erfordern in der Regel einen beträchtlichen Zeit-, Material- und Finanzaufwand, angefangen bei der eigentlichen Steinbearbeitung bis hin zur Katalogisierung, Lagerung, Messung und Analyse der Produkte in jedem Schritt der Bearbeitungsfolge, und unterliegen zwangsläufig den durch die Steinschläger verursachten Verzerrungen (z. B. Erfahrung, Motivation und Ermüdung während der Bearbeitung). Mit Replikationsexperimenten, die sich über Monate hinziehen können, könnte sich ein vollständig computergestütztes Analogon zur regelbasierten Steinbearbeitung als leistungsfähiges Instrument für die Untersuchung des menschlichen Verhaltens, der kognitiven und kulturellen Evolution erweisen. Mit einer solchen Software könnten verschiedene Hypothesen über die Faktoren, die die Herstellung von Steinwerkzeugen beeinflussen, getestet werden, wie z. B. die Notwendigkeit des Kopierens von Know-How, und sie könnte dazu beitragen, die Evolutionswissenschaft im weiteren Sinne voranzubringen. Des Weiteren könnte sie als Werkzeug für die Lehre und die Öffentlichkeitsarbeit sowie als Grundlage für die Entwicklung weiterer Werkzeuge dienen. In dieser Dissertation wird ein Machbarkeitsnachweis für ein auf einem maschinellen Lernverfahren basierte Computerprogramm vorgestellt, das in der Lage ist, lithische Abschläge zu einem Bruchteil der Zeit und Kosten und ohne von Steinschlägern verursachte Verzerrungen durchzuführen: ein virtueller Steinschläger. Darüber hinaus werden in dieser Arbeit auch die Ergebnisse eines Machbarkeitsnachweis für eine andere Anwendung auf der Grundlage desselben maschinellen Lernsystems vorgestellt: ein virtueller Refitter.

Prehistoric stone tools are one of the most important types of evidence for the study of hominin evolution, dating back at least 2.6 million years. These tools were most commonly made through the (repeated) fracture of a stone to detach from it a flake, creating—for example—useful cutting edges on the flake surface. This process of flake removal is known as knapping or lithic reduction. One method used to study lithic reduction is its experimental replication by modern humans, making inferences from the process on the various behavioural, cognitive, or even social learning requirements needed to make these artefacts. Historically, many researchers have suggested that the earliest stone tools require—and thus are evidence for—copying of know-how information, which is intrinsic to modern human culture, but which is also not present in any extant non-human ape. On the other hand, recent research has advanced an alternative hypothesis: suggesting many of the earliest stone tools did not require know-how copying, but that they were manufactured through a simple set of rules and with a base set of skills closer to those of non-human apes than modern humans (the ‘Zone of Latent Solutions’ hypothesis). Nevertheless, in order to robustly test how changing certain variables (e.g. maximising for flake length or area) can affect the products of knapping, many replicable large-scale lithic replication experiments are necessary. These experiments generally require considerable amounts of time, material, and funds to undertake, from the lithic reduction itself, to the cataloguing, storage, measuring, and analysis of the products at each step of the reduction sequence, and are inevitably subject to knapper-derived biases (e.g. experience, motivation, and fatigue during knapping). With replication experiments that can last months, a fully computer-based analogue to rules-based lithic reduction could prove a powerful tool for the study of human behavioural, cognitive, and cultural evolution. Such software could be effective for testing various hypotheses on the factors that affect stone tool manufacture, such as the necessity of know-how copying, helping advance evolutionary science more broadly or as a tool for teaching and outreach, as well as serving as a base for the development of additional tools. This dissertation presents a proof of concept for a computer program based on a machine learning framework able to perform lithic reduction at a fraction of the time and cost, and without knapper-derived biases: a Virtual Knapper. In addition, this work also discusses the results of a proof of concept for another application based on the same machine learning framework: a Virtual Refitter.