LADUC/surdoc-liticos

SURDOC — material lítico arqueológico de Chile

Metadatos e imágenes de 8,737 fichas del Sistema Único de Registro Documental del Patrimonio Cultural de Chile (Surdoc.cl).

Captura: 2026-08-31. Es una captura fechada, no "todo lo que hay en Surdoc": la fuente cambia. Un corpus comparable perdió 16 registros en 18 días entre dos capturas del mismo filtro. No asumas estabilidad entre versiones.

Marco institucional

Este dataset se publica en el marco del Convenio de Colaboración entre la Pontificia Universidad Católica de Chile y el Servicio Nacional del Patrimonio Cultural (SERPAT), firmado el 31 de julio de 2026. - Fuente de los datos y de las imágenes: SURDOC, sistema del Centro de Documentación de Bienes Patrimoniales (CDBP) del SERPAT. Las fotografías fueron tomadas por los museos custodios. - Extracción, curación y publicación: Laboratorio de Arqueología Digital de la Pontificia Universidad Católica de Chile (LAD UC). El LAD UC no es la fuente de los datos: es responsable de la extracción, la estructuración y esta publicación. La autoría del registro documental corresponde al CDBP y a las instituciones custodias.

En una mirada

Acceso

El acceso está sujeto a aprobación automática. La solicitud se concede sin intervención manual; el mecanismo existe para tener registro de quién usa el material, conforme al convenio con el SERPAT.

Tareas admitidas

El uso principal es clasificación de imagen: las 16,396 imágenes con sus metadatos permiten entrenar clasificadores por materialidad, cultura o institución custodia, respetando la advertencia de particiones.

Sobre la etiqueta `image-to-text`. Se conserva porque el dataset sí contiene pares imagen–texto y sirve para recuperación multimodal y grounding. Pero el campo `texto` no es un pie de foto: es la concatenación literal de campos de la ficha, separados por |. Un modelo de generación de descripciones entrenado con esto aprenderá ese registro telegráfico, no lenguaje natural. Si buscas captioning, texto sirve como punto de partida para construir descripciones, no como objetivo.

Configuraciones

Campos

metadata — 42 columnas, una fila por ficha

Identificación y procedencia

Descripción del objeto

Materialidad y técnica

Cronología y cultura

Procedencia espacial

Colección

Ingreso y documentación

Dimensiones

Ubicación y adjuntos

image-text — 12 columnas, una fila por fotografía

Antes de entrenar: no hay particiones

El dataset no trae train / validation / test, y construirlas al azar produce resultados falsamente buenos. En este corpus, la serie 5-2921…5-3099 reúne 179 fichas consecutivas del sitio PN9. Reparten información entre sí: un modelo que vio la mitad reconoce la otra mitad sin haber aprendido nada generalizable. Agrupa por `surdoc_id` como mínimo, y por sitio si te importa la capacidad de generalizar a contextos nuevos. En image-text el surdoc_id se repite entre las fotografías de una misma pieza, así que particionar por fila mezcla las caras de un mismo objeto entre entrenamiento y prueba.

Cómo cargarlo

from datasets import load_dataset

fichas = load_dataset("LADUC/surdoc-liticos", "metadata", split="train")
pares  = load_dataset("LADUC/surdoc-liticos", "image-text", split="train")

pares[0]["image"]        # PIL.Image, decodificada al vuelo
pares[0]["texto"]        # campos verbatim concatenados
pares[0]["atribucion"]   # crédito obligatorio del museo custodio

Para inspeccionar sin descargarlo todo:

ds = load_dataset("LADUC/surdoc-liticos", "image-text",
                  split="train", streaming=True)
print(next(iter(ds))["texto"])

Las imágenes van embebidas en el archivo, no como archivos sueltos.

Licencia y atribución

Publicado bajo cc-by-4.0 en el marco del convenio PUC — SERPAT del 31 de julio de 2026. La atribución es obligatoria.

Hay que distinguir dos cosas distintas:

1. El crédito al museo custodio. Va en la columna atribucion, ya resuelto por fila. Toda imagen debe citar al museo que la tomó, conforme a lo acordado con el SERPAT:

Fotografía: {institucion}. Registro {surdoc_id}, Surdoc.cl — Servicio Nacional del Patrimonio Cultural de Chile. CC BY 4.0.

2. La cita bibliográfica de la fuente. Se construye según la norma del CDBP, en la sección siguiente. No sustituye al crédito anterior: el crédito es una condición de la licencia, la cita es una práctica académica.

Cita del dataset en conjunto:

Datos: Surdoc.cl, Servicio Nacional del Patrimonio Cultural de Chile. Extracción y curación: Laboratorio de Arqueología Digital, Pontificia Universidad Católica de Chile (2026). Convenio de Colaboración PUC — Servicio Nacional del Patrimonio Cultural, 31 de julio de 2026. Captura del 2026-08-31. Publicado bajo CC BY 4.0.

Cómo citar

Cita bibliográfica de una ficha (APA, norma del CDBP)

El Centro de Documentación de Bienes Patrimoniales establece el orden: CDBP + sitio + ficha o término + URL + fecha de recuperación.

Centro de Documentación de Bienes Patrimoniales. SURDOC. "Tentación de San
Antonio" ID 2-499. https://www.surdoc.cl/registro/2-499. Recuperado el 2026-08-28

Todos los elementos están en el dataset: objeto, surdoc_id, source_url y captura_fecha.

def cita_ficha(fila):
    """Cita APA de una ficha, según la norma del CDBP."""
    objeto = fila["objeto"] or "[sin denominación]"
    return (f'Centro de Documentación de Bienes Patrimoniales. SURDOC. '
            f'"{objeto}" ID {fila["surdoc_id"]}. '
            f'{fila["source_url"]}. Recuperado el {fila["captura_fecha"]}')

print(cita_ficha(fichas[0]))

El campo objeto puede venir vacío en algunas fichas; conviene preverlo, como hace el fragmento.

Cita de un término del Tesauro Regional Patrimonial

Cuando objeto_uri apunta a tesauroregional.cl, el término se cita con la misma estructura:

Centro de Documentación de Bienes Patrimoniales. Tesauro Regional Patrimonial.
Cesta. https://www.tesauroregional.cl/terminos/2600. Recuperado el 2026-08-28

Cita del dataset

@dataset{surdoc_lithics_2026,
  author    = {Méndez, Víctor and Balmaceda, Elena and Bastías, Fernando},
  title     = {SURDOC — material lítico arqueológico de Chile},
  year      = {2026},
  publisher = {Laboratorio de Arqueología Digital UC},
  note      = {Captura del 2026-08-31. Datos: SURDOC, Centro de
               Documentación de Bienes Patrimoniales, Servicio Nacional del
               Patrimonio Cultural de Chile. Convenio PUC — SERPAT,
               31 de julio de 2026}
}

Al citar el dataset, cita también la fuente. El dataset es una reorganización del registro documental del CDBP, no una obra independiente.

Resolución de las imágenes

La resolución condiciona el uso. Basta para identificar la pieza y para clasificarla por tipo. No basta para análisis de detalle de superficie —huellas de manufactura, acabado fino, alteraciones—, que requiere bastante más resolución. La imagen más pequeña del conjunto tiene 140 px de lado mayor y 7 KB. El sufijo -original de la fuente designa el archivo canónico de Drupal, no la fotografía de captura del museo: el servidor la recorta. Es el máximo que la fuente publica.

Límites conocidos

Sobre los duplicados. Se detectaron 437 casos en que el mismo texto aparecía dos veces en un campo. Al comprobarlo contra el HTML de origen, la repetición estaba en la fuente: museos que anotaron dos veces el mismo sitio o el mismo registrador. No es un defecto de extracción. De ellos, 56 afectan a columnas publicadas y se retiran aquí; la capa de extracción los conserva verbatim.

El alcance lo fija el filtro por materialidad. Las fichas de la categoría que no declaran materialidad no son alcanzables por ningún filtro de este tipo y quedan fuera del corpus. El vocabulario de materiales tampoco es cerrable desde el buscador: existen términos en las fichas sin ID de faceta conocido.

Nada de esto se ocultó para que el conjunto luciera mejor. El criterio fue publicar y declarar.

Alcance

Dentro de first_level_classification=548, que la fuente denomina "Antropología, Arqueología y Etnografía" — no solo Arqueología.

12 materias primas, por ID interno de SURDOC: Arenisca (8416), Basalto (8405), Cerámica (8349), Cuarzo (8522), Granito (8383), Obsidiana (8529), Piedra (8336), Sílice (8563), (sin nombre en el vocabulario) (8530), (sin nombre en el vocabulario) (8551), (sin nombre en el vocabulario) (8581), (sin nombre en el vocabulario) (8596).

El corpus puede incluir colecciones sensibles y material de contextos funerarios, comprendidas en el convenio con el SERPAT y de acceso público en la fuente.

<details> <summary><strong>Instituciones custodias (24)</strong></summary>

</details>

Otras advertencias de uso

1. 1.`cultura_arqueologica` y `cultura_originaria` son campos independientes. No fusionarlos.
2. 2.`coleccion_raw` es texto libre por institución. Usar los derivados curados coleccion_disciplina y coleccion_tipo.
3. 3.Las dimensiones traen marca de confianza. Filtrar por ella, o usar dimensiones_raw y hacer la propia interpretación.
4. 4.`surdoc_id` es texto. Convertirlo a número pierde los prefijos no numéricos.
5. 5.`surdoc_id` y `n_inventario` no son lo mismo. El primero identifica la ficha en SURDOC y lo asigna el sistema; el segundo es el número interno de la institución, con su propia convención.

Procedencia

Cada fila incluye source_url y captura_fecha. La adquisición está registrada con manifiestos congelados y su código de verificación, y cada ficha con el suyo. La fecha de captura de esta tarjeta es la del congelado de los manifiestos.

Metodología: docs/como-funciona.md (explicación general), docs/decisiones.md, docs/publicacion-huggingface.md.

Contacto

Víctor Méndez — <victor.mendez@uc.cl> Laboratorio de Arqueología Digital, Pontificia Universidad Católica de Chile. Convenio PUC — Servicio Nacional del Patrimonio Cultural, 31 de julio de 2026.

Si detectas un error en el material de tu institución, o una ficha que no debería estar publicada, escribe a esa dirección.

Generado por surdoc.build_dataset v0.8.1.