Una perspectiva ampliada: IA multimodal para el análisis masivo de colecciones fotográficas

Hasta hace poco, la investigación computacional en ciencias sociales y humanidades operaba en una única modalidad, analizando texto o imagen de manera aislada. Los avances recientes en el aprendizaje automático multimodal han cambiado este panorama. Entrenada con combinaciones imagen‑texto, la IA multimodal puede vincular imágenes con textos y textos con imágenes.
Esta presentación muestra qué hace posible este giro metodológico a través de un estudio de caso extenso. Martí Massafont Costals (1918–2012) trabajó durante cinco décadas como fotógrafo comercial por las calles de Girona, dejando 35.000 negativos, de los cuales 9.021 han sido digitalizados. Hasta ahora, los investigadores han abordado la colección mediante una lectura minuciosa de imágenes individuales.
En esta intervención se muestra cómo un algoritmo de clustering puede agrupar las 9.021 fotografías en 78 clústeres de gran granularidad. Estos grupos de imágenes revelan los tipos de personas, escenas y espacios que Massafont fotografiaba, y hacen emerger una gramática comercial de momentos adquiribles: un marco compartido entre Massafont y sus clientes sobre qué ocasiones merecían ser conmemoradas y cómo debían ser encuadradas. Las fotografías que el algoritmo no puede agrupar, clasificadas como “ruido”, delimitan los márgenes de esta gramática.
A partir del resultado, se plantea cómo esta forma de visualización distante de un archivo fotográfico puede ayudar a los historiadores a identificar tanto patrones de presencia como patrones de ausencia.