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

Fichas	8,737
Pares imagen–texto	16,396
Instituciones custodias	24
Materias primas del filtro	12
Fichas sin imagen	1,359
Sin temporalidad declarada	6,467 (74.0%)
Licencia	cc-by-4.0

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

Config	Filas	Contenido
metadata	8,737	una fila por ficha, 42 columnas
image-text	16,396	un par imagen–texto por imagen, con la imagen embebida

Campos

metadata — 42 columnas, una fila por ficha

Identificación y procedencia

Campo	Contenido
surdoc_id	Identificador de la ficha en SURDOC, con la forma <museo>-<correlativo>. Lo asigna el sistema automáticamente al crear el registro y es único. Es texto, no número: el prefijo no siempre es numérico
registro	El mismo número de registro, leído del cuerpo de la ficha en vez de su dirección. Se conservan los dos porque provienen de fuentes independientes: comparar uno con otro es lo que detectó las 10 fichas en que el sitio servía el contenido de otra pieza
n_inventario	Número de inventario de la institución, con su propia convención y ajeno a SURDOC. No confundir con surdoc_id
institucion	Museo custodio
source_url	Dirección de la ficha en SURDOC
captura_fecha	Fecha en que se copió esta ficha. Es la fecha de recuperación de la cita
atribucion	Crédito al museo custodio, ya resuelto. Obligatorio al reutilizar

Descripción del objeto

Campo	Contenido
clasificacion	Clasificación de segundo nivel de la fuente
objeto	Denominación del objeto
objeto_uri	Enlace al vocabulario controlado cuando existe. Dos posibles, ambos del CDBP: el Tesauro Regional Patrimonial (TRP), en tesauroregional.cl, y el Tesauro de Arte & Arquitectura (TAA), en aatespanol.cl
nombre_alternativo	Denominación alternativa
descripcion	Descripción física, verbatim
estado_conservacion	Estado declarado por la institución

Materialidad y técnica

Campo	Contenido
materiales	Lista de materiales, validados contra vocabulario
tecnicas	Lista de técnicas, validadas contra vocabulario
terminos_sin_rol	Términos que no se pudieron clasificar como material ni como técnica. 315 en total

Cronología y cultura

Campo	Contenido
temporalidad	Valor literal de la fuente
temporalidad_categoria	Derivado: prehispanico, historico, ambiguo o desconocido
cultura_arqueologica	Vocabulario propio. No fusionar con el siguiente
cultura_originaria	Vocabulario distinto, con homónimos deliberados: Diaguita existe como 479, 523 y 6383
area_cultural_1	Área cultural de primer nivel
area_cultural_2	Área cultural de segundo nivel
area_geografica	Área geográfica declarada

Procedencia espacial

Campo	Contenido
nombre_sitio	Lista de sitios arqueológicos
localidad	Localidad
comuna	Comuna
pais_declarado	Solo poblado cuando el material no es chileno. 18 casos

Colección

Campo	Contenido
coleccion_raw	Texto libre por institución. Mezcla disciplina, geografía, cultura, temporalidad y donante
coleccion_disciplina	Derivado curado: arqueologica, etnografica, ambas o sin_declarar
coleccion_tipo	Derivado curado. El mapeo cubre 40 valores de origen
proyecto_investigacion	Proyecto de investigación asociado

Ingreso y documentación

Campo	Contenido
nombre_responsable	Responsable declarado
forma_ingreso	Forma de ingreso a la colección
procedencia	Procedencia declarada
fecha_ingreso	Fecha de ingreso
referencias_documentales	Lista de referencias bibliográficas

Dimensiones

Campo	Contenido
dimensiones_raw	Texto original completo, sin interpretar
dimensiones	Lista estructurada. Cada entrada trae magnitud, valor convertido (mm o g), unidad y marca de confianza: alta si la unidad se reconoció, media si no, fallo si no se pudo interpretar

Ubicación y adjuntos

Campo	Contenido
ubicacion_estado	Primera parte de la ubicación, p. ej. "En exhibición"
ubicacion_resto	Resto, p. ej. museo y sala
n_imagenes	Número de fotografías de esta ficha
imagenes	Lista con la ruta, dimensiones y atribución de cada fotografía

image-text — 12 columnas, una fila por fotografía

Campo	Contenido
surdoc_id	Identificador de la ficha. Se repite entre las fotografías de una misma pieza
image	La imagen, decodificada al vuelo como PIL.Image
image_path	Identificador relativo, images/<prefijo>/<archivo>.jpg. Solo trazabilidad
image_local	Ruta de la caché de adquisición del equipo que construyó el dataset. No sirve fuera de esa reconstrucción; se conserva por procedencia
width, height	Dimensiones en píxeles
texto	Campos de la ficha concatenados con |. No es un pie de foto
objeto	Denominación del objeto
materiales	Lista de materiales
temporalidad_categoria	Igual que en metadata
institucion	Museo custodio
atribucion	Crédito obligatorio de esta 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

Lado mayor	Imágenes	%
< 400 px	1,476	9.0%
400–599 px	35	0.2%
600–799 px	14,822	90.4%
800–1.199 px	38	0.2%
1.200–1.999 px	14	0.1%
≥ 2.000 px	11	0.1%

Estadístico	Valor
Mínimo	140 px
Mediana	650 px
p90	650 px
Máximo	3456 px
Peso mediano	53 KB
Por debajo de 600 px	1,511 (9.2%)
Por debajo de 1.200 px	16,371 (99.8%)

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

Límite	Cifra
Sin temporalidad declarada	6,467 (74.0%)
Colecciones etnográficas	881
Colecciones Arqueología y Etnografía (no discriminan)	718
Material no chileno, declarado	18
Fichas sin imagen	1,359
Términos de material/técnica sin rol validado	315
Duplicados de la fuente retirados en la publicación	56
Fichas excluidas por servir contenido ajeno	10

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.

Instituciones custodias (24)

Institución	Fichas
Museo Arqueológico de La Serena	2,069
Museo Historia Natural de Valparaíso	931
Museo Antropológico Padre Sebastián Englert	876
Museo Historia Natural de Concepción	876
Museo de Antofagasta	743
Museo Histórico Nacional	695
Museo Regional de Rancagua	653
Museo Nacional de Historia Natural	516
Museo del Limarí	409
Museo Regional de Atacama	213
Museo Mapuche de Cañete	134
Museo Andino	114
Museo Regional de La Araucanía de Temuco	105
Museo Territorial Yagan Usi - Martín González Calderón	87
Museo Regional de Ancud	87
Museo O'Higginiano y de Bellas Artes de Talca	78
Museo de Arte Popular Americano, Universidad de Chile	53
Departamento de Sociología y Antropología, Universidad de Concepción	43
Museo de Arte y Artesanía de Linares	15
Museo Regional de Magallanes	14
Museo Histórico de Yerbas Buenas	13
Museo Marítimo Nacional	8
Museo de Sitio Castillo de Niebla	3
Museo Histórico Gabriel González Videla	2

Otras advertencias de uso

1. cultura_arqueologica y cultura_originaria son campos independientes. No fusionarlos.
2. coleccion_raw es texto libre por institución. Usar los derivados curados coleccion_disciplina y coleccion_tipo.
3. Las dimensiones traen marca de confianza. Filtrar por ella, o usar dimensiones_raw y hacer la propia interpretación.
4. surdoc_id es texto. Convertirlo a número pierde los prefijos no numéricos.
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.