درک نحوه تعامل حیوانات با محیط اطراف و با یکدیگر در تحقیقات رفتاری بسیار حائز اهمیت است. اگرچه کدگذاری ویدئویی روش ترجیحی برای جمع آوری داده‌های رفتاری به‌صورت دقیق است، اما استخراج اطلاعات به‌صورت دستی از ویدئوهای فراوان زمان‌بر و آموزش بالا نیازمند است.
به‌خوش‌بختی، یادگیری ماشین به‌عنوان یک راه‌حل برای اتوماسیون استخراج داده و بهبود کارایی در عین حفظ قابلیت اعتماد نشان داده است. این تکنولوژی با شناسایی گونه‌ها، افراد و رفتارهای خاص در ویدئوها، تحقیقات رفتاری را تغییر داده و با ردیابی گونه‌ها در فیلم‌های تله‌کمر مرکزی و شناسایی حیوانات در زمان واقعی، امکان پذیر شده است.
با این حال، چالش‌هایی هنوز در ردیابی رفتارهای پیچیده و دقیق، به‌ویژه در محیط‌های طبیعی، وجود دارد. در حال حاضر، ابزارهای یادگیری ماشین به خصوص در محیط‌های کنترل شده به‌صورت برجسته عمل می‌کنند، اما پیشرفت‌های اخیر نشان می‌دهد که آنها قادر هستند به گونه‌های متنوع و زیستگاه‌های پیچیده گسترش یابند. با ترکیب روش‌های یادگیری ماشین مانند عملکرد CNN در حوزه زمان و فرایندهای بیانی، محققان می‌توانند یک دیدگاه جامع‌تری از رفتار حیوانات در طول زمان به‌دست بیاورند.
در یک مطالعه اخیر منتشر شده در مجله جانورشناسی، محققان به‌استفاده از ابزار یادگیری ماشین DeepLabCut برای تجزیه و تحلیل داده‌های رفتاری حیوانات وحشی، به‌ویژه میمون‌های شامپانزه و بونوبو پرداختند. این پژوهش به چالش‌های کدگذاری دستی و استخراج اطلاعات رفتاری از ویدئوها، و همچنین قابلیت یادگیری ماشین برای اتوماسیون این فرآیند و کاهش زمان و افزایش قابلیت اعتماد اشاره کرد.
این مقاله جزئیات کاملی را درباره استفاده از DeepLabCut ارائه داده است، از جمله نصب و استفاده اولیه، نیازهای سخت‌افزاری، قابلیت‌های GUI و مسائل اخلاقی جمع آوری داده. همچنین معیارهای انتخاب ویدئوها، توسعه و آموزش مدل، و ارزیابی عملکرد نیز شرح داده شده است.
با استفاده از DeepLabCut، محققان مدل‌هایی برای ردیابی حرکات شامپانزه‌ها و بونوبو‌های وحشی توسعه و آزمایش کردند. دو مدل روی قاب‌های ویدئویی متفاوت آموزش دیدند و دقت آنها در ردیابی حرکات میمون‌ها روی همچنین در قاب‌های آزمایشی و ویدئوهای کاملاً جدید ارزیابی شدند.
ارزیابی نشان داد که هر دو مدل دقت بیشتری در نشان دادن نقاط کلیدی روی قاب‌های ویدئویی نسبت به کدگذاران انسانی داشته‌اند و مدل 2 به طور پی‌واژه‌ای به مدل 1 برتری داشته است. با این حال، هر دو مدل در اتصال به‌صورت کارآمد نقاط تشخیص داده شده مشکلاتی داشته‌اند که منجر به مشکلات ردیابی در ویدئوهای خاصی شده است.
اگرچه این مطالعه پتانسیل DeepLabCut و یادگیری ماشین در اتوماسیون تحلیل رفتار میمون‌های وحشی را نشان می‌دهد، اما نیاز به مداخله انسانی در اصلاح خطا و طبیعت زمان‌بر فرآیند توسعه مدل را بیان می‌کند. با وجود این چالش‌ها، یادگیری ماشین امکانات متحول‌کننده‌ای در تحقیقات رفتاری فراهم می‌کند و تاکید بر نیاز همیشگی به بهبود سامانه‌های ردیابی برای رفتارهای پیچیده در محیط‌های طبیعی است.
The source of the article is from the blog macholevante.com