Miksi sosiaalista käyttäytymistä on vaikeampi mitata kuin yksittäistä toimintaa
Yhden kalan mittaaminen akvaariossa on seurantatehtävä. Usean kalan mittaaminen yhdessä on seurantatehtävä plus identiteettiongelma. Sosiaaliset vuorovaikutusmallit riippuvat siitä, että tiedetään, mikä kala on lähellä mitä muuta kalaa, kuinka kauan ne pysyvät läheisyydessä toisiaan ja kuinka ryhmä järjestäytyy uudelleen ajan myötä. Zebrakalakäyttäytymisanalyysijärjestelmän on ratkaistava tämä identiteettiongelma ennen kuin se voi raportoida mitään sosiaalisesta käyttäytymisestä. Jos identiteetit vaihtuvat, kun kaksi kalaa risteää toisensa kanssa, tiedot muodostavat ainoastaan paikkojen, ei suhteiden rekisterin.
Manuaalinen havainto kohtaa saman ongelman. Henkilö, joka tarkkailee akvaariota, voi seurata yhtä kalaa jonkin aikaa, mutta huomio hajaantuu. Kun useita kaloja liikkuu samanaikaisesti, havainnoija ei pysty pitämään kaikkia identiteettejä erillään. Tuloksena on usein likimääräinen vaikutelma eikä kvantitatiivinen mittaus. Automatisointi ei poista tätä vaikeutta, mutta se tekee identiteettiongelman selkeäksi ja ratkaistavaksi.
Kalojen identiteettien seuraaminen risteyskohdissa
Monenko objektin seuraaminen on sosiaalisen käyttäytymisen mittaamisen ydin. Ohjelmisto tunnistaa jokaisen kalan jokaisesta kuvasta ja yhdistää tunnistukset kuvien välillä. Kun kaksi kalaa kulkee toistensa lähellä, yhdistämisvaiheesta tulee epäselvä. Yksinkertainen lähimmän naapurin sääntö epäonnistuu usein ja vaihtaa identiteettejä. Luotettavammat järjestelmät käyttävät liikkeen ennustamiseen perustuvia menetelmiä, kuten Kalman-suodatinta, sekä ulkonäön ominaisuuksia, kuten pyrstön muotoa tai ruumiinkokoa, jotta identiteetit pysyvät vakaina.
Unkarilainen algoritmi on yleinen menetelmä havaintojen liittämiseksi olemassa oleviin jäljityksiin. Se löytää parhaan yhden-yhteen vastaavuuden kustannusmatriisin perusteella, johon voivat kuulua etäisyys, ennustettu sijainti ja ulkonäkö. Vaikka näitä työkaluja käytetäänkin, peittyminen säilyy haastavana ongelmana. Kalat, jotka uivat akvarion varusteiden takana tai ovat täysin päällekkäin, voivat kadota muutamaksi kuvakehykseksi. Hyvät järjestelmät hallitsevat lyhyet aukot ja ilmoittavat luottamusarvot, jotta käyttäjä tietää, milloin jäljitys on epävarma.
Etäisyys- ja läheisyysmittoja, jotka kuvaavat sosiaalista mieltä
Kun identiteetit ovat vakaita, järjestelmä voi laskea sosiaalisia metriikoita. Yksinkertaisin niistä on kalan välinen etäisyys, eli etäisyys yhden kalan ja sen lähimmän naapurin välillä. Ryhmän keskimääräinen kalan välinen etäisyys antaa karkean mittarin yhteenkuuluvuudesta. Pienempi keskimääräinen etäisyys viittaa tiukempaan kala-ryhmään. Suurempi keskimääräinen etäisyys viittaa siihen, että kalat leviävät erilleen.
Muut mittarit lisäävät hienovaraisuutta. Lähimmän naapurin etäisyys keskittyy lähimpään kalaan ja voi paljastaa parimuodostuskäyttäytymistä. Aika, jonka kala viettää toisen kalan määritellyn säteen sisällä, mittaa läheisyyden suosintaa. Lähestymiset ja poistumiset lasketaan sen mukaan, kuinka usein kalat liikkuvat kohti tai pois toisistaan. Nämä mittarit voidaan laskea koko ryhmälle tai tiettyihin pareihin riippuen tutkimuskysymyksestä. Zebrafish-käyttäytymisanalyysijärjestelmä raportoi yleensä useita näistä mittareista samanaikaisesti, mikä auttaa erottamaan eri sosiaalisen vuorovaikutuksen osa-alueet.
| Mittaus tavoitteena | Manuaalinen havainto | Automaattinen seurantajärjestelmä |
|---|---|---|
| Etäisyys kalan välillä | Arvioidaan visuaalisesti | Lasketaan kuvakohtaisesti |
| Tunnisteen säilyminen | Vaikeaa, kun kalat risteävät toistensa tiellä | Säilytetään ennustamalla ja ulkonäön avulla |
| Ryhmän yhtenäisyys | Karkea vaikutelma | Keskimääräinen etäisyys ja ryvästymismittarit |
| Lähestyminen ja poistuminen | Helppoa huomata ohitse | Lasketaan automaattisesti |
| Aika läheisyydessä | Epäjohdonmukainen havainnoijien välillä | Määritetty säteellä ja kestolla |
Ryhmädynamiikka ja kalojen ryvästymismallit
Sosiaalinen vuorovaikutus ei koske ainoastaan keskimääräistä etäisyyttä. Se koskee myös sitä, kuinka ryhmä liikkuu yhdessä. Kalojen ryvästymismalleihin kuuluvat polarisaatio, joka tarkoittaa kalojen uimisuuntien suuntautumista samaan suuntaan, ja pyörähtäminen, joka tarkoittaa taipumusta uida koordinoituna ympyrän muotoisessa liikkeessä. Nämä mallit syntyvät paikallisista vuorovaikutuksista ja niitä on vaikea havaita pelkällä silmäyksellä.
Automaattinen seuranta voi laskea ne liikeradoista. Polarisaatio on kalojen keskimääräinen suuntavektori. Kiertäminen mitataan kulmanopeudesta ryhmän keskipisteen ympärillä. Nämä mittarit ovat herkkiä ryhmän koolle, säiliön muodolle ja virtaukselle. Ryhmä pyöreässä säiliössä saattaa näyttää erilaisia kaavoja kuin ryhmä suorakulmaisessa säiliössä. Järjestelmä raportoi luvut, mutta tutkijan on tulkittava niitä kontekstissaan.
Ympäristötekijät, jotka muokkaavat sosiaalista vuorovaikutusdataa
Sosiaalinen käyttäytyminen ei tapahdu tyhjiössä. Veden lämpötila vaikuttaa aktiivisuustasoon ja siten siihen, kuinka lähellä kalat pysyvät toisiaan. Valon intensiteetti vaikuttaa hermostuneisuuteen ja koulumisen taipumukseen. Säiliön koko ja muoto määrittelevät vuorovaikutukseen saatavilla olevan tilan. Koteloituuden tiukkuus ennen kokeita vaikuttaa perussosiaaliseen käyttäytymiseen. Yksin pidetyt kalat voivat käyttäytyä eri tavoin kuin ryhmissä pidetyt kalat.
Zebrafishin käyttäytymisanalyysijärjestelmä voi tallentaa useita näistä muuttujista, jos anturit on kytketty. Se ei kuitenkaan voi ohjata elinympäristön historiaa tai geneettistä taustaa. Nämä tekijät on dokumentoitava erikseen ja otettava huomioon tulkittaessa dataa. Sosiaalinen mittari, joka eroaa kahden ryhmän välillä, saattaa heijastaa hoitovaikutusta, elinympäristövaikutusta tai näiden kahden vuorovaikutusta.
Kenttäesimerkki ja automatisoidun sosiaalisen analyysin rajat
Yliopiston laboratorio eteläisessä Kiinassa tutki yhdisteen vaikutusta aikuisten zebrafishien sosiaaliseen käyttäytymiseen. Ensimmäisellä kierroksella käytettiin manuaalista arviointia. Havaintoajat laskivat, kuinka usein kaloja uinnuttiin toistensa läheisyydessä, mutta tulokset olivat epäjohdonmukaisia henkilöiden ja istuntojen välillä. Laboratorio asensi sen jälkeen zebrafishin käyttäytymisanalyysijärjestelmän, jossa on monenko objektin seuranta.
Automaattisesti kerätty data osoitti, että käsittelyryhmien kalat pitivät keskimäärin suurempaa etäisyyttä toisistaan ja lähestymistapahtumia oli vähemmän kuin kontrolliryhmässä. Vaikutus oli pieni, mutta se esiintyi johdonmukaisesti kaikissa istunnoissa. Manuaalinen arviointi ei havainnut sitä, koska havainnoijat eivät voineet luotettavasti seurata yksilöiden identiteettejä, kun kalat risteilivät toistensa tiellä. Automaattinen järjestelmä ei todistanut, että yhdiste muutti sosiaalista motivaatiota. Se osoitti ainoastaan, että tilallinen malli muuttui. Lisätutkimuksia tarvitaan ymmärtääkseen syyt muutokseen.
Automaattisella sosiaalisella analyysillä on rajoituksia. Se mittaa ainoastaan paikkoja ja liikkeitä. Sitä ei voi käyttää motivaation, tunnistamisen tai mieltymyksen kognitiiviseen mittaamiseen. Kala saattaa pysyä toisen kalan lähellä, koska se suosii yhtiöllisyyttä, koska se seuraa johtajaa tai koska akvaarion geometria rajoittaa sen liikkumista. Seurantadata ei pysty erottamaan näitä selityksiä toisistaan. Ihmisen arviointikyky ja huolellisesti suunnitellut lisäkokeet ovat edelleen välttämättömiä.
Hunter Lab (Hunter) valmistaa zebrafish-laboratoriolaitteita, joiden kuvantamisen vakaus ja useiden kohteiden seuranta ovat erityisen tärkeitä sosiaalista käyttäytymistä tutkittaessa. Valmistus- ja laadunvalvontapuoli tukee sitä yhdenmukaisuutta, jota pitkäaikaiset käyttäytymistutkimukset vaativat. Laboratorioille, jotka mittavat sosiaalisia vuorovaikutusmalleja, tämäntyyppinen rakentamisjärjestelmällisyys muodostaa perustan.