Waarom sociaal gedrag moeilijker te meten is dan individueel gedrag
Het meten van één vis in een aquarium is een volgprobleem. Het meten van meerdere vissen tegelijk is een volgprobleem plus een identiteitsprobleem. Sociale interactiepatronen hangen af van het weten welke vis zich bij welke andere vis bevindt, hoe lang ze dicht bij elkaar blijven en hoe de groep zich in de tijd herstructureert. Een zebrafish-gedragsanalyse-systeem moet dat identiteitsprobleem oplossen voordat het iets over sociaal gedrag kan rapporteren. Als identiteiten verwisselen wanneer twee vissen elkaar passeren, wordt de data een registratie van posities in plaats van een registratie van relaties.
Handmatige observatie worstelt met hetzelfde probleem. Een persoon die een aquarium in de gaten houdt, kan één vis een tijdje volgen, maar de aandacht verslapt. Wanneer meerdere vissen tegelijk bewegen, kan de waarnemer niet alle identiteiten bijhouden. Het resultaat is vaak een globale indruk in plaats van een kwantitatieve meting. Automatisering elimineert de moeilijkheid niet, maar maakt het identiteitsprobleem wel expliciet en oplosbaar.
Identiteiten volgen wanneer vissen elkaar kruisen
Multi-object tracking is de kern van meting van sociaal gedrag. De software detecteert elke vis in elk beeld en verbindt detecties over meerdere beelden heen. Wanneer twee vissen dicht bij elkaar langs bewegen, wordt de koppeling tussen beelden onduidelijk. Een eenvoudige regel gebaseerd op de dichtstbijzijnde buur mislukt vaak en verwisselt identiteiten. Robuustere systemen gebruiken bewegingsvoorspelling, zoals een Kalman-filter, en uiterlijke kenmerken, zoals staartvorm of lichaamsgrootte, om identiteiten stabiel te houden.
Het Hongaarse algoritme wordt veel gebruikt om detecties toe te wijzen aan bestaande tracks. Het vindt de beste een-op-een-koppeling op basis van een kostenmatrix die onder meer afstand, voorspelde positie en uiterlijk kan omvatten. Ook met deze hulpmiddelen blijft verduistering een uitdaging. Vissen die achter een aquariuminrichting zwemmen of volledig overlappen, kunnen gedurende een paar frames verloren gaan. Goede systemen kunnen korte onderbrekingen verwerken en rapporteren betrouwbaarheidsscores, zodat de gebruiker weet wanneer een track onzeker is.
Afstands- en nabijheidsmetrieken die sociale voorkeur weerspiegelen
Zodra identiteiten stabiel zijn, kan het systeem sociale metrieken berekenen. De eenvoudigste is de afstand tussen vissen, oftewel de afstand tussen één vis en zijn dichtstbijzijnde buurvis. De gemiddelde afstand tussen vissen binnen een groep geeft een ruwe maat voor cohesie. Een kleinere gemiddelde afstand duidt op een strakker school; een grotere gemiddelde afstand suggereert dat de vissen zich verspreiden.
Andere metrieken geven meer nuance. De afstand tot de dichtstbijzijnde vis richt zich op de meest nabije vis en kan paargedrag blootleggen. De tijd die wordt doorgebracht binnen een gedefinieerde straal rond een andere vis meet de voorkeur voor nabijheid. Benaderingen en verwijderingen tellen hoe vaak vissen naar of van elkaar af bewegen. Deze metrieken kunnen worden berekend voor de gehele groep of voor specifieke paren, afhankelijk van de onderzoeksvraag. Een gedragsanalyse-systeem voor zebravissen rapporteert doorgaans meerdere van deze metrieken tegelijk, wat helpt om verschillende aspecten van sociaal gedrag te onderscheiden.
| Meetdoel | Handmatige observatie | Geautomatiseerd volgsysteem |
|---|---|---|
| Afstand tussen vissen | Geschat met het oog | Berekend per frame |
| Identiteitsbehoud | Moeilijk wanneer vissen elkaar kruisen | Behouden via voorspelling en uiterlijk |
| Groepscohesie | Ruwe indruk | Gemiddelde afstand en clusteringsmetrieken |
| Nadering en vertrek | Makkelijk te missen | Wordt automatisch geteld |
| Tijd in nabijheid | Inconsistent tussen waarnemers | Gedefinieerd door straal en duur |
Groepsdynamiek en schoolvormingspatronen
Sociale interactie gaat niet alleen over gemiddelde afstand. Het gaat ook om hoe de groep samen beweegt. Schoolvormingspatronen omvatten polarisatie, wat de uitlijning van de zwemrichting tussen vissen is, en rotatie, wat de neiging is om op gecoördineerde wijze in een cirkel te zwemmen. Deze patronen ontstaan uit lokale interacties en zijn moeilijk met het blote oog te zien.
Automatische volgfunctie kan deze berekenen op basis van trajecten. Polariteit is de gemiddelde richtingsvector over alle vissen heen. Rotatie wordt gemeten aan de hand van de hoekversnelling rond het zwaartepunt van de groep. Deze metrieken zijn gevoelig voor groepsgrootte, vorm van de bak en stroming. Een groep in een ronde bak kan andere patronen vertonen dan een groep in een rechthoekige bak. Het systeem rapporteert de cijfers, maar de onderzoeker moet ze in context interpreteren.
Milieu factoren die sociale interactiegegevens beïnvloeden
Sociaal gedrag vindt niet plaats in een vacuüm. Watertemperatuur beïnvloedt het activiteitsniveau en daardoor hoe dicht vissen bij elkaar blijven. Lichtintensiteit verandert de waakzaamheid en de neiging tot schoolvorming. De grootte en vorm van de bak bepalen de ruimte die beschikbaar is voor interactie. De huisvestingsdichtheid vóór het experiment beïnvloedt het basissociale gedrag. Vissen die in isolatie zijn gehouden, kunnen zich anders gedragen dan vissen die in groepen zijn gehouden.
Het gedragsanalyse-systeem voor zebravissen kan veel van deze variabelen registreren, mits de sensoren zijn aangesloten. Het kan echter geen invloed uitoefenen op de huisvestingsgeschiedenis of het genetische achtergrondprofiel. Deze factoren moeten afzonderlijk worden gedocumenteerd en in aanmerking worden genomen bij het interpreteren van de gegevens. Een sociaal meetkundig kenmerk dat tussen twee groepen verschilt, kan een effect van de behandeling weerspiegelen, een effect van de huisvesting of een interactie tussen beide.
Een praktijkvoorbeeld en de grenzen van geautomatiseerde sociale analyse
Een universiteitslab in Zuid-China onderzocht de effecten van een verbinding op het sociale gedrag van volwassen zebravissen. De eerste ronde maakte gebruik van handmatige scoring. Waarnemers telde hoe vaak de vissen dicht bij elkaar zwommen, maar de resultaten waren onconsistent tussen waarnemers en tussen sessies. Het lab installeerde vervolgens een gedragsanalyse-systeem voor zebravissen met multi-object tracking.
De geautomatiseerde gegevens toonden aan dat de behandelde groepen een grotere gemiddelde afstand tussen de vissen en minder naderingsgebeurtenissen hadden dan de controlegroepen. Het effect was klein, maar consistent over alle sessies heen. Handmatige scoring had dit gemist, omdat waarnemers de identiteiten niet betrouwbaar konden volgen wanneer de vissen elkaar kruisten. Het geautomatiseerde systeem bewees niet dat de stof de sociale motivatie veranderde. Het toonde aan dat het ruimtelijke patroon veranderde. Verdere onderzoeken zouden nodig zijn om te begrijpen waarom.
Geautomatiseerde sociale analyse heeft beperkingen. Het meet posities en bewegingen. Het meet niet motivatie, herkenning of voorkeur in cognitieve zin. Een vis kan dicht bij een andere vis blijven omdat hij gezelschap prefereert, omdat hij een leider volgt, of omdat de tankvorm hem daartoe dwingt. De trackinggegevens kunnen deze verklaringen niet onderscheiden. Menselijke beoordeling en zorgvuldig ontworpen vervolgonderzoeken blijven noodzakelijk.
Hunter Lab (Hunter) bouwt laboratoriumapparatuur voor zebravissen met aandacht voor de stabiliteit van beeldvorming en het volgen van meerdere objecten, waar sociaal gedragsonderzoek op is gebaseerd. De productie- en kwaliteitscontroleafdeling ondersteunt de consistentie die langdurig gedragsonderzoek vereist. Voor laboratoria die patronen van sociale interactie meten, vormt dat soort bouwdiscipline een onderdeel van de basis.