Neden sosyal davranış, tek başına yapılan aktivitelerden ölçülmesi daha zordur
Bir akvaryumda tek bir balığı ölçmek bir takip sorunudur. Birlikte birkaç balığı ölçmek ise bir takip sorunu artı bir kimlik sorunudur. Sosyal etkileşim kalıpları, hangi balığın hangi diğer balığa yakın olduğunu, ne kadar süre yakın kaldıklarını ve grup zaman içinde nasıl yeniden düzenlendiğini bilmeyi gerektirir. Bir zebra balığı davranış analizi sistemi, sosyal davranışla ilgili herhangi bir şey raporlayabilmek için önce bu kimlik sorununu çözmek zorundadır. Eğer iki balık kesiştiğinde kimlikler değişirse, veri konumların kaydı haline gelir; ilişkilerin kaydı değil.
El ile yapılan gözlem de aynı sorunla karşılaşıyor. Bir kişi bir akvaryumda bir balığı bir süre izleyebilir, ancak dikkati dağılır. Birden fazla balık aynı anda hareket ettiğinde gözlemci tüm bireyleri ayırt edemez. Sonuç genellikle nicel bir ölçüm değil, kabaca bir izlenimdir. Otomasyon bu zorluğu ortadan kaldırmaz ancak kimlik belirleme sorununu açıkça ortaya çıkarır ve çözülebilir hale getirir.
Balıkların birbirlerinin yoluna girmesi durumunda kimlikleri takip etmek
Çoklu nesne takibi, sosyal davranışların ölçülmesinin temelidir. Yazılım, her karedeki her balığı algılar ve algılamaları kareler arasında bağlar. İki balık birbirine çok yaklaşırken bu bağlantı adımı belirsizleşir. Basit bir en yakın komşu kuralı sıklıkla başarısız olur ve kimlikleri karıştırır. Daha sağlam sistemler, Kimlikleri sabit tutmak için hareket tahmini (örneğin Kalman süzgeci) ve görünüş özellikleri (örneğin kuyruk şekli veya vücut boyutu) kullanır.
Macar algoritması, tespitleri mevcut izlerle eşleştirmek için yaygın olarak kullanılır. Bu algoritma, mesafe, tahmin edilen konum ve görünüm gibi unsurları içerebilen bir maliyet matrisine dayalı olarak en iyi bire-bir eşleşmeyi bulur. Bununla birlikte bu araçlara rağmen örtülme hâlâ bir zorluktur. Akvaryum donanımının arkasında yüzerek veya tamamen üst üste gelerek kaybolan balıklar birkaç kare boyunca izlenemez hâle gelebilir. İyi sistemler kısa süreli kesintileri yönetebilir ve kullanıcıya izin ne kadar belirsiz olduğunu gösteren güven puanları raporlayabilir.
Sosyal tercihi yansıtan mesafe ve yakınlık ölçümleri
Kimlikler bir kez sabitlendikten sonra sistem sosyal ölçümler hesaplayabilir. En basiti, bir balığın en yakın komşusuyla arasındaki mesafedir. Bir grup içindeki ortalama aralarındaki mesafe, kohezyonu kabaca ölçer. Daha küçük bir ortalama mesafe daha sıkı bir balık sürüsünü gösterir. Daha büyük bir ortalama mesafe ise balıkların dağıldığını gösterir.
Diğer metrikler, ince ayarlar ekler. En yakın komşu mesafesi, en yakın balığa odaklanır ve eşleşme davranışını ortaya çıkarabilir. Başka bir balığın belirlenen bir yarıçapı içinde geçirilen süre, yakınlık tercihini ölçer. Yaklaşma ve uzaklaşma sayısı, balıkların birbirlerine doğru veya birbirlerinden uzaklaşarak kaç kez hareket ettiğini sayar. Bu metrikler, soruya bağlı olarak tüm grup için veya belirli çiftler için hesaplanabilir. Bir zebrafish davranış analiz sistemi genellikle bunların birkaçını aynı anda raporlar; bu da sosyal etkileşimin farklı yönlerini ayırt etmeye yardımcı olur.
| Ölçüm hedefi | Elle gözlem | Otomatik takip sistemi |
|---|---|---|
| Balık-arası mesafe | Gözle tahmin edilir | Her kare için hesaplanır |
| Kimlik sürekliliği | Balıklar çakıştığında zordur | Tahmin ve görünüm ile korunur |
| Grup kohezyonu | Yaklaşık izlenim | Ortalama mesafe ve kümeleme ölçümleri |
| Yaklaşma ve uzaklaşma | Kolayca kaçırılabilir | Otomatik olarak sayılır |
| Yakınlık içinde geçirilen süre | Gözlemciler arasında tutarsızdır | Yarıçap ve süre ile tanımlanır |
Grup dinamikleri ve balık sürülerinin davranış kalıpları
Sosyal etkileşim yalnızca ortalama mesafeyle ilgili değildir. Aynı zamanda grupların birlikte nasıl hareket ettiğiyle de ilgilidir. Balık sürülerinin davranış kalıpları, balıkların yüzme yönlerinin hizalanmasını ifade eden polarizasyonu ve koordine bir çember içinde yüzme eğilimini ifade eden rotasyonu içerir. Bu kalıplar yerel etkileşimlerden ortaya çıkar ve çıplak gözle fark edilmesi zordur.
Otomatik izleme, bunları yörüngelerden hesaplayabilir. Polarizasyon, balıkların ortalama yön vektörüdür. Dönüş, grup ağırlık merkezi etrafındaki açısal hızdan ölçülür. Bu metrikler, grup büyüklüğüne, akvaryum şekline ve akışa duyarlıdır. Dairesel bir akvaryumda bulunan bir grup, dikdörtgen bir akvaryumda bulunan bir gruptan farklı desenler gösterebilir. Sistem sayısal sonuçları raporlar; ancak araştırmacı, bu sonuçları bağlam içinde yorumlamak zorundadır.
Sosyal etkileşim verilerini şekillendiren çevresel faktörler
Sosyal davranış boşlukta gerçekleşmez. Su sıcaklığı, aktivite düzeyini etkiler ve dolayısıyla balıkların birbirlerine ne kadar yakın kaldığını belirler. Işık şiddeti, uyarılma düzeyini ve sürüklenme eğilimini değiştirir. Akvaryumun boyutu ve şekli, etkileşim için mevcut alanı tanımlar. Deneyden önceki barınma yoğunluğu, temel sosyal davranışları etkiler. İzole edilmiş tutulan balıklar, grup halinde tutulan balıklardan farklı davranabilir.
Zebra balığı davranış analiz sistemi, sensörler bağlıysa bu değişkenlerin çoğunu kaydedebilir. Ancak barınma geçmişi veya genetik arka plan gibi faktörleri kontrol edemez. Bu faktörler ayrı olarak belgelenmeli ve veriler yorumlanırken dikkate alınmalıdır. İki grup arasında farklı görünen bir sosyal ölçüt, tedavi etkisini, barınma etkisini ya da bu ikisi arasındaki bir etkileşimi yansıtabilir.
Bir saha örneği ve otomatikleştirilmiş sosyal analizin sınırları
Güney Çin’deki bir üniversite laboratuvarı, bir bileşiğin yetişkin zebra balıklarında sosyal davranış üzerindeki etkilerini inceliyordu. İlk turda manuel puanlama yöntemi kullanıldı. Gözlemciler balıkların birbirlerine ne sıklıkta yaklaştığını saydılar; ancak sonuçlar kişiye ve oturuma göre tutarsız çıktı. Laboratuvar daha sonra çoklu nesne takibi özelliği olan bir zebra balığı davranış analiz sistemi kurdu.
Otomatikleştirilmiş veriler, tedavi edilen grupların kontrol grubuna kıyasla ortalama balık arası mesafenin daha büyük olduğunu ve yaklaşım olaylarının daha az olduğunu gösterdi. Etki küçük olsa da seanslar boyunca tutarlıydı. Manuel puanlama, gözlemcilerin balıkların kesişmesi durumunda kimliklerini güvenilir şekilde takip edememesi nedeniyle bu etkiyi tespit edememişti. Otomatik sistem, bileşiğin sosyal motivasyonu değiştirdiğini kanıtlamadı. Sadece uzamsal desenin değiştiğini gösterdi. Bunun nedenini anlamak için takip çalışmaları gerekecektir.
Otomatikleştirilmiş sosyal analizin sınırları vardır. Bu sistem, konumları ve hareketleri ölçer. Ancak bilişsel bir anlamda motivasyonu, tanımayı ya da tercihi ölçmez. Bir balık, başka bir balığa yakın kalabilir çünkü arkadaşlık ister, bir lideri takip eder ya da akvaryumun geometrisi onu bunu yapmaya zorlar. Takip verileri bu açıklamaları birbirinden ayırt edemez. İnsan yargısı ve dikkatle tasarlanmış takip deneyleri hâlâ gereklimidir.
Hunter Lab (Hunter), sosyal davranış çalışmalarının bağımlı olduğu görüntüleme kararlılığına ve çoklu nesne takibine dikkat ederek zebra balığı laboratuvar ekipmanları üretir. Üretim ve kalite kontrol süreçleri, uzun vadeli davranış araştırmalarının gerektirdiği tutarlılığı destekler. Sosyal etkileşim modellerini ölçen laboratuvarlar için bu tür üretim disiplini, temelin bir parçasıdır.