L'enregistrement des mouvements de personnes et d'animaux (y compris les oiseaux et les insectes) est devenu très facile en raison du développement de petits appareils GPS et de caméras vidéo peu coûteux. Cependant, il est encore difficile de déduire ce qui déclenche de tels mouvements (par exemple, stimuli externes et/ou leurs processus mentaux) à partir des enregistrements comportementaux.

Dans cette étude, Shuhei Yamazaki et ses collègues ont développé une technologie d'intelligence artificielle (IA), premier, estimer l'état comportemental d'un animal, tels que "se reposer, " "alimentation, " ou " en voyage, " sans classification humaine, et, Suivant, explorer les caractéristiques de chaque état comportemental en comparant les réponses dans différentes conditions, comme avant et après l'expérience d'un certain stimulus.

Cette méthode, appelé STEFTR (estimation d'état et extraction de caractéristiques du comportement animal), a permis aux chercheurs d'estimer les états comportementaux des vers ronds et des manchots qui se déplacent d'environ 1 cm en 10 min dans une boîte de Pétri et plusieurs kilomètres en 1 jour ou plus dans l'océan Antarctique, respectivement, en les analysant exactement de la même manière. Notamment, ils ont atteint> 90% de précision en utilisant seulement des dizaines de trajectoires animales, bien que traditionnellement, les chercheurs utilisaient les connaissances préalables des spécialistes sur le mouvement de l'animal et/ou des millions d'images vidéo du comportement animal pour former l'IA.

Dans l'extraction de caractéristiques, Yamazaki et al. révélé dépendant de l'expérience (c'est-à-dire, dépendant de l'apprentissage) des changements dans des aspects comportementaux spécifiques chez les vers et les chauves-souris, et les changements dépendants des phéromones sexuelles chez les mouches des fruits. De plus, ils ont révélé des changements dans l'activité nerveuse liés au changement de comportement chez les vers.

En conclusion, la méthode STEFTR peut permettre de déduire facilement des « lieux importants » pour le comportement animal, comme les nids et les aires d'alimentation qui sont généralement difficiles à trouver, en utilisant uniquement les données de trajectoire d'animaux sauvages. En outre, cela peut aider à découvrir d'importantes activités cérébrales liées au comportement animal, contribuant ainsi au progrès de la science fondamentale du cerveau.