3D flightpaths reveal the development of spatial memory in wild hummingbirds
Notice bibliographique
Résumé
ABSTRACT Many animals learn to relocate important places and reflect this spatial knowledge in their behaviour. Traditionally evidence for learning is examined experimentally by studying spatial memory. However, tools developed for analysing tracking data from widely ranging animals allow a more holistic analysis of behaviour. Here we use the two together in novel combination of experimental and modelling approaches to analyse how patterns of hummingbird movements change as birds learn to find a reward in a location indicated by a pair of landmarks. Using hidden Markov models (HMMs) we identified two movement states which we interpret as Search and Travel and compared these to experimental behavioural measures of spatial memory. When birds had a single training trial to learn a flower’s location, both the behavioural measures and HMMs showed that hummingbirds relied on landmarks to guide search. Hummingbirds focussed hovering around the rewarded location and were more likely to be in the Search state, and more likely to switch from Travel to Search, when closer to the rewarded location, but only when the landmarks were present. When birds had had 12 additional training trials, however, the HMMs and behavioural measures showed differences in how reliant birds were on landmarks. While behaviours like hovering were still strongly affected by removing landmarks, the likelihood of being in or entered the Search state was the same regardless of whether the landmarks were present or removed. These results suggests that hummingbirds rapidly learn to use nearby landmarks to structure where they search, but as birds gain experience the role of these landmarks changes. While familiar local landmarks were still essential for precise search, experienced birds were able to use alternative cues to guide broad-scale transitions between behaviour. HMMs and traditional behavioural measures each capture a different aspect of this learning, with neither approach alone accurately described the role of landmarks in spatial learning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».