Developing a classification system to assign activity states to two species of freshwater turtles
Notice bibliographique
Résumé
Research in ecology often requires robust assessment of animal behaviour, but classifying behavioural patterns in free-ranging animals and in natural environments can be especially challenging. New miniaturised bio-logging devices such as accelerometers are increasingly available to record animal behaviour remotely, and thereby address the gap in knowledge related to behaviour of free-ranging animals. However, validation of these data is rarely conducted and classification model transferability across closely-related species is often not tested. Here, we validated accelerometer and water sensor data to classify activity states in two free-ranging freshwater turtle species (Blanding's turtle, Emydoidea blandingii, and Painted turtle, Chrysemys picta). First, using only accelerometer data, we developed a decision tree to separate motion from motionless states, and second, we included water sensor data to classify the animal as being motionless or in-motion on land or in water. We found that accelerometers separated in-motion from motionless behaviour with > 83% accuracy, whereas models also including water sensor data predicted states in terrestrial and aquatic locations with > 77% accuracy. Despite differences in values separating activity states between the two species, we found high model transferability allowing cross-species application of classification models. Note that reducing sampling frequency did not affect predictive accuracy of our models up to a sampling frequency of 0.0625 Hz. We conclude that the use of accelerometers in animal research is promising, but requires prior data validation and development of robust classification models, and whenever possible cross-species assessment should be conducted to establish model generalisability.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,001 | 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 tête enseignante, 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 ».