PrecisionTrack: A Platform for Automated Long-Term Social Behavior Analysis in Naturalized Environments
Notice bibliographique
Résumé
Abstract Large-scale ethological behavioral studies can provide insights into the neuronal processes underlying complex and social behaviors, potentially opening new avenues for mental health research. However, studying socially interacting animals in naturalistic environments remains technically challenging, as current approaches struggle to simultaneously maintain subject identity, extract behavior, and characterize social interactions over prolonged periods. Here, we present PrecisionTrack , an open-source and fully integrated framework designed for real-time multi-animal tracking, behavioral analysis, and social interaction inference in large groups of interacting animals. PrecisionTrack achieves high spatiotemporal accuracy in crowded and highly occlusive environments while maintaining robust long-term identity tracking and low-latency processing. To extend behavioral inference beyond pose estimation, we developed the Multi-animal Action Recognition Transformer ( MART ), a transformer-based architecture enabling real-time subject-level action recognition, and Graph-MART ( G-MART ), a graph neural network module that infers directed social interactions and interaction partners within groups. In addition, PrecisionTrack supports quantitative analysis of evolving social networks across time, enabling investigation of the temporal organization and stability of social dynamics in naturalistic settings. The entire framework is open source and accompanied by standardized workflows and documentation, enabling users to train, evaluate, and deploy custom behavioral analysis pipelines across species and experimental contexts. PrecisionTrack provides a scalable platform for quantitative investigation of complex social behaviors at a resolution and duration not accessible with existing methods.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».