Analysing vocal complexity in relation to sociality in orcas of British Columbia: An application of long-term computational passive acoustics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Orcas are both highly social and highly vocal animals. In coastal waters of the North-Eastern Pacific Ocean, the Northern Resident orca population is well monitored, providing a great opportunity to learn about their social and communicative behaviour. Here, we report a series of acoustic analyses that lead to the empirical assessment of factors that might impact vocal complexity. Automatically processing long-term passive acoustic data, we detected and classified calls to transcribe vocal activity. Detailed post-hoc analyses show that the detection model is imperfect, especially in detecting calls of low energy. Also, diarisation is not possible with this data and transcriptions might gather a mixture of several emitters. Taking these limitations into account, we measured communicative complexity considering the groups’ vocal production as a whole. Acoustic and visual cues also enabled the identification of specific groups with estimated numbers of individuals. Results highlight a positive correlation between vocal and social complexity, which could be due to the mere effect of having more potential emitters. Nonetheless, this brings a first demonstration of the non-trivial link between the number of emitters and complexity in the composition of sequences. We also demonstrate significant impacts of other proximate factors such as behaviour on vocal complexity measurements, and advocate for multi-factor considerations when evaluating communicative complexity. This work demonstrates the pertinence of joint efforts between passive acoustics, visual observations and machine learning to enhance the scale of behavioural studies and assess the validity of evolutionary hypotheses of communication systems.
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.
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) | 0,000 | 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 découle