A cost-effective Raspberry Pi-based operant playback setup to evaluate auditory preferences in songbirds
Notice bibliographique
Résumé
Preferences arise from the interplay of biological processes, past experiences, and environmental factors that shape decision-making and adaptive behaviour. Song preference is integral to cognitive processes and song learning in songbirds. Traditionally, measuring song preferences in the lab has required expensive commercial equipment, limiting accessibility and adaptability. The past decade, however, has seen an increase in the development and use of low-cost DIY equipment that can be used for research. Here, we built a cost-effective operant audio playback system using a Raspberry Pi Zero 2 W. We validated the operant audio playback system using a conspecific-heterospecific song preference task with black-capped chickadees (Poecilia atricapillus). Our system allows the birds to self-select acoustic stimuli through perch-hopping while automatically recording their behaviour. Birds chose between conspecific black-capped chickadee fee-bee songs vs heterospecific white-throated sparrow songs. We did not find evidence that birds prefer conspecific (predicted probability 44 %, with 90 % CI [22 %-72 %]) over heterospecific songs from our limited sample size. Several factors may have contributed to this outcome, including the testing of wild-caught birds in a laboratory environment, the novelty or acoustic similarity of the stimuli, and potential habituation over time. Preference dynamics also varied across individuals, possibly reflecting differences in age or prior experiences. Nevertheless, birds readily engaged with the operant preference testing system, validating the setup and paving the way for a wide range of future research questions. The operant preference setup is made with affordable parts and open-source software, offering similar features to commercial systems but at a lower cost.
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) | 0,000 | 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 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 ».