136 Arbeiten
Die Welt der Tiere ist voller Geheimnisse, doch wie genau sie denken, fühlen und miteinander kommunizieren, ist ein faszinierendes Forschungsgebiet. In diesem Bereich erforschen Wissenschaftler, wie Lebewesen ihre Umwelt wahrnehmen, Probleme lösen und komplexe soziale Bindungen eingehen. Es geht dabei nicht nur um Instinkte, sondern um die tiefgründigen kognitiven Prozesse, die das Verhalten von Vögeln, Säugetieren und sogar Insekten steuern.
Auf Gist.Science haben wir uns darauf spezialisiert, diese neuesten Erkenntnisse von bioRxiv direkt für Sie zugänglich zu machen. Wir bearbeiten jeden neuen Preprint in dieser Kategorie und erstellen sowohl verständliche Zusammenfassungen für den Laien als auch detaillierte technische Auswertungen. So können Sie die neuesten Entdeckungen über tierisches Lernen, Gedächtnis und Emotionen sofort nachvollziehen, ohne sich durch komplizierte Fachbegriffe kämpfen zu müssen.
Die folgende Liste zeigt Ihnen die aktuellsten Forschungsarbeiten aus dem Bereich der Tierverhaltensforschung und Kognition, die wir für Sie aufbereitet haben.
Diese Studie identifiziert eine neuartige Klasse von Drosophila BPI-ähnlichen TULIP-Domänen-Proteinen (B-TDPs), die in chemosensorischen Organen überexprimiert, in die olfaktorische Lymphe sezerniert und als potenzielle Odorantentransporter fungieren, während sie potenziell auch als Barriere gegen pflanzlich emittierte Terpenoide dienen.
Diese Studie zeigt, dass Fahrer bei geminderter Sicht darauf zurückgreifen, gelernte lokale Assoziationen zwischen Orientierungspunkten und der bevorstehenden Straßengeometrie zu nutzen, um die Momentansteuerung zu leiten, anstatt sich auf eine global kohärente mentale Karte der Umgebung zu verlassen.
Durch eine Kombination aus Experimenten und Modellierung zeigt diese Studie, dass trotz intrinsischer Verhaltensunterschiede zwischen Rosenschbarben und Tigerbarben lokale Geschwindigkeitsanpassungs-Interaktionen es heterogenen, gemischten Artengruppen ermöglichen, eine kollektive Bewegung zu erreichen, die von einem einzigen schnellen Schwimmmodus dominiert wird, wodurch bestätigt wird, dass kanonische Prinzipien des kollektiven Verhaltens auch auf diverse Tiergemeinschaften übertragbar sind.
FERAL ist ein überwachtes, Open-Source-System zum Verständnis von Videos, das rohe Videos direkt auf verhaltensbezogene Labels auf Frame-Ebene über verschiedene Arten und Skalen hinweg abbildet, dabei die traditionellen Einschränkungen des Keypoint-Trackings umgeht und gleichzeitig aktuelle State-of-the-Art-Baselines mit signifikant weniger Trainingsdaten übertrifft.
Diese Studie zeigt, dass Menschen und Modelle des maschinellen Lernens zwar zuverlässig gemeinsame akustische Strukturen in den Vokalisationen von Schweinen identifizieren können, menschliche perzeptive Urteile über die emotionale Valenz jedoch nur in hochgradig aversiven Kontexten mit den angenommenen affektiven Zuständen übereinstimmen, was auf eine entscheidende Unterscheidung zwischen rekonstruierbaren akustischen Mustern und deren biologischer Interpretation in der Tierwohlforschung hindeutet.
Durch die Anwendung einer direkten experimentellen Methode, bei der die Teilnehmer die Gründe für ihre Fixationen explizit angaben, zeigt diese Studie, dass semantische Faktoren, insbesondere Neuheit und Vorwissen, im Allgemeinen die niedrigschwellige Salienz bei der Blicksteuerung dominieren, und schlägt ein Framework vor, das zwischen bildbasierten Hervorhebungsprozessen und Scanpath-Sampling-Strategien unterscheidet, um die Leistungsfähigkeit von Deep-Learning-Modellen wie DeepGaze IIE besser zu interpretieren.
Diese Arbeit präsentiert und validiert ein Proof-of-Concept-System unter Verwendung von Hall-Effekt-Sensoren und einem Magnettag, um eine zuverlässige, nicht-invasive Echtzeitüberwachung der Anwesenheit und Aktivität der Königin für die Präzisionsimkerei zu ermöglichen.
Diese Studie etabliert eine automatisierte, nicht-invasive Heimkäfig-Plattform für Krallenaffen und nutzt Reinforcement-Learning-Modellierung, um zu demonstrieren, dass Belohnungsvorhersehbarkeit Verhaltenszustände reorganisiert, die Fehlerkorrektur schärft und die explorative Kontrolle während der Entscheidungsfindung verbessert.
Diese Arbeit erweitert den informationsgierigen „Infotaxis“-Algorithmus, um Echolokation als aktive Informationsbeschaffung zu modellieren, und zeigt auf, dass ein auf Infotaxis basierender Agent eine effizientere und robustere Ziellokalisierung unter sensorischer Unsicherheit im Vergleich zu traditionellen Maximum-A-Posteriori-Ansätzen erreicht.
Diese Rezension argumentiert, dass die translatorische Lücke in der psychedelischen Forschung auf systematische methodische Mängel in Tierstudien zurückzuführen ist – insbesondere auf die Vernachlässigung von „Set- und Setting“-Faktoren, die Verwendung unzureichender Verhaltensassays sowie das Versäumnis, individuelle Unterschiede und den sozialen Kontext zu berücksichtigen –, was eine grundlegende Verschiebung hin zu longitudinalen, soziallich angereicherten und individuell nachverfolgten experimentellen Designs erforderlich macht.