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 zeigt, dass Menschen eine internalisierte A-priori-Verteilung der Erdanziehungskraft nutzen, um ihre eigene Eigenbewegung vorherzusagen, dieser Effekt jedoch nur unter ökologisch validen Aufgabenbedingungen beobachtbar ist, bei denen Körperteile als Referenzpunkte dienen anstatt der Augenhöhe.
Diese Studie fasst empirische Befunde und theoretische Modelle zusammen, um nachzuweisen, dass zeitliche Variationen von Aktivitätseigenschaften bei Tieren die Stärke von Räuber-Beute-Interaktionen und die Stabilität von Nahrungsnetzen maßgeblich prägen, und unterstreicht dabei die dringende Notwendigkeit zu verstehen, wie menschlich verursachte Veränderungen von Umweltreizen diese ökologischen Netzwerke umstrukturieren können.
Der Artikel stellt eine rechnerisch effiziente Methode zur Quantifizierung der Unsicherheit in den Parametern des Drift-Diffusionsmodells vor, die zeitliche Abhängigkeiten und Parametervariabilität berücksichtigt, was durch ihre Anwendung auf dynamische Entscheidungsfindung von Ratten in einer visuellen Aufgabe demonstriert wird.
Diese Studie zeigt, dass bei Abwesenheit einer Königin Arbeiterinnen von Hummeln eine erhöhte Verhaltensvariation aufweisen und einflussreiche Rollen übernehmen, was eine Umstrukturierung sozialer Netzwerke von zentralisierten zu dezentralisierten Architekturen bewirkt.
Durch die Anwendung von BOLD-fMRI an Ferkeln zeigt diese Studie, dass die Gehirne von anästhesierten Ferkeln positive und negative artgleiche Lautäußerungen differenziert verarbeiten können, indem sie unterschiedliche Bereiche innerhalb der auditorischen, limbischen und Belohnungswege aktivieren, wobei negative Geräusche einzigartig die Amygdala, die Insula und den rechten Hippocampus einbeziehen.
Entgegen der Erwartung, dass die Servicequalität das Wachstum bei Putzerlippfischen antreibt, zeigt eine 11-monatige Studie mit 540 Individuen, dass schnelles Wachstum primär durch verringerte soziale Kontrolle durch dominante Individuen bestimmt wird und nicht durch betrügerisches Verhalten oder Laichaktivität.
Diese Studie zeigt, dass verbale Vertrauensangaben beim Unterscheiden korrekter von inkorrekten Wahrnehmungsentscheidungen empfindlicher sind als numerische, während beide Formate bei der Förderung präziser Urteilsrevidierungen in der dyadischen Zusammenarbeit gleichermaßen wirksam sind.
Autobehaver ist eine interpretierbare, KI-gesteuerte Pipeline, die eine kostengünstige Aufzeichnungsplattform mit Deep-Learning- und Machine-Learning-Techniken kombiniert, um komplexe Drosophila-Verhalten quantitativ zu analysieren und zu klassifizieren und dabei erfolgreich neuronale, altersbedingte und intermediäre phänotypische Veränderungen zu identifizieren.
Diese Studie zeigt, dass die Gesangserkennung bei der parasitoide Fliege *Ormia ochracea* auf einer multidimensionalen Kodierung unabhängiger zeitlicher Merkmale (Pulsdauer und Interpulsintervall) beruht und nicht auf einem einzelnen abgeleiteten Parameter wie der Pulsrate, was offenlegt, dass die Präferenz der Fliege für 50 Pulse/s aus einem zugrundeliegenden Merkmalsraum hervorgeht.
Dieser Beitrag stellt das Open-Source- und reproduzierbare Framework `ai-pam-pipeline` für die CNN-basierte Detektion von Walvokalisationen vor und zeigt durch kontrollierte Experimente, dass Vorverarbeitungsentscheidungen wie die FFT-Fensterlänge die domänenübergreifende Generalisierung erheblich beeinflussen, während gleichzeitig eine hohe Leistung sowohl bei binären als auch bei multiklassen Detektionsaufgaben erreicht wird.