Animal collocation revisited: intercohort comparison and a case study comparing call combinations between sexes in common marmosets

Dit artikel introduceert en valideert de MDCA-Pr-methode als een statistisch robuuste aanpak voor het analyseren van dierlijke signaalcombinaties, die bestaande beperkingen overbrugt en betrouwbare vergelijkingen tussen verschillende cohorten mogelijk maakt, zoals gedemonstreerd in een case study met gemeenschappelijke marmosetten.

De kern

Stel je voor dat dieren een taal hebben, maar dan zonder woorden die we kunnen vertalen. In plaats daarvan gebruiken ze geluiden, zoals fluiten, gieren en piepen, die ze in een bepaalde volgorde achter elkaar zetten. Net zoals wij "hond" en "loopt" kunnen combineren tot "de hond loopt", kunnen dieren ook verschillende geluiden samenvoegen om een boodschap te sturen.

Deze wetenschappers hebben een nieuw en slimmer manier bedacht om te kijken of dieren deze geluiden echt bewust combineren, of dat het gewoon toeval is.

Hier is hoe het werkt, vertaald naar alledaags taalgebruik:

1. Het probleem: De oude manier was als een slechte weegschaal

Vroeger keken onderzoekers naar welke geluiden dieren vaak samen maakten. Maar hun rekenmethode had een paar grote gebreken:

• Geen zekerheid: Ze konden niet zeggen hoe zeker ze waren dat het geen toeval was. Het was alsof je zegt "dit weegt 5 kilo", zonder te weten of het misschien 4 of 6 is.
• Te veel fouten: Als je naar heel veel verschillende geluiden kijkt, krijg je vaak per ongeluk een "valse alarm". Het is alsof je 100 keer een munt opgooit; vroeg of laat krijg je 10 keer achter elkaar kop, en dat is toeval, maar het lijkt alsof er een patroon is.
• Geen groepsvergelijking: Het was heel moeilijk om te zeggen of mannetjes en vrouwtjes (of verschillende groepen) op precies dezelfde manier praten.

2. De oplossing: De nieuwe "Super-Lupe" (MDCA-Pr)

De auteurs hebben een nieuwe methode bedacht, genaamd MDCA-Pr. Je kunt dit zien als een superkrachtige vergrootglas met een ingebouwde rekenmachine die alles controleert.

• Het werkt met "betrouwbaarheidsmarges": In plaats van alleen te zeggen "dit gebeurt vaak", zegt deze methode: "Dit gebeurt vaak, en we zijn 95% zeker dat het niet toeval is."
• Het telt de "valse alarmen": De methode is slim genoeg om te weten dat als je naar veel geluiden kijkt, je soms per ongeluk een patroon ziet. Ze corrigeren daarvoor, zodat je alleen de échte patronen ziet.
• Het houdt rekening met families: Dieren praten vaak in groepen of sessies. Als één dier heel veel praat, mag dat niet de hele analyse verstoren. Deze nieuwe methode kijkt naar de hele groep als één eenheid, net zoals je een hele familie in één keer bekijkt in plaats van alleen de luidste persoon.

3. De proef: Van computer naar echte apen

Om te bewijzen dat hun nieuwe "Super-Lupe" werkt, deden ze drie dingen:

• De Computer-Simulatie (De Test): Ze maakten duizenden nep-diergeluiden op de computer. Soms was er echt een patroon, soms was het puur toeval. De nieuwe methode zag bijna altijd het echte patroon en gaf bijna nooit een valse alarm. Het was alsof ze een metaaldetector gebruikten in een veld vol met schroeven en spijkers: ze vonden precies de gouden spijkers en negeerden het schroot.
• De Vergelijking (De Tweeling): Ze lieten de computer twee groepen "dieren" maken die bijna hetzelfde praten, maar met een klein verschil. De oude methoden zagen dit verschil vaak niet of dachten dat er een verschil was waar er geen was. De nieuwe methode zag het kleine verschil precies, maar alleen als er genoeg geluiden waren om naar te kijken.
• De Echte Apen (De Marmosetten): Ten slotte keken ze naar echte marmoset-apen in een laboratorium. Ze wilden weten of mannetjes en vrouwtjes anders praten als ze eten kregen.
  • Het resultaat: Het bleek dat mannetjes en vrouwtjes vrijwel hetzelfde praten als ze eten kregen. Ze gebruikten dezelfde "zinnen" van geluiden. Er waren een paar kleine verschillen (vrouwtjes maakten soms een specifieke combinatie vaker), maar over het algemeen was hun "taal" heel erg op elkaar.

Waarom is dit belangrijk?

Stel je voor dat je een detective bent die probeert het gedrag van dieren te ontrafelen. Vroeger gebruikte je een oude, wazige foto. Nu heb je een 4K-camera met een zoomfunctie.

Met deze nieuwe methode kunnen wetenschappers nu:

1. Zeker zijn: Ze weten echt dat een dier een specifiek geluidskoppel gebruikt, en niet toeval.
2. Vergelijken: Ze kunnen nu precies zien of een groep apen in Brazilië anders "spreekt" dan een groep in Afrika, of dat jongen anders praten dan volwassenen.
3. De evolutie van taal begrijpen: Door te zien hoe dieren hun geluiden combineren, krijgen we een beter beeld van hoe onze eigen menselijke taal is ontstaan.

Kortom: Ze hebben een betere manier gevonden om te luisteren naar wat dieren ons proberen te vertellen met hun geluiden, en ze hebben ontdekt dat deze kleine apen (marmosetten) als mannetje of vrouwtje vrijwel hetzelfde "zinnen" maken als ze honger hebben.

Technische samenvatting

Probleemstelling

Hoewel er steeds meer bewijs is dat dieren communicatieve signalen combineren in niet-willekeurige sequenties (signalcombinatorialiteit), blijft het methodologisch uitdagend om deze patronen robuust te identificeren. Bestaande methoden voor "collocatie-analyse" (het detecteren van signalen die vaker dan door toeval samen voorkomen) hebben ernstige statistische tekortkomingen:

1. Gebrek aan onzekerheidsmeting: Ze leveren alleen punt-schattingen van de sterkte van collocatie, zonder betrouwbaarheidsintervallen.
2. Inflatie van type I-fouten: Ze controleren niet voor de verhoogde kans op valse positieven (family-wise error rate) wanneer veel verschillende signaalparen worden vergeleken.
3. Niet-onafhankelijkheid: Ze houden geen rekening met geneste datastructuren (bijv. meerdere signalen van hetzelfde individu of uit dezelfde sessie), wat leidt tot schijnbare onafhankelijkheid van datapunten.
4. Trade-off tussen richting en gevoeligheid: Bestaande methoden kiezen vaak tussen het detecteren van de richting van een combinatie (A→B vs. B→A) of het detecteren van zeldzame maar significante combinaties.

Deze beperkingen maken het onmogelijk om robuuste vergelijkingen te maken tussen verschillende cohorten (bijv. geslachten, populaties of leeftijdsklassen), omdat niet kan worden vastgesteld of waargenomen verschillen echt zijn of het gevolg van steekproeffouten.

Methodologie

De auteurs passen een nieuwe variant van de Multiple Distinctive Collocation Analysis (MDCA) toe, genaamd MDCA-Pr (Pearson Residuals). Deze methode is oorspronkelijk ontwikkeld voor taalkundige corpora (Gries, 2023) en wordt hier voor het eerst gevalideerd voor diergedragsdata.

De kern van de methode:

• Pearson Residuals: In plaats van iteratieve 2x2 tabellen, wordt één globale tabel gebruikt om de co-occurrence van alle signaaltypes te tellen. De sterkte van de collocatie wordt berekend als Pearson-residu: $Pr = (O - E) / \sqrt{E}$, waarbij $O$ de waargenomen frequentie is en $E$ de verwachte frequentie bij toeval.
• Bootstrapping: Om onzekerheid te kwantificeren en de geneste structuur van de data (individueel niveau) te respecteren, wordt er 10.000 keer gebootstrapt (met teruglegging op het niveau van het individu).
• Correctie voor meervoudige vergelijking: Er wordt een Bonferroni-correctie toegepast op de betrouwbaarheidsintervallen om de family-wise error rate te beheersen.
• Aanvullende drempelwaarde: Om valse positieven te verminderen, wordt een extra filter toegepast: een combinatie wordt alleen als "sterk aangetrokken" beschouwd als de gemiddelde collocatiesterkte meer dan één standaarddeviatie boven het gemiddelde van alle collocatiesterktes ligt.

Validatie via drie studies:

1. Studie 1 (Simulatie): Toetsing van MDCA-Pr op synthetische datasets van verschillende groottes (klein/groot) en niveaus van recombinatorialiteit (exclusief vs. gemengd). Er werd gekeken naar sensitiviteit (true positives) en selectiviteit (false positives).
2. Studie 2 (Intercohort-vergelijking): Simulatie van datasets van twee "cohorten" met identieke verdelingen en één cohort met een licht gewijzigde verdeling. Hiermee werd getest of MDCA-Pr echte verschillen kan detecteren zonder valse verschillen aan te geven tussen identieke cohorten.
3. Studie 3 (Empirisch geval): Toepassing op echte data van gevangen gewone marmosetten (Callithrix jacchus). Er werd vergeleken hoe mannetjes en vrouwtjes vocale sequenties combineren in een voedercontext.

Belangrijkste Resultaten

• Studie 1 (Prestatie):

  • MDCA-Pr toonde een hoge sensitiviteit en selectiviteit.
  • In kleine, complexe datasets werden soms zeldzame echte combinaties gemist (false negatives), maar valse positieven waren zeldzaam.
  • De toepassing van de extra drempelwaarde (1 standaarddeviatie boven het gemiddelde) elimineerde alle resterende valse positieven zonder de sensitiviteit te verminderen.
  • In gerandomiseerde controledatasets werden geen significante attracties gevonden.

• Studie 2 (Intercohort-vergelijking):

  • De methode toonde perfecte selectiviteit: er werden geen significante verschillen gevonden tussen cohorten met identieke onderliggende verdelingen (geen valse positieven).
  • De sensitiviteit nam toe met de steekproefgrootte. Bij grote datasets werden zelfs kleine verschillen (5-10% in waarschijnlijkheid) tussen cohorten correct gedetecteerd. Bij kleine datasets was de methode conservatiever en minder gevoelig voor subtiele verschillen.

• Studie 3 (Marmosetten):

  • Bij de vergelijking van mannetjes en vrouwtjes werden vijf aangetrokken call-combinaties geïdentificeerd.
  • Twee combinaties werden door beide geslachten gebruikt (zonder significant verschil in sterkte): Tsik→Ekk en Food Phee→Phee.
  • Drie combinaties waren vrouw-biased: Ekk→Tsik, Phee→Short Phee en Food Peep→Food Phee.
  • Post-hoc analyse toonde aan dat sommige patronen door alle individuen werden gebruikt (soortspecifiek), terwijl anderen door slechts een paar individuen werden geproduceerd, wat de noodzaak benadrukt om individuele variatie te controleren.

Bijdragen en Significatie

1. Statistische Robuustheid: Het artikel introduceert en valideert MDCA-Pr als een statistisch rigoureuze methode voor diercommunicatie. Het lost de drie belangrijkste beperkingen van eerdere methoden op door onzekerheidsintervallen, correctie voor meervoudige vergelijkingen en rekening te houden met geneste data.
2. Intercohort-Vergelijking: Voor het eerst wordt een analytisch kader geboden om de sterkte van signaalcombinaties tussen verschillende groepen (geslacht, populatie, leeftijd) objectief te vergelijken. Dit opent de deur voor onderzoek naar culturele variatie of geslachtsgebonden communicatiestrategieën bij dieren.
3. Analytische Pipeline: De auteurs presenteren een gestructureerde pipeline (zie Figuur 3 in het artikel) voor het toepassen van MDCA-Pr, inclusief richtlijnen voor bootstrapping, drempelwaarden en het controleren van individuele bijdragen.
4. Biologische Inzicht: De toepassing op marmosetten suggereert dat, ondanks gedragsverschillen in voedercontexten, de onderliggende combinatorische strategieën tussen mannetjes en vrouwtjes sterk overlappen, met slechts enkele subtiele, vrouw-biased nuances.

Conclusie:
MDCA-Pr biedt een krachtig, betrouwbaar en statistisch onderbouwd instrument om de complexiteit van dierlijke communicatie te ontrafelen. Het stelt onderzoekers in staat om niet alleen te bepalen welke signalen worden gecombineerd, maar ook om met statistische zekerheid te beoordelen of deze combinatiestrategieën variëren tussen verschillende subgroepen binnen een soort.