📄 animal behavior and cognition

Pig vocalizations contain shared acoustic structure for humans and machines, but limited evidence for presumed affective valence

Deze studie toont aan dat hoewel mensen en machine learning-modellen betrouwbaar gedeelde akoestische structuren in varkensvocalisaties kunnen identificeren, menselijke perceptuele oordelen over emotionele valentie alleen overeenstemmen met veronderstelde affectieve toestanden in zeer aversieve contexten, wat wijst op een cruciaal onderscheid tussen herstelbare akoestische patronen en hun biologische interpretatie in onderzoek naar dierenwelzijn.

Oorspronkelijke auteurs: Gorssen, W., Sleurs, B., Winters, C.

Gepubliceerd 2026-07-09

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Gorssen, W., Sleurs, B., Winters, C.

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Stel je voor dat je op een feestje bent waar je de gasten niet kunt zien, alleen hun stemmen kunt horen. Je hoort een mix van geschreeuw, gegiechel, gegrom en gejammer. Jouw taak is om deze stemmen in groepen te sorteren op basis van hoe ze klinken, zonder te weten wie ze maakt of wat er om hen heen gebeurt.

Dit is precies wat de onderzoekers in dit artikel aan mensen vroegen met varkensgeluiden. Ze wilden zien of mensen van nature konden begrijpen of een varken blij, verdrietig, boos of in pijn was door alleen naar een opname te luisteren, en of computers (AI) dat ook konden.

Hier is het verhaal van wat ze ontdekten, eenvoudig uitgelegd:

1. De Opzet: Twee Verschillende Manieren van Luisteren

De onderzoekers organiseerden twee verschillende "luisterfeestjes" (studies):

Het Vrijblijvende Feestje (Golf 1): Mensen kregen een stapel varkensgeluiden en de opdracht: "Sorteer deze in welke groepen je maar wilt, en geef de groepen je eigen namen." Geen regels, geen goede of foute antwoorden.
Het Feestje met Meerkeuzevragen (Golf 2): Een nieuwe groep mensen kreeg dezelfde geluiden, maar werd gedwongen te kiezen uit een specifieke lijst met labels, zoals: "Wordt dit varken gecastreerd?" of "Is dit geluid positief of negatief?"

Ze trainden ook een computer (een Convolutional Neural Network) om naar de geluidsgolven te kijken als naar plaatjes en ze op dezelfde manier te sorteren.

2. De Grote Ontdekking: Het "Pijn"-signaal is Duidelijk, De Rest is Mistig

De resultaten waren verrassend en genuanceerd.

De "Schreeuw"-analogie:
Denk aan de varkensgeluiden als een spectrum van het weer.

De Stormen (Situaties met hoge mate van afkeer): Wanneer varkens in verschrikkelijke situaties zaten — zoals bij het vasthouden, vechten, geplet worden of het afnemen van staarten (castratie) — klonken hun geluiden als onweersbuien. Iedereen, of het nu een boer, een stadsbewoner of een computer was, was het er direct over eens: "Dat klinkt verschrikkelijk!" Deze geluiden waren duidelijk, luid en onmiskenbaar negatief.
De Motregen (Andere situaties): Voor alles wat daaronder viel — zoals varkens die rondrennen, eten of zich in verschillende soorten huisvesting bevinden — klonken de geluiden als motregen of mist. Ze klonken allemaal redelijk vergelijkbaar. Wanneer mensen probeerden deze te sorteren, konden ze het er niet over eens worden welke "motregen" bij welke "wolk" hoorde. Een geluid dat werd gemaakt terwijl een varken "rende" (vermoedelijk gelukkig) klonk erg veel als een geluid waarbij het varken aan het "verkennen" was (vermoedelijk neutraal).

3. Wat Mensen Eigenlijk Zeiden

Toen mensen in het "Vrijblijvende Feestje" de geluiden sorteerden, gebruikten ze niet vooral emotionele woorden zoals "verdrietig" of "blij".

Ze gebruikten voornamelijk beschrijvende woorden. Ze zeiden dingen als "hard", "eng", "varken" of "gekreun".
Ze gebruikten alleen emotionele woorden (zoals "pijn" of "angst") ongeveer 20% van de tijd, en bijna uitsluitend voor de "storm"-geluiden (de verschrikkelijke situaties).
Wanneer ze wél de emotie probeerden te raden, hadden ze meestal gelijk over de "stormen" die slecht waren, maar waren ze vaak fout of in de war over de "motregen".

4. De Computer versus de Mens

De onderzoekers vergeleken hoe mensen de geluiden sorteerden met hoe de AI de geluiden sorteerde.

De Overeenkomst: Mensen en de AI waren zeer vergelijkbaar. Beiden hoorden dezelfde akoestische patronen. Als de computer dacht dat twee geluiden op elkaar leken, vonden mensen dat meestal ook.
De Beperking: Alleen omdat de computer en de mens het eens waren over de klankstructuur, betekent niet dat ze het ook eens waren over de betekenis. De AI kon de "stormen" perfect onderscheiden van de "motregen", maar kon niet betrouwbaar het verschil uitleggen tussen een "gelukkig rennen" en een "neutraal wandelen" op basis van geluid alleen.

5. De Belangrijkste Les: Het Geluid Horen versus het Verhaal Kennen

Het belangrijkste punt van het artikel is een onderscheid tussen horen en interpreteren.

Het Geluid Horen: Wij (en computers) zijn heel goed in het horen dat een varken een specifiek type geluid maakt. We kunnen horen dat een "castratie-schreeuw" anders klinkt dan een "voeder-geknor". De akoestische structuur is echt en herstelbaar.
Het Verhaal Kennen: Wij zijn niet zo goed in het raden van de interne gevoelens van het varken enkel op basis van dat geluid. Het artikel stelt dat alleen omdat een geluid in een categorie kan worden gesorteerd (zoals "negatief"), dit niet bewijst dat het varken ook daadwerkelijk "negatief" voelt op de manier die wij denken.

De Metafoor van de Takeaway:
Stel je voor dat je het geluid hoort van een ronkende automotor.

Akoestische Structuur: Je weet dat het een hard, hoog toerental is. (Mensen en computers zijn het hierover eens).
Interpretatie: Je zou kunnen denken: "Die bestuurder is boos!" of "Die bestuurder is aan het racen!" of "Die bestuurde is gewoon de motor aan het warmdraaien."
De Waarschuwing van het Artikel: Het artikel zegt dat we bij varkens vaak te snel concluderen: "Dat geluid betekent dat het varken verdrietig is." De studie laat zien dat hoewel de "verdrietige" geluiden (de stormen) duidelijk zijn, de meeste andere varkensgeluiden een mix zijn van veel verschillende gevoelens die qua geluid te veel op elkaar lijken om uit elkaar te houden zonder het gezicht van het varken te zien of te weten wat er om hen heen gebeurt.

Kortom: Varkensgeluiden hebben een duidelijke "grammatica" die mensen en computers kunnen leren, maar die grammatica vertaalt zich niet perfect naar een simpel "Blij vs. Verdrietig" woordenboek. We kunnen horen dat het varken geluid maakt, maar we kunnen niet altijd zeker weten wat dat geluid precies betekent voor hun gevoelens zonder meer aanwijzingen.

Technische Samenvatting: Varkensvocalisaties, Akoestische Structuur en Affectieve Interpretatie

Probleemstelling
Vocalisaties van dieren worden steeds vaker gebruikt als indicatoren voor de affectieve staat en het welzijn in onderzoek. Er bestaat echter vaak een methodologische circulariteit: studies wijzen vaak affectieve valentie toe aan vocalisaties op basis van de registratiecontext (bijvoorbeeld door aan te nemen dat een geluid uit een castratieprocedure "negatief" is) en gebruiken vervolgens machine learning of menselijke luisteraars om deze geluiden te classificeren op basis van diezelfde context-afgeleide labels. Deze aanpak maakt het onduidelijk of succesvolle classificatie de interne affectieve staat van het dier reflecteert, bredere akoestische verschillen, of louter de interpretatieve categorieën die aan de taak zijn opgelegd. Bovendien leunt de bestaande literatuur zwaar op forced-choice designs met vooraf gedefinieerde categorieën, waardoor onduidelijk blijft hoe luisteraars vocalisaties spontaan organiseren zonder een interpretatief kader. Deze studie adresseert het onderscheid tussen het herstellen van de akoestische structuur en het vaststellen van de biologische betekenis ervan, en daagt de aanname uit dat akoestische signalen direct mappen naar discrete emotionele toestanden.

Methodologie
De studie maakte gebruik van een twee-fase online classificatieontwerp met menselijke participanten en machine-learning modellen, gebruikmakend van een dataset van 2.192 unieke varkensvocalisaties afkomstig uit 18 experimenteel gedefinieerde contexten (Briefer et al., 2022a).

Fase 1 (Vrije Classificatie): 224 participanten sorteerden 8.960 presentaties van vocalisaties in zelfgedefinieerde categorieën zonder vooraf gedefinieerde labels. Participanten leverden ook beschrijvende labels aan voor hun categorieën. Deze fase omvatte controle-stimuli (gedupliceerde castratiegeluiden en een dolfijn-outlier) om aandacht en consistentie te beoordelen.
Fase 2 (Forced Choice): Een aparte groep van 159 participanten voerde twee taken uit op een subset van 1.357 vocalisaties: (1) het classificeren van geluiden in 18 vooraf gedefinieerde contexten (inclusclusief een "geen idee"-optie) en (2) het beoordelen van de waargenomen valentie van de geluiden op een 5-punts schaal (zeer negatief tot zeer positief).
Machine Learning Analyse: Convolutionele neurale netwerkmodellen (CNN), specifiek gefinetuned ResNet50-architecturen, werden getraind op spectrogrammen van de vocalisaties. Twee modellen werden ontwikkeld: één geoptimaliseerd voor binaire vermeende-valentie classificatie en een andere voor 18-context classificatie.
Comparatieve Analyse: De studie vergeleken door mensen afgeleide perceptuele structuren (co-classificatiematrices) met door machine learning verkregen akoestische embedding-ruimtes via Mantel-tests. Er werd ook geanalyseerd naar de semantische inhoud van door participanten gegenereerde labels en de robuustheid van de bevindingen werd getest door hoog-intensieve aversieve contexten (castratie, fixatie, vechten, verplettering) uit te sluiten.

Belangrijkste Resultaten

Akoestische Structuur vs. Contextherstel: Menselijke vrije classificatie onthulde een reproduceerbare maar brede perceptuele structuur. Participanten herstelden de 18 oorspronkelijke registratiecontexten niet als discrete categorieën. In plaats daarvan groepeerden zij vocalisaties in brede families, waarbij de hoogste gelijkenis werd waargenomen bij hoog-intensieve aversieve contexten (castratie, fixatie, vechten, verplettering).
Labeling en Valentie: In de vrije classificatie waren de door participanten gegenereerde labels overwegend beschrijvend (toestanden, gebeurtenissen, dier-gerelateerd) in plaats van emotioneel. Spontane valentie-gerelateerde labeling was beperkt (19,6%) en primair negatief. Wanneer forced-choice valentieoordelen werden gemaakt, was de nauwkeurigheid matig (60,1% exacte nauwkeurigheid exclusief neutrale responsen) en werd deze bijna volledig gedreven door de hoog-intensieve aversieve contexten. De overeenstemming met de vermeende valentie verdween wanneer deze aversieve contexten werden uitgesloten.
Context Classificatie: Forced-choice classificatie van de specifieke registratiecontext was zwak, met een exacte nauwkeurigheid van 8,0% (9,5% exclusief "geen idee"-responsen), wat slechts een lichte overeenstemming vertoonde met de broncontexten ( $\kappa = 0,042$ ).
Mens-Machine Convergentie: De door mensen afgeleide perceptuele structuur kwam nauw overeen met de embedding-ruimtes van de machine-learning modellen. Zowel mensen als modellen herstelden vergelijkbare akoestische organisatie, met name het onderscheiden van hoog-intensieve aversieve geluiden. Deze gedeelde structuur kwam echter slechts gedeeltelijk overeen met de context- en valentiecategorieën die aan de bronset werden toegewezen.
Expertise Effecten: Professionele achtergrond (boeren, dierenartsen, wetenschappers) beïnvloedde het type gebruikte labels (bijv. boeren gebruikten meer varkensspecifieke diertermen; wetenschappers gebruikten meer affectieve termen), maar had weinig invloed op de onderliggende perceptuele clusteringstructuur.

Betekenis en Claims
Het artikel claimt dat hoewel varkensvocalisaties een robuuste en herstelbare akoestische organisatie bevatten die toegankelijk is voor zowel menselijke luisteraars als machine-learning modellen, deze organisatie niet noodzakelijkerwijs overeenkomt met de contextuele en valentiekaders die worden gebruikt om ze te interpreteren.

Onderscheid tussen Structuur en Betekenis: De auteurs benadrukken een cruciaal onderscheid tussen het herstellen van de akoestische structuur en het vaststellen van de biologische betekenis ervan. Succesvolle classificatie van vocalisaties op basis van de context-afgeleide vermeende valentie stelt niet noodzakelijkerwijs de affectieve of welzijnsbetekenis vast.
Beperkingen van Huidige Welzijnsindicatoren: De bevindingen suggereren dat vocale indicatoren van welzijn gevalideerd moeten worden tegenover gedragsmatige, fysiologische en andere onafhankelijke metingen, in plaats van enkel te vertrouwen op contextuele classificaties. De studie benadrukt dat voor veel contexten (bijv. huisvestingsomstandigheden, positieve conditionering) vocalisaties substantieel overlappen in de akoestische ruimte en menselijke interpretatie, wat het idee van invariante akoestische indicatoren voor specifieke affectieve toestanden niet ondersteunt.
Rol van Interpretatie: De resultaten ondersteunen constructionistische perspectieven, wat suggereert dat de affectieve betekenis die aan vocalisaties wordt toegeschreven probabilistisch, contextafhankelijk en deels gevormd wordt door de categorieën en aannames die de waarnemer (mens of machine) aan de taak meebrengt.

Samenvattend demonstreert de studie dat mensen en machines betrouwbaar akoestische patronen in varkensvocalisaties kunnen detecteren, met name in hoog-aversieve situaties, maar waarschuwt dat deze patronen niet direct geïnterpreteerd moeten worden als context-onafhankelijke uitdrukkingsvormen van discrete emotionele toestanden of welzijnscondities zonder onafhankelijke validatie.