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

Resumo Técnico: Vocalizações de Suínos, Estrutura Acústica e Interpretação Afetiva

Problema
As vocalizações animais são cada vez mais utilizadas como indicadores de estado afetivo e bem-estar em pesquisas. No entanto, frequentemente existe uma circularidade metodológica: estudos frequentemente atribuem valência afetiva às vocalizações com base no contexto da gravação (por exemplo, assumindo que um som proveniente de um procedimento de castração é "negativo") e, em seguida, utilizam aprendizado de máquina ou ouvintes humanos para classificar esses sons com base nessas mesmas categorias derivadas do contexto. Essa abordagem torna incerto se a classificação bem-sucedida reflete o estado afetivo interno do animal, diferenças acústicas mais amplas ou meramente as categorias interpretativas impostas pela tarefa. Além disso, a literatura existente baseia-se fortemente em designs de escolha forçada com categorias predefinidas, deixando sem esclarecimento como os ouvintes organizam espontaneamente as vocalizações sem um framework interpretativo. Este estudo aborda a distinção entre a recuperação da estrutura acústica e o estabelecimento de seu significado biológico, desafiando a suposição de que os sinais acústicos mapeiam diretamente estados emocionais discretos.

Metodologia
O estudo empregou um design de classificação online de duas ondas envolvendo participantes humanos e modelos de aprendizado de máquina, utilizando um conjunto de dados de 2.192 vocalizações de suínos únicas derivadas de 18 contextos experimentalmente definidos (Briefer et al., 2022a).

• Onda 1 (Classificação Livre): 224 participantes classificaram 8.960 apresentações de vocalizações em categorias autodefinidas, sem rótulos predefinidos. Os participantes também forneceram rótulos descritivos para suas categorias. Esta onda incluiu estímulos de controle (sons de castração duplicados e um outlier de golfinho) para avaliar a atenção e a consistência.
• Onda 2 (Escolha Forçada): Um grupo separado de 159 participantes realizou duas tarefas em um subconjunto de 1.357 vocalizações: (1) classificar sons em 18 contextos de gravação predefinidos (incluindo uma opção "não tenho ideia") e (2) avaliar a valência percebida dos sons em uma escala de 5 pontos (muito negativo a muito positivo).
• Análise de Aprendizado de Máquina: Modelos de redes neurais convolucionais (CNN), especificamente arquiteturas ResNet50 ajustadas, foram treinados em espectrogramas das vocalizações. Dois modelos foram desenvolvidos: um otimizado para classificação de valência presumida binária e outro para classificação de 18 contextos.
• Análise Comparativa: O estudo comparou estruturas perceptivas derivadas por humanos (matrizes de co-classificação) com espaços de incorporação (embedding) acústica aprendidos por máquinas via testes de Mantel. Também analisou o conteúdo semântico dos rótulos gerados pelos participantes e testou a robustez dos achados excluindo contextos aversivos de alta intensidade (castração, contenção, luta, esmagamento).

Principais Resultados

• Estrutura Acústica vs. Recuperação de Contexto: A classificação livre humana revelou uma estrutura perceptiva reproduzível, porém ampla. Os participantes não recuperaram os 18 contextos originais de gravação como categorias discretas. Em vez disso, agruparam as vocalizações em famílias amplas, com a maior similaridade observada entre contextos aversivos de alta intensidade (castração, contenção, luta, esmagamento).
• Rotulagem e Valência: Na classificação livre, os rótulos gerados pelos participantes foram predominantemente descritivos (estados, eventos, relacionados ao animal) em vez de emocionais. A rotulagem espontânea relacionada à valência foi limitada (19,6%) e primariamente negativa. Quando julgamentos de valência por escolha forçada foram realizados, a precisão foi modesta (60,1% de precisão exata excluindo respostas neutras) e impulsionada quase inteiramente pelos contextos aversivos de alta intensidade. A concordância com a valência presumida desapareceu quando esses contextos aversivos foram excluídos.
• Classificação de Contexto: A classificação por escolha forçada do contexto específico de gravação foi fraca, com uma precisão exata de 8,0% (9,5% excluindo "não tenho ideia"), mostrando apenas um leve acordo com os contextos de origem ($\kappa = 0,042$).
• Convergência Humano-Máquina: A estrutura perceptiva derivada por humanos correspondeu de perto aos espaços de incorporação dos modelos de aprendizado de máquina. Tanto humanos quanto modelos recuperaram uma organização acústica semelhante, distinguindo particularmente sons aversivos de alta intensidade. No entanto, essa estrutura compartilhada alinhou-se apenas parcialmente com as categorias de contexto e valência atribuídas no conjunto de dados de origem.
• Efeitos de Especialidade: O histórico profissional (produtores, veterinários, cientistas) influenciou o tipo de rótulos usados (ex: produtores usaram mais termos animais específicos; cientistas usaram mais termos afetivos), mas teve pouca influência na estrutura de agrupamento perceptivo subjacente.

Significância e Alegações
O artigo afirma que, embora as vocalizações de suínos contenham uma organização acústica robusta e recuperável que é acessível tanto a ouvintes humanos quanto a modelos de aprendizado de máquina, essa organização não se alinha necessariamente com os frameworks de contexto e valência comumente usados para interpretá-las.

• Distinção entre Estrutura e Significado: Os autores enfatizam uma distinção crítica entre recuperar a estrutura acústica e estabelecer seu significado biológico. A classificação bem-sucedida de vocalizações com base na valência presumida derivada do contexto não estabelece necessariamente seu significado afetivo ou de bem-estar.
• Limitações dos Indicadores de Bem-Estar Atuais: Os achados sugerem que os indicadores vocais de bem-estar requerem validação contra medidas comportamentais, fisiológicas e outras medidas independentes, em vez de depender apenas de classificações contextuais. O estudo destaca que, para muitos contextos (ex: condições de alojamento, condicionamento positivo), as vocalizações se sobrepõem substancialmente no espaço acústico e na interpretação humana, falhando em apoiar a ideia de indicadores acústicos invariantes para estados afetivos específicos.
• Papel da Interpretação: Os resultados apoiam perspectivas construtivistas, sugerindo que o significado afetivo atribuído às vocalizações é probabilístico, dependente do contexto e parcialmente moldado pelas categorias e suposições trazidas para a tarefa pelo observador (humano ou máquina).

Em resumo, o estudo demonstra que humanos e máquinas podem detectar de forma confiável padrões acústicos em vocalizações de suínos, particularmente em situações altamente aversivas, mas alerta contra a interpretação desses padrões como leituras diretas e independentes de contexto de estados emocionais discretos ou condições de bem-estar sem validação independente.