La tecnología de IA que «comprende» las emociones de los animales podría revolucionar el futuro de su bienestar

Si las emociones existen o no en animales distintos del ser humano es todavía un tema de debate. Varios estudios basados ​​en el comportamiento, la neurociencia y la fisiología sugieren que los animales también pueden sentir miedo para evitar el peligro y placer al profundizar los vínculos sociales.

En este contexto, investigadores daneses han logrado construir un modelo de aprendizaje automático capaz de distinguir entre emociones positivas y negativas en siete especies de herbívoros, entre ellos bovinos, cerdos y jabalíes. El modelo es capaz de clasificar las emociones, con una elevada precisión del 89.49%, analizando los patrones acústicos de sus gritos.

Las emociones positivas aquí se refieren a un estado en el que el animal se siente satisfecho después de comer o se siente relajado en un entorno seguro. Las emociones negativas, en cambio, se refieren a que el animal se siente aislado de sus compañeros, ansioso o en situación de peligro.

Esta investigación demuestra que la inteligencia artificial puede utilizarse para descifrar las emociones de varias especies de animales a partir de sus patrones de vocalización. «Ser capaz de monitorear las emociones de los animales en tiempo real podría revolucionar el bienestar animal, la gestión del ganado y los esfuerzos de conservación», explica Elodie F. Briefer, profesora asociada de la Universidad de Copenhague y especialista en biología.

Patrones de voz comunes a todas las especies

Las emociones de los animales se clasifican en dos ejes: la excitación, que indica el grado de activación física, y la valencia emocional, que indica si la emoción es positiva o negativa. La excitación puede evaluarse fácilmente a partir de la frecuencia cardiaca y el movimiento, pero medir la valencia emocional no es tan sencillo. Los sonidos de los animales se han considerado un indicador útil de la emoción, aunque hasta ahora no se habían comprendido del todo.

Briefer y su equipo grabaron un total de 3,181 llamadas de siete animales herbívoros (vacas, ovejas, caballos, caballos de Przewalski, cerdos, jabalíes y cabras) y las utilizaron para determinar diecisiete características acústicas, entre ellas la duración, la frecuencia fundamental (el componente de frecuencia más bajo de la señal, que determina el tono del sonido), la modulación de la amplitud (el grado en que el volumen del sonido cambia con el tiempo).

En el estudio, dichas características se estandarizaron (alineando datos de diferentes escalas y unidades a la misma escala para su comparación) y luego se convirtieron a dos dimensiones utilizando UMAP, un método analítico que comprime datos de alta dimensión en dimensiones más bajas para su visualización, lo que hace posible la clasificación visual de los datos de sondeo.

A continuación, los investigadores utilizaron el método ‘k-means’ (un algoritmo que divide los datos en k grupos y encuentra el punto central dentro de cada grupo en el que los datos están más próximos) y un clasificador bayesiano simple (un método para clasificar datos basado en la teoría de la probabilidad, suponiendo que las características son independientes entre sí) para clasificar los datos de los cantos en emociones positivas y negativas.