Quienes hemos trabajado en el análisis de la conducta sabemos lo complicado que puede ser establecer un procedimiento experimental, conseguir su aprobación por parte de un comité de bioética y colectar cantidades suficientes de datos. Sin embargo, una vez que se ha conseguido, el reto más grande es dedicar días y días para analizar las conductas registradas en horas de videograbaciones, y evitar que el cansancio, las experiencias previas, juicios o preferencias del evaluador (individuo que está haciendo las mediciones) afecten el análisis de los datos obtenidos.

Este problema puede ser resuelto con el uso de la tecnología, la cual permite el procesamiento automático de grandes cantidades de información audiovisual, alcanzando altos niveles de precisión. Los conocimientos y herramientas generados en áreas como computación, tecnologías de la información y comunicaciones, facilitan el desarrollo de soluciones a problemas que enfrentamos quienes estudiamos la conducta animal. En este sentido, , una subárea de la inteligencia artificial es la denominada “aprendizaje máquina”, que estudia la forma de proporcionar a las computadoras la capacidad de identificar patrones en datos masivos, permitiendo así la resolución automática de tareas sin la necesidad de ser programadas explícitamente para ello.

Algunas de las tareas que la máquina puede hacer de forma automática son: 1) Clasificación, los datos son objetos que reciben una etiqueta, por ejemplo, la maquina clasifica si un comportamiento es agresivo o de sumisión. 2) Estimación, las variables a predecir son continuas, por ejemplo, a partir de un video evalúa el nivel de depresión de una persona en una escala que va de 0 a 63. 3) Segmentación, es la separación de los datos en subgrupos o clases interesantes, como la agrupación de personas por sus respuestas a un cuestionario para identificar los perfiles más representados. 4) Análisis de dependencias, el valor de un elemento puede usarse para conocer acerca del valor de otro, por ejemplo, aprender correlaciones o causa-efecto entre cambios fisiológicos y comportamientos específicos. 5) Detección de desviaciones y casos extremos o anomalías, como identificar si el comportamiento de un sujeto se sale de los parámetros de un grupo. 6) Aprendizaje de la mejor acción a tomar a partir de experiencia, estos modelos aprenden una forma de tomar decisiones ante los cambios del ambiente, el caso del aprendizaje de una política para la toma de decisiones en la administración de tratamientos a sujetos de estudio. 7) Búsqueda para resolver problemas de optimización, un ejemplo es encontrar los parámetros ideales para aplicar un estímulo a un sujeto y obtener los mejores resultados.

Así, mediante la tecnología es posible analizar el comportamiento de los animales con precisión de milisegundos e identificar pautas conductuales que podrían utilizarse para inferir aspectos de su bienestar, estado emocional, preferencias, entre otros. Al emplear sistemas de clasificación automáticos se reduce el tiempo de observación y disminuyen los errores derivados del cansancio y la subjetividad, incluso en ciertos casos la máquina puede detectar cambios sutiles en la conducta del animal observado, que podrían pasar desapercibidos para un evaluador humano.

Un ejemplo del empleo de la tecnología en la investigación científica es el trabajo que hemos desarrollado en los ocho últimos años en colaboración con investigadores del CTBC, INAOE y CICESE UT3, para identificar de forma automática en videos y fotografías la presencia de perros, a pesar de las diferencias en tamaño, raza, color y postura. Además, el sistema puede identificar la emoción que el perro muestra (contento, enojado, temeroso o ansioso), clasificar sus vocalizaciones (ladridos, gruñidos, gemidos y aullidos) y asociarlas a un contexto particular (ladrido por la presencia de un intruso, ladridos durante el juego con su cuidador, etc.) o un estado interno del perro (positivo o negativo).

Otro caso de éxito al analizar conductas de forma automatizada fue el trabajo que hicimos para la detección de mentiras en video. Determinar si un individuo está mintiendo puede tener consecuencias graves, especialmente en algunos contextos, por ejemplo, al dar testimonio en juicios, investigaciones policiales, entrevistas para trabajos con alto riesgo, entre otras. Aunque distinguir la mentira de la verdad es una tarea compleja para los observadores comunes, la diferencia pudo señalarse utilizando aprendizaje máquina, específicamente a través de técnicas de fusión multimodal que integra señales de diferentes fuentes. En nuestro trabajo se colectaron datos visuales (postura de la cabeza, microexpresiones faciales, movimientos de los ojos), auditivos (cambios en el tono, velocidad y volumen de la voz) y térmicos (enrojecimiento de las mejillas, enfriamiento de la nariz). Estas características fueron evaluadas en dos conjuntos de datos para la detección del engaño (uno construido a partir de juicios reales de la web y otro construido con personas mexicanas hablando en español sobre un tema sensible y un tema personal). A pesar de las diferencias culturales, lingüísticas, contextuales y temáticas, hubo puntos como la dirección de la mirada que mostraron ser buenos discriminadores del engaño, independientemente de la persona analizada.

Finalmente, otro ejemplo de colaboración exitosa fue el estudio sobre métodos automatizados para el análisis de imágenes naturales de colibríes. El análisis automatizado del comportamiento de los colibríes fue desafiante, debido principalmente a la rapidez con la que estos pájaros se mueven e interactúan, la imprevisibilidad de sus trayectorias y sus habilidades de camuflaje. Utilizando dos enfoques de aprendizaje profundo (que es una rama del aprendizaje automático que utiliza redes neuronales artificiales con múltiples capas ocultas para aprender y reconocer patrones complejos en los datos) fue posible la detección automática de colibríes entrando y saliendo a su nido. A pesar de que este tipo de modelos requiere grandes cantidades de datos y poder computacional para ser entrenado, su uso permite sustituir al evaluador quien generalmente debe pasar horas observando la grabación de la entrada del nido y sus alrededores, en su lugar, la máquina puede hacer de forma automática el conteo de visitas y la duración de las mismas con un rendimiento de clasificación aceptable.



Entonces, ¿algún día nos sustituirán las máquinas?

Si efectivamente la identificación y clasificación automática de conductas es más precisa, veloz y económica, y los sistemas inteligentes como ChatGPT analizan datos y hasta escriben artículos científicos, ¿podríamos ser sustituidos por las máquinas? Este es un rumor constante desde tiempos remotos; sin embargo, es poco probable que ocurra, ya que al igual que pasó con la revolución industrial, siempre serán necesarios cerebros humanos que programen, conecten y regulen a las máquinas, ¿o no?