Qui appelle ? Un nouvel algorithme pour identifier individuellement les ouistitis selon leur cri

La communication des ouistitis est complexe : les singes sont très volubiles  –, ils produisent un grand nombre de cris complexes –, et ils vivent en groupes –, ce qui signifie que beaucoup d’individus produisent des vocalisations en même temps.  “Vu que les ouistitis vivent dans des groupes bruyants, il est difficile de déterminer quel individu dans le groupe a émis un cri spécifique,” explique Nikhil Phaniraj, doctorant dans le laboratoire de Burkart et premier auteur d’un article publié récemment traitant de cette problématique. “Savoir quel individu a vocalisé serait très précieux pour la recherche.“

Crise d’identité chez les ouistitis

Burkart et son équipe étudient les communications orales des singes ouistitis pour comprendre les origines et l’évolution du langage. “Pour cela nous devons étudier comment les vocalisations se développent dans des ouistitis individuellement, si et comment ces vocalisations changent avec le temps, et comment les  individus réagissent à des vocalisations venant d’autres singes,” dit Phaniraj. Antérieurement, pour y parvenir, les chercheurs isolait un individu du groupe et étudiait ses vocalisations. “Mais cela rend l’analyse artificielle car quand ils sont isolés, les ouistitis ne montre pas pleinement leur compétences en communication,” déplore Phaniraj. Il est donc capital pour les chercheurs d’étudier les singes dans leur environnement social – ce qui requiert une méthode leur permettant de différencier les individus quand ils vocalisent en groupe.

Nous avons votre identifiant d’appel !

Les chercheurs ont pris le taureau par les cornes et ont développé un nouvel algorithme d’apprentissage automatique (ou machine-learning) qui peut déterminer l’identité du singe en se basant uniquement sur ses vocalisations. La méthode commence par faire la tâche la plus facile qui est de déterminer le sexe du singe, grâce à des motifs dans la vocalisation. Ensuite, l’algorithme peut déterminer l’individu, grâce à l’extraction de plus de 7700 caractéristiques contenues dans chaque cri. “Cela permet d’atteindre une précision supérieure à toutes les approches traditionnelles qui visent à déterminer directement l’individu,” commente Phaniraj. La méthode a été testée sur un groupe de 20 individus (10 mâles et 10 femelles) et a montré des résultats prometteurs.

Le futur à l’autre bout du fil

Comme avec tout autre algorithme de machine-learning, le plus important  pour avoir des résultats justes est la qualité des données desquelles le programme va apprendre. “Une grande partie du projet s’est focalisée sur l’élaboration d’un bon ensemble de données pour entraîner l’algorithme de machine-learning,” rapporte Phaniraj. “Nous voulions nous assurer que notre ensemble de données soit équilibré – c’est-à-dire que des cris de tous les individus et de tous les sexes soient présents à part égale.” Maintenant que leur méthode est opérationnelle, la technologie peut être appliquée aux projets du laboratoire. Par exemple, les chercheurs l’utilisent déjà pour déterminer la ‘prosocialité’ de chaque singe. “Une façon qu’on les ouistitis d’aider d’autres membres du groupe (ou d’être ‘prosocial’) est de produire des appels alimentaires quand ils trouvent de la nourriture, pour en informer les autres membres du groupe et partager avec eux,” explique Burkart. “En étudiant quel membres du groupe produisent ou non des appels alimentaires quand ils trouvent de la nourriture, on peut estimer individuellement à quel point ils sont prosociaux.”

Dans le futur, cette même méthode pourrait être étendue pour différencier les individus d’autres espèces vivant en groupe.