{"id":37539,"date":"2026-06-10T14:07:13","date_gmt":"2026-06-10T14:07:13","guid":{"rendered":"https:\/\/lamarr-institute.org\/?post_type=blog&p=37539"},"modified":"2026-06-10T14:58:20","modified_gmt":"2026-06-10T14:58:20","slug":"warum-brauchen-wir-ki-um-das-verhalten-von-tieren-zu-quantifizieren","status":"publish","type":"blog","link":"https:\/\/lamarr-institute.org\/de\/blog\/warum-brauchen-wir-ki-um-das-verhalten-von-tieren-zu-quantifizieren\/","title":{"rendered":"Warum brauchen wir KI, um das Verhalten von Tieren zu quantifizieren?"},"content":{"rendered":"\n

Kinder haben die wunderbare Angewohnheit, die unangenehmste Frage zu stellen: Warum? Warum ist der Himmel blau? Warum fliegen V\u00f6gel in V-Formation? Warum bewegt die Katze ihren Schwanz? Und wie sich herausstellt, ist \u201eWarum?\u201c auch die Frage, die mir am h\u00e4ufigsten gestellt wird, wenn ich meine eigene Forschung erkl\u00e4re. Ich besch\u00e4ftige mich mit Deep Learning im Bereich des Tierverhaltens. Das klingt zun\u00e4chst meist spannend: KI und Tiere. Und ich erkl\u00e4re weiter: Ich verwende Methoden, um die Bewegungen von Tieren \u00fcber l\u00e4ngere Zeitr\u00e4ume hinweg zu verfolgen, die Qualit\u00e4t unserer Aufzeichnungen zu verbessern und Informationen wie Bewegungsrichtung oder Handlungen zu extrahieren.<\/p>\n\n\n\n


Die Folgefrage lautet fast immer: \u201eOkay \u2026 aber warum ist das wichtig?\u201c Warum sollte es uns interessieren, ob ein Modell eine Maus genauer verfolgen kann? Warum brauchen wir KI, um zu erfahren, ob eine Fruchtfliege nach links oder rechts geflogen ist? Um diese Frage zu beantworten, m\u00fcssen wir einen Schritt zur\u00fccktreten.<\/p>\n\n\n\n

Warum interessieren wir uns \u00fcberhaupt f\u00fcr das Verhalten von Tieren?<\/h2>\n\n\n\n

Der erste Ansatz zur Erforschung des Tierverhaltens besteht darin, zu verstehen, wie Tiere \u00fcberleben, sich fortpflanzen, kommunizieren, kooperieren oder konkurrieren, f\u00fcr ihren Nachwuchs sorgen oder sich an ver\u00e4nderte Umgebungen anpassen. Das Verhalten ist unser direktester Einblick in diese Fragen. Wenn wir beobachten, was Tiere tun, erfahren wir, wie sie diese Herausforderungen meistern. Dies ist das klassische Gebiet der Ethologie: die Erforschung des Tierverhaltens in nat\u00fcrlichen Umgebungen. Das ist nat\u00fcrlich f\u00fcr die wissenschaftliche Neugier wichtig (wer war noch nie von einer Tierdokumentation fasziniert?), aber auch f\u00fcr den Erhalt der Artenvielfalt. Eine Art, die ihre Fressgewohnheiten, Paarungsrituale oder ihre soziale Struktur \u00e4ndert, kann ein Fr\u00fchwarnzeichen daf\u00fcr sein, dass sich ihre Umwelt ver\u00e4ndert. Gelegentlich kann dies uns auch dazu inspirieren, bessere L\u00f6sungen f\u00fcr bestimmte Probleme zu finden: Ameisen k\u00f6nnen uns helfen, bessere Wege in komplexen Routenkarten zu finden (Ant-Colony-Optimization-Algorithmen), oder Vierbeiner k\u00f6nnen uns helfen, stabilere und energieeffizientere Roboter zu bauen (Arbeiten von Owaki & Ishiguro).<\/p>\n\n\n\n

Die zweite Antwort liegt in der Beziehung zwischen Gehirn und Verhalten: Letztendlich ist Verhalten das Endergebnis der Gehirnaktivit\u00e4t. W\u00e4hrend die Ethologie fragt, wie sich Tiere in der Welt verhalten, fragt die Neurowissenschaft, wie das Gehirn dies erm\u00f6glicht. Wie entscheidet eine Maus, ob sie ihre Umgebung erkunden oder stillstehen soll? Wie \u00e4ndert eine Fliege ihre Flugrichtung? Wie findet ein Fisch einen Partner? Wie werden die Welt und die darin enthaltenen Reize wahrgenommen? Welche Neuronen verarbeiten und \u00fcbertragen die Informationen? Wie werden diese Informationen an den K\u00f6rper zur\u00fcckgeleitet, damit er sich bewegen und auf die Situation reagieren kann?<\/p>\n\n\n\n


Dies sind nicht nur faszinierende Fragen der Grundlagenforschung; ihre Erforschung hilft uns auch, das menschliche Gehirn und seine neurologischen St\u00f6rungen zu verstehen. Da die Neurowissenschaften das Nervensystem verstehen wollen, dient Verhalten oft als Fenster auf die Auswirkungen von Ver\u00e4nderungen im Gehirn. Nun, da wir die Gr\u00fcnde verstehen, warum wir Verhalten messen wollen,\u2026<\/p>\n\n\n\n

Wie messen wir das Verhalten von Tieren?<\/h2>\n\n\n\n

In der Vergangenheit hing die Antwort vom jeweiligen Fachgebiet ab. Verhaltensforscher streben oft danach, das Verhalten m\u00f6glichst umfassend zu beschreiben und und listen alle beobachteten Handlungen in einem Ethogramm auf, einer strukturierten Beschreibung des Verhaltens. Ein Tier kann sich ausruhen, fortbewegen, sich putzen, umwerben, fressen, drohen oder sich zur\u00fcckziehen \u2013 und jede Kategorie kann sich in spezifischere Unterhandlungen verzweigen. Ein Ethogramm ist nicht nur eine Liste, sondern erm\u00f6glicht es Forschern zu beschreiben, welche Verhaltensweisen auftreten, wie oft sie auftreten, wie lange sie andauern und in welcher Reihenfolge sie auftreten. Dieser Ansatz behandelt Verhalten als etwas, das an sich schon beschreibenswert ist.<\/p>\n\n\n\n

Die Neurowissenschaften hingegen st\u00fctzten sich h\u00e4ufig auf vereinfachte Verhaltensmessungen. Diese Messungen wurden haupts\u00e4chlich an bet\u00e4ubten Tieren oder anhand kontrollierter stereotyper Verhaltensparadigmen durchgef\u00fchrt. Anhand bet\u00e4ubter Tiere konnten Forscher zwar ein klareres Bild des Gehirns gewinnen, doch beschr\u00e4nkten sich die beobachtbaren Verhaltensweisen auf passive Bewegungen wie Schnurrhaarzuckungen oder Pupillenerweiterungen. Stereotype Verhaltensparadigmen wurden entwickelt, um bestimmte F\u00e4higkeiten wie sensorische Verarbeitung, Lernen oder Angst auf standardisierte und reproduzierbare Weise \u00fcber Experimente und Labore hinweg zu testen. In beiden F\u00e4llen wurden die gemessenen Verhaltensaspekte durch das Versuchsdesign vorgegeben, zum Beispiel: die Zeit bis zum Erreichen einer Belohnungszone, die Pupillenerweiterung als Reaktion auf einen Reiz oder die Anzahl der \u00fcber Versuche hinweg erhaltenen Belohnungen.<\/p>\n\n\n\n


Diese Messgr\u00f6\u00dfen sind unglaublich n\u00fctzlich. Der klassische Hebeldruck beispielsweise wurde zu einer leistungsstarken Methode, um Lernen, Belohnung, Motivation und Entscheidungsfindung zu untersuchen. Schon das Z\u00e4hlen, wie oft ein Tier einen Hebel dr\u00fcckt, kann zeigen, wie es lernt dass eine Handlung zu Futter f\u00fchrt, wie es Bestrafung vermeidet und wie es sich unter neuronalen Manipulationen ver\u00e4ndert. Die Neurowissenschaften sind au\u00dferordentlich leistungsf\u00e4hig geworden, wenn es darum geht, das Gehirn zu messen und zu manipulieren, jedoch allzu oft isoliert von realistischem Verhalten. Die Kluft zwischen der unglaublich pr\u00e4zisen Beschreibung von Neuronenverbindungen und Feuerungsmustern und der groben Verhaltensbeschreibung ist sehr gro\u00df geworden.<\/p>\n\n\n\n


Aber warum haben sich die Neurowissenschaften so sehr an diese vereinfachten Messwerte geklammert?<\/p>\n\n\n\n

<\/div>\n\n\n\n
\"-
In den Neurowissenschaften verwendete Verhaltensexperimente: a) \u201eKammer zur operanten Konditionierung\u201c. Dem Tier wird beigebracht, bei Erhalt eines Reizes (akustisch oder visuell) einen Hebel zu bet\u00e4tigen, um eine Belohnung (Futter oder Wasser) zu erhalten. Original: AndreasJS Vector: Pixelsquid – This file was derived from: Skinner box scheme 01.png: by AndreasJS, CC BY-SA 3.0, https:\/\/commons.wikimedia.org\/w\/index.php?curid=99322433 b) Erh\u00f6htes Plus-Labyrinth. Das Tier kann sich frei zwischen offenen (potenziell gef\u00e4hrlichen) Bereichen und geschlossenen Bereichen (gesch\u00fctzter Umgebung) bewegen. Als Ma\u00df f\u00fcr Angst und Unruhe wird die Zeit gemessen, die das Tier in den einzelnen Bereichen verbringt. Aus: Samueljohn.de – Own work, CC BY-SA 3.0, https:\/\/commons.wikimedia.org\/w\/index.php?curid=12127491 c) Diese Verhaltenstests k\u00f6nnen nun mit einem nur ein Gramm leichten Miniaturmikroskop kombiniert werden, um die neuronale Aktivit\u00e4t aufzuzeichnen. Nach einer Vorlage von: Feng Xue, Fei Li, Ke-ming Zhang, Lufeng Ding, Yang Wang, Xingtao Zhao, Fang Xu, Danke Zhang, Mingzhai Sun, Pak-Ming Lau, Qingyuan Zhu, Pengcheng Zhou, Guo-Qiang Bi, Multi-region calcium imaging in freely behaving mice with ultra-compact head-mounted fluorescence microscopes, National Science Review, Volume 11, Issue 1, January 2024, https:\/\/doi.org\/10.1093\/nsr\/nwad294 Under Creative Commons CC BY license.<\/figcaption><\/figure>\n\n\n\n

Ein Grund daf\u00fcr ist konzeptioneller Natur. Das Gehirn ist ein \u00fcberaus komplexes System, weshalb sich ein isolierender Ansatz als erfolgreiche Strategie erwiesen hat: die Reduzierung des Problems. Anstatt zu versuchen, \u201ealles zu verstehen, was das Tier tut\u201c, k\u00f6nnen wir uns auf folgende Frage konzentrieren: Was k\u00f6nnen wir anhand einer genau definierten Bewegung oder Entscheidung \u00fcber die spezifischen Komponenten des Gehirns , also Neuronen oder neuronale Schaltkreise, lernen?<\/p>\n\n\n\n

Ein Grund daf\u00fcr ist technischer Natur. Die Messung der Gehirnaktivit\u00e4t war fr\u00fcher nur m\u00f6glich, wenn die Bewegungsfreiheit der Tiere eingeschr\u00e4nkt wurde. Inzwischen sind bildgebende Verfahren und Sensoren so klein geworden, dass sie vom Tier getragen werden k\u00f6nnen und freie Bewegungen erm\u00f6glichen. Den Forschern fehlten schlichtweg die Mittel, um komplexeres Verhalten zu untersuchen. Es war zwar m\u00f6glich, Hebelbet\u00e4tigungen oder Erstarrungsphasen von Hand zu z\u00e4hlen, aber es war nicht m\u00f6glich, viele subtile Verhaltensweisen \u00fcber stundenlange Videoaufnahmen hinweg kontinuierlich zu quantifizieren.<\/p>\n\n\n\n

Wie KI die Tierverhaltensforschung vorantreibt und welche Herausforderungen bleiben<\/h2>\n\n\n\n
\"-
Fortschritte bei Methoden zur Verfolgung und Posensch\u00e4tzung: a) Dank synchronisierter moderner Kameras k\u00f6nnen wir die Bewegungen der Fliege in 3D mit beispielloser Pr\u00e4zision verfolgen (typische L\u00e4nge einer Fliege: 3 Millimeter). Nach: Haustein M, Blanke A, Bockem\u00fchl T and B\u00fcschges A (2024) A leg model based on anatomical landmarks to study 3D joint kinematics of walking in Drosophila melanogaster. Front. Bioeng. Biotechnol. 12:1357598. doi: 10.3389\/fbioe.2024.1357598, under Creative Commons Attribution License (CC BY). b) KI-basierte Programme zur Posensch\u00e4tzung k\u00f6nnen mehrere Tiere \u00fcber stundenlange Videoaufnahmen hinweg verfolgen, auch in nat\u00fcrlicher Umgebung. Nach einer Vorlage von: Waldmann, U., Chan, A.H.H., Naik, H. et al. 3D-MuPPET: 3D Multi-Pigeon Pose Estimation and Tracking. Int J Comput Vis 132, 4235\u20134252 (2024). https:\/\/doi.org\/10.1007\/s11263-024-02074-y, under Creative Commons Attribution 4.0 International License.<\/figcaption><\/figure>\n\n\n\n

<\/p>\n\n\n\n

Kameras wurden billiger und schneller. Deep Learning hat die Bildverarbeitung revolutioniert. Es ist nun m\u00f6glich, die K\u00f6rperhaltung eines Tieres in 2D und 3D mit hoher Geschwindigkeit \u00fcber lange Versuchszeitr\u00e4ume hinweg zu verfolgen. Tools wie DeepLabCut und LEAP haben gezeigt, dass tiefe neuronale Netze lernen k\u00f6nnen, benutzerdefinierte K\u00f6rperteile direkt aus den Videoaufnahmen zu verfolgen. Endlich k\u00f6nnen wir Verhaltensweisen in unterschiedlichen Situationen genau untersuchen: im heimischen K\u00e4fig, in freier Wildbahn oder in einer Versuchsarena.<\/p>\n\n\n\n


Diese schnellen Erkennungsmethoden wurden in unz\u00e4hligen Studien eingesetzt. So hat beispielsweise die Hochgeschwindigkeitsverfolgung gezeigt, wie das Kleinhirn bei Ratten die Bewegungsbahnen der Pfoten pr\u00e4zise koordiniert und Bewegungsfehler korrigiert; bei Gesichtsbewegungen haben diese Methoden gezeigt, dass subtile Ausdrucksformen nicht nur sichtbar sind, sondern auch in Neuronenpopulationen der Gro\u00dfhirnrinde kodiert werden, wodurch das Verhalten direkt mit inneren Gehirnzust\u00e4nden verkn\u00fcpft wird.<\/p>\n\n\n\n

Sobald man die Pose kennt, also die K\u00f6rperhaltung des Tieres zu einem bestimmten Zeitpunkt, stellt sich die n\u00e4chste Frage: Wie bewegt sich der K\u00f6rper durch den Raum? Ein Ansatz hierf\u00fcr besteht darin, das Verhalten hierarchisch zu analysieren, d.\u202fh. Posen zu kurzen Bewegungen, kurze Bewegungen zu l\u00e4ngeren Bewegungen und schlie\u00dflich zu Handlungen h\u00f6herer Ordnung zusammenzufassen. Hier finden wir dasselbe Konzept wie im Ethogramm wieder, das Verhalten umfassend als kleine Sequenzen beschreibt, die in gr\u00f6\u00dfere Sequenzen eingebettet sind. KI kann dabei helfen, Bewegungen und Handlungen zu erkennen sowie den Zeitpunkt, zu dem eine Handlung beginnt und endet. Tats\u00e4chlich k\u00f6nnen menschliche Experten Ereignisse wie Fellpflege, Aufb\u00e4umen, Schn\u00fcffeln und Jagen erkennen, und KI-Methoden k\u00f6nnen lernen, das zu reproduzieren, was menschliche Experten tun \u2013 nur schneller. \u201eDie Annotation jedes Einzelbildes in einem einst\u00fcndigen Video mit hoher Konfidenz wurde auf 22 Personenstunden gesch\u00e4tzt\u201c (von Ziegler et al. Neuropharmacology 2021). <\/p>\n\n\n\n

KI-Methoden folgen zwei Arten von Ans\u00e4tzen: Der eine basiert auf \u00fcberwachtem Lernen, bei dem der Computer direkt aus Beispielen manuell markierter Videos lernt; der andere basiert auf un\u00fcberwachtem Lernen, bei dem \u00e4hnliche Verhaltenssequenzen gruppiert werden und diese Gruppen sp\u00e4ter mit den Markierungen von Experten verglichen werden k\u00f6nnen. In Mausmodellen der Alzheimer-Krankheit deckten diese Werkzeuge Ver\u00e4nderungen in der Struktur von Verhaltensmustern auf, wobei bei erkrankten Tieren fragmentiertere und unorganisiertere Sequenzen zu beobachten waren. Gro\u00df angelegte Analysen haben zudem lang gehegte Annahmen in Frage gestellt und best\u00e4tigt, dass weibliche M\u00e4use nicht variabler sind als m\u00e4nnliche, wenn das Verhalten als Abfolge von Handlungen beschrieben wird. Hier fungiert KI haupts\u00e4chlich als Hilfsmittel: Aufgaben, die stundenlange manuelle Annotation durch Menschen erforderten, kann der Computer nun viel schneller erledigen.<\/p>\n\n\n\n

Angesichts der steigenden Menge an gesammelten Verhaltensdaten lassen sich weitere Modelle erstellen, die K\u00f6rperhaltungen und Bewegungsabl\u00e4ufe in einer virtuellen Simulationsumgebung nachbilden. Diese Modelle basieren auf experimentellen Daten, die K\u00f6rperhaltungen, Muskelkr\u00e4fte, Knochenl\u00e4ngen und die Winkel zwischen den Knochen erfassen. In diesen virtuellen Plattformen werden verschiedene Komponenten der Bewegung simuliert und sind jederzeit zug\u00e4nglich: Skelett, Muskulatur, ganzer K\u00f6rper. Systeme wie Virtual Rodent oder NeuroMechFly, die mit biomechanischen Einschr\u00e4nkungen (Anatomie und K\u00f6rpermechanik), sensorischenInformationen und neuronalen Befehlen ausgestattet sind, k\u00f6nnen Bewegungsstrategien erzeugen, die an echte Tiere erinnern, und erm\u00f6glichen es zu testen, wie K\u00f6rpermechanik und neuronale Befehle zusammenwirken, um Verhalten zu erzeugen. Diese \u201edigitalen Tiere\u201c sind leistungsstark, da sie \u00fcber die passive Beobachtung hinausgehen: Sie erm\u00f6glichen es uns, Experimente durchzuf\u00fchren, die in vivo schwierig, langwierig oder unm\u00f6glich w\u00e4ren, indem sie Muskeln, neuronale Steuerung oder Umgebungsbedingungen in einer vollst\u00e4ndig kontrollierten Umgebung beeinflussen. Anstatt nur zu fragen \u201eWas hat das Tier getan?\u201c, k\u00f6nnen wir nun fragen, welche Kombination aus Einschr\u00e4nkungen, neuronalen Signalen oder K\u00f6rpermechanik ausreichen w\u00fcrde, um dieses Verhalten zu erzeugen.<\/p>\n\n\n\n

\"-
Wie l\u00e4sst sich Verhalten vollst\u00e4ndig beschreiben? Verhalten l\u00e4sst sich hierarchisch zerlegen: von den Bewegungen der M\u00e4use in 3D bis hin zu einer vollst\u00e4ndigen Beschreibung des Verhaltens. Kurze Zeitabschnitte werden zun\u00e4chst als Posen identifiziert, die dann zu Silben gruppiert und weiter zu \u00fcbergeordneten Verhaltensweisen wie Ann\u00e4herung, Fellpflege, Fressen oder Schlafen organisiert werden. Wichtig ist, dass dieselbe \u00fcbergeordnete Verhaltensweise durch unterschiedliche Kombinationen von Silben und Posen erreicht werden kann. (Copyright: France ROSE, Creative Commons Attribution License (CC BY))<\/figcaption><\/figure>\n\n\n\n

<\/p>\n\n\n\n

Wie geht es weiter?<\/h2>\n\n\n\n

Durch die Sch\u00e4tzung von K\u00f6rperhaltungen, die Erkennung von Handlungen und die Erstellung von Verhaltensmodellen bietet KI eine gro\u00dfe Chance zur Skalierung: Es k\u00f6nnen mehr Videos in k\u00fcrzerer Zeit verarbeitet und mehr Handlungstypen gleichzeitig untersucht werden. F\u00fcr alle hier aufgef\u00fchrten Anwendungszwecke (Tierverfolgung, K\u00f6rperhaltungssch\u00e4tzung, Handlungserkennung) erzielen KI-basierte Methoden die besten Ergebnisse. Wo liegt also derzeit der Engpass? Ich sehe zwei.<\/p>\n\n\n\n

Die erste H\u00fcrde besteht darin, Werkzeuge wie die Posensch\u00e4tzung und die Aktionserkennung wirklich zug\u00e4nglich zu machen und daf\u00fcr zu sorgen, dass sie in verschiedenen Labors funktionieren. Zwar sind diese Aufgaben im Prinzip \u201egel\u00f6st\u201c \u2013 es wurden Methoden entwickelt und getestet \u2013, doch variieren die Verhaltensdaten je nach Labor, Kameraaufstellung, Tierlinie und Versuchsprotokoll\u2026 Ein Modell, das in einem Labor gut funktioniert, kann in einem anderen Probleme bereiten. Und diese Variabilit\u00e4t bleibt eine Herausforderung f\u00fcr Deep-Learning-Methoden. Manchmal erfordert das Erreichen qualitativ hochwertiger Ergebnisse eine erhebliche Menge an Daten und Experten-Labels, manchmal muss die Methode selbst an die neue Fallstudie angepasst werden.<\/p>\n\n\n\n


In anderen Bereichen der KI lautet die Standardantwort auf ein schwieriges Problem oft: Sammle mehr Daten, trainiere ein gr\u00f6\u00dferes Modell, skaliere nach oben. Diese Strategie funktioniert, wenn man \u00fcber Millionen von Bildern oder Milliarden von W\u00f6rtern verf\u00fcgt.<\/p>\n\n\n\n


Und im Gegensatz zur KI im Internet-Ma\u00dfstab unterliegt die Verhaltensforschung bei Tieren einer strengen Einschr\u00e4nkung: Die Datens\u00e4tze sind oft klein. In den Neurowissenschaften und der experimentellen Biologie ist eine Ausweitung der Datenerhebung nicht realistisch. Experimente sind teuer, zeitaufwendig, erfordern den Einsatz lebender Tiere und erfordern Fachwissen. Wir sollten nicht davon ausgehen, dass mehr Experimente allein das Problem l\u00f6sen werden.<\/p>\n\n\n\n

Wie k\u00f6nnen wir robustere Methoden entwickeln, die labor\u00fcbergreifend funktionieren? Eine Antwort w\u00e4re, die Experimente labor\u00fcbergreifend zu standardisieren, die gleichen Kameras und Versuchsanlagen anzuschaffen \u2026 Doch das w\u00fcrde unsere Kreativit\u00e4t und die Entwicklung neuer Experimente einschr\u00e4nken, mit denen wir die Grenzen unseres Wissens erweitern wollen. Wir k\u00f6nnen intelligentere Methoden entwickeln, indem wir unsere Daten besser nutzen (Datenerweiterung, synthetische Daten, andere Arten von angrenzenden Daten wie Zeitreihen), indem wir modulare Modelle erstellen, die sich relativ reibungslos an neue Daten anpassen k\u00f6nnen, und indem wir dateneigene Merkmale ohne menschliche \u00dcberwachung erlernen.<\/p>\n\n\n\n


Die Erstellung allgemeinerer Modelle w\u00fcrde auch bedeuten, dass wir die zugrunde liegenden Mechanismen der Verhaltensgenerierung verstanden haben, da Variabilit\u00e4t ein zentrales Merkmal von Verhalten ist \u2013 und kein \u201eFehler\u201c: Verhalten und die zugrunde liegenden neuronalen Schaltkreise, die es erzeugen, wurden im Hinblick auf Anpassung selektiert: um auf neue, unbekannte Situationen zu reagieren und unterschiedliche Individuen mit unterschiedlichen Neigungen zu schaffen, die das \u00dcberleben der Population beg\u00fcnstigen.<\/p>\n\n\n\n

Der zweite Engpass besteht darin, zu lernen, wie man Verhalten detaillierter beschreiben kann. Anstatt die Handlungen eines Tieres auf eine einzige Zahl zu reduzieren, wollen wir erfassen, wie sich seine Bewegungen im Laufe der Zeit entfalten.
Lange Zeit war dies schlichtweg nicht m\u00f6glich. Uns fehlten sowohl die Werkzeuge als auch die theoretischen Rahmenbedingungen, um Verhalten so detailliert zu beschreiben. Infolgedessen tun viele aktuelle KI-Methoden immer noch etwas sehr Vertrautes: Sie ahmen nach, was Menschen bereits taten \u2013 nur schneller. Doch die menschliche Beobachtung hat ihre Grenzen, wie etwa Unterschiede zwischen den Beobachtern, subjektive Verzerrungen und Ver\u00e4nderungen im Urteilsverm\u00f6gen im Laufe der Zeit.<\/p>\n\n\n\n


Um dar\u00fcber hinauszugehen, haben Forscher begonnen, Verhalten nicht mehr mit Worten, sondern mit Zahlen darzustellen. Diese numerischen Darstellungen, oft als \u201eEmbeddings\u201c bezeichnet, ordnen jedes Verhalten in einen hochdimensionalen Raum ein \u2013 eine mathematische Darstellung, die viele Aspekte eines Verhaltens gleichzeitig erfasst. In diesem Raum liegen sich \u00e4hnliche Verhaltensweisen nahe beieinander. Diese Embeddings k\u00f6nnen mithilfe physikbasierter Modelle oder Deep-Learning-Ans\u00e4tzen erstellt werden, die alle darauf abzielen, die Struktur von Verhaltenssequenzen besser zu erfassen.
Dieser Wandel bringt jedoch neue Herausforderungen mit sich. Verschiedene Methoden k\u00f6nnen zu sehr unterschiedlichen Darstellungen f\u00fchren, und es gibt keinen einzigen \u201erichtigen\u201c Weg, Verhaltensweisen zu gruppieren oder zu clustern. Manche Verhaltensweisen k\u00f6nnen sich \u00fcberschneiden, und verschiedene Studien k\u00f6nnen sich auf unterschiedliche Detailebenen konzentrieren. Vor allem aber r\u00fcckt die Validierung in den Mittelpunkt: Woher wissen wir, dass diese Cluster tats\u00e4chlich aussagekr\u00e4ftigen Verhaltensweisen entsprechen?<\/p>\n\n\n\n


Dies wirft eine tiefgreifendere Frage auf. Gibt es eine universelle Methode zur Beschreibung von Verhalten \u2013 eine Art \u201eVerhaltensatlas\u201c, der experiment\u00fcbergreifend funktioniert? Oder m\u00fcssen wir jedes Mal unterschiedliche Werkzeuge w\u00e4hlen, je nachdem, welche Frage wir stellen? Explorative Methoden sind leistungsstark und sensibel, aber sie zwingen uns auch, uns einer schwierigen Frage zu stellen: Wem sollen wir vertrauen, und wie validieren wir unsere Ergebnisse?<\/p>\n\n\n\n

Um Verhalten zu verstehen, m\u00fcssen wir \u00fcber einfache Messungen hinausgehen und reichhaltigere, dynamischere Beschreibungen entwickeln \u2013 und genau hier kommt der KI eine entscheidende Rolle zu. Diese Werkzeuge er\u00f6ffnen zwar neue M\u00f6glichkeiten, zwingen uns aber auch dazu, die Art und Weise zu \u00fcberdenken, wie wir das Beobachtete interpretieren und validieren. Letztendlich geht es nicht nur darum, Verhalten effizienter zu analysieren, sondern auch darum, Prinzipien aufzudecken, die bisher unerreichbar waren.<\/p>\n\n\n\n

Weiterf\u00fchrende Informationen<\/h2>\n\n\n\n
    \n
  • Von Ziegler, Lukas, Oliver Sturman, and Johannes Bohacek. „Big behavior: challenges and opportunities in a new era of deep behavior profiling.“ Neuropsychopharmacology 46.1 (2021): 33-44. https:\/\/doi.org\/10.1038\/s41386-020-0751-7<\/li>\n\n\n\n
  • Pereira, Talmo D., Joshua W. Shaevitz, and Mala Murthy. „Quantifying behavior to understand the brain.“ Nature neuroscience 23.12 (2020): 1537-1549. https:\/\/doi.org\/10.1038\/s41593-020-00734-z<\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"

    Warum ist die Quantifizierung von Verhalten ein grundlegender Schritt zum Verst\u00e4ndnis des Gehirns und lebender Tiere? Wie kann uns die KI dabei helfen? Werfen wir einen Blick auf die neuesten Entwicklungen und ihre Auswirkungen.<\/p>\n","protected":false},"author":14,"featured_media":37762,"template":"","meta":{"_acf_changed":false,"footnotes":""},"blog-category":[1416,390,1664],"blog-tag":[1480,1619,1621],"class_list":["post-37539","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-alle-blogbeitraege","blog-category-grundlagen","blog-category-ki-in-gesundheit-medizin","blog-tag-deep-learning-de","blog-tag-wissenschaft","blog-tag-zeitreihen"],"acf":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/37539","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/types\/blog"}],"author":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/users\/14"}],"version-history":[{"count":0,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/37539\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media\/37762"}],"wp:attachment":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media?parent=37539"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-category?post=37539"},{"taxonomy":"blog-tag","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-tag?post=37539"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}