Eläinten viestintä

Eläinten viestintä voi tuntua yllättävän tutulta. Erilaiset äänet voivat ilmaista kiireellisyyttä, kiinnittää huomiota tai esiintyä tietyissä sosiaalisissa tilanteissa.

Tekoälyn avulla voidaan nykyään käsitellä valtavia määriä äänitallenteita.

Tutkijat ovatkin alkaneet selvittää, voisivatko koneet siirtyä pelkästä äänien tunnistamisesta siihen, että ne pystyisivät myös selvittämään, mitä eläinten lähettämät signaalit tarkoittavat. Tuore tutkimus kuitenkin viittaa siihen, että tehtävä on huomattavasti monimutkaisempi kuin pelkkä äänien luokittelu tekoälyn avulla.

Äänien rakenne ei ole sama asia kuin merkitys

Tekoälyjärjestelmät ovat erityisen hyviä tunnistamaan kuvioita suurista aineistoista. Kun tutkijat syöttävät niille äänitallenteita, malli voi verrata esimerkiksi äänen korkeutta, ajoitusta, taajuutta ja muita ominaisuuksia, joita ihmisen voi olla vaikea havaita pelkän kuuntelun perusteella.

Ongelma on, ettei akustinen samankaltaisuus aina vastaa viestinnällistä merkitystä. Kaksi toisiaan muistuttavaa ääntä voi palvella eri tarkoituksia, kun taas selvästi erilaiset äänet voivat välittää samanlaista tietoa.

Signaalien luokitteleminen niiden akustisten ominaisuuksien perusteella voi siksi antaa viestinnästä puutteellisen kuvan. Ero on erityisen tärkeä eläinten viestintää tutkittaessa, sillä tutkijat eivät voi yksinkertaisesti kysyä äänen lähettäjältä, mitä tietty ääni tarkoittaa.

Koekohteena pienten lasten äänet

Tel Avivin yliopiston ja yhteistyötahojen tutkijat tarkastelivat tätä haastetta käyttämällä pienten lasten ääntelyä. Lapset eivät olleet vielä oppineet puhumaan kokonaisilla lauseilla, mikä tarjosi poikkeuksellisen tutkimusasetelman.

Lasten äänten tarkoitettua merkitystä voitiin arvioida suoremmin kuin eläinten viestinnässä. Tallenteet edustivat useita tilanteita, kuten hätää, tietyn vanhemman kutsumista ja ruoan pyytämistä.

Tutkijat vertasivat sen jälkeen erilaisia tapoja analysoida tallenteita. Yksi menetelmä perustui perinteiseen akustiseen analyysiin, minkä lisäksi kokeiltiin kahta syväoppimiseen perustuvaa järjestelmää. Toinen malli oli koulutettu eläinten ääntelyllä ja toinen ihmisten puheella.

Tekoäly voi ohittaa viestin merkityksen

Mallit ryhmittelivät toisinaan yhteen ääniä, joilla oli erilainen merkitys. Toisissa tapauksissa ne puolestaan erottelivat toisistaan ääniä, joiden tarkoitus oli välittää sama asia.

Lisähaasteena olivat äänisarjat. Useiden peräkkäisten ääntelyjen voimakkuus tai kiireellisyys voi muuttua, ja ihminen saattaa tunnistaa tällaisen etenemisen luontevasti. Tutkitut mallit eivät kuitenkaan tunnistaneet tätä eroa luotettavasti.

Tulokset viittaavat siihen, että toistuvien akustisten piirteiden tunnistaminen on vain yksi osa viestinnän ymmärtämistä. Kone voi havaita kahden äänen sisältävän samanlaisia ominaisuuksia ilman, että se ymmärtää, mitä äänet merkitsevät niiden vastaanottajalle.

Ero on erittäin tärkeä silloin, kun tavoitteena on tutkia eläinten viestintää eikä vain luokitella äänitallenteita.

Miksi asiayhteydellä on merkitystä

Viestintäsignaalin ymmärtäminen edellyttää äänen tarkastelua laajemmassa yhteydessä. Tutkijoiden on otettava huomioon, mitä tapahtui signaalin tuottamisen aikana, kuka sen vastaanotti ja mitä sen jälkeen tapahtui.

Käyttäytymisen havainnointi voi tarjota tärkeitä vihjeitä. Kontrolloiduissa toistokokeissa tutkijat voivat puolestaan soittaa tietyn äänen toiselle yksilölle ja tarkkailla tämän reaktiota.

Joissakin tutkimusasetelmissa myös tieto hermoston toiminnasta voi auttaa selvittämään, miten signaalit havaitaan ja käsitellään.

Tällainen lähestymistapa korostaa sitä, että viestintä on kaksisuuntainen prosessi. Äänen tuottaminen on vain yksi osa vuorovaikutusta, ja vastaanottajan reaktio voi tarjota näyttöä siitä, liittyykö signaaliin tietty tehtävä tai merkitys.

Tekoälyllä on edelleen tärkeä rooli

Tulokset eivät tarkoita, että tekoälystä olisi vain vähän hyötyä eläinten viestinnän tutkimuksessa. Päinvastoin tekoäly pystyy käsittelemään valtavia määriä äänidataa ja tunnistamaan kuvioita, joiden havaitseminen manuaalisesti voisi olla tutkijoille vaikeaa.

Sen hyödyllisin rooli saattaa kuitenkin olla tieteellisten kysymysten muodostamisessa ja testaamisessa eikä toimia automaattisena kääntäjänä.

Malli voi esimerkiksi tunnistaa toistuvan äänikuvion, joka liittyy tiettyyn tilanteeseen. Tutkijat voivat tämän jälkeen selvittää, säilyykö yhteys samanlaisena eri yksilöillä ja erilaisissa olosuhteissa.

Jos kontrolloiduissa kokeissa havaitaan samanlaisia reaktioita, tulkinnan luotettavuus vahvistuu.

Edessä oleva haaste

Current Biology lehdessä julkaistu tutkimus nostaa esiin eläinten viestinnän tulkitsemiseen liittyvän perustavanlaatuisen ongelman. Signaalin ymmärtäminen edellyttää tietoa siitä, miten vastaanottaja sen havaitsee, eikä vain siitä, miltä signaali näyttää tai kuulostaa koneen analyysissä.

Tämä periaate voi ohjata tulevaa tutkimusta, jossa tarkastellaan esimerkiksi lintuja, valaita, lepakoita ja muita eläinlajeja.

Suuremmat aineistot auttavat varmasti, mutta myös tallenteiden yhteydessä kerätty tieto on tärkeää. Tiedot eläimen käyttäytymisestä, ympäristöstä, sosiaalisesta vuorovaikutuksesta ja muiden yksilöiden reaktioista voivat tehdä aineistosta huomattavasti informatiivisempaa.

Tulevissa tutkimuksissa tekoälyä tullaan todennäköisesti yhdistämään yksityiskohtaisiin käyttäytymistutkimuksiin ja kontrolloituihin kokeisiin. Tällainen lähestymistapa voi auttaa tutkijoita pääsemään lähemmäs eläinten viestinnän ymmärtämistä ilman oletusta siitä, että jokainen toistuva ääni vastaisi yksinkertaista ja kaikissa tilanteissa samanlaista viestiä.