奶牛社交网络新视角：AI如何区分友好与对抗行为
一项发表于 arXiv 的新研究提出了一种基于计算机视觉与社交网络分析的框架，旨在更细致地理解奶牛群中的社会结构。该研究由 Sibi Parivendan 和 Suresh Raja Neethirajan 完成，题为《Interaction valence reveals contrasting social networks in dairy cattle》。传统上，自动化牲畜监测系统往往将行为视为孤立事件，忽略了社会互动的性质和意义。这项研究则引入了“效价”（valence）的概念，区分亲和（affiliative）与对抗（agonistic）两类互动，从而构建出更全面的群体社交网络。
研究团队利用基于姿态估计的计算机视觉管道，分析了某商业奶牛场挤奶前区域长达 7 小时 39 分钟的连续视频。经过质量控制，从 1414 个候选互动中保留了 1183 个，涉及 36 头奶牛和 177 个二元组合。在预测类别平衡的审计中，自动与人工标注的一致性达到 82.8%，未加权宏 F1 分数为 0.872。这些指标仅反映审计样本的表现，而非整体部署的精确度。
分析结果显示，聚合网络具有连通性（密度 0.281，传递性 0.513，平均路径长度 1.88），预测的亲和事件形成了五个算法社区（模块度 Q=0.429）。在观测区域内，预测的对抗互动占保留事件的 72.4%，占互动总时长的 76.0%。值得注意的是，拥有最多互动伙伴的奶牛并非具有最高的介数中心性，这提示简单的互动次数可能掩盖个体在网络中的真实角色。
通过按效价分离事件，研究发现亲和与对抗网络在边集、社区划分和个体位置上存在显著差异。这意味着，若仅汇总互动次数，可能会掩盖网络中的行为构成。效价感知分析为研究竞争、亲和及福利相关变化提供了新框架，但研究者强调，在用作福利或健康指标之前，仍需纵向验证。
这项研究展示了 AI 在动物行为学中的应用潜力，不仅有助于理解奶牛的社会动态，也可能为改善养殖管理提供依据。未来，类似技术或可扩展至其他物种或更大规模的农场，推动精准畜牧业的发展。
