Een innovatief algoritme voor kunstmatige intelligentie, ontwikkeld door experts op het gebied van hondengedrag, is ontworpen om het temperament van werkhonden nauwkeurig te beoordelen om betere trainings- en plaatsingsresultaten mogelijk te maken. Deze samenwerking tussen de academische wereld en de hondentechnologie-startup Dogvatar maakt gebruik van C-BARQ-enquêtegegevens om de persoonlijkheidstypes van honden te voorspellen, wat een nieuwe benadering biedt voor het matchen van mens en hond. Het algoritme genereert een vingerafdruk van de persoonlijkheid van een hond, net zoals de populaire Myers-Briggs-test dat voor mensen doet.
Een multidisciplinair team van onderzoekers gespecialiseerd in het gedrag van honden en kunstmatige intelligentie heeft een AI-algoritme ontwikkeld dat het belangrijke proces van het beoordelen van de persoonlijkheid van een potentiële werkhond automatiseert. Ze hopen hondentrainingsfaciliteiten sneller en nauwkeuriger te helpen beoordelen welke dieren potentieel hebben voor succes op de lange termijn in carrières zoals het assisteren van wetshandhaving en het helpen van mensen met een handicap. Persoonlijkheidstests kunnen ook worden gebruikt om honden aan mensen te koppelen en asielen te helpen dieren op de juiste manier te plaatsen, waardoor het aantal dieren dat wordt teruggestuurd als ongeschikt adoptiehuis wordt verminderd.
Wetenschappers van de University of East London en de University of Pennsylvania voerden het onderzoek uit namens hun sponsor Dogvatar, een startup voor hondentechnologie gevestigd in Miami, Florida. Ze maakten de onderzoeksresultaten van het algoritme voor het testen van hondenpersoonlijkheid bekend in het artikel "Artificial Intelligence Method for Predicting Dog Personality Type", gepubliceerd in "Scientific Reports" op 29 januari 2024.
Het AI-algoritme maakt gebruik van gegevens uit bijna 8.000 reacties op de veelgebruikte Canine Behavior Assessment and Research Questionnaire (C-BARQ) om zichzelf te trainen. Al meer dan 20 jaar is de vragenlijst met 100 vragen de gouden standaard voor het evalueren van potentiële werkhonden.
"De C-BARQ is zeer effectief, maar veel van de vragen zijn ook subjectief", zegt co-hoofdonderzoeker James Serpell, emeritus hoogleraar ethiek en dierenwelzijn aan de School of Veterinary Medicine van de Universiteit van Pennsylvania. "Door gegevens uit duizenden enquêtes te clusteren, konden we ons aanpassen aan de schandalige reacties die inherent zijn aan subjectieve enquêtevragen in categorieën zoals hondencompetitie en op vreemden gerichte angst."
Het experimentele algoritme voor kunstmatige intelligentie van het onderzoeksteam werkt gedeeltelijk door de antwoorden op C-BARQ-vragen in vijf brede categorieën te classificeren, waardoor uiteindelijk een digitale persoonlijkheidsvingerafdruk voor een specifieke hond ontstaat. Deze persoonlijkheidstypen worden geïdentificeerd en beschreven op basis van een analyse van de meest invloedrijke eigenschappen in vijf categorieën, waaronder: ‘opwindbaar/affectief’, ‘angstig/angstig’, ‘afstandelijk/roofzuchtig’, ‘reactief/actief’ en ‘kalm/sociaal’. Deze laatste gegroepeerde gegevenspunten omvatten gedragskenmerken zoals 'Opwinding als de deurbel gaat', 'Agressie jegens vreemde honden die je huis bezoeken' en 'Vogels achtervolgen of achtervolgen als ze de kans krijgen'.
Aan elk attribuut wordt een ‘functiebelang’-waarde toegekend, dat is hoeveel gewicht het AI-algoritme aan dat attribuut toekent bij het berekenen van de persoonlijkheidsscore van de hond.
Dogvatar en zijn medeonderzoekers zijn van plan om mogelijke toepassingen voor hun algoritme voor het testen van de hondenpersoonlijkheid verder te onderzoeken. "Dit is een zeer opwindende doorbraak voor ons", aldus CEO en "AlphaPack Leader" Piya Pettigrew. "Dit algoritme zou de efficiëntie van het training- en plaatsingsproces voor werkhonden aanzienlijk kunnen verbeteren en het aantal gezelschapshonden kunnen verminderen dat naar opvangcentra terugkeert vanwege mismatches. Het is een win-winsituatie voor zowel de honden als de mensen die ze dienen."
Samengestelde bron: ScitechDaily