Simple Science

Ciência de ponta explicada de forma simples

# Biologia# Comportamento e Cognição Animal

As Complexidades das Redes Sociais Animais

Os animais formam redes sociais complexas que influenciam o comportamento e a sobrevivência.

Helen K Mylne, Jackie Abell, Colin M Beale, Lauren JN Brent, Jakob Bro-Jørgensen, Kate E Evans, Jordan DA Hart, Dabwiso Sakala, Twakundine Simpamba, David Youldon, Daniel W Franks

― 5 min ler


Redes Sociais AnimaisRedes Sociais AnimaisExplicadascomportamento e a sobrevivência.Como as conexões entre animais moldam o
Índice

Quando a gente observa os animais na natureza, percebe que eles não ficam vagando sozinhos como uma meia perdida na secadora. Eles formam conexões com outros, criando o que os cientistas chamam de Redes Sociais. Pense nessas redes como uma teia de amizades e interações que ajudam os animais a sobreviver e prosperar. Assim como a gente, os animais têm seus próprios "círculos sociais".

Os Blocos de Construção das Redes Sociais

Nessas redes animais, há duas partes principais: os próprios animais, conhecidos como nós, e os relacionamentos entre eles, chamados de arestas. Quando dois animais se encontram, eles formam uma aresta, e quanto mais eles interagem, mais forte essa aresta fica. Agora, alguns grupos de animais são super amigos; eles interagem frequentemente e têm muitas arestas conectando-os, tornando sua rede social densa. Outros são como aquele aluno quieto na última fila da sala-esparsos e não muito falantes.

Por que a Densidade da Rede Importa?

A densidade de uma rede social pode influenciar como os animais aprendem uns com os outros e como as doenças se espalham. Em uma rede densa, os animais aprendem habilidades e informações mais rápido, enquanto em uma rede esparsa, pode demorar mais para o conhecimento circular. Além disso, estar em um grupo mais isolado pode aumentar a chance de ficar doente, já que menos interações significam menos oportunidades de compartilhar germes (viva o distanciamento social!).

O Jogo das Preferências Sociais

Agora, só porque os animais vivem em grupo, não quer dizer que todos têm a mesma abordagem para amizades. Alguns animais podem ser super sociais, mas só se dar bem com alguns poucos amigos. Imagine duas pessoas em uma festa que são amigáveis, mas preferem ficar no grupo de amigos próximos em vez de interagir com todo mundo.

O Foco do Estudo

A maioria dos estudos sobre redes sociais de animais foca em borboletas sociais como aves e certos mamíferos. Os pesquisadores tendem a olhar para espécies com redes densas simplesmente porque são mais fáceis de observar e têm aplicações mais claras na vida real. Mas isso significa que não sabemos muito sobre tipos mais solitários, como alguns répteis e mamíferos solitários.

O Problema com Redes Esparsas

Quando se estuda redes sociais, encontrar dados confiáveis pode ser complicado, especialmente em redes esparsas. Métodos comuns usados para analisar essas redes podem não ser tão eficazes. Eles costumam assumir que todos os relacionamentos são igualmente prováveis e podem interpretar os dados de forma errada. Por exemplo, se dois animais nunca foram vistos juntos, a maioria dos métodos tradicionais ainda pode dar a eles uma alta probabilidade de conexão, o que é só errado.

Entrando nos Modelos Bayesianos

Para lidar com esses problemas, as pessoas começaram a usar modelos bayesianos, que permitem aos pesquisadores incorporar conhecimento prévio em suas análises. É como entrar em uma competição de culinária com algumas receitas secretas da família em vez de improvisar. No entanto, usar as receitas erradas (ou priors) ainda pode resultar em uma bagunça no seu prato.

Uma Nova Abordagem: Modelagem em Duas Etapas

Precisamos considerar que as interações sociais acontecem em duas etapas: primeiro, se dois animais vão até se interagir e, segundo, quão forte será essa interação. Se dois animais nunca cruzam caminhos, eles não podem formar uma conexão forte! Essa abordagem em duas etapas ajuda a evitar as armadilhas de assumir que todos os relacionamentos são iguais.

Exemplo da Vida Real: Elefantes na Selva

Vamos olhar para os elefantes machos na Zâmbia. Os pesquisadores coletaram dados sobre suas interações e formaram um perfil de rede social. Depois de analisar como eles se associaram, os resultados mostraram que a grande maioria dos pares nunca foi vista junta, resultando em muitos zeros. Mas quando eles usaram um método mais sofisticado considerando o processo social em duas etapas, novas descobertas surgiram, mostrando uma imagem mais precisa de suas vidas sociais.

Entendendo os Pesos das Arestas

Em qualquer estudo de rede social, entender os "pesos das arestas" é crucial. Esses pesos representam a força da conexão entre dois animais. Métodos regulares costumam exagerar as conexões, dando notas altas para pares mal amostrados, enquanto deixam de fora detalhes críticos sobre quem realmente se encontra com quem. Isso pode levar a resultados distorcidos, como dizer que o isolado tem uma vida social vibrante quando, na verdade, ele só tem alguns conhecidos.

A Importância da Qualidade dos Dados

No geral, a qualidade dos dados coletados dessas redes é fundamental. Amostragens ruins podem levar a resultados não confiáveis e interpretações erradas do comportamento animal. O objetivo é capturar a verdadeira essência das interações sociais na natureza, mas sem métodos adequados, isso pode ser um desafio e tanto.

A Mensagem Final

Em conclusão, as redes sociais nos animais são fascinantes, mas complexas. A forma como essas redes são estruturadas pode impactar significativamente seu comportamento. Usando uma abordagem de modelagem em duas etapas, os pesquisadores podem entender melhor como os animais interagem, o que pode ajudar em esforços de conservação e na compreensão do comportamento animal.

Pensamentos Finais

Assim como a gente, os animais têm suas próprias dinâmicas sociais. Seja formando laços fortes ou mantendo um estilo de vida solitário, entender essas redes é essencial para apreciar a teia intrincada da vida ao nosso redor. O mundo lá fora é selvagem-então vamos garantir que estamos estudando tudo isso da maneira certa!

Fonte original

Título: Analysis of sparse animal social networks

Resumo: Low-density social networks can be common in animal societies, even among species generally considered to be highly social. Social network analysis is commonly used to analyse animal societal structure, but edge weight (strength of association between two individuals) estimation methods designed for dense networks can produce biased measures when applied to low-density networks. Frequentist methods suffer when data availability is low, because they contain an inherent flat prior that will accept any possible edge weight value, and contain no uncertainty in their output. Bayesian methods can accept alternative priors, so can provide more reliable edge weights that include a measure of uncertainty, but they can only reduce bias when sensible prior values are selected. Currently, neither accounts for zero-inflation, so they produce edge weight estimates biased towards stronger associations than the true social network, which can be seen through diagnostic plots of data quality against output estimate. We address this by adding zero-inflation to the model, and demonstrate the process using group-based data from a population of male African savannah elephants. We show that the Bayesian approach performs better than the frequentist to reduce the bias caused by these problems, though the Bayesian requires careful consideration of the priors. We recommend the use of a Bayesian framework, but with a conditional prior that allows the modelling of zero-inflation. This reflects the fact that edge weight derivation is a two-step process: i) probability of ever interacting, and ii) frequency of interaction for those who do. Additional conditional priors could be added where the biology requires it, for example in a society with strong community structure, such as female elephants in which kin structure would create additional levels of social clustering. Although this approach was inspired by reducing bias observed in sparse networks, it could have value for networks of all densities.

Autores: Helen K Mylne, Jackie Abell, Colin M Beale, Lauren JN Brent, Jakob Bro-Jørgensen, Kate E Evans, Jordan DA Hart, Dabwiso Sakala, Twakundine Simpamba, David Youldon, Daniel W Franks

Última atualização: 2024-11-04 00:00:00

Idioma: English

Fonte URL: https://www.biorxiv.org/content/10.1101/2024.10.31.621436

Fonte PDF: https://www.biorxiv.org/content/10.1101/2024.10.31.621436.full.pdf

Licença: https://creativecommons.org/licenses/by/4.0/

Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.

Obrigado ao biorxiv pela utilização da sua interoperabilidade de acesso aberto.

Artigos semelhantes