Abstract
Введение. В отечественной зоопсихологии слабо представлены исследования, посвященные проблемному поведению собак-компаньонов, что связано с отсутствием измеримых метрик, позволяющих проанализировать их поведение. С опорой на данные зарубежных исследований применение анализа видеозаписей с использованием систем искусственного интеллекта позволит получить объективные маркеры проблемного поведения у домашних собак.
Методы. Пилотная выборка включала 35 собак — 15 кобелей и 20 сук. Обследование включало тест для владельцев CBARQ и пробы: знакомство, взаимодействие с владельцем и незнакомцем, одиночество. Производилась видеозапись двигательной активности, линейных и угловых ускорений с применением портативного акселерометра.
Результаты. На основании расчета медианного значения по шкале «Страх и Тревожность» CBARQ собаки были разделены на тревожных и спокойных. Для тревожных собак показаны высокие значения баллов по шкалам «Агрессия» и «Возбудимость». С учетом расстояния между владельцем и собакой из группы тревожных были дополнительно выделены возбудимые собаки. Средняя скорость была выше у возбудимых и тревожных собак; расстояние между точками концентрации активности максимально для возбудимых собак, и минимально — для тревожных. Расчет частоты переключений показал высокие значения для тревожных собак.
Обсуждение результатов. Сочетание различных методов позволило проанализировать возможные маркеры поведенческих нарушений с учетом анамнеза жизни, визуального наблюдения (расстояние по кадрам), данных о динамике двигательной активноcти и паттернах поведения. В рамках пилотного исследования получены тестовые этограммы, позволяющие объективно классифицировать тип поведения собаки. Показана возможность добавления в этограмму собак скорости движения и частоты переключений, а также результатов анализа тревожности, агрессивности и возбудимости на основании опроса владельцев. Выявлено, что контакт с человеком является проявляющим фактором, позволяющим с использованием выделенных метрик выявить проблемное поведение собак.
References
Фомина, А.С., Васильев П.В., Долгов В.В., Крикунова А.А., Ермаков А.М. (2025). Новый подход к комплексной оценке проблемного поведения собак-компаньонов. Сообщение 1. Международный вестник ветеринарии, 1, 424-436. https://doi.org/10.52419/issn2072-2419.2025.1.424
Amirhosseini, M. H., Yadav, V., Serpell, J. A., Pettigrew, P., & Kain, P. (2024). An artificial intelligence approach to predicting personality types in dogs. Scientific Reports, 14(1), 2404. https://doi.org/10.1038/s41598-024-52920-9
Atif, O., Lee, J., Park, D., & Chung, Y. (2023). Behavior-based video summarization system for dog health and welfare monitoring. Sensors, 23(6), 2892. https://doi.org/10.3390/s23062892
Barnard, S., Calderara, S., Pistocchi, S., Cucchiara, R., Podaliri-Vulpiani, M., Messori, S., & Ferri, N. (2016). Quick, accurate, smart: 3D computer vision technology helps assessing confined animals' behaviour. PLoS One, 11(7), e0158748. https://doi.org/10.1371/journal.pone.0158748
Clarke, N., & Fraser, D. (2016). Automated monitoring of resting in dogs. Applied Animal Behaviour Science, 174, 99–102. https://doi.org/10.1016/j.applanim.2015.10.009
Dodman, N. H., Brown, D. C., & Serpell, J. A. (2018). Associations between owner personality and psychological status and the prevalence of canine behavior problems. PLoS One, 13(2), e0192846. https://doi.org/10.1371/journal.pone.0192846
Duffy, D. L., & Serpell, J. A. (2012). Predictive validity of a method for evaluating temperament in young guide and service dogs. Applied Animal Behaviour Science, 138(1–2), 99–109. https://doi.org/10.1016/j.applanim.2012.02.011
Duranton, C., Bedossa, T., & Gaunet, F. (2016). When facing an unfamiliar person, pet dogs present social referencing based on their owners' direction of movement alone. Animal Behaviour, 113, 147–156. https://doi.org/10.1016/j.anbehav.2016.01.005
Farhat, N., van der Linden, D., Zamansky, A., & Assif, T. (2024). Automation in canine science: Enhancing human capabilities and overcoming adoption barriers. Frontiers in Veterinary Science, 11, 1394620. https://doi.org/10.3389/fvets.2024.1394620
Gácsi, M., Maros, K., Sernkvist, S., Faragó, T., & Miklósi, Á. (2013). Human analogue safe haven effect of the owner: Behavioral and heart rate response to stressful social stimuli in dogs. PLoS One, 8(3), e58475. https://doi.org/10.1371/journal.pone.0058475
Gähwiler, S., Bremhorst, A., Tóth, K., & Riemer, S. (2020). Fear expressions of dogs during New Year fireworks: A video analysis. Scientific Reports, 10(1), 16035. https://doi.org/10.1038/s41598-020-72841-7
Karl, S., Boch, M., Zamansky, A., van der Linden, D., Wagner, I. C., Völter, C. J., Lamm, C., & Huber, L. (2020). Exploring the dog-human relationship by combining fMRI, eye-tracking and behavioural measures. Scientific Reports, 10(1), 22273. https://doi.org/10.1038/s41598-020-79247-5
Kim, S. C., & Kim, S. (2024). Development of a dog health score using an artificial intelligence disease prediction algorithm based on multifaceted data. Animals, 14(2), 256. https://doi.org/10.3390/ani14020256
King, T., Flint, H. E., Hunt, A. B. G., Werzowa, W. T., & Logan, D. W. (2022). Effect of music on stress parameters in dogs during a mock veterinary visit. Animals, 12(2), 187. https://doi.org/10.3390/ani12020187
Konok, V., Kosztolányi, A., Rainer, W., Mutschler, B., Halsband, U., & Miklósi, Á. (2015). Influence of owners' attachment style and personality on their dogs' (Canis familiaris) separation-related disorder. PLoS One, 10(2), e0118375. https://doi.org/10.1371/journal.pone.0118375
Ladha, C., & Hoffman, C. L. (2018). A combined approach to predicting rest in dogs using accelerometers. Sensors, 18(8), 2649. https://doi.org/10.3390/s18082649
Ladha, C., Belshaw, Z., O'Sullivan, J., & Asher, L. (2018). A step in the right direction: An open-design pedometer algorithm for dogs. BMC Veterinary Research, 14(1), 107. https://doi.org/10.1186/s12917-018-1422-3
Lamontagne, A., & Gaunet, F. (2024). Behavioural synchronisation between dogs and humans: Unveiling interspecific motor resonance? Animals, 14(4), 548. https://doi.org/10.3390/ani14040548
MacLean, E. L., Fine, A., Herzog, H., Strauss, E., & Cobb, M. L. (2021). The new era of canine science: Reshaping our relationships with dogs. Frontiers in Veterinary Science, 8, 675782. https://doi.org/10.3389/fvets.2021.675782
Marcato, M., Tedesco, S., O'Mahony, C., O'Flynn, B., & Galvin, P. (2023). Machine learning based canine posture estimation using inertial data. PLoS One, 18(6), e0286311. https://doi.org/10.1371/journal.pone.0286311
Martvel, G., Eretová, P., Přibylová, L., Chaloupková, H., Pongrácz, P., Shimshoni, I., Chen Cittone, N., Michaeli, Y., Grinstein, D., & Zamansky, A. (2025). Continuous automated analysis of facial dynamics of brachycephalic and normocephalic dogs in different contexts. BMC Veterinary Research, 21(1), 372. https://doi.org/10.1186/s12917-025-04839-0
Menaker, T., Monteny, J., de Beeck, L. O., & Zamansky, A. (2022). Clustering for automated exploratory pattern discovery in animal behavioral data. Frontiers in Veterinary Science, 9, 884437. https://doi.org/10.3389/fvets.2022.884437
Miller, S. L., Serpell, J. A., Dalton, K. R., Waite, K. B., Morris, D. O., Redding, L. E., Dreschel, N. A., & Davis, M. F. (2022). The importance of evaluating positive welfare characteristics and temperament in working therapy dogs. Frontiers in Veterinary Science, 9, 844252. https://doi.org/10.3389/fvets.2022.844252
Ren, W., Yu, S., Guo, K., Lu, C., & Zhang, Y. Q. (2024). Disrupted human-dog interbrain neural coupling in autism-associated Shank3 mutant dogs. Advanced Science, 11(41), e2402493. https://doi.org/10.1002/advs.202402493
Riggio, G., Gazzano, A., Zsilák, B., Carlone, B., & Mariti, C. (2020). Quantitative behavioral analysis and qualitative classification of attachment styles in domestic dogs: Are dogs with a secure and an insecure-avoidant attachment different? Animals, 11(1), 14. https://doi.org/10.3390/ani11010014
Rodriguez, K. E., Herzog, H., & Gee, N. R. (2021). Variability in human-animal interaction research. Frontiers in Veterinary Science, 7, 619600. https://doi.org/10.3389/fvets.2020.619600
Schork, I., Zamansky, A., Farhat, N., de Azevedo, C. S., & Young, R. J. (2024). Automated observations of dogs' resting behaviour patterns using artificial intelligence and their similarity to behavioural observations. Animals, 14(7), 1109. https://doi.org/10.3390/ani14071109
Serpell, J. A. (2019). How happy is your pet? The problem of subjectivity in the assessment of companion animal welfare. Animal Welfare, 28(1), 57–66. https://doi.org/10.7120/09627286.28.1.057
Solomon, J., Beetz, A., Schöberl, I., Gee, N., & Kotrschal, K. (2019). Attachment security in companion dogs: Adaptation of Ainsworth's strange situation and classification procedures to dogs and their human caregivers. Attachment & Human Development, 21(4), 389–417. https://doi.org/10.1080/14616734.2018.1517812
Stubsjøen, S. M., Moe, R. O., Johannessen, C., Larsen, M., Madsen, H., & Muri, K. (2022). Can shelter dog observers score behavioral expressions consistently over time? Acta Veterinaria Scandinavica, 64(1), 35. https://doi.org/10.1186/s13028-022-00654-x
Völter, C. J., Lonardo, L., Steinmann, M. G. G. M., Ramos, C. F., Gerwisch, K., Schranz, M. T., Dobernig, I., & Huber, L. (2023). Unwilling or unable? Using three-dimensional tracking to evaluate dogs' reactions to differing human intentions. Proceedings of the Royal Society B: Biological Sciences, 290(1991), 20221621. https://doi.org/10.1098/rspb.2022.1621
Völter, C., Starić, D., & Huber, L. (2023). Using machine learning to track dogs’ exploratory behavior in presence and absence of their caregiver. Animal Behaviour, 197, 97–111. https://doi.org/10.1016/j.anbehav.2023.01.004
Zamansky, A., Bleuer-Elsner, S., Masson, S., Amir, S., Magen, O., & van der Linden, D. (2018). Effects of anxiety on canine movement in dog-robot interactions. Animal Behavior and Cognition, 5(4), 380–387. https://doi.org/10.26451/abc.05.04.05.2018
Zamansky, A., Sinitca, A., van der Linden, D., & Kaplun, D. (2021). Automatic animal behavior analysis: Opportunities for combining knowledge representation with machine learning. Procedia Computer Science, 186, 661–668. https://doi.org/10.1016/j.procs.2021.04.186
This work is licensed under a Creative Commons Attribution 4.0 International License.
Copyright (c) 2025 Russian Psychological Journal