Type de document : revue scientifique publiée dans Animal
Auteurs : A. Fuentes, S. Han, J. Liu, J. Park, S. Yoon, D.S. Park
Résumé en français : Revue : Comprendre le comportement social des bovins dans les systèmes de production modernes en enclos grâce à l’intelligence artificielle : suivons-nous les indicateurs de bien-être ?
La surveillance du comportement social des bovins est fondamentale pour évaluer le bien-être animal dans les systèmes de production modernes en enclos. Les méthodes d’observation traditionnelles sont limitées par leur subjectivité, les besoins en main-d’œuvre et leur évolutivité restreinte, ce qui suscite un intérêt croissant pour l’intelligence artificielle (IA) dans le suivi automatisé du comportement. Si les progrès récents en matière de vision par ordinateur, de technologies de capteurs et d’apprentissage automatique offrent des outils prometteurs pour une surveillance continue et objective, de nombreux systèmes se concentrent sur l’identification de « ce que » fait un animal (par exemple, se coucher, se nourrir), sans interpréter le « pourquoi » sous-jacent, comme le fait de savoir si une posture indique un repos, un inconfort ou une maladie, en raison d’un manque de modélisation contextuelle. Cette revue synthétise les résultats de plus de 180 articles évalués par des pairs provenant des bases de données Scopus, Web of Science et PubMed à l’aide de mots-clés ciblés liés au comportement des bovins, aux indicateurs de bien-être et à la surveillance basée sur l’IA. Nous examinons les fondements biologiques du comportement social des bovins, les effets des environnements de production modernes en enclos sur l’expression comportementale et la manière dont les technologies actuelles basées sur l’IA s’alignent sur les protocoles d’évaluation du bien-être établis. Notre analyse révèle que si les systèmes d’IA actuels capturent efficacement des indicateurs tels que le niveau d’activité, la marche, la station debout, l’alimentation et la position couchée, ils ne tiennent souvent pas compte des comportements affiliatifs complexes, des dynamiques sociales et des signaux de stress dépendant du contexte. Les principales limites comprennent une faible généralisation d’un contexte agricole à l’autre, une intégration insuffisante des données temporelles et multimodales, et un manque de transparence dans les résultats du système. Pour combler ces lacunes, nous proposons un cadre d’IA centré sur le bien-être et fondé sur cinq principes : l’intégration de données multimodales, la modélisation comportementale contextuelle, des ontologies comportementales partagées, la conception de systèmes impliquant l’intervention humaine et une IA explicable. Cette approche permet une interprétation plus précise du comportement des bovins, facilitant la détection précoce des risques pour le bien-être et la prise de décisions éclairées. Nous concluons en soulignant les besoins futurs en matière de recherche dans les domaines de la validation des systèmes, de la co-conception éthique et de la collaboration interdisciplinaire afin de permettre une mise à l’échelle responsable des technologies d’IA dans les systèmes d’élevage.
Résumé en anglais : Monitoring cattle social behaviour is fundamental for assessing animal welfare in modern penned production systems. Traditional observation methods are constrained by subjectivity, labour demands, and limited scalability, prompting increased interest in artificial intelligence (AI) for automated behaviour tracking. While recent advances in computer vision, sensor technologies, and machine learning offer promising tools for continuous and objective monitoring, many systems focus on identifying “what” an animal is doing (e.g., lying, feeding), without interpreting the underlying “why”, such as whether a posture indicates rest, discomfort, or illness, due to lack of contextual modelling. This review synthesises findings from over 180 peer-reviewed articles sourced from Scopus, Web of Science, and PubMed databases using targeted keywords related to cattle behaviour, welfare indicators, and AI-based monitoring. We examine the biological foundations of cattle social behaviour, the effects of modern penned production environments on behavioural expression, and how current AI-based technologies align with established welfare assessment protocols. Our analysis reveals that while current AI systems effectively capture indicators like activity level, walking, standing, feeding, and lying, they often fail to account for complex affiliative behaviours, social dynamics, and context-dependent stress signals. Major limitations include poor generalisability across farm contexts, insufficient temporal and multimodal data integration, and a lack of transparency in system outputs. To address this gap, we propose a welfare-centred AI framework grounded in five principles: multimodal data integration, context-aware behavioural modelling, shared behavioural ontologies, human-in-the-loop system design, and explainable AI. This approach supports a more accurate interpretation of cattle behaviour, facilitating early detection of welfare risks and informed decision-making. We conclude by outlining future research needs in system validation, ethical co-design, and cross-disciplinary collaboration to enable responsible scaling of AI technologies in livestock systems.
