Summary

L’arène de l’innovation : une méthode pour comparer la résolution de problèmes novateurs entre les groupes

Published: May 13, 2022
doi:

Summary

L’Arène de l’innovation est une nouvelle méthode comparative pour étudier le taux d’innovation technique par unité de temps chez les animaux. Il est composé de 20 tâches de résolution de problèmes différentes, qui sont présentées simultanément. Les innovations peuvent être réalisées librement et la configuration est robuste en ce qui concerne les prédispositions au niveau de l’individu, de la population ou de l’espèce.

Abstract

Les tâches de résolution de problèmes sont couramment utilisées pour étudier les comportements techniques et innovants, mais une comparaison de cette capacité à travers un large éventail d’espèces est une entreprise difficile. Des prédispositions spécifiques, telles que la boîte à outils morphologique d’une espèce ou les techniques d’exploration, peuvent influencer considérablement la performance dans de telles tâches, ce qui rend les comparaisons directes difficiles. La méthode présentée ici a été développée pour être plus robuste en ce qui concerne ces différences spécifiques aux espèces: l’Arène de l’innovation présente 20 tâches différentes de résolution de problèmes. Toutes les tâches sont présentées simultanément. Les sujets sont confrontés à l’appareil à plusieurs reprises, ce qui permet de mesurer l’émergence d’innovations au fil du temps – une prochaine étape importante pour étudier comment les animaux peuvent s’adapter aux conditions environnementales changeantes grâce à un comportement innovant.

Chaque individu a été testé avec l’appareil jusqu’à ce qu’il cesse de découvrir des solutions. Une fois les tests terminés, nous avons analysé les enregistrements vidéo et codé avec succès la récupération des récompenses et des comportements dirigés par plusieurs appareils. Ces derniers ont été analysés à l’aide d’une analyse en composantes principales et les composantes résultantes ont ensuite été incluses dans un modèle mixte linéaire généralisé avec le numéro de session et la comparaison de groupe d’intérêt pour prédire la probabilité de succès.

Nous avons utilisé cette approche dans une première étude pour cibler la question de savoir si la captivité à long terme influence la capacité de résolution de problèmes d’une espèce de perroquet connue pour son comportement innovant: le cacatoès de Goffin. Nous avons trouvé un effet dans le degré de motivation, mais aucune différence dans la capacité de résolution de problèmes entre les groupes captifs à court et à long terme.

Introduction

Une grande mésange (Parus major) est confrontée à une bouteille de lait, mais elle ne peut pas accéder directement au lait car la bouteille est fermée par une feuille d’aluminium. Il trouve une solution à ce problème en picorant à travers le papier d’aluminium afin qu’il puisse boire la crème. Cette situation décrit l’un des exemples les plus connus d’innovation animale1.

La résolution de tels problèmes peut être avantageuse, en particulier dans les environnements sujets à des changements fréquents. Kummer et Goodall2 ont largement défini l’innovation comme la recherche d’une « solution à un nouveau problème, ou d’une nouvelle solution à un ancien ». Une définition plus détaillée de l’innovation a été postulée par Tebbich et ses collègues3 comme « la découverte d’une nouvelle interaction comportementale avec l’environnement social ou physique, exploitant une opportunité existante et/ou créant une nouvelle opportunité ».

Assister à des innovations spontanées exige des observations approfondies et chronophages, ce qui n’est souvent pas réalisable dans un cadre qui inclut une grande variété d’espèces. Afin de relever ce défi, les chercheurs ont mené des analyses rigoureuses de la littérature pour estimer le taux d’innovation 4,5 et ont découvert des corrélations entre la propension à innover et d’autres facteurs tels que les mesures neurologiques 6,7,8 et l’écologie alimentaire 9,10,11 . Les tests expérimentaux, cependant, peuvent susciter un comportement innovant dans un environnement contrôlé. Pour cette raison, les performances dans les tâches techniques de résolution de problèmes sont souvent utilisées comme indicateur des capacités d’innovation chez les animaux (voir la revue en12).

Diverses approches différentes ont été utilisées pour étudier la résolution de problèmes innovante: par exemple, différents groupes d’animaux peuvent être comparés en fonction de leur performance sur une tâche particulière. Ces études ciblent généralement des innovations ou des capacités cognitives spécifiques (par exemple, le comportement de flexion des crochets; voir 13,14,15). Cela permet aux chercheurs d’obtenir des informations détaillées dans un contexte spécifique, mais l’interprétation des similitudes ou des différences est limitée par la nature de la tâche, ce qui peut nécessiter une force d’innovation différente de différents groupes (comme discuté dans13,14).

D’autres études ont mis en œuvre une série de tâches consécutives16,17. Une comparaison des performances sur plusieurs tâches et une estimation de la compétence globale dans des domaines spécifiques sont rendues possibles par cette méthode. Une limite de ces études réside cependant dans la présentation successive des différentes tâches, ce qui ne permet pas d’étudier l’émergence d’innovations au fil du temps.

Une autre approche consiste à offrir simultanément différentes options d’accès à une seule récompense. Ceci est souvent réalisé en utilisant la Multi Access Box (MAB)18,19,20,21,22,23,24,25,26, où une récompense est placée au centre d’une boîte de puzzle et est récupérable via quatre solutions différentes. Une fois que la même solution est utilisée de manière cohérente, elle est bloquée et l’animal doit passer à une autre solution pour accéder à la récompense. Grâce à une telle expérience, entre et au sein des préférences des espèces peuvent être détectées et prises en compte, mais cela limite toujours l’expression d’un comportement innovant à une solution par essai 18,19,20,21. Dans d’autres études, les animaux ont également été présentés avec des appareils contenant plusieurs solutions en même temps, chacun avec des récompenses distinctes. Cela permet de multiples innovations au sein d’un seul essai, mais, jusqu’à présent, les tâches ont été largement limitées à quelques solutions distinctes sur le plan moteur. Étant donné que ce n’était pas l’objet de ces études, les installations expérimentales n’impliquaient pas d’expositions répétées à l’appareil, ce qui permettrait de mesurer le taux d’innovation par unité de temps 27,28,29.

Nous présentons ici une méthode qui, en plus d’autres approches, peut nous aider dans le but de comparer différentes espèces dans leurs capacités innovantes de résolution de problèmes. Nous avons développé un plus large éventail de tâches au sein d’une seule configuration, dont la difficulté devrait varier selon le groupe ou l’espèce. Il est donc moins probable que les disparités propres à chaque tâche influencent la probabilité globale de trouver des solutions. De plus, nous présentons toutes les tâches simultanément et à plusieurs reprises pour mesurer l’émergence d’innovations au fil du temps. Cette mesure a le potentiel d’améliorer notre compréhension de la valeur adaptative d’un comportement innovant.

Une première étude utilisant cette méthode a examiné si la captivité à long terme influence les capacités de résolution de problèmes (comme le suggère le soi-disant effet de captivité; voir30) du cacatoès de Goffin (Cacatua goffiniana; ci-après: Goffins), une espèce modèle aviaire pour l’innovation technique (revue en31).

Protocol

Cette étude a été approuvée par le Comité d’éthique et de bien-être animal de l’Université de médecine vétérinaire de Vienne conformément aux lignes directrices de bonnes pratiques scientifiques et à la législation nationale. L’expérience était purement appetitive et strictement non invasive et a donc été classée comme une expérience non animale conformément à la loi autrichienne sur l’expérimentation animale (TVG 2012). La partie de l’expérience menée en Indonésie a été approuvée par le ministère de la Recherche, de la Technologie et de l’Enseignement supérieur (RISTEK) sur la base d’une réunion de l’équipe de coordination des permis de chercheur étranger (10/TKPIPA/E5/Dit.KI/X/2016) qui a accordé les permis de mener cette recherche à M.O. (410/SIP/FRP/E5/Dit.KI/XII/2016) et B.M. (411/SIP/FRP/E5/Dit.KI/XII/2016). 1. Conditions préalables/prérequis Notions de base S’assurer que les sujets peuvent être identifiés individuellement. Les espèces étudiées peuvent avoir des motifs individuels distincts ou des individus peuvent être marqués (par exemple, avec des anneaux de couleur ou de la peinture non toxique).REMARQUE : Pour de plus amples renseignements sur la baguation ainsi que sur la capture et la remise à l’eau de Goffins sauvages, voir Procédure de capture-remise à l’eau dans les renseignements supplémentaires du32. Assurez-vous qu’une salle visuellement obstruée est disponible pour les tests afin d’éviter l’apprentissage social entre les sujets. Identifiez une récompense hautement préférée pour l’espèce et le groupe d’étude en testant plusieurs friandises différentes disponibles (voir33 ou Test de préférence alimentaire dans les renseignements supplémentaires de référence32). Déterminez si le temps d’alimentation diffère considérablement d’un groupe à l’autre. Si c’est le cas, envisagez un protocole qui garantit que le temps d’alimentation ne réduit pas fortement le temps disponible pour résoudre les tâches de l’un des groupes (voir l’étape 4.8 pour plus d’informations).NOTE: Dans cette étude, il y avait une préférence du groupe captif à long terme pour les noix de cajou et pour le maïs séché dans le groupe captif à court terme. Concevoir l’arène de l’innovationREMARQUE: L’appareil complet, c’est-à-dire l’arène de l’innovation, se compose de 20 boîtes de puzzle différentes, disposées en demi-cercle sur une plate-forme en bois. Concevoir le contour de base des boîtes dans une taille applicable à l’espèce étudiée. Utilisez des boîtes transparentes en forme de trapèze (pour un alignement facile en demi-cercle), des couvercles amovibles (pour permettre l’appâtage entre les sessions) et des bases détachables (voir Figure 1).REMARQUE: Chaque base restera plus tard dans une position permanente tandis que le reste des boîtes changera de position. Dans l’étude présentée, la taille des boîtes a été choisie pour s’assurer que chaque puzzle est facilement accessible par les cacatoès. Les dimensions peuvent être ajustées pour chaque espèce étudiée. Concevez une plate-forme pour contenir les 20 boîtes de puzzle. Concevez un système de fixation qui maintiendra les couvercles des boîtes en place pendant les tests et, par conséquent, ne pourra pas être retiré par les sujets pendant les sessions de test.REMARQUE: Il doit être détachable de l’appareil car les couvercles des boîtes doivent être enlevés pour appâter. Pour le devant de chaque boîte, concevez 20 tâches différentes, chacune constituant un défi technique différent (voir figure 2).NOTE: Les tâches de cette expérience ont été conçues dans le but que les solutions s’inscrivent dans la gamme morphologique de nombreuses espèces différentes. Pour la force comparative, il serait idéal d’utiliser des tâches aussi similaires que possible à celles-ci, mais gardez à l’esprit qu’il est encore plus important que les tâches soient nouvelles pour les sujets. Voir le tableau des matériaux pour les mesures exactes et le dessin technique supplémentaire pour une illustration plus détaillée des tâches. Acquérir tout le matériel nécessaire à l’appareil. Assurez-vous d’avoir une caméra grand angle, un logiciel de codage (recommandé, p. ex., Logiciel interactif de recherche sur l’observation comportementale, BORIS34) et un logiciel d’analyse statistique (recommandé, p. ex., R35).REMARQUE: Pour les études sur le terrain, idéalement, concevez l’arène avant de partir pour le site d’étude et apportez autant que possible de l’équipement essentiel, comme le verre acrylique prédécoupé. Figure 1 : Schéma d’une boîte de base à trois faces. Veuillez cliquer ici pour l’agrandir. Figure 2 : Tâches de l’arène de l’innovation avec une description correspondante de l’action motrice requise pour la résolution ( = récompense ; les flèches rouges indiquent les directions des actions requises pour résoudre les tâches ; les flèches jaunes indiquent les trajectoires de récompense). Les tâches sont organisées en fonction de leur difficulté moyenne (de gauche à droite, de haut en bas). Précédemment publié dans32. Veuillez cliquer ici pour voir une version agrandie de cette figure. 2. Préparatifs Collez ensemble trois côtés des boîtes: gauche, arrière et droit, mais pas l’avant, le haut et la base. Placez chaque boîte à trois côtés sur le dessus de chaque base et alignez-les uniformément en demi-cercle sur la plate-forme (Figure 3). La partie avant de chaque boîte doit être située à 1 m du centre.REMARQUE: Les mécanismes constituant la tâche (faces avant des boîtes et contenus possibles) seront ajoutés ultérieurement au cours de l’expérience. Tracez une ligne de chaque boîte de 20 cm vers le centre de l’arène et connectez les lignes, ce qui donne une grille de proximité (Figure 3).REMARQUE : Selon la taille de l’espèce étudiée, une distance différente pourrait être plus appropriée. Pour l’étude présentée ici, 20 cm ont été choisis car c’est à peu près la longueur d’un Goffin (plumes de la queue exclues). Retirez tout sauf les bases des boîtes et fixez-les définitivement à la plate-forme. Cela garantira que les boîtes resteront en place pendant l’expérience. Fixez une caméra grand angle au plafond au-dessus de l’arène. Préparez un calendrier pour la position de chaque boîte par session et par sujet. Chaque sujet sera toujours confronté à toutes les cases, mais avec un nouvel arrangement à chaque session. L’emplacement (positions 1 à 20) de chaque tâche doit être attribué au hasard avec la restriction qu’aucune boîte n’est à la même position deux fois par sujet.REMARQUE: C’est la situation idéale. Si l’on ne peut pas planifier l’ordre de test des sujets (ce qui est plus probable dans les études sur le terrain), cette limitation de randomisation (pas de boîte à la même position deux fois) entre les sessions (mais pas dans le sujet) doit suffire. Figure 3 : L’arène de l’innovation. Tâches organisées en demi-cercle; les positions des 20 tâches sont échangeables. Une grille de proximité (20 cm devant chaque boîte) est marquée en noir. Veuillez cliquer ici pour voir une version agrandie de cette figure. 3. Accoutumance NOTE: Le but de l’accoutumance est de réduire les influences des réactions néophobes envers l’arène. Assurer un niveau d’accoutumance minimum pour toutes les matières grâce à une procédure d’accoutumance qui exige que chaque individu atteigne deux critères. Accoutumance à l’arène non fonctionnelle (jusqu’au critère I) Placez toutes les boîtes à trois côtés sur les bases, ajoutez le couvercle de chaque boîte et maintenez-les en place avec le système de fixation (sans la présence du sujet).REMARQUE: Envisagez d’habituer les sujets à des étapes appropriées pour chaque espèce, par exemple, en ajoutant progressivement plus de boîtes à la plate-forme, en présentant l’arène dans leur zone d’origine, en plaçant des récompenses à n’importe quelle position de la plate-forme, comme autour, sur le dessus et avec les boîtes ou confrontez-les d’abord à l’appareil dans des groupes plus grands et minimisez progressivement la taille du groupe. Familiarisez les sujets avec des éléments distincts des tâches qui pourraient provoquer des réactions néophobes.REMARQUE: Ces éléments distincts (c’est-à-dire tout sauf les boîtes de base, la plate-forme et le système de fixation) ne doivent pas être combinés en mécanismes fonctionnels à ce stade. Placez une récompense à l’intérieur de la boîte (au centre). Amenez le sujet dans le compartiment. Attendez la durée d’une session sans interférer. Les sujets sont maintenant censés manger les récompenses.NOTE: La durée de ces séances d’accoutumance différait dans l’expérience: les oiseaux captifs à long terme recevaient 10 minutes, tandis que les cacatoès captifs à court terme avaient 20 minutes pour manger les récompenses. Cela était nécessaire pour tenir compte d’un temps d’alimentation beaucoup plus long en raison des différents types de récompenses. Ce problème a été résolu différemment plus tard dans les sessions de test (voir l’étape 4.8). Répétez pour chaque sujet (une session par jour de test) jusqu’à ce que le critère soit atteint : chaque individu consomme toutes les récompenses des cases à trois faces (une récompense par boîte) au cours de trois sessions consécutives tout en étant visuellement isolé du groupe. Accoutumance à l’arène fonctionnelle (jusqu’au critère II) Collez et attachez en permanence tous les éléments nécessaires aux boîtes pour en faire des boîtes de puzzle fonctionnelles.REMARQUE: À ce stade, l’arène est entièrement fonctionnelle comme dans les sessions de test. Placez les boîtes au hasard sur la plate-forme (elles seront maintenues en place par les bases) et fixez les couvercles aux boîtes. Placez une récompense sur le couvercle de chaque boîte sur le bord le plus proche du centre de l’arène. Amenez le sujet dans le compartiment. Attendez la durée d’une session sans interférer.REMARQUE: Les sujets sont censés maintenant manger les récompenses. Répétez l’opération pour chaque matière (une séance par jour de test) jusqu’à ce que le critère soit atteint.REMARQUE: Critère II: L’individu consomme toutes les récompenses du haut des boîtes de puzzle fonctionnelles (une récompense par boîte) au cours d’une session tout en étant visuellement isolé du groupe. Ce critère II garantira que les sujets n’ont pas peur de l’arène, même lorsque de nouvelles pièces sont attachées. Ils ne doivent cependant pas interagir avec les mécanismes et doivent être interrompus s’ils le font. 4. Essais Placez les boîtes sur la plate-forme selon le calendrier de randomisation. Appâtez chaque tâche à l’endroit approprié à l’intérieur des boîtes (voir la figure 2).REMARQUE: L’emplacement exact de chaque récompense dépend de la tâche spécifique et peut être vu dans la vidéo. Fixez les couvercles aux boîtes et fixez-les avec le système de fixation (pour vous assurer que les sujets ne peuvent pas les retirer). Séparez un sujet individuel et amenez-le dans le compartiment d’essai. Les sujets sont testés un à la fois pour éviter toute interférence de l’apprentissage social. Positionnez-les sur la position de départ (c’est-à-dire le point qui est à égale distance de toutes les tâches au centre de la plate-forme) ou placez une incitation (par exemple, une récompense) à la position de départ pour vous assurer que le sujet commence là. Démarrez la minuterie et attendez 20 minutes (durée de la session) sans interférer ou interagir avec le sujet. Le sujet peut résoudre autant de tâches que possible. Si le sujet est distrait par des objets non liés à l’appareil, l’expérimentateur est autorisé à les replacer à la position de départ de l’arène (si possible). Si le sujet se nourrit pendant plus de 3 s sur la récompense, arrêtez la minuterie, attendez que l’alimentation soit terminée, puis reprenez le timing.REMARQUE: Ceci est fait pour s’assurer que le temps maximum disponible pour résoudre les tâches n’est pas réduit par le temps d’alimentation et donc égal pour les deux groupes. Si le sujet n’interagit avec aucune tâche dans les 3 premières minutes et n’est pas non plus agité, appliquez un protocole de motivation (voir rubrique 5). Une fois que les 20 minutes se sont écoulées (durée maximale d’une session) ou que le participant a résolu toutes les tâches, le sujet est terminé avec le test de la journée et peut être relâché dans la zone d’origine. Le jour du test suivant, répétez cette procédure. Continuez à tester chaque individu jusqu’à ce qu’il ne résolve aucune nouvelle tâche au cours des cinq dernières sessions ou ne résolve aucune tâche du tout dans 10 sessions consécutives. 5. Protocole de motivation REMARQUE: Comme décrit ci-dessus (étape 4.9), un protocole de motivation peut être mis en œuvre si une personne n’interagit avec aucune tâche au cours des 3 premières minutes d’une session. Placez trois récompenses en haut des boîtes (choisissez une boîte à gauche, au milieu et à droite pour cela). Si le sujet commence à interagir avec une tâche 3 minutes après avoir consommé les récompenses, reprenez la session (la durée de 20 minutes commence à ce stade). Sinon, placez cinq récompenses dispersées sur la ligne d’approche (c.-à-d. grille de proximité). Si le sujet commence à interagir avec une tâche 3 minutes après avoir consommé les récompenses, reprenez la session (la durée de 20 minutes commence à ce stade). Sinon, placez cinq récompenses à la position de départ. Si le sujet commence à interagir avec une tâche 3 minutes après avoir consommé les récompenses, reprenez la session (le délai de 20 minutes commence à ce stade). Sinon, placez une poignée de récompenses à la position de départ et terminez la session de test pour cette journée (mais donnez au sujet un peu de temps pour consommer les récompenses). 6. Analyse Codage comportemental Avant d’analyser les vidéos, examinez en détail le protocole de codage (tableau 1) et déterminez si des ajustements sont nécessaires pour l’espèce testée.REMARQUE : Les descriptions des variables de codage doivent être aussi précises que possible afin d’éviter les différences de codage entre les différents chercheurs. Annoter les événements ponctuels de : Nombre de tâches différentes touchées (TasksTouched; Notez que le nombre maximum de tâches touchées est de 20), le nombre de tâches résolues (TasksSolved), le contact avec des tâches appâtées (BaitedContact) et le contact avec des tâches résolues (SolvedContact). Annotez les durées de latence jusqu’à ce que le sujet traverse la frontière externe de la ligne de grille (LatencyGrid) et le temps passé dans la grille (GridTime). Analyse statistique Déterminez si les mesures des comportements dirigés par l’appareil (LatencyGrid, GridTime, TasksTouched, BaitedContact, SolvedContact) sont corrélées. Si oui, extrayez les composants principaux à l’aide d’une analyse en composantes principales avant de les inclure dans le modèle en tant que prédicteurs. S’ils ne sont pas corrélés, incluez-les séparément dans le modèle en tant que prédicteurs. Exécutez un modèle mixte linéaire généralisé avec une structure d’erreur binomiale et une fonction de liaison logit36. Pour prédire la probabilité de succès (c’est-à-dire que la variable de réponse est SolvedTasks), adapter le modèle avec une structure de pente aléatoire maximale et inclure des interceptions aléatoires pour le sujet, la tâche, un facteur combiné du sujet et de la session (SessionID) et un facteur combiné du sujet et de la tâche (Subj.Task) pour éviter la pseudo-réplication. Utilisez la comparaison de l’intérêt (p. ex., les espèces) et les composantes principales comme variables prédictives et témoins pour la session. Considérez les interactions possibles. Pour éviter les tests multiples cryptiques37 , comparez d’abord le modèle avec un modèle dépourvu de tous les effets fixes d’intérêt avant de tester des prédicteurs individuels. Pour tester une différence globale de difficulté dans les tâches entre les groupes, comparez le modèle (complet) avec un modèle dépourvu de la pente aléatoire du groupe dans la tâche.

Representative Results

Dix-neuf sujets ont été testés à l’aide de l’Innovation Arena : 11 cacatoès captifs à long terme et 8 cacatoès captifs à court terme (Figure 4). Figure 4 : Vue d’ensemble du nombre de tâches résolues par session pour chaque individu. a) Groupe de terrain, b) Groupe de laboratoire. Lignes rouges = femelle; lignes bleues = mâle. Les sujets recevant le protocole de motivation en raison de leur réticence à interagir avec l’appareil ont été classés comme non motivés et représentés avec un fond gris. Publié précédemment dans Supplementary Information of32. Veuillez cliquer ici pour voir une version agrandie de cette figure. L’analyse en composantes principales a donné lieu à deux composantes ayant des valeurs propres supérieures au critère38 de Kaiser (voir le tableau 2 pour la production de l’APC). PC1 chargé sur la fréquence des contacts avec les tâches, le temps passé à proximité (c’est-à-dire dans la grille) des tâches et le nombre de tâches touchées. PC2 a été positivement affecté par le nombre de contacts avec des tâches déjà résolues et négativement par le nombre de tâches touchées, non résolues. De tels comportements axés sur les tâches sont fréquemment utilisés pour mesurer la motivation (voir12 pour un examen). Par conséquent, nous avons utilisé PC1 et PC2 comme mesures quantitatives de la motivation à interagir avec l’appareil de notre modèle. Ensemble, ils ont expliqué 76,7% de la variance des comportements dirigés par l’appareil et les deux, ainsi que la session, ont influencé de manière significative la probabilité de résoudre des tâches (PC1: estimation = 2,713, SE ± 0,588, χ2  = 28,64, p < 0,001; PC2: estimation = 0,906, SE ± 0,315, χ2  = 9,106, p = 0,003; session: estimation = 1,719, SE ± 0,526, χ2 = 6,303, p = 0,001; voir la figure 5; voir tableau 4). Figure 5 : Influence des prédicteurs de contrôle sur la probabilité de résoudre : (a) PC1, (b) PC2, (c) Session. Les points montrent les données observées, l’aire des points indique le nombre d’observations pour chaque point de données, les lignes pointillées montrent les valeurs ajustées du modèle et les zones symbolisent les intervalles de confiance du modèle. Précédemment publié dans32. Veuillez cliquer ici pour voir une version agrandie de cette figure. Six des 19 sujets ont reçu le protocole de motivation au cours de l’expérience (Lab: 1 sur 11; Champ : 5 sur 8). La PC1 de ces oiseaux, que nous avons classée comme non motivée, variait entre -2,934 et -2,2, tandis que des valeurs positives ont été trouvées pour tous les autres individus motivés (tableau 3). Avec la méthode présentée, nous n’avons trouvé aucune différence de groupe sur la probabilité de résoudre les 20 tâches techniques de résolution de problèmes de l’arène de l’innovation (estimation = -0,089, SE ± 1,012, χ2  = 0,005, p = 0,945; Graphique 5; voir le tableau 4 pour les estimations des effets fixes; tous les oiseaux inclus). Une comparaison post-hoc du modèle avec un modèle incluant un terme d’interaction de groupe avec session (estimation = 2,924, SE ± 0,854, χ2  = 14,461, p < 0,001) suggère une probabilité plus faible de résoudre dans le groupe de terrain dans les sessions précédentes mais pas dans les sessions ultérieures. Cette différence dans les sessions précédentes pourrait être due au nombre élevé d’oiseaux moins motivés / non motivés dans le champ de groupe (individus pour lesquels les tests ont cessé en raison de la règle de ne résoudre aucune tâche dans 10 sessions consécutives reçues entre 10 et 13 sessions). De plus, nous n’avons trouvé aucune différence entre les groupes en ce qui concerne la difficulté globale des tâches (comparaison du modèle complet avec tous les oiseaux inclus, avec un modèle réduit sans pente aléatoire du groupe dans la tâche: χ2 = 7,589, df = 5, p = 0,18). Cependant, les comparaisons visuelles d’oiseaux qui n’ont jamais nécessité d’essai de motivation suggèrent certaines différences dans la capacité pour des tâches individuelles individuelles (voir, par exemple, la tâche Button à la figure 6). Figure 6 : Données observées de sujets motivés et valeurs ajustées du modèle par tâche et par groupe : Les diagrammes en boîte montrent la proportion de réussites par tâche pour les deux groupes (vert = Champ ; orange = Laboratoire). Les lignes horizontales en gras indiquent les valeurs médianes, les cases s’étendent du premier au troisième quartile pour les oiseaux. Les boxplots illustrent uniquement les données provenant d’oiseaux motivés (pour améliorer la clarté visuelle). Les observations individuelles sont représentées par des points (une plus grande surface indique plus d’observations par point de données). Les lignes horizontales rouges indiquent les valeurs ajustées. Les valeurs ajustées proviennent de l’ensemble des données. Sont incluses des illustrations des tâches (en bas à gauche), Button (en haut au milieu) et Seesaw (en haut à droite). Précédemment publié dans32. Veuillez cliquer ici pour voir une version agrandie de cette figure. Ces résultats démontrent la faisabilité de la méthodologie pour la recherche comparative même si les animaux ont des expériences et des circonstances écologiques différentes. Une comparaison des capacités innovantes de résolution de problèmes en utilisant une seule tâche, telle que la tâche Button, aurait pu donner une fausse conclusion selon laquelle les oiseaux captifs à long terme sont de meilleurs résolveurs de problèmes. Cette différence pourrait s’expliquer par l’expérience de la population de laboratoire avec les expériences d’insertion de bâtons, tandis que l’action motrice pourrait ne pas être aussi pertinente écologiquement pour les populations sauvages. De telles différences pourraient être plus prononcées lorsque différentes espèces sont comparées (voir19). Nous avons également pu tester comment la motivation affecte la capacité de résolution de problèmes, tout en comparant les résultats des deux groupes tout en contrôlant la motivation. Les 20 problèmes techniques de l’Arène de l’Innovation peuvent donc être utilisés pour détecter les différences de groupe sur des tâches particulières, mais aussi pour estimer la capacité globale d’innovation des groupes. Dans le cas du cacatoès de Goffin, les deux groupes peuvent, c’est-à-dire avoir la capacité de récupérer de nombreuses récompenses, s’ils le souhaitent, c’est-à-dire sont motivés à interagir avec l’appareil. Tableau 1 : Protocole pour les comportements de codage : Description détaillée des variables comportementales codées. Précédemment publié dans32. Veuillez cliquer ici pour télécharger ce tableau. Tableau 2 : Production des composantes principales : Les charges factorielles supérieures à 0,40 sont imprimées en gras. Précédemment publié dans32. Veuillez cliquer ici pour télécharger ce tableau. Tableau 3 : Détails sur les sujets et les valeurs des comportements dirigés par les tâches et des composantes principales : Les exposants si les charges de mesure dépassent 0,40 par PC. Précédemment publié dans32. Veuillez cliquer ici pour télécharger ce tableau. Tableau 4 : Résultats des effets fixes du modèle pour la probabilité de résolution. Précédemment publié dans32. Veuillez cliquer ici pour télécharger ce tableau. Dossier complémentaire : Dessin technique de l’Arène de l’Innovation (InnovationArena.3dm). Les dimensions peuvent s’écarter légèrement. Peut être chargé, par exemple, dans 3dviewer.net, qui est une visionneuse de modèle 3D gratuite et open source39. Veuillez cliquer ici pour télécharger ce fichier.

Discussion

L’Innovation Arena est un nouveau protocole pour tester la résolution de problèmes techniques et innovants. Lors de la conception des tâches de l’Arène de l’innovation, nous avons soigneusement considéré que les tâches devraient être possibles à résoudre compte tenu d’une gamme de contraintes morphologiques des espèces (par exemple, en utilisant des becs, des museaux, des pattes, des griffes ou des mains). Pour permettre une comparabilité plus large entre les espèces déjà testées et les espèces à tester à l’avenir, nous encourageons l’utilisation de ces tâches, si cela est possible avec le modèle respectif. Cependant, nous sommes conscients que certaines tâches peuvent devoir être ajustées aux limites morphologiques spécifiques d’une espèce. Plus important encore, les tâches doivent être nouvelles pour les sujets, ce qui peut nécessiter de nouvelles conceptions alternatives. L’un des avantages de l’Arène de l’innovation est que, en raison du nombre de tâches différentes, les comparaisons seront toujours possibles et informatives, même si certaines tâches doivent être ajustées ou modifiées dans de futures études.

Lors de la planification de l’étude, il faut tenir compte du fait que la phase de pré-essai (p. ex., la conception et la construction de l’appareil) pourrait nécessiter beaucoup de temps. En outre, il est important de bien habituer les sujets à l’appareil. Différents groupes peuvent différer considérablement dans leur approche exploratoire et leurs réactions néotiques 40,41,42. L’élimination (ou la réduction) des réactions néophobes rendra les comparaisons plus fiables et permettra d’identifier le rôle de la motivation. Pour mesurer l’émergence individuelle des innovations au fil du temps et éviter l’apprentissage social, il est crucial que les sujets soient testés de manière répétée et individuelle, ce qui peut être difficile dans des conditions de terrain. Pour de nombreuses espèces, les sujets capturés à l’état sauvage auront besoin de beaucoup de temps pour s’habituer au nouvel environnement, à la présence humaine et à l’interaction et pour développer une procédure de séparation fonctionnelle. En outre, il pourrait ne pas être pratiquement possible de respecter strictement le calendrier de randomisation pour chaque individu par session. Alors que les cacatoès captifs à long terme de notre étude ont été entraînés à entrer dans le compartiment de test lorsqu’ils étaient appelés par leur nom individuel, nous devions être plus opportunistes en ce qui concerne la personne qui entre dans la salle d’essai sur le terrain. Outre les niveaux de motivation, nous avons rencontré un autre facteur qui pourrait influencer les résultats d’une étude comparative utilisant l’Arène de l’innovation. En raison des préférences alimentaires et de la disponibilité de la nourriture, nous avons utilisé différents types de récompenses pour les deux groupes, ce qui a augmenté les temps d’alimentation des cacatoès sauvages par rapport aux oiseaux de laboratoire. Nous avons tenu compte de ces différences en ajoutant la durée d’alimentation (si elle dépassait 3 s) à la durée totale pendant laquelle une personne a été confrontée à l’aréna. Ce protocole garantissait que le temps d’interaction avec l’arène n’était pas réduit dans un groupe en raison du temps d’alimentation. Les études futures devraient tenir compte de ce problème potentiel et pourraient viser à mettre en œuvre ce protocole dès la phase d’accoutumance.

La force et la nouveauté de cette méthode comprennent la combinaison d’une plus grande variété de tâches, la présentation simultanée de ces tâches, de multiples récompenses par rencontre avec l’appareil et une exposition répétée à l’appareil pour chaque sujet.

De plus, les individus sont testés jusqu’à ce qu’ils ne résolvent aucune nouvelle tâche. Contrairement à un nombre fixe de sessions, ce maximum (ou niveau asymptotique) de découverte de solution, ainsi que le nombre de tâches résolues par session, peuvent être informatifs sur l’adaptation potentielle d’un groupe à un environnement changeant.

Un exemple de méthode alternative est la Multi Access Box (MAB), dans laquelle il est possible de résoudre une tâche à travers quatre solutions différentes, mais une seule récompense peut être récupérée par rencontre avec l’appareil18 et donc l’estimation du taux d’innovation dans le temps est considérablement limitée. De plus, les difficultés avec des tâches individuelles, qui peuvent être spécifiques à une espèce, peuvent fortement influencer la comparaison des performances en ce qui concerne les capacités cognitives. À notre connaissance, la présentation simultanée de tâches avec des solutions motrices distinctes a été limitée à un maximum de six tâches dans des études antérieures (Federspiel, MAB à 6 voies sur les oiseaux mynah, données jusqu’à présent non publiées). Bien que le MAB soit un outil très utile pour découvrir les techniques d’exploration, nous pensons que l’Arène de l’innovation est mieux adaptée à la comparaison de la capacité d’innovation elle-même. Un plus large éventail de tâches, dont la difficulté varie également, peut être plus informatif sur une compétence globale en résolution de problèmes techniques29.

Dans notre première étude, nous avons comparé avec succès deux groupes de la même espèce, le cacatoès de Goffin, qui différait considérablement dans leur expérience. Avec cette comparaison, nous avons spécifiquement ciblé la question de savoir si la captivité à long terme influence les capacités de résolution de problèmes. Des études antérieures ont suggéré qu’un style de vie captif prolongé améliore ces capacités (voir30,43), mais les comparaisons directes par le biais d’approches expérimentales contrôlées ont été rares (mais voir44,45). En utilisant l’Arène de l’innovation, nous avons pu cibler cette question et n’avons trouvé aucun soutien pour un effet de captivité sur la capacité globale de Goffins à trouver de nouvelles solutions, mais plutôt un effet sur un niveau de motivation32.

En outre, l’arène de l’innovation peut être utilisée pour répondre à des questions axées sur différents aspects de la résolution de problèmes innovants. D’autres mesures pourraient inclure des enquêtes ciblant les effets de la divergence et de la convergence. Par exemple, des comparaisons entre des espèces étroitement apparentées qui diffèrent par leurs écologies (p. ex., les espèces insulaires par rapport aux espèces non insulaires), mais aussi des espèces éloignées, comme un perroquet et un représentant corvidé ou des espèces aviaires et primates qui présentaient auparavant des performances similaires dans la résolution de problèmes physiques individuels46. L’Arène de l’innovation a été développée pour comparer de nombreuses espèces différentes, même celles qui sont lointainement apparentées.

Cela dit, cette méthode pourrait très bien également être utilisée pour étudier les différences interindividuelles. Par exemple, on pourrait utiliser les scores de personnalité comme prédicteurs pour estimer leur influence sur le taux d’innovation. Nous croyons que la méthode présentée peut être utilisée par des groupes de recherche étudiant l’innovation animale et humaine, et / ou en collaboration par des laboratoires spécialisés dans l’étude de différentes espèces.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Nous remercions Stefan Schierhuber et David Lang pour leur aide dans la production de cette vidéo, Christoph Rössler pour son aide avec les dessins techniques et Poppy Lambert pour la relecture de ce manuscrit. Cette publication a été financée par le Fonds autrichien pour la science (FWF; Le projet START Y01309 attribué aux AA). La recherche présentée a été financée par le Fonds autrichien pour la science (FWF; projets P29075 et P29083 attribués à A.A. et projet J 4169-B29 attribué à M.O.) ainsi que par le Fonds viennois pour la science et la technologie (WWTF; projet CS18-023 attribué à A.A.).

Materials

wooden platform Dimensions: woodensemicircle, radius approx. 1.5m
FIXATION SYSTEM
5 x metal nut Dimensions: M8
5 x rod (possibly with U-profile)
5 x threaded rod Dimensions: M8; length: 25cm
5 x wing nut Dimensions: M8
PUZZLE BOXES WITHOUT FUNCTION PARTS
20 x acrylic glass back Dimensions: 17cm x 17.5cm x 0.5cm
20 x acrylic glass base 4 holes for screws roughly; 2cm from each side
Dimensions: trapezoid : 17.5cm  (back) x 15cm (front) x 15cm (sides); 1cm thick
20 x acrylic glass front acrylic glass fronts need to be cut differently for each puzzle box (see drawing)
Dimensions: 17cm x 15cm x 0.5cm
20 x acrylic glass lid cut out 0.5cm at the edges for better fit
Dimensions: trapezoid shape: 18.5cm x 16cm x 16cm x 1cm (thick)
40 x acrylic glass side Dimensions: 17cm x 16cm x 0.5cm
80 x small screw to attach bases to the platform (4 screws per base)
PARTS FOR EACH MECHANSIM PER TASK
to assemble the parts use technical drawing InnovationArena.3dm can be loaded e.g. in 3dviewer.net, which is a free and open source 3D model viewer. github repository: https://github.com/kovacsv/Online3DViewer; please contact authors if you are in need of a different format
TASK TWIST
5x small nuts to attach glass (punch holes) and acrylic glass cube to threaded rod
acrylic glass Dimensions: 2cm x 2cm x 1cm
cardboard slant Dimensions: trapezoid: 17.5cm (back) x 15cm (front) x 17cm (sides)
plastic shot glass Dimensions: height: 5cm; rim diameter: 4.5cm; base diameter: 3cm
thin threaded rod Dimensions: length: approx. 10cm
TASK BUTTON
2x nut attach to rod; glue outer nut to rod
Dimensions: M8
acrylic glass V-cut to facilitate sliding of rod
Dimensions: 4cm x 3cm x 1cm (0.5cm V-cut in the middle )
cardboard slant Dimensions: trapezoid: 17.5cm (back) x 15cm (front) x 17cm (sides)
threaded rod Dimensions: M8, length: 5cm
TASK SHELF
acrylic glass top Dimensions: 5cm x 4cm x 0.3cm
acrylic glass lower Dimensions: 5cm x 4cm x 1cm
acrylic glass side 1 Dimensions: 4cm x 3cm x 0.5cm
acrylic glass side 2 Dimensions: 4.5cm x 3cm x 0.5cm
thin plastic bucket on side cut off to fit
Dimensions: diameter: approx. 4.5 cm; height: 1cm
cardboard slant Dimensions: trapezoid: 17.5cm (back) x 15cm (front) x 17cm (sides)
TASK SLIT room to reach in: 2cm in height
recommended: add small plastic barrier behind reward so it cannot be pushed further into the box
TASK CLIP
2x acrylic glass Dimensions: 1cm x 1cm x 2cm
cardboard slant Dimensions: trapezoid: 17.5cm (back) x 15cm (front) x 17cm (sides)
peg Dimensions: length: approx. 6 cm
thin threaded rod Dimensions: length: approx. 6 cm
TASK MILL
2x arylic glass triangle Dimensions: 10cm x 7.5cm x 7.5cm; thickness: 1cm
2x plastic disc Dimensions: diameter: 12cm
4x small nut for attachment
7x acrylic glass Dimensions: 4.5cm x 2cm, 0.5cm
acrylic glass long position the mill with longer acrylic glass touching lower half of the front (this way the mill can only turn in one direction)
Dimensions: 6.5cm x 2cm, 0.5cm
thin threaded rod Dimensions: length: approx. 4cm
wooden cylinder Dimensions: diameter: 2cm
TASK SWISH
2x acrylic glass Dimensions: 2cm x 1cm x 1cm
4x small nut for attachment
acrylic glass Dimensions: 10cm x 2cm x 1cm
cardboard slant Dimensions: trapezoid: 17.5cm (back) x 15cm (front) x 17cm (sides)
thin threaded rod Dimensions: length: approx. 7cm
wooden cylinder Dimensions: diameter: 2cm, cut-off slantwise; longest part: 7cm, shortest part: 5cm
TASK SHOVEL
acrylic glass Dimensions: 20cm x 2cm x 1cm
acrylic glass Dimensions: 7.5cm x 2cm x 1cm
acrylic glass Dimensions: 5cm x 1cm x 1cm
small hinge
TASK SWING
4x nut Dimensions: M8
acrylic glass Dimensions: 7.5cm x 5cm x 1cm
cardboard slant Dimensions: trapezoid: 17.5cm (back) x 15cm (front) x 17cm (sides)
cord strings Dimensions: 2x approx. 11cm
thin bent plastic bucket to hold reward; positioned on slant
threaded rod Dimensions: M8; length: 7cm
TASK SEESAW
2x acrylic glass Dimensions: 10cm x 1.5cm x 0.5cm
2x acrylic glass Dimensions: 4cm x 1.5cm x 0.5cm
acrylic glass Dimensions: 10cm x 3cm x 0.5cm
acrylic glass Dimensions: 4cm x 1.5cm x 1cm
small hinge
TASK PLANK
cardboard slant Dimensions: trapezoid: 17.5cm (back) x 15cm (front) x 17cm (sides)
thin tin bent approx. 1cm inside box
Dimensions: 6.5cm x 3cm
TASK CUP
plastic shot glass Dimensions: height: 5cm; rim diameter: 4.5; base diameter: 3cm
TASK FLIP-BOX
2x acrylic glass triangle Dimensions: 7cm x 5cm x 5cm; thickness: 0.5cm
2x acrylic glass Dimensions: 4.5cm x 5cm x 0.5cm
2x acrylic glass Dimensions: 7cm x 1cm x 1cm
small hinge
TASK SLIDE
4x acrylic glass Dimensions: 15cm x 1cm x 0.5cm
acrylic glass door Dimensions: 6cm x 6cm x 0.5cm
TASK DJ
2x small nut for attachment
acrylic glass same as box bases
Dimensions: trapezoid : 17.5cm (back) x 15cm (front) x 15cm (sides); 1cm thick
plastic disc Dimensions: diameter 12cm
thin threaded rod Dimensions: length: approx. 3cm
TASK WIRE
acrylic glass Dimensions: 9.5cm x 9.5cm x 0.5cm
acrylic glass Dimensions: 12cm x 2cm x 1cm
2x small hinge
wire from a paperclip
TASK TWIG
2x small hinge
acrylic glass Dimensions: 5cm x 1cm
cardboard slant Dimensions: trapezoid: 17.5cm (back) x 15cm (front) x 17cm (sides)
white cardboard Dimensions: 13cm x 4cm
Y-shaped twig Dimensions: length: approx. 14cm
TASK COVER
acrylic glass same as box bases
Dimensions: trapezoid : 17.5cm (back) x 15cm (front) x 15cm (sides); 1cm thick
thin plastic Dimensions: diameter: 5cm
TASK BITE recommended: put tape on sides of platform the keep reward from falling off
2-3 paper clips
2x cutouts from clipboard Dimensions: 10cm x 3cm
acrylic glass hole in middle
Dimensions: 5cm x 3cm x 1cm
toilet paper
TASK DRAWER
2x acrylic glass Dimensions: 5cm x 2.5cm x 0.5cm
2x acrylic glass Dimensions: 4cm x 3cm x 1cm
acrylic glass hole approx. 2 cm from front
Dimensions: 5cm x 5cm x 1cm
OTHER MATERIAL
wide-angle videocamera

References

  1. Fisher, J. The opening of milkbottles by birds. British Birds. 42, 347-357 (1949).
  2. Kummer, H., Goodall, J. Conditions of innovative behaviour in primates. Philosophical Transactions of the Royal Society of London. B, Biological Sciences. 308 (1135), 203-214 (1985).
  3. Tebbich, S., Griffin, A. S., Peschl, M. F., Sterelny, K. From mechanisms to function: an integrated framework of animal innovation. Philosophical Transactions of the Royal Society B: Biological Sciences. 371 (1690), 20150195 (2016).
  4. Reader, S. M., Laland, K. N. Social intelligence, innovation, and enhanced brain size in primates. Proceedings of the National Academy of Sciences. 99 (7), 4436-4441 (2002).
  5. Reader, S. M., Laland, K. N. Primate innovation: Sex, age and social rank differences. International Journal of Primatology. 22 (5), 787-805 (2001).
  6. Lefebvre, L., Whittle, P., Lascaris, E., Finkelstein, A. Feeding innovations and forebrain size in birds. Animal Behaviour. 53 (3), 549-560 (1997).
  7. Lefebvre, L., et al. Feeding innovations and forebrain size in Australasian birds. Behaviour. 135 (8), 1077-1097 (1998).
  8. Timmermans, S., Lefebvre, L., Boire, D., Basu, P. Relative size of the hyperstriatum ventrale is the best predictor of feeding innovation rate in birds. Brain, Behavior and Evolution. 56 (4), 196-203 (2000).
  9. Ducatez, S., Clavel, J., Lefebvre, L. Ecological generalism and behavioural innovation in birds: technical intelligence or the simple incorporation of new foods. Journal of Animal Ecology. 84 (1), 79-89 (2015).
  10. Sol, D., Lefebvre, L., Rodríguez-Teijeiro, J. D. Brain size, innovative propensity and migratory behaviour in temperate Palaearctic birds. Proceedings of the Royal Society B: Biological Sciences. 272 (1571), 1433-1441 (2005).
  11. Sol, D., Sayol, F., Ducatez, S., Lefebvre, L. The life-history basis of behavioural innovations. Philosophical Transactions of the Royal Society B: Biological Sciences. 371 (1690), 20150187 (2016).
  12. Griffin, A. S., Guez, D. Innovation and problem solving: A review of common mechanisms. Behavioural Processes. 109, 121-134 (2014).
  13. Laumer, I. B., Bugnyar, T., Reber, S. A., Auersperg, A. M. I. Can hook-bending be let off the hook? Bending/unbending of pliant tools by cockatoos. Proceedings of the Royal Society B. Biological Sciences. 284 (1862), 20171026 (2017).
  14. Rutz, C., Sugasawa, S., Vander Wal, J. E. M., Klump, B. C., St Clair, J. J. H. Tool bending in New Caledonian crows. Royal Society Open Science. 3 (8), 160439 (2016).
  15. Weir, A. A. S., Kacelnik, A. A New Caledonian crow (Corvus moneduloides) creatively re-designs tools by bending or unbending aluminium strips. Animal Cognition. 9 (4), 317-334 (2006).
  16. Herrmann, E., Hare, B., Call, J., Tomasello, M. Differences in the cognitive skills of bonobos and chimpanzees. PloS One. 5 (8), 12438 (2010).
  17. Herrmann, E., Call, J., Hernández-Lloreda, M. V., Hare, B., Tomasello, M. Humans have evolved specialized skills of social cognition: The cultural intelligence hypothesis. Science. 317 (5843), 1360-1366 (2007).
  18. Auersperg, A. M. I., Gajdon, G. K., von Bayern, A. M. P. A new approach to comparing problem solving, flexibility and innovation. Communicative & Integrative Biology. 5 (2), 140-145 (2012).
  19. Auersperg, A. M. I., von Bayern, A. M. P., Gajdon, G. K., Huber, L., Kacelnik, A. Flexibility in problem solving and tool use of Kea and New Caledonian crows in a multi access box paradigm. PLoS One. 6 (6), 20231 (2011).
  20. Daniels, S. E., Fanelli, R. E., Gilbert, A., Benson-Amram, S. Behavioral flexibility of a generalist carnivore. Animal Cognition. 22 (3), 387-396 (2019).
  21. Johnson-Ulrich, L., Holekamp, K. E., Hambrick, D. Z. Innovative problem-solving in wild hyenas is reliable across time and contexts. Scientific Reports. 10 (1), 13000 (2020).
  22. Johnson-Ulrich, L., Johnson-Ulrich, Z., Holekamp, K. Proactive behavior, but not inhibitory control, predicts repeated innovation by spotted hyenas tested with a multi-access box. Animal Cognition. 21 (3), 379-392 (2018).
  23. Williams, D. M., Wu, C., Blumstein, D. T. Social position indirectly influences the traits yellow-bellied marmots use to solve problems. Animal Cognition. 24 (4), 829-842 (2021).
  24. Cooke, A. C., Davidson, G. L., van Oers, K., Quinn, J. L. Motivation, accuracy and positive feedback through experience explain innovative problem solving and its repeatability. Animal Behaviour. 174, 249-261 (2021).
  25. Huebner, F., Fichtel, C. Innovation and behavioral flexibility in wild redfronted lemurs (Eulemur rufifrons). Animal Cognition. 18 (3), 777-787 (2015).
  26. Godinho, L., Marinho, Y., Bezerra, B. Performance of blue-fronted amazon parrots (Amazona aestiva) when solving the pebbles-and-seeds and multi-access-box paradigms: ex situ and in situ experiments. Animal Cognition. 23 (3), 455-464 (2020).
  27. Bouchard, J., Goodyer, W., Lefebvre, L. Social learning and innovation are positively correlated in pigeons (Columba livia). Animal Cognition. 10 (2), 259-266 (2007).
  28. Griffin, A. S., Diquelou, M., Perea, M. Innovative problem solving in birds: a key role of motor diversity. Animal Behaviour. 92, 221-227 (2014).
  29. Webster, S. J., Lefebvre, L. Problem solving and neophobia in a columbiform-passeriform assemblage in Barbados. Animal Behaviour. 62 (1), 23-32 (2001).
  30. Haslam, M. 34;Captivity bias" in animal tool use and its implications for the evolution of hominin technology. Philosophical Transactions of the Royal Society B: Biological Sciences. 368 (1630), 20120421 (2013).
  31. Lambert, M. L., Jacobs, I., Osvath, M., von Bayern, A. M. P. Birds of a feather? Parrot and corvid cognition compared. Behaviour. , 1-90 (2018).
  32. Rössler, T., et al. Using an Innovation Arena to compare wild-caught and laboratory Goffin´s cockatoos. Scientific Reports. 10 (1), 8681 (2020).
  33. Laumer, I. B., Bugnyar, T., Auersperg, A. M. I. Flexible decision-making relative to reward quality and tool functionality in Goffin cockatoos (Cacatua goffiniana). Scientific Reports. 6, 28380 (2016).
  34. Friard, O., Gamba, M. BORIS: a free, versatile open-source event-logging software for video/audio coding and live observations. Methods in Ecology and Evolution. 7 (11), 1325-1330 (2016).
  35. R. Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing. , (2020).
  36. McCullagh, P., Nelder, J. A. Generalized linear models. Monographs on Statistics and Applied Probability. , (1989).
  37. Forstmeier, W., Schielzeth, H. Cryptic multiple hypotheses testing in linear models: overestimated effect sizes and the winner’s curse. Behavioral Ecology and Sociobiology. 65 (1), 47-55 (2011).
  38. Kaiser, H. F. The application of electronic computers to factor analysis. Educational and Psychological Measurement. 20 (1), 141-151 (1960).
  39. . Online 3D Viewer Available from: https://github.com/lovacsv/Online3DViewer (2021)
  40. Greenberg, R. S., Mettke-Hofmann, C. Ecological aspects of neophobia and neophilia in birds. Current Ornithology. 16, 119-169 (2001).
  41. Mettke-Hofmann, C., Winkler, H., Leisler, B. The Significance of Ecological Factors for Exploration and Neophobia in Parrots. Ethology. 108 (3), 249-272 (2002).
  42. O’Hara, M., et al. The temporal dependence of exploration on neotic style in birds. Scientific Reports. 7 (1), 4742 (2017).
  43. Chevalier-Skolnikoff, S., Liska, J. O. Tool use by wild and captive elephants. Animal Behaviour. 46 (2), 209-219 (1993).
  44. Benson-Amram, S., Weldele, M. L., Holekamp, K. E. A comparison of innovative problem-solving abilities between wild and captive spotted hyaenas, Crocuta crocuta. Animal Behaviour. 85 (2), 349-356 (2013).
  45. Gajdon, G. K., Fijn, N., Huber, L. Testing social learning in a wild mountain parrot, the kea (Nestor notabilis). Animal Learning and Behavior. 32 (1), 62-71 (2004).
  46. Shettleworth, S. J. . Cognition, Evolution, and Behavior. , (2009).

Play Video

Cite This Article
Rössler, T., Mioduszewska, B., O’Hara, M., Huber, L., Prawiradilaga, D. M., Auersperg, A. M. I. The Innovation Arena: A Method for Comparing Innovative Problem-Solving Across Groups. J. Vis. Exp. (183), e63026, doi:10.3791/63026 (2022).

View Video