Beskrivelse av forskningsgruppen

• Om gruppen

  Forskergruppen for datadrevet etologi og dyrevelferd kombinerer datasyn og maskinlæring med anvendt etologi slik at atferd kan registreres automatisk og kontinuerlig fra sensordata, som grunnlag for dyrevelferdsvurderinger. Vi er en tverrfakultær gruppe ved NMBU som spenner over Veterinærhøgskolen, Fakultet for biovitenskap og Fakultet for kjemi, bioteknologi og matvitenskap. Der konvensjonell dyrevelferdsvurdering bygger på periodiske observasjoner, overvåker vi dyrets indre tilstander kontinuerlig for å måle positiv affekt så vel som ubehag. Vi omsetter atferdstidsserier til validert beslutningsstøtte for veterinærer og husdyrprodusenter, og utvider presisjonshusdyrhold (precision livestock farming) fra produktivitet til velferdsutfall. Fordi sensor- og fenotypingsmetodikken er artsuavhengig, kan de samme metodene overføres til forsøksdyr og kjæledyr. Gruppen ledes av Andrew Michael Janczak, professor ved Seksjon for dyrevelferd, epidemiologi og samfunnsmedisin ved Veterinærhøgskolen.

• Fokusområder

  Vi studerer hvordan dyr oppfatter, mestrer og påvirkes av sitt fysiske og sosiale miljø, og hvordan denne erfaringen kan leses ut fra atferd, kvantifiseres kontinuerlig og omsettes til gode beslutninger for dyr i menneskers varetekt. Vi arbeider med sentrale velferdsutfordringer som stress, frykt, smerte, halthet og skadelig atferd, og med å fremme positive emosjonelle tilstander. Vårt hovedfokus er på individnivået.

  Vi arbeider langs hele spennet fra mekanisme til beregning og praksis.

  På det mekanistiske nivået spenner vår kompetanse fra nevral kontroll av atferd og fysiologi (inkludert funksjonell nevroanatomi for emosjonelle og kognitive responser på miljøstimuli) til nosisepsjon og smerteoppfatning, tarm-hjerne-aksen og farmakologiske og fysiologiske korrelater til velferdstilstander.

  På atferdsnivået bygger vi på dype røtter i anvendt etologi. Dette inkluderer atferdsutvikling, miljøberikelse, lek og studiet av positive emosjonelle tilstander, samt påvisning av ubehag og skadelig atferd.

  På det beregningsmessige nivået utvikler vi datasyn, maskinlæring og digital fenotyping som omformer kontinuerlige atferdsdata til tolkbare, konfidensvurderte og kryssvaliderte indikatorer.

  På praksisnivået fører vi disse metodene helt frem til validert, brukerrettet beslutningsstøtte for bønder, veterinærer og dyreholdere. Dette støttes av en intern kapasitet for digital produktutvikling, utrulling og drift, hvor personvern, etikk, menneskelig tilsyn og etterlevelse av regelverk er innebygd fra starten.

• På tvers av arter

  Et definerende trekk ved gruppen er dens rekkevidde på tvers av arter og biologiske organisasjonsnivåer.

  Arbeidet vårt spenner fra fisk (der forskning på det nevrale og fysiologiske grunnlaget for atferd støtter både bedre velferd og bærekraftig bruk av oppdretts- og villfiskressurser) via fjørfe, gris, storfe og kanin, der vi tar for oss stressfysiologi, kognitiv utvikling, robusthet, halthet og forebygging av skadelig atferd som fjærplukking og halebiting. I tillegg dekker vi kjæledyr, forsøksdyr og andre arter i menneskers varetekt.

  Denne bredden er ikke tilfeldig. Den gjenspeiler en bevisst satsing på atferdsbaserte velferdsrammeverk der prinsippene kan generaliseres på tvers av populasjoner. Dette gir empirisk tyngde til en genuint artsuavhengig metodikk, snarere enn et enkeltsektorfokus.

  På dette punktet skiller verktøykassen vår seg fra tradisjonelt presisjonshusdyrhold. Vi løfter frem velferd på tvers av arter fremfor produksjon innen én enkelt sektor, og legger særlig vekt på positiv velferd og positiv affekt, ikke bare på fravær av lidelse.

• Metoder og tilnærming

  Våre metoder kombinerer etogrammer og atferdstesting med kognitiv vurdering, stress- og immunbiomarkører (som spyttkortisol), nevrobiologisk og histologisk analyse, og datasynbasert kvantifisering under varierende, reelle forhold. Disse dataene integreres gjennom statistiske tilnærminger som sti-, nettverks- og generaliserte lineære modeller.

  Vi bygger på etablerte rammeverk for velferdsvurdering og utvikler dyrebaserte velferdsindikatorer og protokoller. Vår tilnærming er bygd for å føre metoder fra konseptbevis i laboratoriet, gjennom praksisnære testarenaer som Senter for husdyrforsøk (SHF), til validerte verktøy som utfyller, snarere enn erstatter, profesjonelt menneskelig skjønn.

• Forskningsretninger

  Vi følger fire sammenhengende forskningsretninger.

  Den første handler om å etablere robuste, operasjonelle etogrammer og definere meningsfulle velferdsindikatorer som fanger opp både tilstedeværelsen av positive tilstander og fraværet av ubehag. Disse forankres i etologi og nevrobiologi knyttet til affekt og kognisjon.

  Den andre retningen fokuserer på å utvikle datasyn- og maskinlæringsmodeller for pålitelig, automatisert atferdsgjenkjenning under varierte, reelle forhold, med konfidensvurderte utdata og validering på tvers av lokaliteter.

  Den tredje handler om å omsette kontinuerlige atferdstidsserier til handlingsrettet innsikt gjennom trendanalyser, tidlig varsling ('early warning') av helse- og velferdsavvik, og praktisk beslutningsstøtte for bønder, veterinærer og dyreholdere.

  Den fjerde sørger for at verktøyene utformes med personvern, etikk, brukervennlighet og menneskelig tilsyn i forgrunnen, der interessentene er direkte involvert i selve designprosessen.

• Samarbeid

  Med forankring ved Norges miljø- og biovitenskapelige universitet (NMBU), og med arbeid på tvers av husdyrvitenskap, veterinærmedisin og teknologiske fagmiljøer, knytter vi akademiske forskere sammen med forskningsinstitutter, teknologistudioer og industripartnere.

  Vi bidrar til nasjonale og internasjonale velferdsstandarder og vitenskapelig rådgivningsarbeid. Vi har ledet og deltatt i store europeiske og nordiske forskningsnettverk om miljøberikelse, stress, gruppeoppstalling og affektive tilstander på tvers av arter, og har høy anseelse i det internasjonale fagmiljøet for anvendt etologi. Blant våre medlemmer finner vi tidligere ledere av feltets fremste vitenskapelige selskap, samt mottakere av internasjonale forsknings- og innovasjonspriser.

  Ved å arbeide i skjæringspunktet mellom atferds- og nevrovitenskap, anvendt maskinlæring og praktisk utrulling, ønsker vi å være et knutepunkt for forskere, industripartnere og rådgivere innen politikkutforming og forvaltning som bruker digital teknologi til å heve dyrevelferdsstandarder, fremme bærekraftig husdyrproduksjon, og understøtte livslang læring for sektoren.

Vi ønsker å være et knutepunkt for forskere, industripartnere og forvaltningsrådgivere som bruker digital teknologi til å heve dyrevelferdsstandarder, fremme bærekraftig husdyrproduksjon, og understøtte livslang læring for sektoren.

• Forskningsbasert undervisning og metodeopplæring

  Kunnskapen og de teknologiske metodene vi utvikler, danner fundamentet for undervisningen vår ved NMBU. Flere av våre medlemmer har ansvar for den obligatoriske dyrevelferdsundervisningen for veterinærstudenter (VET353), og bidrar til at fremtidige veterinærer bygger på et oppdatert, forskningsbasert grunnlag.

  I tillegg bringer vi vår beregningsorienterte kompetanse inn i forskerutdanningen og livslang læring. Våre medlemmer har ansvar for ph.d.-emnene i forskningsetikk og praktisk bruk av kunstig intelligens (VET400 og VET422), og bidrar til å ruste neste generasjons forskere for ansvarlig digital innovasjon.

• Medlemmer sortert alfabetisk

• Tilknyttede partnere

  Gruppens tilknyttede partnere bidrar med spesialisert kompetanse innen kvantitativ genetikk og kunstig intelligens. Dette tverrfaglige samarbeidet er avgjørende for gruppens mål om å utvikle databaserte praktiske løsninger som kan brukes for å forbedre dyrevelferd i praksis.

  Kristine Hov Martinsen er forsker ved Norsvin FoU, med ekspertise innen kvantitativ genetikk og griseavl. Hun bidrar i gruppen på grunnlag av sin erfaring med bruk av maskinlæring for automatisk gjenkjenning av halebiting hos gris.

  Viko Murati er grunnleggeren av det sveitsiske AI-studioet fdk.ai. Han kombinerer avansert programvareutvikling og kunstig intelligens for å skape intuitive brukergrensesnitt, noe som gjør komplekse data lett tilgjengelige for sluttbrukeren.

  

  Kristine Hov Martinsen

  Forsker ved Norsvin FoU
  

  • Kvantitativ genetikk
  • husdyrfag
  • griseavl
  • presisjonsfenotyping

  

  Viko Murati

  KI-strateg og utvikler
  

  • Anvendt KI
  • KI-agenter og automatisering
  • digital produktutvikling
  • KI-strategi og rådgivning
  • distribusjon og drift

  Les mer om Viko Muratis arbeid på fdk.ai/en/

Vår tilnærming er bygd for å føre metoder fra konseptbevis (proof-of-concept) i laboratoriet til validerte verktøy som utfyller, snarere enn erstatter, profesjonelt menneskelig skjønn. 

Prosjekter

• Utvalgte nyere vitenskapelige artikler

  Rakun, J., Lepej, P., & Ocepek, M. (2026). Continuous RGB-D tracking enables assessment of activity, space use, and group synchrony in group-housed grower pigs under commercial conditions. Smart Agricultural Technology, 14, 102314.

  Ocepek, M. (2026). Within-hour incremental movement data of finishing pigs over 20 days using RFID–LoRaWAN technology. Scientific Data.

  Ocepek, M. (2026). Diurnal and day-to-day movement patterns of finishing pigs on deep straw bedding during the last 20 d before slaughter. Journal of Animal Science, 104, skag122.

  Lewis, R., Kostermans, T., Brovold, J. W., Laique, T., & Ocepek, M. (2025). Automated body condition scoring in dairy cows using 2D imaging and deep learning. AgriEngineering, 7(7), 241.

  Ocepek, M., Žnidar, A., Lavrič, M., Škorjanc, D., & Andersen, I. L. (2022). DigiPig: First developments of an automated monitoring system for body, head and tail detection in intensive pig farming. Agriculture, 12(1), 2.

Utvalgte nyere oversiktsartikler og rapporter