> ## Content Index
> Fetch the complete content index at: https://ontraadseld.nl/llms.txt
> Use this file to discover other available public pages before exploring further.

# Slimme AI leert vleermuisroepen herkennen met bijna geen mensenwerk
- URL: https://ontraadseld.nl/slimme-ai-leert-vleermuisroepen-herkennen-met-bijna-geen-mensenwerk/
- Published: 2026-09-08T09:40:12.000Z
- Updated: 2026-09-20T09:02:56.000Z
- Author: Ontraadseld
- Tags: Biologie & Evolutie

Vleermuizen zijn nachtdieren die je bijna nooit ziet, maar wel kunt horen. Ze maken ultrasone roepjes om hun weg te vinden in het donker. Onderzoekers zetten daarom overal microfoons neer die dag en nacht opnemen. Het probleem: er komt zoveel geluidsmateriaal binnen dat geen mens het allemaal kan uitluisteren en labelen met de juiste soortnaam.

Normaal gesproken moet een expert per opname aangeven welke vleermuissoort je hoort. Dat kost enorm veel tijd. Voor elk AI-systeem dat automatisch soorten herkent, heb je duizenden van zulke handmatig gelabelde voorbeelden nodig om het te trainen. Een team van onderzoekers vroeg zich af: kan het ook met veel minder handwerk?

### Computer labelt zichzelf

De oplossing heet "pseudo-labeling". Je laat een AI-model eerst trainen op een klein setje wel-gelabelde opnames, bijvoorbeeld maar 10 procent van het totaal. Daarna laat je datzelfde model gokken wat de soort is bij de overige, ongelabelde opnames. Die gok, de "pseudo-label", gebruikt het model vervolgens weer om zichzelf verder te trainen. Zo groeit de hoeveelheid bruikbare trainingsdata vanzelf, zonder dat een mens er nog naar hoeft te luisteren.

De onderzoekers testten dit op een grote Europese dataset met 18 vleermuissoorten. Met slechts 10 procent van de normale hoeveelheid labels haalde deze methode tot 61,5 procent van het verschil in nauwkeurigheid met een volledig getraind systeem. Ze vergeleken de aanpak ook met andere technieken die met weinig labels werken, en pseudo-labeling won op elk gemeten punt.

Daarna testten ze of dit ook werkt op heel andere opnames: veldgeluid uit Zuid-Afrika, met negen vleermuisgroepen en een extra "storend" geluidscategorie. Ook daar verbeterde de methode de resultaten flink: 10,69 procentpunt hogere nauwkeurigheid en bijna 5 procentpunt betere score op de zogeheten macro-F1, een maat die aangeeft hoe goed het model presteert over alle soorten heen, ook de zeldzamere.

### Familiebanden helpen ook

Er kwam nog een tweede vondst bij. Vleermuissoorten die nauw verwant zijn, dus tot hetzelfde geslacht behoren, klinken vaak op elkaar. Denk aan neefjes en nichtjes die qua stem soms moeilijk uit elkaar te houden zijn. De onderzoekers bouwden die kennis in het model in, met een truc die "genus-aware smoothing" heet. Als het model twijfelt tussen soorten, wijst het de onzekerheid vooral toe aan verwante soorten in plaats van willekeurig. Gecombineerd met een andere aanpassing haalde het model zo een score van 79,16 op de macro-F1-maat, 4,73 punten hoger dan zonder deze truc.

**Wat betekent dit (nog) niet:** Dit is één onderzoek, getest op twee specifieke datasets. Het model is nog niet perfect en maakt nog steeds fouten, vooral bij zeldzame soorten. Ook is dit geen kant en klaar systeem dat morgen overal ingezet kan worden: het is een veelbelovende methode die aantoont dat je met veel minder handmatig werk toch goede resultaten kunt boeken.

Waarom is dit belangrijk? Het monitoren van vleermuizen helpt om te zien hoe het gaat met de natuur, want vleermuizen zijn gevoelig voor veranderingen in hun omgeving. Als AI het soort-op-soort uitzoeken grotendeels kan overnemen, blijft er meer tijd over voor natuurbeschermers om daadwerkelijk actie te ondernemen in plaats van uren te luisteren naar piepjes.

Bron: [Unlabeled Echoes: Pseudo-Labels and Genus-Aware Smoothing for Bat Call Recognition](http://arxiv.org/abs/2609.11986v1?ref=ontraadseld.nl)