Kan AI horen hoe een varken zich voelt?

Wat als we konden horen hoe een dier zich voelt?

Het idee is verleidelijk. Hang een microfoon op, laat artificiële intelligentie (AI) luisteren en misschien kan een computer ons vertellen wanneer een dier zich goed of slecht voelt.

Bij varkens wordt daar al volop onderzoek naar gedaan. Geluiden die werden opgenomen tijdens bijvoorbeeld castratie kregen in eerder onderzoek een negatief label, terwijl geluiden van zogende biggen als positief werden beschouwd. Vervolgens bleek AI behoorlijk goed te kunnen voorspellen bij welke van die categorieën een geluid hoorde.

Klaar: de computer kan horen hoe een varken zich voelt?

Niet zo snel.

Eerst zelf luisteren?

Voor je verder leest, kan je het zelf proberen.

Op https://project-oink.org/ hoor je echte varkensgeluiden en kan je raden in welke situatie ze werden opgenomen. Geen beeld, geen stal, geen varken in zicht. Alleen geluid.

Dat gebrek aan context is precies waar ons onderzoek om draaide.

Als AI verschillen tussen varkensgeluiden kan herkennen, kunnen mensen dat dan ook? En horen mensen met veel ervaring met varkens iets anders dan de gewone sterveling?

In twee online experimenten lieten we honderden mensen naar losse geluidsfragmenten luisteren. Ze zagen geen video en wisten niet waar of wanneer de geluiden waren opgenomen.

In de eerste proef mochten deelnemers volledig zelf bepalen welke geluiden volgens hen bij elkaar hoorden en hoe ze die groepen zouden noemen. In de tweede moesten ze proberen de opnamesituatie te herkennen en vervolgens beoordelen hoe positief of negatief het geluid klonk.

Daarnaast lieten we een neuraal netwerk naar dezelfde geluiden ‘luisteren’.

Mensen horen wel degelijk structuur

De eerste verrassing: mensen deelden de geluiden helemaal niet willekeurig in.

Bepaalde geluiden kwamen steeds opnieuw bij elkaar terecht. Bovendien zagen we bijna dezelfde grote structuur bij mensen met veel, weinig of helemaal geen ervaring met varkens.

Varkensexperts beschikken dus blijkbaar niet over een geheim gehoorkanaal. Ze horen grotendeels dezelfde akoestische verschillen als andere mensen.

Ervaring veranderde vooral welke betekenis mensen aan die verschillen gaven.

Varkenshouders gebruikten bijvoorbeeld relatief vaak concrete omschrijvingen als ‘een big’, ‘een hoest’ of ‘een krijs’. Dierwetenschappers kozen iets vaker woorden die verwezen naar wat het dier mogelijk voelde, zoals ‘een gelukkig varken’. Over alle vrij gekozen groepsnamen heen verwees slechts ongeveer één op de vijf naar een gevoel.

Dat is interessant: verschillende mensen kunnen hetzelfde verschil horen, maar er iets anders in lezen.

De computer hoorde ongeveer hetzelfde

Nog opvallender was dat de structuur die mensen in de geluiden vonden sterk overeenkwam met de akoestische structuur die ons AI-model ontdekte.

Dat vertelt ons iets belangrijks. Varkensgeluiden bevatten echte, herhaalbare informatie. Mens en machine pikken dus niet zomaar willekeurige patronen op.

Maar hier ontstaat ook een valkuil.

Stel dat we twee groepen geluiden maken. De ene noemen we ‘positief’, de andere ‘negatief’. We trainen vervolgens een computer om die groepen uit elkaar te houden. Als dat lukt, heeft de computer aangetoond dat er een meetbaar verschil tussen beide groepen zit.

Maar heeft hij daarmee ook ‘positief’ en ‘negatief’ geleerd? Niet noodzakelijk.

Een algoritme kent de betekenis van die woorden niet. We hadden de categorieën evengoed ‘frikandel’ en ‘kruiwagen’ kunnen noemen. Als de onderliggende geluiden hetzelfde blijven, kan de computer nog steeds exact dezelfde classificatietaak uitvoeren.

Een hoge score vertelt ons dus in de eerste plaats dat er informatie in de data zit waarmee onze labels kunnen worden voorspeld. De moeilijkere vraag is of die labels ook werkelijk beschrijven wat wij denken dat ze beschrijven.

Van patroon naar betekenis wordt het moeilijk

Dat probleem zagen we duidelijk toen we mensen vroegen om de exacte situatie achter een geluid te herkennen.

Ze konden kiezen uit achttien mogelijke opnamecontexten. Gemiddeld was 8 procent van de antwoorden correct. Volledig gokken zou ongeveer 5,6 procent opleveren. Dat is statistisch beter dan toeval, maar praktisch gezien nog steeds bijzonder weinig.

Zelfs de best herkende situaties werden maar in ongeveer één op de vijf gevallen correct geïdentificeerd.

Uit één los geluid kan een mens dus moeilijk betrouwbaar reconstrueren wat er precies gebeurde.

Positief of negatief lijkt makkelijker

Toen we de vraag vereenvoudigden, leek het plots beter te gaan.

We vroegen deelnemers niet langer wat er precies gebeurde, maar hoe positief of negatief een geluid volgens hen klonk. Wanneer we neutrale antwoorden buiten beschouwing lieten, kwam ongeveer 60 procent overeen met het positieve of negatieve label dat eerder aan de opnamesituatie was gegeven.

Op het eerste gezicht lijkt dat behoorlijk overtuigend.

Maar het resultaat werd vooral gedragen door de meest extreme negatieve situaties: castratie, vasthouden en vechten.

Daarbij produceren varkens vaak lange, hoge en opvallende kreten. Mensen zetten zulke geluiden makkelijk bij elkaar en beoordelen ze duidelijk negatiever.

Toen we die extreme situaties uit de analyse verwijderden, verdween de duidelijke overeenkomst met de positieve en negatieve labels.

De vraag bepaalt mee wat je hoort

Daar komt nog iets bij.

In onze eerste proef vroegen we mensen simpelweg wat ze hoorden. Toen gebruikten ze relatief weinig woorden over gevoelens.

In de tweede proef vertelden wij hen expliciet dat ze ieder geluid op een schaal van positief tot negatief moesten beoordelen.

Dat lijkt een klein verschil, maar methodologisch is het belangrijk. Zodra je mensen vraagt om naar ‘positief’ en ‘negatief’ te zoeken, geef je hen zelf al een kader waarin ze het geluid moeten interpreteren.

Dat betekent niet dat hun beoordeling waardeloos is. Wel betekent het dat we voorzichtig moeten zijn met de conclusie dat diezelfde informatie spontaan en ondubbelzinnig in het geluid aanwezig was.

Ook bij mensen kennen we dat probleem.

Iemand kan huilen van verdriet, maar ook van opluchting of geluk. Een schreeuw kan pijn betekenen, maar ook angst of pure opwinding.

Gewoonlijk begrijpen we zo’n geluid doordat we weten wat er rondom gebeurt.

Haal die context weg en de betekenis wordt plots veel minder vanzelfsprekend.

Een hok met stro klinkt niet noodzakelijk ‘gelukkiger’

Een mooi voorbeeld kwam uit de oorspronkelijke databank.

Daarin zaten opnames van varkens in een verrijkt hok met stro en opnames uit een niet-verrijkt hok met een betonnen vloer. De eerste situatie was vooraf positiever gelabeld dan de tweede.

Maar uit de geluiden alleen haalden onze deelnemers dat verschil niet.

Ze groepeerden de opnames uit beide situaties op een vergelijkbare manier en gaven de niet-verrijkte situatie gemiddeld zelfs een iets positievere beoordeling.

Ook in onze AI-analyse verdween, zodra we de meest extreme situaties weglieten, de duidelijke aansluiting tussen de akoestische structuur en de vooraf gekozen positieve en negatieve labels.

Er zit dus structuur in het geluid. Alleen vertelt die structuur ons niet automatisch wat ze biologisch betekent.

Wat meet AI dan eigenlijk?

Dat is volgens ons de bredere vraag die verder gaat dan varkens.

Het probleem is niet dat een computer te weinig uit een varkensgeluid kan halen. Moderne analysemethoden kunnen juist verrassend veel structuur herkennen.

De moeilijkheid begint wanneer wij moeten bepalen wat die structuur betekent.

Een microfoon registreert geluid.

Een algoritme herkent patronen.

Mensen geven daar vervolgens betekenis aan.

Voor vooruitstrevend dierenwelzijnsonderzoek moeten we die stappen uit elkaar blijven houden. Dat maakt onderzoek niet zwakker, maar de conclusies juist sterker. En uiteindelijk moet een goede welzijnsindicator niet alleen iets meten, maar betrouwbare informatie opleveren waar dier én varkenshouder iets aan hebben.

Eerst goed meten, daarna betekenis geven.

Misschien is dat uiteindelijk de belangrijkste les die de varkens ons kunnen leren over AI.

Benieuwd hoe goed jij varkensgeluiden begrijpt? Doe de test op: https://project-oink.org/

Het wetenschappelijke artikel dat de basis vormt van deze tekst, is te vinden onder: Gorssen, W., Sleurs, B., & Winters, C. (2026). Pig vocalizations contain shared acoustic structure for humans and machines, but limited evidence for presumed affective valence. bioRxiv 2026.07.06.736900, https://doi.org/10.64898/2026.07.06.736900