Les réseaux neuronaux profonds sont des outils prometteurs pour l'évaluation de la biodiversité aviaire, en particulier pour la détection des chants et la classification acoustique des espèces. Toutefois, on connaît mal l’étendue de leur capacité de généralisation face à la variation intraspécifique présente dans les chants d’oiseaux, ce qui pourrait mener à des biais. Notre étude porte sur l'évaluation des performances de BirdNET, un réseau neuronal profond, pour le traitement d’un corpus d'enregistrements audio caractérisés par une variation intraspécifique significative, en utilisant l’exemple du chant du bruant des prés (Passerculus sandwichensis). Dans la population de l'île de Kent, au Nouveau-Brunswick, les individus sont suivis et enregistrés grâce à leurs bagues de couleur et la présence de microdialectes est solidement documentée. Nous avons recueilli et annoté 69 606 chants provenant de 52 individus et analysé ces données à l'aide d’une version récente de BirdNET. Nos résultats révèlent que BirdNET démontre une précision globale suffisante, prédisant correctement 81,9 % des chants, ce qui dépasse les résultats rapportés par ses développeurs. Toutefois, nous avons observé une variation considérable dans les scores de confiance et les taux de prédiction exactes entre les individus, ce qui suggère des biais potentiels. Cependant, nos recherches n'ont pas mis en évidence de variation entre les résultats des différents microdialectes, ce qui souligne la relative robustesse de l'algorithme. Nous avançons que la variation observée entre les individus est due au fait que certains d’entre eux chantent systématiquement plus près des microphones, résultant en des chants plus clairs donc plus faciles à identifier. Pour mieux comprendre le processus de prise de décision de BirdNET, nous avons tenté de produire des cartes d'activation de classe, qui constituent un outil précieux pour identifier les éléments d’un chant qui déterminent une prédiction. Cependant, il ne nous a pas été possible d’obtenir des cartes d’activation de classe d’après la version actuellement disponible du code de BirdNET sans avoir recours à des connaissances avancées en informatique. L'accès à des outils explicatifs adaptés aux innovations récentes dans les architectures de réseaux neuronaux 4 profonds serait crucial pour mieux interpréter les résultats et renforcer la confiance des utilisateurs. Nos résultats soulignent la nécessité de poursuivre les recherches sur la capacité de généralisation des réseaux neuronaux profonds pour la bioacoustique en utilisant des ensembles de données monospécifiques portant sur de plus longues périodes ou des aires de répartition géographique plus vastes. En outre, l'extension de cette étude à des espèces ayant des répertoires plus importants ou des différences plus subtiles entre le chant des individus pourrait nous informer davantage sur les limites et le potentiel des algorithmes d'apprentissage profond pour la détection et la classification acoustiques des espèces. En conclusion, notre étude démontre les performances prometteuses de BirdNET pour le traitement d'un large corpus de chants de bruants des prés, et confirme son potentiel en tant qu'outil précieux pour l'évaluation de la biodiversité aviaire. Les biais dus aux techniques d’enregistrement et la variation dans les taux de succès observés entre les individus méritent d'être étudiés plus en détail. / Machine learning, particularly deep neural networks, has gained prominence as a valuable tool in ecological studies and wildlife conservation planning. In the field of avian biodiversity assessment, deep neural networks have shown remarkable promise, particularly in acoustic species detection and classification. Despite their success, a critical knowledge gap exists concerning the generalization ability of these algorithms across intraspecific variation in bird song. This raises concerns about potential biases and misinterpretation of results. This study focuses on evaluating the performance of BirdNET, a deep neural network, in processing audio recordings characterized by significant intraspecific variation in the Savannah Sparrow (Passerculus sandwichensis) song. Savannah Sparrows are an ideal candidate for this investigation, given their well-studied population on Kent Island, New Brunswick, Canada. Each male sings a unique, unchanging song throughout its life, and the population exhibits well-documented geographical microdialects. We collected a large corpus of Savannah Sparrow songs using autonomous and focal recorders on Kent Island, yielding a total of 69,606 manually annotated songs from 52 different sparrows. We analyzed the audio data using BirdNET-Analyzer. The resulting confidence scores were used to assess the algorithm's performance across microdialects and individual birds. Our results revealed that BirdNET exhibited considerable overall accuracy, correctly predicting 81.9% of the songs, which surpassed the results reported by the developers of BirdNET. We observed variations in BirdNET's confidence scores among individual birds, suggesting potential biases in its classifications. However, our investigation indicated no evidence of distinct biases towards specific microdialects, highlighting the algorithm's relative robustness across these groups. We suspect that the variation observed amongst individuals is caused by the fact that some were singing consistently closer to microphones, yielding clearer songs. To gain insights into BirdNET's decision-making process, we sought to employ class activation maps, a valuable tool for identifying essential song elements contributing to species predictions. However, we were unable to produce class activation maps from the current version of BirdNET 6 without advanced computer science skills. Access to informative tools adapted to recent innovations in deep neural network architectures for bioacoustic applications is crucial for understanding and interpreting results better. Such tools would enhance user confidence and favour accountability for conservation decisions based on these predictions. Our findings underscore the need for further research investigating the generalization capacity of deep neural networks in bioacoustics on single-species datasets with more extensive intraspecific variation and broader geographical ranges. Additionally, expanding this investigation to species with larger song repertoires or more subtle inter-individual song differences could provide valuable insights into the limits and potential of deep learning algorithms for acoustic species detection and classification. In conclusion, our study demonstrates BirdNET's promising performance in processing a large corpus of Savannah Sparrow songs, highlighting its potential as a valuable tool for avian biodiversity assessment. Biases and variations in confidence scores observed across individual birds warrant further investigation.

La résolution de problème est souvent utilisée comme outil de mesure des capacités cognitives individuelles chez les animaux non-humains, puisqu’elle permet d’étudier leurs capacités d’apprentissage opérant et d’innovation. Les capacités cognitives diffèrent selon les espèces et les individus, et leur permettent de maximiser leur aptitude. Par exemple, chez les oiseaux et les mammifères, les espèces avec de plus gros cerveaux relatifs possèderaient de meilleures capacités d’apprentissage sociale et d’innovation, qui leur permettent de mieux s’adapter à un environnement nouveau. Malgré l’utilisation répandue des diamants mandarins dans la recherche en écologie comportementale, l’impact du sexe sur la performance de résolution de problème et la répétabilité des performances ont souvent été négligés, et aucune étude, à notre connaissance, ne s’est intéressée à leur performance en contexte de résolution de problème coopérative. Dans le cadre de notre étude, nous avons décidé d’aborder ces différents aspects pour améliorer notre compréhension des capacités cognitives et de la coopération chez cette espèce modèle. Nous avons confronté des diamants mâles et femelles à trois tests de résolution de problème individuelle (test de la ficelle, test de la barre et test du couvercle) et un test de résolution de problème coopérative. Pour ce dernier, nous avons séparé les individus en deux groupes : couples sociaux et couples expérimentaux, afin de manipuler le lien social entre individus. Les couples sociaux étaient composés d’un mâle et d’une femelle ayant cohabité pendant 7 jours, alors que les couples expérimentaux étaient composés d’un mâle et d’une femelle ne s’étant jamais rencontrés auparavant. Bien que nous nous attendions à ce que le sexe n’ait pas d’impact sur la performance de résolution, nos résultats ont révélé que, en moyenne, les mâles étaient plus rapides pour résoudre un test de résolution de problème individuelle. Ces résultats étaient principalement attribuables à leur performance sur le deuxième test de résolution de problème individuelle (test de la barre). Nous pensons que cette différence pourrait être due à un niveau de persistance plus élevé chez les mâles et/ou à l’impact de la sélection sexuelle sur les performances cognitives, et que ces aspects devraient être davantage explorés dans de futures études. Ensuite, en accord avec nos attentes, nos résultats ont confirmé l’hypothèse de la répétabilité contextuelle, selon laquelle les performances de résolution sont constantes entre différentes tâches impliquant le même processus cognitif. Enfin, nous nous attendions à ce que les couples sociaux soient plus performants que les couples expérimentaux sur le test de résolution de problème coopérative, puisque nous les pensions davantage capables de synchronisation et de coordination comportementale. Or, nous avons trouvé des résultats suggérant le contraire, et nous avons constaté que la performance du couple au test de résolution de problème coopérative, était principalement expliquée par les performances de résolution individuelle de chaque partenaire. Des questions subsistent quant aux raisons pour lesquelles les couples expérimentaux ont mieux performé que les couples sociaux. Est-ce qu’une différence de motivation pourrait être à l’origine de ces résultats ? De futures études seront nécessaires pour nous éclairer. Malgré les questions en suspens, nos résultats contribuent à enrichir nos connaissances sur les capacités cognitives individuelles, la résolution de problème ainsi que la coopération. / Problem solving is often used as a tool for measuring individual cognitive abilities in non-human animals, since it enables us to study their operant learning and innovation capacities. Cognitive capacities differ between species and individuals, enabling them to maximize their abilities. For example, in birds and mammals, species with larger relative brains are said to have better social learning and innovation capacities, enabling them to adapt better to new environments. Despite the widespread use of zebra finches in behavioral ecology research, the impact of sex on problem-solving performance and the repeatability of performance have often been overlooked and, to our knowledge, no studies have investigated their performance in cooperative problem-solving contexts. In our study, we decided to address these different aspects to improve our understanding of cognitive abilities and cooperation in this model species. We tested male and female zebra finches in three individual problem-solving tests (string test, bar test and lid test) and one cooperative problem-solving test. For the latter, we separated the individuals into two groups: social pairs and experimental pairs, to manipulate the social bond between individuals. Social pairs were made up of a male and a female who had cohabited for 7 days, while experimental pairs were made up of a male and a female who had never met before. While we expected sex to have no impact on solving performance, our results revealed that, on average, males were faster at solving individual problem-solving tests. These results were mainly attributable to their performance on the second individual problem-solving test (bar test). We believe that this difference could be attributable to a higher level of persistence in males and/or the impact of sexual selection on cognitive performance, and that these aspects should be explored in future studies. Secondly, in line with our expectations, our results confirmed the contextual repeatability hypothesis, according to which solving performance is consistent across trials requiring the same cognitive process. Finally, we expected social pairs to perform better than experimental pairs on the cooperative problem-solving test, since we expected them to be more capable of synchronisation and behavioral coordination. . However, we found results suggesting the opposite, and the performance of the pairs on the cooperative problem-solving task was mainly explained by the ability of each partner to solve a problem. Questions remain as to why the experimental pairs performed better than the social pairs. Could a difference in motivation be behind these results? Future studies are needed to shed light on this. Despite the outstanding questions, we believe that our results contribute to our knowledge of individual cognitive abilities, problem solving and cooperation.