Sociale verzorging is een wijdverbreid gedrag bij veel primatensoorten dat verschillende sociale functies vervult, waaronder het versterken van sociale banden, het versterken van sociale hiërarchieën en het verminderen van stress. Eerdere studies hebben aangetoond dat sociale verzorging kan worden geïdentificeerd door visuele observatie of handmatige annotatie van versnellingssignalen verzameld door op dieren bevestigde sensoren. Dergelijke handmatige etikettering is echter tijdrovend en vereist vakkennis. Om de grootschalige monitoring van sociaal verzorgingsgedrag bij wilde primaten te vergemakkelijken, stellen we een machine learning-aanpak voor voor automatische identificatie van sociale verzorging op basis van versnellingssignalen. We hebben een dataset ontwikkeld van versnellingssignalen verzameld van wilde bavianen (Papio anubis), die meer dan 100 uur aan sociale verzorging en meer dan 500 uur aan niet-sociale verzorgingsactiviteiten bevat. De dataset werd gebruikt om verschillende machine learning-modellen te trainen en te testen, waaronder ondersteunende vectormachines, beslissingsbomen en willekeurige forests. Onze resultaten laten zien dat het beste model, een willekeurig bos, een nauwkeurigheid van 96,2% en een F1-score van 94,5% behaalde bij het identificeren van sociale verzorgingsgebeurtenissen. De voorgestelde aanpak is veelbelovend voor automatische en grootschalige identificatie van sociaal verzorgingsgedrag bij wilde dieren, wat kan bijdragen aan ons begrip van sociaal gedrag van primaten en waardevolle informatie kan opleveren voor inspanningen op het gebied van natuurbehoud en beheer.