Cette étude avait deux objectifs principaux : premièrement, démontrer comment le statut reproducteur influence les déplacements des femelles et explorer les facteurs environnementaux pouvant les affecter à l’aide de Modèles Additifs Mixtes Généralisés (GAMMs). Les femelles avec des oursons de l’année (COY) se déplaçaient moins que les solitaires, tandis que celles avec des oursons d’un an présentaient un schéma intermédiaire. Le second objectif visait à inférer le statut reproducteur des femelles et à détecter des événements de perte de portée via l’analyse de leurs données de mouvement. Une méthode de machine learning, la Random Forest (RF) ou forêt d’arbres décisionnels, a permis de déterminer le statut reproducteur des femelles à la sortie de la tanière avec 85 % de précision. Les dates de pertes de portée ont été identifiées par détection de Bayesian Changepoint ou points de rupture bayésiens, et validées avec une précision de 75 % grâce à la RF préentraînée. Ces résultats offrent une approche innovante et prometteuse pour combler les lacunes des données de certains individus ayant échappé à la surveillance sur le terrain. Cette approche pourrait potentiellement servir à détecter d’autres événements de leur cycle de vie (conflits, perturbations, dégradation de l’état de santée etc.) mais également s’appliquer à d’autres espèces équipées de colliers GPS. Malgré les défis liés aux spécificités biologiques et à la saisonnalité des ours bruns, cette étude pose les bases pour évaluer le statut reproducteur des femelles après l’hibernation, fournissant des informations précieuses sur les taux de natalité et de mortalité des oursons, tout en ouvrant de nouvelles perspectives pour la recherche sur la dynamique des populations des ours bruns.