수동 음향 모니터링(Passive acoustic monitoring)은 생태학적 추론에 큰 잠재력을 가지고 있지만, 기존의 자동화 도구들은 일반적으로 좁게 학습되었고 전이성이 부족합니다. 우리는 이러한 한계점에 대응하여 PULSE라는 준지도(semi-supervised), 다중 작업 프레임워크를 오르토프테라(Orthoptera) 생체음향학에 적용했습니다. 이 프레임워크는 약지도 종 분류(weakly-supervised species classification), 레이블이 없는 현장 음성 데이터에 대한 자기 지도 학습(self-supervised learning), 그리고 범용 생체음향 모델로부터의 지식 증류(knowledge distillation)를 결합합니다. 우리의 도메인 적응형 전문 모델은 모든 지표에서 최첨단 일반 모델을 능가하는 성능을 보였습니다 (macro F1: 0.21 vs. 0.07; AUC: 0.74 vs. 0.45; AP: 0.32 vs. 0.19). 여기에 능동 학습(active learning)을 추가하자 F1은 0.34로, AUC는 0.84로 더욱 향상되었습니다. 분류를 넘어, 학습된 임베딩(embeddings)은 생태학적으로 의미 있는 구조를 인코딩하며, 이는 생태학적 발견을 위한 대화형 시각화 도구를 통해 노출됩니다.