Social grooming är ett utbrett beteende hos många primatarter som tjänar olika sociala funktioner, inklusive att stärka sociala band, förstärka sociala hierarkier och minska stress. Tidigare studier har visat att social grooming kan identifieras genom visuell observation eller manuell anteckning av accelerationssignaler som samlats in från djuranslutna sensorer. Sådan manuell märkning är dock tidskrävande och kräver expertkunskap. För att underlätta storskalig övervakning av socialt groomingbeteende hos vilda primater, föreslår vi en maskininlärningsmetod för automatisk identifiering av social grooming från accelerationssignaler. Vi utvecklade en datauppsättning av accelerationssignaler som samlats in från vilda babianer (_Papio anubis_), som innehåller över 100 timmars social grooming och över 500 timmars icke-social grooming-aktiviteter. Datauppsättningen användes för att träna och testa en mängd olika maskininlärningsmodeller, inklusive stödvektormaskiner, beslutsträd och slumpmässiga skogar. Våra resultat visar att den bästa modellen, en slumpmässig skog, uppnådde en noggrannhet på 96,2 % och en F1-poäng på 94,5 % för att identifiera sociala grooming-händelser. Det föreslagna tillvägagångssättet är lovande för automatisk och storskalig identifiering av socialt skötselbeteende hos vilda djur, vilket kan bidra till vår förståelse av primaters sociala beteende och ge värdefull information för bevarande- och förvaltningsinsatser.