Assessing animal welfare: different philosophies, different scientific approaches
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Attempts to improve animal welfare have commonly centered around three broad objectives: (1) to ensure good physical health and functioning of animals, (2) to minimize unpleasant "affective states" (pain, fear, etc.) and to allow animals normal pleasures, and (3) to allow animals to develop and live in ways that are natural for the species. Each of these objectives has given rise to scientific approaches for assessing animal welfare. An emphasis on health and functioning has led to assessment methods based on rates of disease, injury, mortality, and reproductive success. An emphasis on affective states has led to assessment methods based on indicators of pain, fear, distress, frustration and similar experiences. An emphasis on natural living has led to research on the natural behavior of animals and on the strength of animals' motivation to perform different elements of their behavior. All three approaches have yielded practical ways to improve animal welfare, and the three objectives are often correlated. However, under captive conditions, where the evolved adaptations of animals may not match the challenges of their current circumstances, the single-minded pursuit of any one criterion may lead to poor welfare as judged by the others. Furthermore, the three objectives arise from different philosophical views about what constitutes a good life-an area of disagreement that is deeply embedded in Western culture and that is not resolved by scientific research. If efforts to improve animal welfare are to achieve widespread acceptance, they need to strike a balance among the different animal welfare objectives.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle