Four types of activities that affect animals: implications for animal welfare science and animal ethics philosophy
Notice bibliographique
Résumé
Abstract People affect animals through four broad types of activity: (1) people keep companion, farm, laboratory and captive wild animals, often while using them for some purpose; (2) people cause deliberate harm to animals through activities such as slaughter, pest control, hunting, and toxicology testing; (3) people cause direct but unintended harm to animals through crop production, transportation, night-time lighting, and many other human activities; and (4) people harm animals indirectly by disturbing ecological systems and the processes of nature, for example by destroying habitat, introducing foreign species, and causing pollution and climate change. Each type of activity affects vast numbers of animals and raises different scientific and ethical challenges. In Type 1 activities (keeping animals), the challenge is to improve care, sometimes by finding options that benefit both people and animals. In Type 2 activities (deliberate harm), the challenge is to avoid compounding intentional harms with additional, unintended harms, such as animal suffering. For Type 3 and 4 activities, the challenges are to understand the unintended and indirect harms that people cause, to motivate people to recognise and avoid such harms, and to find less harmful ways of achieving human goals. With Type 4 activities, this may involve recognising commonalities between animal welfare, conservation and human well-being. Animal welfare science and animal ethics philosophy have traditionally focused on Type 1 and 2 activities. These fields need to include Type 3 and 4 activities, especially as they increase with human population growth.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,035 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,107 |
| Communication savante | 0,013 | 0,016 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,013 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».