Four types of activities that affect animals: implications for animal welfare science and animal ethics philosophy
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
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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