What can kinematics tell us about the affective states of animals?
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 An animal's welfare state is intrinsically linked to its affective state. Evidence suggests that sentient, conscious animals can experience a range of affective states, such as pain, fear or boredom as well as positive affects like joy, curiosity, satiation or lust. In the behavioural assessment of animal welfare, there is increasing recognition that it is not simply which behaviours an animal engages in but also the quality of its movement. Kinematics is an approach which is being more widely applied to the behavioural assessment of animal welfare. Kinematics is a field of mechanics that describes the movement of points on a body by defining these points in a coordinate system and precisely tracking how they change in terms of space and time. A major opportunity exists for using kinematic technology to inform our understanding of the emotional state of animals. This review argues that kinematics is a useful methodology for identifying and characterising movement indicative of an animal's affective state. It demonstrates that kinematics: i) appears useful in detecting subtleties in the expression of affective states; ii) could be used in conjunction with, and add extra information to, affective tests (for example, an approach/avoidance paradigm); and iii) could potentially, eventually, be developed into an automated affective state detection system for improving the welfare of animals used in research or production. Furthering our knowledge of animal affective states using kinematics requires engagement from many areas of science outside of animal welfare, such as sports science, computer science, engineering and psychology.
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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