What can kinematics tell us about the affective states of animals?
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.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».