Notice bibliographique
Résumé
The Canadian Council on Animal Care (CCAC) publishes data on over 25 species of animals used in science, and the US Department of Agriculture publishes data on six of those species. Between 1980 and 1999, the reduction in animal use was found to be correlated between Canada and the USA for dogs (r = 0.944, p < 0.001), cats (r = 0.839, p < 0.001), rabbits (r = 0.852, p < 0.001) and hamsters (r = 0.716, p < 0.01), with no significant correlation found for non-human primates and guinea-pigs. On the basis of the four species where correlation between the two countries was found for reduction in use, the mean ratio of the number of animals used in the USA compared to the number used in Canada was 17.0 +/- 7.5. The CCAC data for these six US-regulated species were used in an analysis of regression with multiple predictors to test whether they could be used to predict the total number of animals used. No significant correlation was found. However, using the same analysis, rats, mice, fish and birds were found to be highly correlated with the total number of animals used (r2 = 0.9835, p < 0.005). The regression equation developed by using Canadian data was validated using UK animal use numbers. An almost perfect fit between the estimated values provided the evidence that total animal use in Canada and the UK decreased at about the same pace during the 1990s. Animal use data can be a useful tool to monitor the implementation of reduction measures. However, their use for the monitoring of refinement measures requires care and analysis. For example, the sustained downward trend in the number of experiments causing severe pain in unanaesthetised animals (category of invasiveness [CI] E) observed in Canada and the USA between 1996 and 1999 is indicative of effective refinement, but it would be misleading to interpret the increase in the number of animals used in Canada under CI D in 1997 as an indication of greater pain and distress. In fact, the larger number of animals in CI D resulted at least in part from the implementation of new CCAC guidelines designed to ensure better monitoring of transgenic animal care and use.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,013 | 0,028 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».