Humans can identify cats’ affective states from subtle facial expressions
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 Although cats’ popularity as pets rivals that of dogs, cats are little studied, and people's abilities to read this apparently ‘inscrutable’ species have attracted negligible research. To determine whether people can identify feline emotions from cats’ faces, participants (n = 6,329) each viewed 20 video clips of cats in carefully operationalised positively (n =10) or negatively valenced states (n = 10) (cross-factored with low and high activity levels). Obvious cues (eg open mouths or fully retracted ears) were eliminated. Participants’ average scores were low (11.85/20 correct), but overall above chance; furthermore, 13% of participants were individually significantly successful at identifying the valence of cats’ states (scoring ≥ 15/20 correct). Women were more successful at this task than men, and younger participants more successful than older, as were participants with professional feline (eg veterinary) experience. In contrast, personal contact with cats (eg pet-owning) had little effect. Cats in positive states were most likely to be correctly identified, particularly if active rather than inactive. People can thus infer cats’ affective states from subtle aspects of their facial expressions (although most find this challenging); and some individuals are very good at doing so. Understanding where such abilities come from, and precisely how cats’ expressions change with affective state, could potentially help pet owners, animal care staff and veterinarians optimise feline care and welfare.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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