A Multi-Site Feasibility Assessment of Implementing a Best-Practices Meet-And-Greet Intervention in Animal Shelters in the United States
Notice bibliographique
Résumé
Animal shelters must incorporate empirically validated programs to increase life-saving measures; however, altering existing protocols is often a challenge. The current study assessed the feasibility of nine animal shelters within the United States to replicate a validated procedure for introducing an adoptable dog with a potential adopter (i.e., "meet-and-greet") following an educational session. Each of the shelters were first entered into the "baseline" condition, where introduction between adoptable dogs and potential adopters were as usual. After a varying number of months, each shelter entered into the "experimental" phase, where staff and volunteers were taught best practices for a meet-and-greet using lecture, demonstration, and role-play. Data on the likelihood of adoption following a meet-and-greet were collected with automated equipment installed in meet-and-greet areas. Data on feasibility and treatment integrity were collected with questionnaires administered to volunteers and staff followed by a focus group. We found that a single educational session was insufficient to alter the meet-and-greet protocol; challenges included not remembering the procedure, opposing opinions of volunteers and staff, lack of resources, and a procedural drift effect in which the protocol was significantly altered across time. In turn, no animal shelters increased their dog adoptions in the "experimental" phase. New research is needed to develop effective educational programs to encourage animal shelters to incorporate empirical findings into their protocols.
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 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) | 0,000 | 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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».