Grains on the brain: A survey of dog owner purchasing habits related to grain-free dry dog foods
Notice bibliographique
Résumé
Grain-free pet food options abound in the pet food market today, representing more than 40% of available dry dog foods in the United States. There is currently a dearth of information about the factors that contribute to a dog owner's choice of a grain-free dry dog food and if those factors are similar among countries. Therefore, the primary objective of the current survey was to identify the variables that are predictive of a dog owner's choice of a grain-free dry food across North America (Canada and the United States) and Europe (France, the United Kingdom and Germany). The survey consisted of 69 questions, took less than 15 minutes to complete and was distributed virtually via Qualtrics (Qualtrics XM, Utah, USA). A total of 3,298 responses were collected, equally distributed between countries. Multinomial logistic regression was performed in SPSS Statistics (Version 26, IBM Corp, North Castle, New York, USA). Male respondents, people from France, people who ranked the importance of ingredients in a pet food in the lower quartiles and people who do not rotate their dog's diet to provide variety were less likely to select 'no grain' when choosing a pet food. In contrast, people who believe that their dog has a food allergy, follow more than 5 specific dietary routines in their own diet, do not try to include grains in their own diet, get their information about pet food from online resources or pet store staff and look for specific claims on pet food (such as 'no fillers'), were all more likely to select 'no grain' when choosing a pet food. This survey provides insight into the similarities and differences in decision making among dog owners in North America and Europe and should be considered when exploring the effects of grain-free dog foods on canine health and well-being.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».