Personalized Strategy for Animal-Assisted Therapy for Individuals Based on the Emotions Induced by the Images of Different Animal Species and Breeds
Notice bibliographique
Résumé
The aim of this study was to apply the FaceReader technique to select the animal species and breed for a personalized AAT based on the emotions (‘neutral’, ‘happy’, ‘sad’, ‘angry’, ‘surprised’, ‘scared’, ‘disgusted’, and ‘contempt’) induced in the persons (18–64 years old) by the images of different animal species and breeds. To implement the aim, the images of different animal species (Canis familiaris, Felis silvestriscatus, Sus scrofa domesticus, Ovis aries, and Equus caballus) and their breeds (dogs: Australian shepherd, pug, Labrador retriever, Doberman, miniature schnauzer, beagle, three mixed-breed types, Yorkshire terrier, Cane Corso, Samoyed, and Chihuahua; cats: British shorthair, Himalayan cat, three mixed breed types, Siamese cat, Sphynx, and Bengal cat; horses: Norwegian Fjord, Exmoor pony, Andalusian, and Friesian; pigs: Vietnamese pot-bellied and Kunekune; sheep: Herdwick sheep and Suffolk sheep) were used. This study showed that the animal species is a significant factor in the intensity of the emotions ‘neutral’ and ‘happy’ as well as valence, and the animal breed is a significant factor for the emotion ‘happy’ intensity and valence. The obtained results could be used as a personalized strategy for improving AAT and helping the individuals to select a pet.
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 | 0,000 | 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 | 0,001 | 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 ».