Function predicts how people treat their dogs in a global sample
Notice bibliographique
Résumé
Dogs have an extraordinary relationship with humans. We understand, communicate, and cooperate remarkably with our dogs. But almost all we know about dog-human bonds, dog behaviour, and dog cognition is limited to Western, Educated, Industrialized, Rich, Democratic (WEIRD) societies. WEIRD dogs are kept for a variety of functions, and these can influence their relationship with their owner, as well as their behaviour and performance in problem-solving tasks. But are such associations representative worldwide? Here we address this by collecting data on the function and perception of dogs in 124 globally distributed societies using the eHRAF cross-cultural database. We hypothesize that keeping dogs for multiple purposes and/or employing dogs for highly cooperative or high investment functions (e.g., herding, guarding of herds, hunting) will lead to closer dog-human bonds: increased primary caregiving (or positive care), decreased negative treatment, and attributing personhood to dogs. Our results show that indeed, the number of functions associates positively with close dog-human interactions. Further, we find increased odds of positive care in societies that use herding dogs (an effect not replicated for hunting), and increased odds of dog personhood in cultures that keep dogs for hunting. Unexpectedly, we see a substantial decrease of dog negative treatment in societies that use watchdogs. Overall, our study shows the mechanistic link between function and the characteristics of dog-human bonds in a global sample. These results are a first step towards challenging the notion that all dogs are the same, and open questions about how function and associated cultural correlates could fuel departures from the 'typical' behaviour and social-cognitive skills we commonly associate with our canine friends.
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 | 0,001 |
| 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 ».