How well can you tell? Success of human categorisation of horse behavioural responses depicted in media
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
) thereby promoting positive human-horse interactions. This study investigated human ability to categorise human-horse interactions depicted in media relative to equine behaviour experts and compared participant scores to their level of interoception. Using an online survey, participants (n = 534) categorised 31 photographs and videos as (overt) positive, likely (subtle) positive, neutral, likely (subtle) negative or (overt) negative human-horse interactions from the horse's point of view and completed the Multidimensional Assessment of Interoceptive Awareness questionnaire (MAIA-2) to assess their level of interoception. Demographic information was also collected (age, gender, education, level of experience with horses, location). Participants differed from expert categorisations of horse affective states across all categories, exactly matching experts only 52.5% of the time and approximately matching experts for positive and negative valence 78.5% of the time. The MAIA-2 did not predict participant ability to accurately categorise human-horse interactions. Women outperformed men in categorising overt positive, overt negative and subtle negative human-horse interactions. Increased levels of education and greater experience with horses were associated with improved categorisation of certain human-horse interactions. More training or awareness is needed to recognise behavioural indicators of horse affect to guide appropriate human-horse activities that impact horse 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