Exploring human-animal interactions beyond academic research: A rapid review of grey literature
Notice bibliographique
Résumé
Increasing recognition of the diverse benefits of human-animal interactions (HAIs) has propelled related studies. Although most of the benefits have been illustrated by academic literature (e.g. journal articles, academic theses, and project reports), the grey literature contributes to a comprehensive understanding of HAIs and offers new perspectives, informing prospective research, practices, and policies. Adapting the Systematic Reviews and Meta-Analyses (PRISMA) approach, this rapid review examined 151 articles covering HAIs from 2016-2022. The univariate analysis results revealed that the sources covered various animal species (e.g. dogs, cats, birds), types of animals (e.g. companion animals, therapy animals, zoo animals), and vulnerable populations (e.g. older adults, people with disabilities). HAIs could be found across different settings, such as households, schools, healthcare facilities, and more. The thematic analysis identified three primary categories associated with HAIs' benefits in public education: (1) HAIs benefit the well-being of individuals, families, and animals; (2) HAIs promote prosocial behaviours and community development; and (3) HAIs improve disaster preparedness and response. The results highlight the multifaceted positive influences of HAIs on human well-being, animal welfare, and building healthy and resilient communities. Grey literature plays an essential role in knowledge mobilisation through public education, promoting the interconnectedness between human well-being and animal 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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».