Attitudes Towards Chickens & Fishes: A Study Of Brazil, Canada, China, & India
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
Across the world, advocates are working to improve the welfare of animals and to reduce the consumption of animal products. A key front in this work is addressing the consumption of small-bodied animals — namely chickens and fishes — as they are consumed in the highest numbers, by several orders of magnitude. Reducing the consumption of chickens and fishes could result in billions of individuals being saved, and achieving that goal requires us to understand how consumers think of them.\nMany of the countries we have surveyed in this line of research—which includes Brazil, Canada, China, India, and the United States—contribute in huge quantities to the enormous suffering of chickens and fishes. For example, China, the United States, and Brazil slaughtered more chickens than any other countries in 2018, with India not far behind. In terms of tons of fishes slaughtered, China ranked first in the world, while India was fourth and the U.S. was sixth. In total, the five countries considered in this research account for over 40% of the global chicken slaughter and more than a quarter of global fish slaughter.\nBecause of cultural differences across different regions, it is important that advocates understand the context in which they are working rather than assuming that lessons from one part of the world can be applied to audiences in another. Despite the massive quantities of chicken and fish slaughter committed by each of these countries, it is not necessarily the case that their residents share similar beliefs about these animals. By comparing the country-level findings of this study, we can observe similarities and differences in beliefs across countries. This information may be helpful for animal advocates working in their respective national contexts, or in an international context.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 découle