Attitudes Towards Chickens & Fishes: A Study Of Brazil, Canada, China, & India
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,003 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».