Impact of exposure on the willingness to work with dog breeds
Notice bibliographique
Résumé
In 1961, Dr. Boris Levinson’s therapeutic animal work was presented to the American Psychological Association (APA), later serving as the catalysis for what is now known as animal assisted interventions (AAI) (Altschiller, 2011). However, animals were long before assisting humans physically and emotionally. Since 1961, many animals have been introduced into therapeutic settings, hospitals, schools, nursing homes, rehabilitation facilities, prisons, and more (Granger & Kogan, 2006), with dogs being the most commonly integrated animal. Addonisio (2020) found that “bad” (e.g., Pit Bull Terriers, Rottweilers, Mastiffs) and “neutral” (e.g., German Shepherd, Dalmatian) reputation dog breeds were rated significantly lower on therapeutic qualities (e.g., nonjudgmental, approachable, engaging) than “good” reputation dogs (e.g., Golden Retrievers, Labrador Retrievers). Based on the parasocial contact hypothesis (Schiappa et al., 2005), it was hypothesized that an individual’s perception of a specific dog breed would become more positive with parasocial contact (i.e., indirect contact via media). To date, no study has examined the impact of a breed specific exposure on the perception of bad reputation dog breeds. A two-way multivariate analysis of variance (MANOVA) was performed to examine the interaction effect of the dog breeds and exposure (IVs) on perceived therapeutic qualities and likelihood of working with a dog (DVs). An exploratory Pearson correlation coefficient matrix was conducted to evaluate the relationship between therapeutic qualities ratings and the five M5-120 personality domains. No significant interaction effect between exposure groups or breed of the dog on the combined dependent variables was found. There was a significant positive correlation between two personality domains (Openness to experiences and Agreeableness) and therapeutic qualities ratings. Further research is needed to explore potential modifications that may combat the negative perceptions of dog breeds that are often utilized in AAI.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».