Replication Data for: Breed and Individual Variation in Win–Stay/Lose–Shift Behaviour and Perseverance for Food Rewards in Domestic Dogs (Canis familiaris)
Notice bibliographique
Résumé
Food-driven behaviours reflect how animals balance costs and benefits of obtaining food, a process shaped by underlying motivation and previous learning experiences. In domestic dogs, centuries of artificial selection resulted in marked variations in motivational and cognitive profiles across breeds and individuals. Yet, how these differences jointly influence behaviours in food-related contexts remains poorly understood. Labrador Retrievers (n = 24) and German Shepherd Dogs (n = 24) completed (a) an object-choice task, assessing outcome-based behavioural strategies (win-stay/lose-shift), and (b) a hand-touch progressive-ratio (PR) task, measuring perseverance and willingness to work for food. Statistical models compared breeds and individuals while accounting for questionnair e-based measures of food motivation, impulsivity, frustration, and training history. Labrador Retrievers reached higher PR breakpoints than German Shepherd Dogs, showing greater willingness to work for food. Higher breakpoints were also observed in dogs with advanced training experiences. Furthermore, dogs were less likely to shift after wins than after losses , suggesting that they adjusted their behaviour based on the outcome of their most recent choice. However, frustration tolerance modulated this pattern from typical win-stay/lose-shift responding. Labrador Retrievers shifted more often than German Shepherd Dogs. However, Labradors’ shifting propensity was markedly modulated by their individual valuation of food, as dogs with higher food motivation scores favoured staying on previously rewarded choices. Furthermore, advanced training was associated with choice perseverance, reflected in higher win–stay, reduced lose–shift, and an increased likelihood of developing a side bias. Collectively, findings highlight both breed-specific and individual differences in food-driven behaviours of dogs.
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 | 0,009 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,188 | 0,054 |
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 ».