Personalized strategy for animal-assisted therapy for individuals based on the emotions induced by the images of different animal species and breeds
Notice bibliographique
Résumé
The primary objective of this investigation was to apply the FaceReader (Noldus Information Technology, Wageningen, The Netherlands) technique to determine suitable animal species and breeds for personalized animal-assisted therapy (AAT), based on specific emotions (‘neutral,’ ‘happy,’ ‘sad,’ ‘angry,’ ‘surprised,’ ‘scared,’ ‘disgusted,’ and ‘contempt’) induced in individuals aged 18 to 64 through their mental imagery of different animal species and breeds. To achieve the objective, images depicting various animal species (Canis familiaris, Felis silvestris catus, Sus scrofa domesticus, Ovis aries, and Equus caballus) and their respective breeds (dogs: Australian shepherd, pug, Labrador retriever, Doberman, miniature schnauzer, beagle, three mixed breed types, Yorkshire terrier, Cane Corso, Samoyed, and Chihuahua; cats: British shorthair, Himalayan cat, three mixed breed types, Siamese cat, Sphynx, and Bengal cat; horses: Norwegian Fjord, Exmoor pony, Andalusian, and Friesian; pigs: Vietnamese potbellied and Kunekune; sheep: Herdwick sheep and Suffolk sheep) were used in this study. This investigation reveals that the animal species plays a pivotal role in influencing the intensity of emotions labeled as ‘neutral’ and ‘happy,’ along with their associated valence. Furthermore, the animal breed exhibits a notable impact on the intensity and valence of ‘happy’ emotions. Ultimately, the findings obtained in this research offer valuable insights that can be leveraged to craft personalized strategies aimed at enhancing AAT and aiding individuals in making informed choices when selecting a companion animal.
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 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 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 ».