Denken over Dieren: dier en ding, zegen en zorg
Bibliographic record
Abstract
bovenstaande gelijkheid in verdelingen van posities tussen mens, dier en ecosysteem perspectieven ligt hier ook een legitimiteitsvraag met betrekking tot draagvlak.Binnen de normatieve ethiek wordt vaak gerefereerd naar het model van reflectief evenwicht om te onderstrepen dat een doordacht moreel oordeel, met de morele intuïtie als basis, is gebaseerd op een zorgvuldige afweging van de morele principes/waarden en de moreel relevante feiten.Reflectie is nodig omdat binnen ethische thema's verschillende principes en waarden tegelijk om voorrang strijden en verscheidene feiten maar betrekkelijk hard of relevant zijn.Een deugdelijk debat over overtuigingen en waarden is in een dergelijke situatie het meest vruchtbaar.Deze diversiteit aan feiten-waarden heeft zijn evenbeeld in de bestuurskunde.De door de praktijken aangedragen twaalf discussiethema's behoren vrijwel allemaal tot de zogenaamde ongestructureerde beleidsproblemen, gekenmerkt door een grote mate van dissensus over zowel waarden als feiten.De meest vruchtbare beleidsstrategie voor dergelijke problemen is die van 'lerend beleid'.Oplossingen worden vooral bereikt als de overheid overleg, discussie en reflectie onder de betrokken partijen stimuleert, met bottom-up ontwikkelde gidsen voor goede praktijken, labels, en convenanten als resultaat.Gewaakt moet worden dat dit niet ingevuld wordt als een afschuiven van de geschetste complexe problematiek naar de burger/dierhouder.De overheid blijft bij 'lerend beleid' partner in het leren en primaire probleemhouder waar het nationaal beleid betreft.Voor de vier thema's die zullen stijgen onder invloed van de trends in het maatschappelijk landschap (Preventie van antibioticaresistentie, Dierenwelzijn, duurzaamheid en MVO, Beheer van diersoorten en Welzijn en transport ) en drie thema's die onder spanning komen te staan (Zoönosen en dierziekten, Fokken van dieren en Negatief imago dierhouder) is geanalyseerd hoe bestuur het best recht kan doen aan de onderliggende waardediversiteit.Wij signaleren dat er meer rust en draagvlak op deze dossiers kan worden bereikt wanneer er meer aandacht aan de achterliggende waardeconflicten wordt besteed en in het lerend beleidsproces meer ruimte wordt gegeven aan burgers.Tenslotte is op basis van een gedachte-experiment het mogelijke voordeel geanalyseerd om dierenbeleid te baseren op de waardevelden relatie, zorg, product en lijden.Dit resulteert in vier beleidslijnen: Dierenwelzijnsbeleid, Mens-dier Gezondheidsbeleid, Diervriendelijk innovatiebeleid en Mens-dier omgangsbeleid.De eerste drie zijn tot op zekere hoogte in de portefeuilles van verschillende beleidsdirecties ondergebracht.Het 'Mens-dier omgangsbeleid' lijkt echter tussen VWS en EL&I te vallen en wordt nog weinig geadresseerd.Toch voorspellen de trends richting vergrijzing en individuele lifestyles dat dit veld op het gebied van omgang met dieren (vanuit een menselijk en dierlijk perspectief) in de toekomst om andere beleidsvorming vraagt.Zolang dit omgangsbeleid als een onderdeel van 'dierenwelzijnsbeleid' wordt gezien, is de kans groot dat 'omgangsbeleid 'wordt ingevuld als beperkende regelgeving richting mensen en hun omgang met dieren, terwijl de potentie en de stimulering van een win-win, zoals bijvoorbeeld in de ouderenzorg en opvoeding, nauwelijks wordt opgepakt door de overheid.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.020 | 0.013 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.113 | 0.047 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".