Utilizing Conjoint Analysis to Develop Breeding Objectives for the Improvement of Pasture Species for Contrasting Environments When the Relative Values of Individual Traits Are Difficult to Assess
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<p>Despite the large number of active programs breeding improved forage plants, relatively little is known about the weightings that breeders consciously or sub-consciously give to specific traits when selecting individual plants, or that agronomists and producers use when assessing the relative merits of contrasting cultivars. This is in contrast to most modern animal breeding programs where the relative merits of novel genetics may be assessed against an index-based breeding objective. There are numbers of reasons why these technologies have not been used widely in plant breeding although applications in forest tree breeding are relatively common. A first step in defining breeding objectives for forage species can be to define the relative importance of specific traits and to interpret how these contribute to the relative potential advantage to a new plant or cultivar. One method of defining these weightings is through surveys of users followed by analyses of their combined experience. Therefore in this study, we have assessed the usefulness of discrete choice techniques in the development of weightings for specific traits in forage plant improvement based on views of both expert users (agronomists and farm consultants) and farmers who were asked to define their relative priorities when considering the renovation of a pasture. The surveys were conducted in three distinct regions of, or environments within, Australia of special relevance to meat production from beef and sheep (high rainfall, temperate (inland), and Mediterranean). In summary this study defines the focus of breeding objectives and selection criteria for different pasture species across production systems.</p>
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.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle