Systematic comparison of the empirical and factorial methods used to estimate the nutrient requirements of growing pigs
Notice bibliographique
Résumé
Empirical and factorial methods are currently used to estimate nutrient requirements for domestic animals. The purpose of this study was to estimate the nutrient requirements of a given pig population using the empirical and factorial methods; to establish the relationship between the requirements estimated with these two methods; and to study the limitations of the methods when used to determine the level of a nutrient needed to optimize individual and population responses of growing pigs. A systematic analysis was carried out on optimal lysine-to-net-energy (Lys : NE) ratios estimated by the empirical and factorial methods using a modified InraPorc® growth model. Sixty-eight pigs were individually simulated based on detailed experimental data. In the empirical method, population responses were estimated by feeding pigs with 11 diets of different Lys : NE ratios. Average daily gain and feed conversion ratio were the chosen performance criteria. These variables were combined with economic information to estimate the economic responses. In the factorial method, the Lys : NE ratio for each animal was estimated by model inversion. Optimal Lys : NE ratios estimated for growing pigs (25 to 105 kg) differed between the empirical and the factorial method. When the average pig is taken to represent a population, the factorial method does not permit estimation of the Lys : NE ratio that maximizes the response of heterogeneous populations in a given time or weight interval. Although optimal population responses are obtained by the empirical method, the estimated requirements are fixed and cannot be used for other growth periods or populations. This study demonstrates that the two methods commonly used to estimate nutrient requirements provide different nutrient recommendations and have important limitations that should be considered when the goal is to optimize the response of individuals or pig populations.
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 | 0,007 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 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 ».