BOARD-INVITED REVIEW: Using behavior to predict and identify ill health in animals1
Notice bibliographique
Résumé
We review recent research in one of the oldest and most important applications of ethology: evaluating animal health. Traditionally, such evaluations have been based on subjective assessments of debilitative signs; animals are judged ill when they appear depressed or off feed. Such assessments are prone to error but can be dramatically improved with training using well-defined clinical criteria. The availability of new technology to automatically record behaviors allows for increased use of objective measures; automated measures of feeding behavior and intake are increasingly available in commercial agriculture, and recent work has shown these to be valuable indicators of illness. Research has also identified behaviors indicative of risk of disease or injury. For example, the time spent standing on wet, concrete surfaces can be used to predict susceptibility to hoof injuries in dairy cattle, and time spent nuzzling the udder of the sow can predict the risk of crushing in piglets. One conceptual advance has been to view decreased exploration, feeding, social, sexual, and other behaviors as a coordinated response that helps afflicted individuals recover from illness. We argue that the sickness behaviors most likely to decline are those that provide longer-term fitness benefits (such as play), as animals divert resources to those functions of critical short-term value such as maintaining body temperature. We urge future research assessing the strength of motivation to express sickness behaviors, allowing for quantitative estimates of how sick an animal feels. Finally, we call for new theoretical and empirical work on behaviors that may act to signal health status, including behaviors that have evolved as honest (i.e., reliable) signals of condition for offspring-parent, inter- and intra-sexual, and predator-prey communication.
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 | 0,012 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,015 |
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 ».