Sheep breeding schemes utilising artificial insemination; large-scale simulation with a complex breeding goal
Notice bibliographique
Résumé
Alternative Norwegian sheep breeding schemes were evaluated by stochastic simulation of a breeding population with about 120 000 ewes, considering the gain for an aggregate genotype including nine traits and also the rate of inbreeding. The schemes were: a scheme where both young unproven rams (test rams) and proven rams (elite rams) are used in artificial insemination (AI scheme), a scheme with test rams in natural mating in ram circles and elite rams (from one and a half years of age) in AI across all flocks in the country (NMAI2 scheme), a scheme where, in addition to testing rams, the youngest elite rams (one and a half years of age) are also used in natural mating in ram circles, while older elite rams are used in AI (NMAI1 scheme), and a scheme, acting as a control, where both test and elite rams are used in natural mating (NM scheme). Within the NMAI- and AI-schemes, experimentation was performed for percent ewes inseminated to elite rams v. test rams (EM%), numbers of ewes inseminated per elite ram (EAIn), and numbers of ewes mated per test ram by natural service (TNMn) or by AI (TAIn), respectively. With a restriction on the rate of inbreeding (⩽0.8% per generation), the AI scheme gave similar gain to the NMAI2 scheme (and about 40% more than did the NM scheme). Less gain was generated by the NMAI1 scheme, but it was still considerably more than for the NM scheme (about 25%). In the AI scheme, relatively few ewes (200/300) should be inseminated to each test/elite ram, and a low EM% should be chosen (10%). In the NMAI schemes, TNMn should be relatively high (40 to 50), combined with average and somewhat larger than average EAIn (NMAI2: 700 ewes, NMAI1: 900 ewes), and EM% medium (30%).
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 | 0,000 | 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 | 0,000 | 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 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 ».