MétaCan
Menu
Retour à la cohorte
Enregistrement W2596151890 · doi:10.1186/s40104-017-0157-5

Current and future prospects for nanotechnology in animal production

2017· review· en· W2596151890 sur OpenAlexafffund
Emily Hill, Julang Li

Notice bibliographique

RevueJournal of Animal Science and Biotechnology/Journal of animal science and biotechnology · 2017
Typereview
Langueen
DomaineMaterials Science
ThématiqueNanoparticles: synthesis and applications
Établissements canadiensUniversity of Guelph
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaFoshan University
Mots-clésLivestockAnimal productionBiotechnologyProduction (economics)Animal healthAntibiotic resistanceHuman medicineBusinessQuality (philosophy)AntibioticsBiochemical engineeringMedicineRisk analysis (engineering)Veterinary medicineEngineeringBiologyEcologyMicrobiologyEconomicsTraditional medicine

Résumé

récupéré en direct d'OpenAlex

Nanoparticles have been used as diagnostic and therapeutic agents in the human medical field for quite some time, though their application in veterinary medicine and animal production is still relatively new. Recently, production demands on the livestock industry have been centered around the use of antibiotics as growth promoters due to growing concern over microbial antibiotic resistance. With many countries reporting increased incidences of antibiotic-resistant bacteria, laws and regulations are being updated to end in-feed antibiotic use in the animal production industry. This sets the need for suitable alternatives to be established for inclusion in feed. Many reports have shown evidence that nanoparticles may be good candidates for animal growth promotion and antimicrobials. The current status and advancements of nanotechnological applications in animal production will be the focus of this review and the emerging roles of nanoparticles for nutrient delivery, biocidal agents, and tools in veterinary medicine and reproduction will be discussed. Additionally, influences on meat, egg, and milk quality will be reviewed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,001
Communication savante0,0010,003
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0100,003

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.

Tête enseignante Opus0,048
Tête enseignante GPT0,344
Écart entre enseignants0,296 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations221
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Animal Science and Biotechnology/Journal of animal science and biotechnologyMême sujetNanoparticles: synthesis and applicationsTravaux en français237 207