Technical note: Mining data from on-farm electronic equipment to identify the time dairy cows spend away from the pen
Notice bibliographique
Résumé
The electronic equipment used on farms can be creatively co-opted to collect data for which it was not originally designed. In the current study, we describe 2 novel algorithms that harvest data from electronic feeding equipment and data loggers used to record standing and lying behavior, to estimate the time that dairy cows spend away from their pen to be milked. Our 2 objectives were to (1) measure the ability of the first algorithm to estimate the time cows spend away from the pen as a group and (2) determine the capability of a second algorithm to estimate the time it takes for individual cows to return to their pen after being milked. To achieve these objectives, we conducted 2 separate experiments: first, to estimate group time away, the feeding behavior of 1 pen of 20 Holstein cows was monitored electronically for 1 mo; second, to measure individual latency to return to the pen, feeding and lying behavior of 12 healthy Holstein cows was monitored electronically from parturition to 21 d in milk. For both experiments, we monitored the time each individual cow exited the pen before each milking and when she returned to the pen after milking using video recordings. Estimates generated by our algorithms were then compared with the times captured from the video recordings. Our first algorithm provided reliable pen-based estimates for the minimum time cows spent away from the pen to be milked in the morning [coefficient of determination (R 2 ) = 0.92] and afternoon (R 2 = 0.96). The second algorithm was able to estimate of the time it took for individual cows to return to the pen after being milked in the morning (R 2 = 0.98), but less so in the afternoon (R 2 = 0.67). This study illustrates how data from electronic systems used to assess feeding and lying behavior can be mined to estimate novel measures. New work is now required to improve the estimates of our algorithm for individuals, for example by adding data from other electronic monitoring systems on the farm.
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 | 0,019 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,013 |
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 ».