Using Expert Knowledge to Understand Biosecurity Adoption Aimed at Reducing Tier 1 Disease Risks in the U.S. Livestock Industry
Notice bibliographique
Résumé
Using primary data from a survey of swine, beef cattle, and dairy industry experts in the United States, this study provides insights into adoption of biosecurity measures aimed at reducing Tier 1 disease risks. Experts believe the swine industry would see the highest and the beef cattle industry would see the lowest biosecurity adoption in the first year of a large Tier 1 disease outbreak. Risk reduction has a positive marginal effect on biosecurity adoption, and a firm’s own risk reduction matters as well as their closest neighbor’s risk reduction. Costs have a negative marginal effect on biosecurity adoption. A key reason explaining partial adoption might be that experts believe industry-wide biosecurity investment would likely bring benefits primarily to downstream sectors in the supply chain and producers would bare most of the costs. More educational materials available to explain Tier 1 disease risks and the benefits of risk mitigating biosecurity measures is found to be the least important factor for adoption and implementation of new, additional biosecurity measures. A producer or neighbor having personally experienced a Tier 1 disease on their operation, a producer’s view on their own likelihood of experiencing a Tier 1 disease given their current situation, and a producer’s view on effectiveness in reducing Tier 1 disease risks are found to be the most important factors. Understanding how several factors might impact biosecurity adoption aimed at reducing Tier 1 disease risks is necessary for the development of practices and policies that could reduce the impact of such disease incursions.
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 | 0,005 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».