A cross-sectional study of the welfare of calves raised in smallholder dairy farms in Meru, Kenya, 2017
Notice bibliographique
Résumé
AIM: This study was aimed at describing calf comfort and determining the individual and pen level factors that affect comfort status (in particular, calf leg hygiene scores) of smallholder dairy farms in Meru County, Kenya. MATERIALS AND METHODS: A cross-sectional study was carried out on 52 calves that were up to 1 year old in 38 dairy farms (mean±standard deviation: Herd size=1.71±0.7 milking cows and milk production=6.7±3.1 L/day) in Meru, Kenya, in 2017, with the intention to describe their comfort and determine the factors associated with leg hygiene as a critical parameter for calf comfort assessment. Calves' biodata, health status, and leg hygiene were assessed, along with pen characteristics such as area, hygiene, and knee impact and knee wetness scores, while a questionnaire was administered to the farmers to gather information regarding calf housing management practices in the farm. RESULTS: . Approximately 75% of the calves (39/52) were kept in pens, and the rest were reared outdoors. For 39 calves kept indoors, 26% (10/39) of them had wooden or concrete floors while 74% (29/39) had dirt floors. Nearly two-thirds (62%) of indoor calves (26/39) were reared in pens with bedding, and 23% (9/39) and 33% (13/39) of the calves reared indoors were kept in pens displaying a failed knee impact test and failed knee wetness test. Indoor housed calves had an increased probability of having dirty calf legs (cleanliness score of >2.5) by 8.6 times (p=0.031), compared to outdoor-housed calves. In the final multivariable logistic regression model of 39 calves in pens, concrete or wood floors (odds ratio [OR]=7.9, p=0.047), poor body condition (OR=17.1, p=0.020) and use of bedding (OR=12.5, p=0.046) appeared to be positively correlated with dirtiness of calf legs, compared to dirt floors, good body condition, and no bedding, respectively. CONCLUSION: Overall, some calf comfort aspects were covered for the majority of calves examined, but 69% of the pens were categorized as dirty, especially those with wooden or concrete floors and poor bedding management. Smallholder dairy farmers in Kenya should be trained on calf housing management to improve calf comfort and productivity.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».