MétaCan
Menu
Retour à la cohorte
Enregistrement W2903736148 · doi:10.1093/jas/sky404.229

PSIII-25 Dairy Data: Challenges and Opportunities.

2018· article· en· W2903736148 sur OpenAlexaff
Jared Schenkels, Tarfa Hamed, Nathan Laundry, Bill Szkotnicki, Christine F. Baes

Notice bibliographique

RevueJournal of Animal Science · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Supply Chain Traceability
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésData scienceScope (computer science)Identification (biology)MetagenomicsComputer scienceSoftwareBiologyEcology

Résumé

récupéré en direct d'OpenAlex

Data on dairy animals are being generated under a wide variety of conditions (laboratory, research facilities, on farm). Each year, hundreds of research trials are carried out on the genetics, metabolism, nutrition, physiology and behavior of dairy animals. Furthermore, companies and manufacturers are producing various devices and sensors capable of automatically collecting data on farms. The capture, integration, and use of the information generated represents both a great challenge but also a tremendous opportunity to allow the sector to progress more effectively. Datasets collected in the field of dairy science are growing rapidly, and are expected to increase exponentially in size in the near future. Numerous phenotypes (immune responses, behavioral observations, nutritional information, bodily fluids such as milk, blood, rumen fluid, etc.) are being recorded. Various cost-effective information-sensing mobile devices are being implemented or will be implemented in the near future, including remote sensing, software logs, cameras, microphones, radio-frequency identification (RFID) readers and wireless sensor networks. Finally, genomic information (SNP-chip genotypes, next-generation sequence data, metagenomic and epigenetic information) are also being collected on a number of animals. The volume and the diversity in the accuracy, format, scope, structure and pattern of this data are creating important challenges. Information is compiled and kept in idiosyncratic formats by different research groups or individual farmers. Finding and valorizing existing information is complicated. This leads to overlooking potentially valuable information. Here we present the development of a standardized and curated database, which enables higher-level, more comprehensive theoretical and experimental analyses. Our work is currently focused on dairy cattle, but will be expanded to include other livestock species in the near future.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,919
Score d'incertitude au seuil0,459

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,190
Tête enseignante GPT0,303
Écart entre enseignants0,113 · 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 tête enseignante, pas un consensus.

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

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

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Animal ScienceMême sujetFood Supply Chain TraceabilityTravaux en français237 207