Best-fitting growth curves of the von Bertalanffy-Pütter type
Notice bibliographique
Résumé
INTRODUCTION: A large body of literature aims at identifying growth models that fit best to given mass-at-age data. The von Bertalanffy-Pütter differential equation is a unifying framework for the study of growth models. PROBLEM: The most common growth models used in poultry science literature fit into this framework, as these models correspond to different exponent-pairs (e.g., Brody, Gompertz, logistic, Richards, and von Bertalanffy models). Here, we search for the optimal exponent-pairs (a and b) amongst all possible exponent-pairs and expect a significantly better fit of the growth curve to concrete mass-at-age data. METHOD: Data fitting becomes more difficult, as there is a large region of nearly optimal exponent-pairs. We therefore develop a fully automated optimization method, with computation time of about 1 to 2 wk per data-set. For the proof of principle, we applied it to literature data about 217 male meat-type chickens, Athens Canadian Random Bred, that were reared under controlled conditions and weighed 28 times during a time span of 170 D. RESULTS: We compared 2 methods of data fitting, least squares using the sum of squared errors (SSE), which is common in literature, and a variant using the sum of squared log-errors SSElog. For these data, the optimal exponent-pairs were (0.43, 4.06) for SSE = 2,208.6 (31% improvement over literature values for the residual standard deviation) and (0.89, 0.93) for SSElog = 0.04599. Both optimal exponents were clearly distinct from the exponent-pairs of the common models in literature. This finding was reinforced by considering the region of nearly optimal exponents. DISCUSSION: We explain, why we recommend using SSElog for data fitting and we discuss prognosis, where data from the first 8 wk of growth would not be enough.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».