MétaCan
Menu
Retour à la cohorte
Enregistrement W2995049319 · doi:10.3168/jds.2018-16231

Identifying barriers to successful dairy cow transition management

2019· article· en· W2995049319 sur OpenAlexaffabout
Katelyn E. Mills, Daniel M. Weary, M.A.G. von Keyserlingk

Notice bibliographique

RevueJournal of Dairy Science · 2019
Typearticle
Langueen
DomaineVeterinary
ThématiqueAnimal Behavior and Welfare Studies
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésStockingIce calvingPeriod (music)Work (physics)Dairy cattleTransition (genetics)Dairy industryTransition management (governance)BusinessAgricultural scienceAnimal scienceBiologyEcologySustainabilityFood scienceEngineeringLactation

Résumé

récupéré en direct d'OpenAlex

Many dairy cows become ill in the weeks after calving, a period when cows also experience numerous environmental and physiological changes. Most research on this transition period has focused on biological factors including nutrition, immunology, and physiology, but little work has examined sociological factors affecting how farmers care for their cows. The aim of the current study was to describe barriers preventing the adoption of more successful management practices. We used individual and group interviews, paired with photo elicitation, to understand the perspectives of farmers (n = 11) and veterinarians (n = 8) living and working in the lower Fraser Valley of British Columbia, Canada. Participants viewed transition period management as difficult. The lack of a single definition of the transition period emerged as one barrier to improvement; providing a clear and consistent definition for the transition period may be an important first step to improved practices on dairy farms. Participants also identified other barriers hindering improvement, including variation in both farmer attitude toward transition cow management and veterinarian involvement, stocking density of cows, and nutrition management. Barriers to improved practices varied by farm, suggesting that a tailored approach is required to make meaningful change.

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)0,001
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 enseignants0,698
Score d'incertitude au seuil0,396

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
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 Opus0,037
Tête enseignante GPT0,336
Écart entre enseignants0,299 · 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

Citations32
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Dairy ScienceMême sujetAnimal Behavior and Welfare StudiesTravaux en français237 207