MétaCan
Menu
Retour à la cohorte
Enregistrement W3080916717 · doi:10.1016/j.japr.2020.06.005

Effect of an automated marking system on aggressive behavior of precision-fed broiler breeder chicks

2020· article· en· W3080916717 sur OpenAlexafffund
Nicole M. Zukiwsky, Teryn E. Girard, M.J. Zuidhof

Notice bibliographique

RevueThe Journal of Applied Poultry Research · 2020
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAnimal Nutrition and Physiology
Établissements canadiensUniversity of Alberta
Organismes subventionnairesAlberta Agriculture and Forestry
Mots-clésFlockBroilerBreeder (animal)Animal scienceBiologyEcologyGeography

Résumé

récupéré en direct d'OpenAlex

Precision feeding (PF) technology has been developed to feed individual broiler breeders based on real time BW. Precision-fed broiler breeder chicks undergo training up to 21 D of age to learn how to eat from the PF stations. Training is crucial to achieve high flock uniformity and successful growth from a young age. An automated marking system (AMS) prototype has been integrated into a PF station to identify chicks that require training from those that have successfully learned to eat from the stations: chicks marked with dye have successfully visited and eaten from the feeder, whereas chicks with no or little dye are late adopters that require training. Before implementing the AMS on a larger scale, it was necessary to determine if dye markings from the AMS promoted aggressive behaviors among chicks. In the present study, the dye markings promoted aggressive pecks at 26 D of age; however, this is beyond the time the AMS is required as an identification method in a PF system.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,386
Score d'incertitude au seuil0,224

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 technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,052
Tête enseignante GPT0,348
Écart entre enseignants0,297 · 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'étudeExpérimental (laboratoire)
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

Citations6
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe Journal of Applied Poultry ResearchMême sujetAnimal Nutrition and PhysiologyTravaux en français237 207