Short communication: Accuracy of estimation of lameness, injury, and cleanliness prevalence by dairy farmers and veterinarians
Notice bibliographique
Résumé
Lameness, injuries, and cleanliness are considered important indicators of dairy cow welfare, milk production, and milk quality. Previous research has identified that farmers globally underestimate the prevalence of these cow-based measurements, but no information on the perceptions of veterinarians is available. Because veterinarians are often perceived as the main providers of health advice on farms, the objective of the present study was to evaluate the relationship between the true prevalence of lameness, injury (hock, knee, neck), and cleanliness (udder, legs, flanks), and the estimated prevalence of these issues by farmers and their herd veterinarians. A cross-sectional study was conducted between February 2016 and July 2017. First, the farm owner and the herd veterinarian were asked to estimate the prevalence of lameness, of neck, knee and hock injuries, and of udder, leg, and flank cleanliness on the farm. The research team then visited the farm and scored all lactating cows in the herd for each measurement. Linear regression models were used to assess the relationship between the prevalence estimated by the veterinarians and the farmers, of each cow-based measurement, and the true prevalence on the farm. The 93 herds enrolled had a median of 55 milking cows and were housed in tiestall (90%) and freestall (10%) barns. Ten herd veterinarians participated and were involved with 2 to 22 enrolled farms each. A wide variation was detected in the true prevalence of the different cow-based measurements among herds (lameness: range = 19-72%, median = 36%; neck injuries: range = 0-65%, median = 14%; knee injuries: range = 0-44%, median = 12%; hock injuries: range = 0-57%, median = 25%; dirty udder: range = 0-55%, median 13%; dirty legs: range = 0-91%, median = 18%; and dirty flanks: range = 0-82%, median = 20%). For both veterinarians and farmers, the perception of each cow-based measurement prevalence increased incrementally as the herd's true prevalence increased. Overall, farmers and veterinarians underestimated cow-based measurements. Farmers and veterinarians more accurately estimated lameness prevalence in herds with higher prevalence than in herds with low prevalence, suggesting a better awareness of the issue on farms with lameness problems. Injuries were less accurately estimated in herds with higher injury prevalence compared with herds with lower prevalence, suggesting an opportunity for better knowledge transfer in this area.
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 | 0,020 | 0,138 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 ».