Artificial Insemination Training Program for Smallholder Pig Farms in Gauteng Province, South Africa
Notice bibliographique
Résumé
The aim of this study was to facilitate artificial insemination training to enhance sustainable pig production within the developing smallholder pig production sector in Gauteng Province, South Africa. Eighteen smallholder pig farmers with requisite structures (pig house, pens), pigs (large white, landrace duroc or South African indigenous) and management (feeding, cleaning and record keeping) capacity were trained on routine pig management and artificial insemination procedures in a “learning by doing” on-farm supervised programme administered by Agricultural Research Council, Animal Production pig training team. Following estrus detection, 96 sows were artificially inseminated and 31 naturally served (NS). Farrowing rates (FR), total born (TB) and born alive (BA) piglets were recorded. The occurrence ccurrence of mummified fetuses (0.019 vs. 0.022%) and weak piglets (0.038 vs. 0.049%) did not differ between artificially inseminated sows and naturally mated sows. Born alive, birth weight and weaning weight were higher for artificial inseminated sows. The average litter size was 15± and 13±, birth weight 1.98±0.79 kg and 1.48±0.58 kg and weaning weight 9.89±0.87 kg and 7.23±0.71 kg for the AI and NS litters, respectively. Farmer demographic factors (age, gender and educational level) had no effect on farrowing rate, total born and piglets born alive. Therefore, implementation of artificial insemination techniques and pig production training was feasible under a smallholder pig production 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 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,003 | 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 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 ».