117 Nutrition Modelling: What Can the Pet Field Learn (or Steal) from Recent Directions in Other Species?
Notice bibliographique
Résumé
Abstract Nutrition modelling has been the cornerstone of feed formulation and diet optimization in animal production systems for decades. Since the 1970s and 1980s, mechanistic models of nutrient digestion, absorption, metabolism, growth and milk/egg production have been developed and implemented to (1) amass our cumulative biological knowledge and develop theories of regulation, (2) identify knowledge gaps, and (3) propose means to manipulate nutrient dynamics in the animal. At the nutrient and metabolite level, many commonalities exist and parallels found between species. In fact, several second generation models originate from other species or research fields, and many current/existing models may be advanced by examination and consideration of models developed in other species. Many such mathematical models are implemented in practice as ‘decision support systems’ or ‘opportunity analysis tools’, in order to examine a variety of (feeding or management) scenarios for their potential outcomes, with the goal of providing targeted nutrition, improving performance, reducing cost and minimizing environmental impact. More recently, partnering artificial intelligence/machine learning modelling methodologies with newly available big data streams has ushered in a new era of possibilities for data extraction and modelling in animal systems. The niche for this type of modelling in animal production appears to be (1) pattern recognition (e.g. disease detection, activity) and (2) strong predictive/forecasting abilities (e.g. bodyweight, milk, egg production). There also appears strong potential for these two seemingly divergent modelling approaches to be integrated – for example, in precision feeding systems, or in utilizing the abundance of sensor data to better drive or develop causal-pathway based mechanistic models. This talk will broadly review trends and advances in agriculture animal species modelling, and suggest what may be borrowed, stolen or serve as inspiration to advance nutrition models in companion species.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,006 | 0,010 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».