MétaCan
Menu
Retour à la cohorte
Enregistrement W4210947527 · doi:10.3389/fvets.2022.812710

Producer Perceptions Toward Prevention and Control of Lameness in Dairy Cows in Alberta Canada: A Thematic Analysis

2022· article· en· W4210947527 sur OpenAlexafffundabout
Marlena Knauss, Cindy L. Adams, Karin Orsel

Notice bibliographique

RevueFrontiers in Veterinary Science · 2022
Typearticle
Langueen
DomaineVeterinary
ThématiqueAnimal Behavior and Welfare Studies
Établissements canadiensUniversity of Calgary
Organismes subventionnairesAlberta Agriculture and ForestryMarkedsmodningsfonden
Mots-clésLamenessThematic analysisDairy cattleAnimal welfareEnvironmental healthDairy industryBusinessQualitative researchMedicineVeterinary medicineAnimal scienceBiologySociologySurgeryFood science

Résumé

récupéré en direct d'OpenAlex

Lameness in dairy cattle poses both an animal welfare and economic threat to dairy farms. Although the Canadian dairy industry has identified lameness as the most important health issue, lameness prevalence in the province of Alberta has not decreased over the last decade. Factors related to lameness have been reported, but the prevalence remains high. Therefore, this study was conducted to investigate dairy producers' perceptions on lameness and how these perceptions influence lameness prevalence in their cows. Qualitative interviews with open-ended questions were conducted with nine dairy producers in Alberta, Canada presenting farms with a wide variety of lameness prevalence. Thematic analysis of these interviews revealed five major themes, as well as five distinct types of producers regarding their perceptions. All nine producers mentioned similar challenges with lameness prevention and control. Identifying lameness, taking action, delays in achieving success, various approaches to prevention and control strategies, and differences between farms were the challenges encountered. However, producers' attitudes when dealing with these challenges varied. We concluded that understanding producers' perceptions is essential as no "one size fits all", when advising them regarding how to address lameness, as guidance and support will be most successful when it is aligned with their viewpoint.

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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,087
Score d'incertitude au seuil0,953

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,034
Tête enseignante GPT0,304
Écart entre enseignants0,270 · 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

Citations4
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueFrontiers in Veterinary ScienceMême sujetAnimal Behavior and Welfare StudiesTravaux en français237 207