Application of fecal near-infrared reflectance spectroscopy profiling for the prediction of diet nutritional characteristics and voluntary intake in beef cattle
Notice bibliographique
Résumé
The objective of this study was to evaluate the use of fecal near-infrared reflectance spectroscopy (NIRS) profiling to predict diet nutritional characteristics and voluntary DMI in beef cattle. Fecal samples were collected for growing cattle across 11 experiments in which individual animal performance and DMI was measured. Dried and ground fecal composite samples collected from each animal were subjected to fecal NIRS analysis by a Foss NIRS 6500 scanning monochromator (Foss, Eden Prairie, MN) at the Grazingland Animal Nutrition Laboratory (Temple, TX). Fecal spectra were then used to develop equations to predict diet composition (trials 1 to 11; n = 408), digestibility (trials 1 to 5; n = 155), and DMI (trials 1 to 11; n = 408). Coefficients of determination for calibration (R2c) and cross-validation (R2cv) for prediction of diet nutritional characteristics were lower for NDF (R2c = 0.85; R2cv = 0.82) than for CP (R2c = 0.90; R2cv = 0.88). For the prediction of DMI, R2c and R2cv ranged from 0.69 and 0.67 for the prediction of trial-average DMI to 0.76 and 0.73 for the prediction of fecal-collection-period DMI. While the R2c and R2cv obtained for the prediction of DMI were lower than those obtained for the prediction of diet composition or digestibility, fecal NIRS prediction equations for DMI were successful in predicting the mean DMI of groups, as no differences were found for the prediction of fecal-collection-period DMI (Diff. = 1.10; P = 0.72) or trial DMI (Diff. = -0.47; P = 0.86).
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,000 | 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 ».