MétaCan
Menu
Retour à la cohorte
Enregistrement W4291743652 · doi:10.3390/ani12162086

Transforming Intensive Animal Production: Challenges and Opportunities for Farm Animal Welfare in the European Union

2022· review· en· W4291743652 sur OpenAlexafffund
Magdolna Molnár

Notice bibliographique

RevueAnimals · 2022
Typereview
Langueen
DomaineEnvironmental Science
ThématiqueAgriculture Sustainability and Environmental Impact
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesCentral European UniversityUniversity of British Columbia
Mots-clésEuropean unionIncentiveBusinessDiversification (marketing strategy)AgricultureAnimal welfareConsolidation (business)Production (economics)WelfareEconomic policyPublic economicsEconomicsIndustrial organizationMarket economyMarketingFinance

Résumé

récupéré en direct d'OpenAlex

Since the 1960s, the European Union (EU) has made efforts to ensure the welfare of farm animals. The system of EU minimum standards has contributed to improved conditions; however, it has not been able to address the deeper factors that lead to the intensification of animal farming and the consolidation of the processing sector. These issues, along with major competitive pressures and imbalances in economic power, have led to a conflict of interest between animal industries, reformers, and regulators. While the priorities of the European Green Deal and the End the Cage Age initiatives are to induce a rapid phasing out of large-scale cage-based farming systems, the industry faces the need to operate on a highly competitive global market. Animal farmers are also under pressure to decrease input costs, severely limiting their ability to put positive animal-care values into practice. To ensure a truly effective transition, efforts need to go beyond new regulations on farm animal welfare and address drivers that push production toward a level of confinement and cost-cutting. Given the right socio-economic and policy incentives, a transition away from intensive farming methods could be facilitated by incentives supporting farm diversification, alternative technologies, and marketing strategies.

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)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,993
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
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 Opus0,113
Tête enseignante GPT0,294
Écart entre enseignants0,181 · 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.

Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations21
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAnimalsMême sujetAgriculture Sustainability and Environmental ImpactTravaux en français237 207