Notice bibliographique
Résumé
Abstract Approximately 31 million tons of animal by-products are generated by livestock and poultry farming, meat processing, and retailing in the U.S. and Canada each year. Utilizing rather than discarding these resources prevents the release of large amounts of GHGs into the atmosphere. Renderers reclaim the carbon from these by-products and transform them into 6.3 million tons of refined animal fats and 8.9 million tons of rendered protein meals for use as animal food ingredients annually. In 2019, 1.5 million tons of rendered protein meals and 289 thousand tons of animal fats were used in pet food, and another 1.83 million tons of fresh and frozen meat and poultry by-products and organ meats were used in pet food without first being rendered. Rendering cookers break down tissues so that fats can be pressed out of muscle, bone, and connective tissues. Rendered products are safe from biological hazards as cooking is done at higher temperatures for longer times than necessary for food safety. The Prioritization of food safety in both rendering and pet food industries in recent years have delayed emphasis on some quality factors. Many citations in literature document that excessive heat damages proteins and decreases their quality and digestibility. Research is planned to provide guidance to renderers on cooking procedures that would meet the needs for processing and food safety without sacrificing quality and digestibility. Other factors that impact the availability and usability of rendered products include parts available for rendering after fresh parts are selected for pet food, upstream human food safety interventions, time and temperature conditions between slaughter and rendering, cooling, drying, storage, transport, and the use of antioxidants, antimicrobials, and other processing aids. Opportunities exist to modernize plants and processes to provide high quality ingredients. Renderers have invested with the pet food sector to collaborate on strategies to improve safety, quality, and sustainability of pet food ingredients.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,003 |
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 ».