Using the Herd Status Index to remotely assess the welfare status of dairy herds based on prerecorded data
Notice bibliographique
Résumé
The use of prerecorded data to remotely assess the herd welfare status is a promising approach to reduce the need for costly and time-consuming on-farm welfare assessments. Therefore, the objective of this study was to validate the Herd Status Index, an index developed based on Dairy Herd Improvement data from Canada, to remotely evaluate the welfare status of dairy herds. Herd-level prevalence of five animal-based welfare outcomes, measured once on 2 986 Quebec - Canada dairy herds between 2016 and 2019, were used to generate clusters with different welfare status using the algorithm partitioning around medoids. Dairy Herd Improvement data from 12 months prior to the welfare assessment were extracted and used to calculate the Herd Status Index. A linear model was used to carry out comparisons between clusters. Three stable clusters were found to best describe the data. Cluster two had the best overall welfare status since it had the lowest prevalence of all welfare issues while cluster three had the highest prevalence of most welfare issues, with the exception for the prevalence of neck lesions that was not different than cluster one. Cluster one had an overall intermediate welfare status. The Herd Status Index was higher (i.e., indicating a good welfare status) on cluster two compared to cluster three, but neither cluster three nor two differed to cluster one. In its current format, the Herd Status Index has a weak potential to identify herds with varying prevalence of welfare issues and it requires further improvements before it could be used to accurately assess the welfare status of the herds.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».