Growth charts for small sample sizes using unsupervised clustering: Application to canine early growth
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Breed-specific growth curves (GCs) are needed for neonatal puppies, but breed-specific data may be insufficient. We investigated an unsupervised clustering methodology for modeling GCs by augmenting breed-specific data with data from breeds having similar growth profiles. Puppy breeds were grouped by median growth profiles (bodyweights between birth and Day 20) using hierarchical clustering on principal components. Median bodyweights for breeds in a cluster were centered to that cluster's median and used to model cluster GCs by Generalized Additive Models for Location, Shape and Scale. These were centered back to breed growth profiles to produce cluster-scale breed GCs. The accuracy of breed-scale GCs modeled with breed-specific data only and cluster-scale breed GCs were compared when modeled from diminishing sample sizes. A complete dataset of Labrador Retriever bodyweights (birth to Day 20) was split into training (410 puppies) and test (460 puppies) datasets. Cluster-scale breed and breed-scale GCs were modelled from defined sample sizes from the training dataset. Quality criteria were the percentages of observed data in the test dataset outside the target growth centiles of simulations. Accuracy of cluster-scale breed GCs remained consistently high down to sampling sizes of three. They slightly overestimated breed variability, but centile curves were smooth and consistent with breed-scale GCs modeled from the complete Labrador Retriever dataset. At sampling sizes ≤ 20, the quality of breed-scale GCs reduced notably. In conclusion, GCs for neonatal puppies generated using a breed-cluster hybrid methodology can be more satisfactory than GCs at purely the breed level when sample sizes are small.
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.
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 | 0,001 | 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) | 0,000 | 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 découle