Artificial Intelligence and Sensor Innovations: Enhancing Livestock Welfare with a Human-Centric Approach
Notice bibliographique
Résumé
Abstract In the wake of rapid advancements in artificial intelligence (AI) and sensor technologies, a new horizon of possibilities has emerged across diverse sectors. Livestock farming, a domain often sidelined in conventional AI discussions, stands at the cusp of this transformative wave. This paper delves into the profound potential of AI and sensor innovations in reshaping animal welfare in livestock farming, with a pronounced emphasis on a human-centric paradigm. Central to our discourse is the symbiotic interplay between cutting-edge technology and human expertise. While AI and sensor mechanisms offer real-time, comprehensive, and objective insights into animal welfare, it’s the farmer’s intrinsic knowledge of their livestock and environment that should steer these technological strides. We champion the notion of technology as an enhancer of farmers’ innate capabilities, not a substitute. Our manuscript sheds light on: Objective Animal Welfare Indicators: An exhaustive exploration of health, behavioral, and physiological metrics, underscoring AI’s prowess in delivering precise, timely, and objective evaluations. Farmer-Centric Approach: A focus on the pivotal role of farmers in the adept adoption and judicious utilization of AI and sensor technologies, coupled with discussions on crafting intuitive, pragmatic, and cost-effective solutions tailored to farmers' distinct needs. Ethical and Social Implications: A discerning scrutiny of the digital metamorphosis in farming, encompassing facets like animal privacy, data safeguarding, responsible AI deployment, and potential technological access disparities. Future Pathways: Advocacy for principled technology design, unambiguous responsible use guidelines, and fair technology access, all echoing the fundamental principles of human-centric computing and analytics. In essence, our paper furnishes pioneering insights at the crossroads of farming, animal welfare, technology, and ethics. It presents a rejuvenated perspective, bridging the chasm between technological advancements and their human beneficiaries, resonating seamlessly with the ethos of the Human-Centric Intelligent Systems journal. This comprehensive analysis thus marks a significant stride in the burgeoning domain of human-centric intelligent systems, especially within the digital livestock farming landscape, fostering a harmonious coexistence of technology, animals, and humans.
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 | 0,010 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,012 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».