MétaCan
Menu
Retour à la cohorte
Enregistrement W4402396584 · doi:10.5539/jas.v16n10p1

The Use of Pomace as Animal Feed: A Review of Grape and Tomato Pomace

2024· review· en· W4402396584 sur OpenAlexvenueno aff
Nathaniel Ogunkunle, Njideka O. Adeniyi, Monya Simpson

Notice bibliographique

RevueJournal of Agricultural Science · 2024
Typereview
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueBee Products Chemical Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPomaceFood scienceBiotechnologyAnimal feedAnimal healthPolyphenolAnimal nutritionAntioxidantBiologyAgronomyAnimal science

Résumé

récupéré en direct d'OpenAlex

Pomace is generated in large quantities yearly; high water content and bulkiness make it difficult to be easily disposed of thereby contributing to environmental pollution and providing breeding space for flies which can transmit diseases. Incorporating the pomace generated from grape and tomato fruits in animal nutrition will improve sustainable agriculture; the animals will also benefit from the polyphenols in the pomace which can improve their antioxidant status thereby improving animal health and welfare. Pomace consists of unfermentable sugars, tannins, anthocyanins, lycopene, and cellulose which have natural antioxidants, anti-inflammatory and antimicrobial properties. This review focused on the utilization of grape and tomato pomace as feedstuff for animals, the knowledge gap in the use of pomace in animal nutrition was also outlined. Supplementation of pomace generated from grape and tomato was evaluated on animal growth and reproductive performance, health, oxidative stress, animal products and gut health. In conclusion, incorporating agro-industrial byproducts into animal diet can be beneficial to farm animals by improving their health, welfare, performance as well as the environment, thereby leading to a more sustainable agricultural practice.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,061
Tête enseignante GPT0,305
Écart entre enseignants0,244 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetBee Products Chemical AnalysisTravaux en français237 207