Decoding Bovine Communication with AI and Multimodal Systems ∼ Advancing Sustainable Livestock Management and Precision Agriculture
Notice bibliographique
Résumé
Abstract Achieving sustainability in livestock farming requires advanced, non-invasive monitoring systems that enhance both productivity and animal welfare. Traditional methods for assessing dairy cow ingestive behavior, such as manual observation and sensor-based tracking, are often limited in scalability and accuracy. This study advances precision livestock farming by integrating multimodal artificial intelligence (AI) to decode bovine vocalizations in real time. Our approach leverages acoustic recordings, video analysis, and biometric sensor data to create a comprehensive system capable of detecting subtle patterns in feeding behavior and physiological well-being. By employing Generative AI and Large Language Models, our framework not only classifies ingestive behaviors but also interprets vocal signals linked to stress, health, and environmental conditions. The extracted features are transformed into spectrograms and fused with biometric indicators, enabling early detection of anomalies. This information is delivered through an intuitive dashboard, empowering farmers with real-time insights to optimize feeding strategies, reduce resource wastage, and mitigate welfare concerns. Unlike conventional deep learning approaches, which struggle with environmental variability, our system adapts dynamically across diverse farm settings, ensuring robustness and generalizability. This work directly contributes to global sustainability goals by improving resource efficiency, enhancing dairy herd management, and reducing the environmental footprint of livestock production. By integrating cutting-edge AI with practical farm applications, we pave the way for a more intelligent, responsive, and ethical approach to animal agriculture—where technology serves as a bridge between scientific advancements and on-farm decision-making.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».