Farmers who implemented this, also implemented that: Use of association-rule-learning to improve biosecurity on dairies
Notice bibliographique
Résumé
Biosecurity practices are the cornerstone of disease prevention and control programs. In Canada, their implementation is evaluated with a Risk Assessment Questionnaire (RAQ). Association Rule Learning (ARL) – a non-supervised machine learning algorithm – is widely used in marketing for consumer segmentation based on purchase patterns. This technique may help veterinarians to recommend biosecurity practices that are more likely to be adopted by producers. In this project, we applied ARL to 3825 RAQ completed by Québec dairy producers to generate 22 million rules that identified combinations of self-reported practices frequently applied together. We retained the best 63 rules predicting the adoption of 13 biosecurity practices with a confidence ≥ 70 %. ARL is useful in studying the relationship between biosecurity practices on dairy farms. By identifying biosecurity practices more likely to be implemented by a given producer, veterinarians can provide targeted recommendations that might improve disease prevention and control programs. • Association Rule Learning (ARL) is a flexible technique to analyse questionnaires. • ARL predicted 13 key biosecurity practices more likely to be implemented by farmers. • Implemented practices were predicted with a confidence higher than 70 %. • ARL allows prescriptive use of questionnaires and personalized recommendations. • ARL may enhance uptake of disease prevention and control programs.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».