Challenges and innovations for sustainable ruminant production based upon One Health principles
Notice bibliographique
Résumé
Abstract Almost 12 % of the human population have insufficient access to food and hence are at risk from nutrient deficiencies and related conditions, such as anaemia and stunting. Ruminant meat and milk are rich in protein and micronutrients, making them a highly nutritious food source for human consumption. Conversely, ruminant production contributes to methane (CH 4 ) emissions, a greenhouse gas (GHG) with a global warming potential (GWP) 27–30 times greater than that of carbon dioxide (CO 2 ). Nonetheless, ruminant production plays a crucial role in the circular bioeconomy in terms of upcycling agricultural products that cannot be consumed by humans, into valuable and nutritional food, whilst delivering important ecosystem services. Taking on board the complexities of ruminant production and the need to improve both human and planetary health, there is increasing emphasis on developing innovative solutions to achieve sustainable ruminant production within the ‘One Health’ framework. Specifically, research and innovation will undoubtedly continue to focus on (1) Genetics and Breeding; (2) Animal nutrition and (3) Animal Health, to achieve food security and human health, whilst limiting environmental impact. Implementation of resultant innovations within the agri-food sector will require several enablers, including large-scale investment, multi-actor partnerships, scaling, regulatory approval and importantly social acceptability. This review outlines the grand challenges of achieving sustainable ruminant production and likely research and innovation landscape over the next 15 years and beyond, specifically outlining the pathways and enablers required to achieve sustainable ruminant production within the One Health framework.
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) | 0,001 | 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) | 0,000 | 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 ».