AI for One Welfare: the role of animal welfare scientists in developing valid and ethical AI-based welfare assessment tools
Notice bibliographique
Résumé
The increasing use of artificial intelligence (AI) in livestock farming is accelerating the development of automated welfare assessment tools, particularly with advancement in generative AI such as large multimodal models (LMMs). Yet, animal welfare scientists have rarely been involved in the development process of these tools or their subsequent adaptation within the field. Here, we discuss possible roles for animal welfare scientists in the development and validation of AI-based welfare assessment tools. We first examine key uncertainties that emerge during development, including the selection of relevant, valid and reliable welfare indicators and gold standards, hardware and software solutions for data collection, methods for integrating multiple welfare indicators, and the real-world impact of automated welfare assessment tools. Second, we demonstrate the use of LMMs to assess welfare based on a case study using dairy cow cleanliness. Finally, we consider the practical implementation of AI-based welfare assessment and discuss potential tensions around (1) embedded values in LMMs, (2) AI's influence on decision-making on farms, (3) the integration of AI in current knowledge systems by human-AI collaboration, and (4) the economics of AI-based welfare assessment and improvement. We conclude that LMMs could help automate welfare assessment and communicate results to humans in accessible formats, but outcomes depend on which stakeholders are involved in the development process. We advocate for developing AI-based welfare assessment tools through the One Welfare framework, recognizing that AI deployment affects humans, animals, and the environment simultaneously, and suggest potential pathways for animal welfare scientists to engage in the process.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».