Automating classification of veterinary biosecurity recommendations using machine learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ProAction® is a mandatory Canadian milk quality assurance program that requires dairy farmers to conduct a biosecurity risk assessment with a veterinarian. Based on this assessment, the veterinarian provides personalized recommendations to improve farm biosecurity, resulting in a large volume of text data. This study aimed to develop a machine learning model capable of automatically classifying these biosecurity recommendations into 12 predefined categories. As the recommendations were written in French or English, all texts were translated into French to ensure consistency in feature extraction and model training. The model was trained on 11,250 manually classified veterinary recommendations from 3825 Québec dairy herds, collected between 2018 and 2021. Three algorithms were tested: Multinomial Naïve Bayes (MNB), Support Vector Machine (SVM), and Random Forest (RF). Performance was evaluated using precision, recall, and F1-score. The SVM achieved the highest performance while maintaining efficient processing time. The trained SVM model was selected to classify new recommendations collected between 2022 and 2024 from herds in Alberta, Ontario and Québec. To evaluate model's performance on this new dataset, a random sample of 250 recommendations was manually classified. The agreement between human classification and model predictions resulted in a Cohen's Kappa of 0.88, suggesting strong agreement. This study highlights the potential of machine learning to classify biosecurity recommendations and support timely, informed decision-making in dairy herd management.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle