Resilience as Welfare: Quantifying Adaptive Capacity in Farm Animals with Sensor-Enabled Phenotyping and Machine Learning
Notice bibliographique
Résumé
Resilience, the capacity of an animal to recover rapidly and completely after a perturbation, has long been recognised but seldom quantified with precision. What has changed is the computational machinery now capable of measuring it. Climate variability, emerging disease pressures and increasingly complex production environments require systems that prioritise adaptive capacity rather than simple output stability. Here we show that resilience can be operationalised through the integration of multimodal sensing, state space modelling and machine learning. Continuous data streams from accelerometers, thermal and RGB imaging, milk meters, rumen boluses and behavioural trackers capture fine scale signatures of disturbance and recovery. Advanced filtering architectures reconstruct latent physiological states, while neural, hybrid and mechanistic statistical models extract recovery dynamics with accuracies between 80 and 99 percent and provide early warning of health compromise several days in advance. Across species, indicators based on variance, autocorrelation and area under the curve reliably distinguish resilient from fragile phenotypes, with heritabilities ranging from 0.026 to 0.432, allowing incorporation into genomic selection. Composite indices that combine production, behaviour, physiology and environmental context provide interpretable and challenge specific scoring frameworks for breeding and real time management. Despite these advances, governance mechanisms for responsible AI deployment remain incomplete, increasing the risk of misclassification, opacity and productivity centred optimisation. Resilience phenotyping is therefore both a technical and ethical opportunity. When paired with transparent data governance and welfare focused design, digital systems can shift livestock management from reactive oversight to anticipatory care. Together, sensor enabled phenotyping and computational modelling provide a scalable and welfare centred route for advancing adaptive livestock systems.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».