Replication Data for: Redefining lameness assessment: Constructing lameness hierarchy using crowd-sourced data
Notice bibliographique
Résumé
Lameness causes pain to dairy cows and economic losses to farmers, but can be difficult to routinely monitor. Despite numerous attempts to develop automatic detection methods, few have been successfully applied on farms. The development of reliable automated methods is likely restricted by the lack of large, labeled training datasets that capture the diversity in lameness cases within and among farms. Additionally, conventional gait scoring methods employed for annotating training videos are subjective and unreliable, adding noise to training data and thus hindering model performance. We propose a novel approach to lameness assessment in dairy cows, leveraging crowd-sourced data to construct a lameness hierarchy. In this pilot study using 30 cow videos, we evaluated the reliability of traditional gait scoring systems revealing their subjective and inconsistent nature, with intra- and interobserver reliabilities of ICC (intraclass correlation coefficient)=0.62 ± 0.09 and 0.44 ± 0.02, respectively. Conversely, our proposed lameness hierarchy constructed from pairwise lameness assessments, achieved a high interobserver reliability (ICC = 0.81) among experienced assessors. We also demonstrated feasibility for the pairwise assessment to be executed by untrained assessors (in this case crowd workers recruited via Amazon MTurk), evidenced by high agreement between hierarchies generated by crowd workers and experienced assessors (ICC = 0.85). Utilizing a 5-milestone subsampling algorithm, we found that recruiting just 8 crowd workers per video pair is sufficient to construct a reliable lameness hierarchy. This method also decreases the number of pairwise comparisons by 61%, relative to evaluating all possible comparisons between every pair of cows. The proposed lameness hierarchy method facilitates quick and accurate labeling of lameness videos and enables a more granular evaluation of lameness. We suggest that this approach can be used to create large training datasets suitable for developing reliable automatic lameness detection models.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,018 |
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 source (Gemma direct ou Codex distillé), 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 ».