Perception of laying hen farmers, poultry veterinarians and poultry experts on sensor-based continuous monitoring of health and welfare of laying hens
Notice bibliographique
Résumé
Traditionally, laying hen farmers monitor health, welfare and productivity of their flockbased on feed and water intake of the birds, flock productive output, climatefactors, and behavioural observations. Due to the growing number of birds per layer farmand the decreased availability of personnel with sufficient knowledge on poultry, itbecomes increasingly difficult to safeguard and control bird health andwelfare. Concurrently, there is a global trend towards more sustainable livestock farmingwith amongst others profitable and efficient animal production with a low ecologicalfootprint. To keep up with these developments, farmers can benefit from state-of-the-artsensor technology, serving as artificial nose, ears and eyes that gather 24/7 data on flockhealth, welfare and productivity. This project aims to improve laying hen welfare byearly stress detection based on continuous assessment of reliable, predictive (animalbased)indicators. As a first step, a qualitative, multi-stakeholder survey was preparedto determine current and future sensor use and automation in aviaries to support on-farmhealth and welfare assessment. Knowledgeable laying hen farmers, practicing poultryveterinarians and experienced poultry experts specialised in e.g. nutrition, genetics andwelfare, all working in West-Europe and Canada, were selected for participation. Using apurposive heterogenous sampling approach, maximum diversity was createdamong our homogenous candidate group. Participants completed an online questionnaireand participated in a semi-structured interview consisting of narrative questions andfollow-up probing questions. The questionnaire aimed to identify several variables thatcould underly the answers given during the interview, such as sociodemographiccharacteristics. Laying hen farmers were additionally asked about farm management andhousing characteristics, while poultry veterinarians and experts were asked about detailson their profession and frequency of contact with the commercial poultry sector. Duringthe interview, participants were encouraged to identify relevant health and welfare issues,including their causal stressors and predictive indicators, to describe currentuse of sensor (data) during health and welfare assessment and to describe their interest infuture technologies. Qualitative content of the interviews is analysed, using an inductivecoding approach and summarized per stakeholder. Quantitative analysis includes variableranking and comparison between stakeholders, a binary logistic regression and a Fisherstest. Preliminary results will be shown during the WIAS Annual Conference. Final results will be used during consecutive steps of the project.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Qualitatif | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».