Resolving design of experiments for factorial layouts with applications to fraser valley dairy farm productivity
Notice bibliographique
Résumé
During the eighteenth century, agricultural experimenters began arranging treatment combinations in systematic grids, laying the groundwork for what would later become factorial design. This research revisited the resolution hierarchy of factorial layouts and developed tighter bounds on the D-efficiency of fractional plans when the number of factor levels exceeds four. A convex analysis framework expressed the information matrix as a convex combination of moment matrices associated with individual runs, and the D-optimality criterion was then cast as a log-determinant maximisation problem amenable to interior-point methods [1]. Latin square constraints were imposed as linear equalities within this optimisation, ensuring that every level of each factor appeared exactly once in each row and column of the design matrix [2]. The theoretical results were applied to a dairy farm productivity dataset from the Fraser Valley in British Columbia, Canada, where four feed-composition factors at five levels each were tested across 16 farms over two milking seasons (2020-2022). Trimmed means were used to handle the heavy-tailed distribution of milk-fat percentage, and a hazard function analysis tracked the time until individual cows dropped below a minimum production threshold [3]. The optimal fractional factorial plan identified by the convex relaxation achieved a D-efficiency of 0.89 with only 50 runs, compared with 625 runs for the full 5⁴ factorial. Variance decomposition showed that treatment effects accounted for 49.8% of total variability, block effects for 14.2%, and treatment-by-block interactions for 18.7%. A secondary cryptographic hashing step verified the integrity of the randomisation sequence, ensuring that farm-level assignments could not have been tampered with after the trial began [4].
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 | 0,064 | 0,179 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».