Evaluation of bovine artificial inseminating technique among two herdsman inseminators in the state of Mato Grosso do Sul
Bibliographic record
Abstract
O uso da inseminação artificial (IA) em bovinos determina maior eficiência em programas de melhoramento genético e aumento dos ganhos na produção animal. Sob esse aspecto, o inseminador tem um papel relevante, onde sua destreza na condução da técnica de IA poderá influenciar nos resultados. O presente estudo teve por objetivo avaliar a técnica de inseminação artificial entre dois inseminadores. O experimento foi conduzido em uma propriedade localizada no município de Pedro Gomes, Estado do Mato Grosso do Sul. A técnica dos inseminadores (A e B) foi avaliada em um rebanho de 206 fêmeas bovinas aptas a reprodução, sendo utilizado o método Trimberger para a IA, por um período de 38 dias. O sêmen utilizado foi avaliado por exame andrológico antes da estação de monta. Todos os procedimentos referentes ao manejo dos animais e técnica da IA que antecede a inseminação foram padronizados. O diagnóstico de gestação foi realizado por palpação transretal 60 dias após a inseminação do último animal. Houve diferença estatisticamente significante entre os inseminadores, (p= 0,0017), sendo que o inseminador A obteve maior sucesso após a realização de 172 procedimentos de IA com resultados de 146 (84,9%) vacas prenhes, enquanto, o inseminador B realizou 34 inseminações e obteve 21 (61,8%) vacas prenhes. O inseminador A apresenta 3,47 vezes mais chances de obter êxito na técnica de inseminação que o inseminador B. Concluí-se que houve melhor aproveitamento da técnica de inseminação artificial pelo inseminador A, obtendo a maior taxa de concepção em relação ao inseminador B.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".