Células somáticas y composición nutricional de la leche en tanque, Bongara Amazonas, Perú, 2021
Bibliographic record
Abstract
Esta investigación tuvo como objetivo evaluar el efecto de las células somáticas en la composición nutricional de la leche. Se recolectaron muestras directamente del tanque de 11 plantas de procesamiento de lácteos. La determinación del contenido de células somáticas fue analizada con el equipo De Laval cel counter (DCC) y la composición nutricional con el equipo Lactoscan, en el laboratorio de enfermedades infecciosas y parasitarias de animales domésticos de la Universidad Nacional Toribio Rodriguez de Mendoza de Amazonas. Los datos fueron analizados por estadística descriptiva, prueba de correlación de Pearson y procesada con el software Statistics V.8.0. Los resultados indican que el 27.27% de las plantas de procesamiento utilizan leche que superan los límites máximos permisibles en células somáticas (500 000 cel/ml - NT Peruana) nivel alto de células somáticas y calidad regular de leche y el 72.73% utilizan mejor calidad de leche. Se concluye que existe variación significativa para los parámetros físico-químicos entre plantas y además se encontró correlación negativa y altamente significativa (p<0.01) para la concentración de células somáticas con el nivel de grasa, correlación altamente significativa (p<0.01) y negativa entre células somáticas y el porcentaje de proteína, y correlación positiva con sólidos (p<0.01), lo que evidencia variación inversamente proporcional entre células somáticas y contenido nutricional de la leche.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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".