Bibliographic record
Abstract
La race bovine Maraîchine est une race mixte lait-viande à petit effectif. Cette race intéresse les éleveurs pour ces aptitudes avérées : facilité de vêlage, capacité laitière, adaptation à un milieu difficile. Du fait du peu de données existantes sur l’aptitude laitière de la race, l’unité expérimentale Inrae de Saint-Laurent-de-la-Prée a mis en place un protocole de contrôle laitier sur 20 vaches en vêlage d’automne de son troupeau pendant 5 mois du 23 octobre 2019 au 12 mars 2020. Ce contrôle a été réalisé une fois par semaine. Il consiste à peser les veaux avant et après les tétées du matin et du soir. Il permet d’évaluer la production laitière des vaches Maraîchines et la croissance des veaux associées. En parallèle des pesées des veaux, les vaches ont été pesée une fois par mois et on a noté leur état corporel.En moyenne, nous avons trouvé que les vaches de Saint-Laurent-de-la-Prée produisent 8,1 kg par jour sur les 6 premiers mois du veau, ce qui est équivalent à la production observée pour des vaches Salers et plus élevée que celle mesurée pour les charolaise ou les limousines. Nous avons constaté une chute de la production à partir de la 20ème semaine après vêlage : la production est passée de 8,4 kg/j en moyenne. Nous avons constaté une légère différence de production entre les vaches multipares et les vaches primipares. Les veaux ont atteint un poids de 191 kg en moyenne à l’âge de 5 mois ½ avec un GMQ moyen de 909 g/jour. Nous n’avons pas observé de différences statistiques de croissance entre les mâles et les femelles. Les vaches n’ont pas perdu de poids, ni d’état au cours de l’expérimentation, ce qui signifie que l’alimentation a été correcte et équilibrée. Nous avons observé une relation significative entre la croissance du veau et la production laitière de la mère. Plus un veau boit du lait et plus sa croissance est élevée. On a pu également constater que les vaches Maraîchine ont un bon comportement maternel. Ce CL a permis à la ferme expérimentale de SLP de sélectionner ses génisses de renouvellement et d’avoir de nouveaux critères pour réformer leurs vaches. Cette étude nous a permis de se rendre compte qu’il n’y avait pas de relation entre le format de la vache et ses capacités laitières. Sélectionner les génisses de renouvellement ou les vaches de réforme sur leur gabarit n’est donc pas forcément un bon critère pour avoir un troupeau performant et économique. De plus, il nous a permis de travailler la docilité du troupeau. Cette étude montre quelques inconvénients car la méthode utilisée est compliquée à mettre en œuvre et à réaliser puis elle est coûteuse en temps et en mains-d’œuvre. Il est également difficile de savoir la quantité exacte de la PL des vaches Maraîchine car on mesure la quantité bue par le veau et pas directement la quantité produite par la vache. Le CL ne peut se faire que sur le lot d’automne car à cette période-là, les vaches et leur veaux sont en stabulation donc il est plus facile de les manipuler. Les résultats obtenus ont été transmis à l’association Maraîchine et aux éleveurs. Certains sont très intéressés pour utiliser les vaches Maraîchine en tant que vaches laitières afin de faire du fromage ou des glaces. Cette étude sera probablement réalisée dans les années qui suivent pour approuver les résultats déjà obtenus.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".