Hevosten lisääntyminen epidemiologisen tutkimuksen kohteena : kirjallisuuskatsaus
Bibliographic record
Abstract
Hevosen lisääntymistulokseen vaikuttavia tekijöitä on tutkittu paljon, mutta edelleenkään suurta osaa tai niiden yhteyttä toisiinsa ei tunneta. Epidemiologinen tutkimus on varteenotettava keino tutkia lisääntymistulokseen vaikuttavia ympäristötekijöitä sekä tammojen ja orien ominaisuuksia suhteellisen luotettavasti, sillä epidemiologisissa tutkimuksissa otoskoot ovat suuria. Toisaalta erilaisten muuttujien suuri määrä aiheuttaa tulosten virhetulkintavaaran etenkin, jos analyyseissä ei ole käytetty asiaankuuluvia monimuuttujamalleja. Tämän lisensiaatin tutkielman tavoitteena oli selvittää, minkälaisia epidemiologisia tutkimuksia hevosten lisääntymisestä on tehty ja mitä niissä on havaittu, sekä arvioida tehtyjä tutkimuksia ja tulosten luotettavuutta. Lisääntymisen mittarina ja vastemuuttujana epidemiologisessa tutkimuksessa käytetään esimerkiksi varsomisprosenttia, tiinehtymisprosenttia tai uusimattomuusprosenttia. Joissain maissa hevosten lisääntymistulos on vuosien saatossa heikentynyt, toisissa parantunut. Hyvä kokonaiskäsitys lisääntymistulokseen vaikuttavista tekijöistä on tarpeen niin uusia tutkimuksia suunniteltaessa kuin käytännön hevosjalostuksessakin. Merkittävimmät hevosen lisääntymistulokseen vaikuttavat tekijät tähän työhön valittujen tutkimusten valossa ovat tamman ikä ja lisääntymishistoria, ori, rotu, astutus- tai siemennystapa ja kiiman järjestysnumero. Lisäksi joillain hormonihoidoilla ja moniovulaatioiden ja –tiineyksien esiintymistiheydellä havaittiin olevan vaikutusta lopulliseen lisääntymistulokseen. Monessa tähän työhön valitussa tutkimuksessa tilastollisia analyysejä oli käytetty puutteellisesti tai jopa virheellisesti. Läheskään kaikissa tutkimuksissa ei ollut käytetty monimuuttuja-analyysiä, jolloin tuloksista on saatettu tehdä liian yksioikoisia päätelmiä. Näistä syistä kaikkia tähän työhön valittujen tutkimusten tuloksia ei voida pitää täysin luotettavina. Epidemiologiset tutkimukset ovat alttiita ulkoisten sekoittavien tekijöiden vaikutukselle, joten niiden huomioiminen aineistoa kerätessä, analysoitaessa ja tuloksista keskustellessa edellyttää tutkijoilta varsin syvällistä perehtyneisyyttä sekä oman aiheensa biologiaan että oikeiden tilastollisten ja epidemiologisten analysointimenetelmien valintaan ja käyttämiseen, jotta vääriltä johtopäätöksiltä vältyttäisiin. Referoitaessa tehtyjä tutkimuksia on käytetyt menetelmät ja tulosten tulkinta syytä tarkistaa ja raportoida sekä varmistaa, että analyysit on suoritettu oikein ja tulokset perustuvat todelliseen tieteelliseen näyttöön.
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 | 0.006 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.026 | 0.007 |
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".