Programmation néonatale dans l'espèce canine : impact à long terme de facteurs néonataux en race Labrador.
Bibliographic record
Abstract
L’objectif de cette étude était d’analyser différents facteurs de la vie néonatale (poids de naissance, coefficient de variation des poids de naissance intra-portée, taux de croissance sur trois intervalles : J0-J2, J0-J7, J0-J21) et étudier leur influence sur les taux de croissance ainsi que sur des paramètres de la vie adulte (surpoids, pourcentage de masse grasse, épaisseurs de tissu adipeux sous-cutané à l’échographie, hauteur au garrot, scores de food motivation et de gloutonnerie, âge à la puberté et prolificité moyenne des femelles), dans une population de chiens Labrador issus d’un élevage de chiens guides. Au final, sur une population de 111 chiens, le taux de croissance dans les 7 premiers jours de vie était influencé par le taux de croissance J0-J2 ainsi que sa positivité ou sa négativité. De plus, le taux de croissance J0-J21 était influencé par le fait d’avoir un petit poids de naissance, par le coefficient de variation des poids intra-portée ainsi que par le taux de croissance J0- J2, son signe, ainsi que par le taux de croissance J0-J7. Ensuite, la hauteur au garrot était influencée par le fait de posséder un poids de naissance inférieur au seuil de 402 grammes (Brévaux, 2017). Le pourcentage de masse grasse était influencé par le fait d’avoir un poids de naissance inférieur à ce seuil ainsi que de faire partie des 25% des poids de naissance les plus légers de la population. Enfin, les scores de food motivation et de gloutonnerie sont influencés par le taux de croissance J0-J7. Ces résultats sont en faveur de l’existence d’une programmation néonatale, influençant à long terme les chiens.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| 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".