Bibliographic record
Abstract
Ny dansk forskning viser, at et hurtigt tjek af køernes rygkrumning afslører halvdelen af de halte køer. Se hvor meget køerne krummer ryggen, og du har overblik over, hvor mange af dem der halter. Sagt i korthed er det resultatet af ny dansk forskning udført på Århus Universitet, Det Jordbrugsvidenskabelige Fakultet i Foulum. Bag projektet står dyrlæge Peter T. Thomsen, der i sommer besluttede at udvikle en metode som er lettere end den traditionelle til at vurdere, om køerne halter og derfor skal en tur i klovboksen. »Den traditionelle halthedsvurdering tager omkring et minut pr ko. Har man 200 køer, svarer det til to en halv time - og det er mere, end man gør en almindelig tirsdag eftermiddag,« begrunder Peter T. Thomsen sin idé. Udgangspunktet for den nye metode som kan bruges i den almindelige praktiske hverdag var, at ryggens krumning indgår som en del af vurderingen af alle kendte metoder til vurdering af halthed. »Vi ville undersøge, om man alene ved at se på ryggen kunne se, om en ko er halt,« forklarer Peter Thomsen. 10 - 15 minutter hver dag Mens der skal bruges mere end to timer på at vurderer køernes halthed i en besætning med 200 køer, kan man ved alene at fokusere på ryggens krumning nøjes med 10 - 15 minutters indsats, vurderer Peter T. Thomsen. »Man kan for eksempel gøre det, når køerne står på opsamlingspladsen foran malkestalden, hvor man har et samlet overblik over køerne,« foreslår Peter T. Thomsen. Til gengæld kan metoden ikke bruges på køer der står i sengebåsen. Her vil nakkebommen ofte få også raske køer til at bøje ryggen. Metoden kan heller ikke bruges, når de skider og tisser, hvor de også normalt krummer ryg, selvom de ikke er halte, understreger dyrlægen. 50 procent er godt nok »Man kan spørge sig, om det er nok, at man opdager halvdelen af de køer som halter. Og det vil jeg mene, at det er,« fastslår Peter T. Thomsen. »Det er nemlig langt mere, end landmanden normalt selv opdager. I flere undersøgelser er det slået fast, at landmanden kun opdager en fjerdedel af de køer der halter. Så dette er altså dobbelt så godt. Vurderingen er lavet af en kvægbrugstekniker, som aldrig har bedømt køerne på den måde før, og derfor er den foretaget med samme udgangspunkt, som en landmand ville have,« understreger Peter Thomsen. »Desuden er landmanden interesseret i at udpege enkeltkøer som skal behandles, samt at danne sig et overblik over om niveauet i besætningen ændres. Det kan han med metoden, hvor han ser på ryggens krumning. Udgivelsesdato: 10. oktober
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.003 |
| Scholarly communication | 0.016 | 0.008 |
| Open science | 0.002 | 0.011 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.234 | 0.194 |
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".