A hasznosult szaporulat néhány húsmarha állományban
Bibliographic record
Abstract
A szerzők a választásig kiesett és a választott borjak arányát, továbbá a hasznosult szaporulatot befolyásoló nénány tényező hatását értékelték hazai húsmarha állományokban. A vizsgálatban 1994 és 2002 között született, összesen 1817, ebből 644 magyar tarka, 98 magyar szürke, 349 aberdeen angus, 249 limousin, 178 limousin keresztezett, 123 aberdeen angus keresztezett és 176 hereford keresztezett borjú adatait dolgozták fel Az adatbázis elemzéseit többváltozós varianciaanalízissel (GLM) végezték el. Azt tapasztalták, hogy a születés éve és évszaka, a tehén életkora és a fajta szignifikánsan (P<0,01 illetve P<0,05) befolyásolta a hasznosult szaporulatot. 1996-ban 13,36% volt a kiesett borjak aránya, 1999-ben pedig 23,82%. Az ősszel született borjak esetében csaknem 30%-os volt a kiesés, mig a tavaszi és nyári borjak esetében ez 15% körül alakult. A tehén életkora szerint a legnagyobb kiesést a fiatal tehéncsoportorv borjai esetében kapták. Az első három ellés után a kiesett borjak aránya meghaladta a 17%-ot, míg az idősebb anyáktól született borjak esetében ez 12-15% között ingadozott. A fajták közül legkevesebb borjút a limousin vérségű állományokban veszítettek el (5-9%), míg a legtöbbet a magyar szürke és az angus keresztezett állományokban (35-29%).
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 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.052 | 0.011 |
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".