Populációgenetikai paraméterek, tenyészértékek és trendek magyar tarka bikák hizlalási és vágási eredményei alapján
Bibliographic record
Abstract
A Szerzők a Magyartarka Tenyésztők Egyesületének ivadékteljesítmény-vizsgálati adatbázist felhasználva 1162 magyar tarka hízóbika hizlalási és vágási eredményei alapján populációgenetikai paramétereket, tenyészértékeket, valamint fenotípusos és genetikai trendeket becsültek. A trendszámításhoz súlyozott lineáris regresszió-analízist, a paraméterbecsléshez többtényezős varianciaanalízist használtak. A legkisebb öröklődhetőségi értéket (0,23) a SEUROP faggyússági pontszám esetén kapták. Az izmoltsági pontszám, a SEUROP izmoltsági pontszám és a színhús százalék öröklődhetősége közepes volt (h2 = 0,32, 0,26, ill. 0.32). A többi tulajdonság h2 értéke nagy volt (0,42-0,52). A 2001 és 2019 között született bikák hizlalási és vágási tulajdonságainak fenotípusos trendje stagnáló tendenciát mutatott. Az apák tenyészértékei között egyes tulajdonságoknál (életnapra jutó súlygyarapodás, hasított test súlya) nagyobb, más tulajdonságoknál (vágási százalék, SEUROP izmoltsági pontszám) kisebb eltéréseket találtak. A genetikai trendszámítás adatai szerint a vizsgált tulajdonságok meredekségi értékei pozitívak voltak, a becsült időszakban a genetikai trendek enyhén javuló irányt mutattak. Megállapították, hogy a magyar tarka fajta hústermelő-képessége az elmúlt időszakban nem csökkent.
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) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.020 | 0.003 |
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".