🟦 تیم Veterinary AI با همکاری معاونت پژوهشی دانشکده دامپزشکی دانشگاه فردوسی مشهد برگزار می‌کند:
〰〰〰〰〰〰
✨ VET STAR ✨
〰〰〰〰〰〰
🔹 مسابقه ملی ایده‌پردازی
🔹 فرصتی برای ذهن‌‌های خلاق!
🔹 نشان بدهید که متفاوت می‌اندیشید!

📣  دانشجویان و علاقه‌مندان می‌توانند ایده‌ خود را در قالب یک فایل Word (مشابه چکیده مقاله، حداکثر ۶۰۰ کلمه) همراه با فرم مالکیت فکری و موافقت‌نامه انتشار ایده (پیوست در کامنت) به ایمیل پژوهشی دانشکده ارسال نمایند. ایده‌های دریافتی پس از داوری، در مراسم هفته پژوهش در سالن اجتماعات دانشکده معرفی خواهند شد.

📩 vet-research@ferdowsi.um.ac.ir

⏰ مهلت ارسال ایده‌ها: تا تاریخ 1404/09/07

📊 ملاک‌های ارزیابی:
نوآوری ✦ امکان‌پذیری ✦ پتانسیل تجاری‌سازی ✦ کاربرد در دامپزشکی کشور ✦ نحوه ارائه و مستندسازی

💡 محورهای مسابقه:
•  آموزش خلاقانه دامپزشکی
•  نوآوری در تغذیه دام و طیور
•  روش‌های مدیریتی نوین دامپزشکی
•  ایده‌های نو در تشخیص و درمان بیماری‌ها
•  فناوری‌های نوین (هوش مصنوعی، اینترنت اشیا و...)

〰〰〰〰〰〰〰〰〰〰〰〰
☑️ جهت راهنمایی با آیدی زیر در ارتباط باشید:

🆔 @Soren_Mohammadi
〰〰〰〰〰〰〰〰〰〰〰〰

🤖  @Veterinary_AI  🐎

🟦 محققان دانشگاه USC الگوریتم هوش مصنوعی جدیدی به نام RED ساخته‌اند که می‌تواند در کمتر از ۱۰ دقیقه، سلول‌های سرطانی نادر را در نمونه خون تشخیص دهد!

🔹 برخلاف روش‌های قدیمی که نیاز به شناخت دقیق شکل سلول‌های سرطانی دارند، این الگوریتم با بررسی میلیون‌ها سلول طبیعی، الگوهای غیرمعمول را پیدا می‌کند و بدون نیاز به جزئیات سلول‌ها، سرطان را شناسایی می‌کند.

🔹 این امر سرعت تشخیص سرطان را ۱۰۰۰ برابر سریع‌تر کرده و دقت آن را به ۹۹٪ می‌رساند!

☑️ فایل pdf مقاله در کامنت

🔗 منبع

🤖  @Veterinary_AI  🐎

🟦 تشخیص آنی انگل Trypanosoma cruzi با هوش مصنوعی و میکروسکوپ گوشی هوشمند

🔹 بیماری چاگاس حدود ۶ تا ۷ میلیون نفر را در جهان درگیر کرده و تشخیص سریع آن در مناطق کم‌منبع چالش‌برانگیز است.

🔹 در این پژوهش، سامانه‌ای هوش مصنوعی قابل‌حمل توسعه یافت که با آداپتور چاپ سه‌بعدی، دوربین گوشی را با میکروسکوپ هم‌راستا کرده و تصاویر را برای تحلیل خودکار به مدل‌های هوش مصنوعی ارسال می‌کند.

🔹 دو مدل سبک SSD-MobileNetV2 و YOLOv8 برای شناسایی آنی انگل‌ها در تصاویر میکروسکوپی استفاده شدند. داده‌های آموزشی شامل ۴۷۸ تصویر انسانی و ۵۷۰ تصویر از نمونه‌های موش بود.

🔹 مدل SSD-MobileNetV2 در نمونه‌های انسانی به دقت ۸۶٪، یادآوری ۸۷٪ و نمره F1 معادل ۸۶.۵٪ دست یافت. نتایج نشان‌دهنده عملکرد قابل‌اعتماد در شرایط متغیر تصویربرداری است.

🔹 این سامانه امکان تشخیص سریع و دقیق انگل را در محیط‌های میدانی بدون زیرساخت‌های پیشرفته فراهم می‌کند و قابلیت گسترش به سایر پاتوژن‌ها را دارد.

☑️ فایل pdf مقاله در کامنت

🔗 منبع

#خلاصه_مقاله
🤖  @Veterinary_AI  🐎

🔹 PawTrack 🔹

✔️ یک اپلیکیشن برای صاحبان حیوانات خانگی که مراقبت از پت‌ها را ساده و حرفه‌ای می‌کند.

✔️ برنامه‌ریزی مراقبت‌های دوره‌ای مانند واکسیناسیون، درمان ضد انگلی و ویزیت دامپزشک با هشدار یادآوری و دنبال کردن سابقه سلامت.

✔️ پیدا کردن موقعیت دامپزشک‌ها و همچنین مشاوره دامپزشکی هوشمند.

☑️ PawTrack
#ابزار
🤖  @Veterinary_AI  🐎

🔹 مروری بر دستاوردهای هوش مصنوعی در دامپزشکی

🤖  @Veterinary_AI  🐎

🟦 ادغام هوش مصنوعی (AI) و یادگیری ماشین (ML) در بیوتکنولوژی به‌ویژه در کشورهای در حال توسعه اهمیت بالایی دارد، چرا که کشاورزی و دامداری ستون فقرات اقتصاد این کشورها را تشکیل می‌دهند.

🔹 این فناوری‌ها به بهبود روش‌های اصلاح نژاد، تشخیص بیماری، ارتقاء کلی رفاه حیوانات، پیش‌بینی سریع رشد، تحلیل رفتار، بازده خوراک دام، پیشبینی عرضه دام و خروجی‌های تولید کمک می‌کند.

🔹 تحلیل ژنتیک و انتخاب صفات کلیدی با دقت بالا (ابزارهایی مانند CRISPR با پشتیبانی از AI می‌توانند اصلاح ژنتیکی هدفمند و سریع‌تر را ممکن سازند.)

🔹 ترکیب کلونینگ با هوش مصنوعی، به عنوان مثال شناسایی مهارکننده‌ های پروتئاز سرین و شبیه‌سازی واکسن در محیط کامپیوتر با استفاده از ML موجب صرفه‌جویی در زمان و کاهش نیاز به تست حیوانی شده‌اند.

🔹 در مرغ‌های گوشتی نیز دقت پیش‌بینی بازده لاشه بررسی شده است که مدل‌های مختلف ML نتایج متنوعی ارائه داده‌اند.

☑️ فایل pdf مقاله در کامنت

#خلاصه_مقاله
🤖  @Veterinary_AI  🐎

🟦 شناسایی هوشمند دام

🔹 سیستم‌هایی مانند گوشواره‌ RFID مستعد گم شدن و آسیب هستند. این پژوهش سیستم نوین مبتنی بر پردازش تصویر را جهت رفع چالش‌های سنتی ارائه می‌دهد.

🔹️ بهره‌گیری از معماری YOLOv8 برای تشخیص Real-time گاوها با قابلیت شناسایی در شرایط نوری متنوع و محیط‌های مختلف و همچنین تعریف مناطق برای تمرکز پردازش (ROI)

🔹️ پیاده‌سازی الگوریتم رهگیری مبتنی بر موقعیت Bounding Box و اختصاص شناسه محلی منحصربه‌فرد به هر رأس دام همراه با حل چالش تغییر شناسه (ID-Switching)

🔹️ استخراج ویژگی‌های تصویر با شبکه عصبی عمیق VGG16 و طبقه‌بندی با ماشین بردار پشتیبان (SVM)

☑️ دقت شناسایی: ۹۶.۳۴٪

☑️ دقت رهگیری: ۹۸.۹۰٪

☑️ اعتبارسنجی: دقت ۰.۹۵ با انحراف معیار ۰.۰۱

🔹 این پژوهش اثبات می‌کند که این سیستم پیشنهادی نه تنها یک جایگزین عملی و دقیق برای روش‌های متعارف شناسایی دام محسوب می‌شود، بلکه به دلیل ماهیت غیرتماسی (Contactless) و هزینه نگهداری پایین پتانسیل بالایی برای تحول سیستم‌های پایش سلامت و مدیریت دام در دامداری‌های صنعتی دارد.

☑️ فایل pdf مقاله در کامنت

🔗 منبع

#خلاصه_مقاله
🤖  @Veterinary_AI  🐎

☑️ پی‌نوشت:

🔺 الگوریتم یادگیری ماشین SVM (ماشین بردار پشتیبان) یک الگوریتم برای دسته‌بندی است که با پیدا کردن بهترین خط جداکننده بین دو کلاس داده‌ها عمل می‌کند. هدف آن بیشینه کردن فاصله (حاشیه) تا نزدیک‌ترین نمونه‌های هر کلاس است تا دقت مدل افزایش یابد. کاربردهای آن شامل تشخیص تصویر، متن و بیوانفورماتیک است. ◀️ توضیحات بیشتر

🔺 جعبه محدودکننده (Bounding Box) یک کادر مستطیلی است که دور یک شیء در تصویر یا ویدئو کشیده می‌شود تا موقعیت و اندازه آن شیء را مشخص کند. معمولاً در کاربردهای بینایی ماشین مانند تشخیص اشیاء (Object Detection) استفاده می‌شود. این ابزار پایه‌ای برای الگوریتم‌هایی مثل YOLO، SSD و Faster R-CNN است که اشیاء را در تصاویر شناسایی و موقعیت‌یابی می‌کنند.

☑️ تصویر توضیحات در کامنت

🤖  @Veterinary_AI  🐎

🔹 DVM360 🔹

✔️ مرجع تخصصی و جامع برای ارائه‌ی مقالات علمی، گزارش‌های موردی، پادکست و ویدیوهای آموزشی از متخصصان برجسته دامپزشکی

✔️ پوشش تازه‌ترین اخبار و یافته‌ها در حوزه بیماری‌ها، درمان‌ها، داروها و مراقبت از حیوانات

✔️ بخش مدیریت کلینیک (Practice Management) با آموزش‌های کاربردی در زمینه بازاریابی، ارتباط با مشتری و توسعه کسب‌وکار دامپزشکی

✔️ امکان عضویت رایگان برای دسترسی به مقالات و وبینارها، با گزینه‌ی محتوای پولی حرفه‌ای (Premium) برای کاربران پیشرفته

☑️ DVM360

🤖  @Veterinary_AI  🐎

🟦 برچسب گذاری تصاویر پزشکی

🔹 برچسب‌گذاری تصاویر پزشکی فرآیند نشانه‌گذاری بخش‌های مهم تصاویر پزشکی برای آموزش مدل‌های هوش مصنوعی و کمک به تشخیص بهتر بیماری‌ها، تومورها، ضایعات و سایر نواحی مورد نظر در تصاویر است.

🔹 این کار معمولاً توسط متخصصان به صورت دستی انجام می‌شود اما می‌تواند نیمه‌خودکار یا خودکار نیز باشد. ابزارهایی مانند 3D Slicer، Labelbox، ITK-SNAP و VGG Image Annotator (VIA) برای این منظور استفاده می‌شوند.

🤖  @Veterinary_AI  🐎

🔹 How to use Boltz-2 🔹

🔗 منبع
🤖  @Veterinary_AI  🐎

🟦 انقلابی در طراحی محاسباتی دارو

🔹 مدل هوش مصنوعی Boltz-2 یک مدل هوش مصنوعی پیشرفته توسعه‌یافته توسط کلینیک MIT Jameel است که برای طراحی محاسباتی دارو طراحی شده است.

🔹 این مدل همزمان ساختار سه‌بعدی مولکول‌ها و میزان اتصال آن‌ها به پروتئین‌های هدف را در عرض ۱۸ ثانیه پیش‌بینی می‌کند، با دقت مشابه روش‌های آزمایشگاهی اما بیش از ۱۰۰۰ برابر سریع‌تر و ارزان تر.

🔹 کاربردها شامل طراحی دارو برای بیماری‌هایی مانند سرطان، آلزایمر، HIV و مقاومت آنتی‌بیوتیکی است. بر پایه یادگیری عمیق (مانند diffusion models) و داده‌های بزرگ ساخته شده و بهبودیافته نسبت به Boltz-1.

☑️ اوپن‌سورس و رایگان؛ کد و #ابزار ها در GitHub و سایت MIT موجود است.

🤖  @Veterinary_AI  🐎

☑️ پی‌نوشت:

🔺 مدل‌های انتشار (Diffusion Models) یک روش یادگیری عمیق برای تولید داده‌های جدید مثل تصاویر هستند. این مدل‌ها با اضافه کردن تدریجی نویز به داده‌های واقعی و سپس یادگیری حذف نویز به صورت معکوس، داده‌های جدید و با کیفیت بالا تولید می‌کنند. این روش نسبت به مدل‌های دیگر مانند GANها پایدارتر است و تصاویر واقع‌گرایانه‌ای ایجاد می‌کند.
◀️ توضیحات بیشتر

🤖  @Veterinary_AI  🐎

🔹 Artificial Intelligence in Medical Imaging

🤖  @Veterinary_AI  🐎

🟦 کتاب «هوش مصنوعی در تصویربرداری پزشکی»

🔹 این کتاب به بررسی کاربرد و چالش‌های هوش مصنوعی در رادیولوژی می‌پردازد. نویسندگان توضیح می‌دهند که پیشرفت یادگیری عمیق و شبکه‌های عصبی باعث تحول در تشخیص بیماری‌ها از طریق تصاویر پزشکی شده و دقت الگوریتم‌ها در برخی موارد با متخصصان انسانی برابری می‌کند.

🔹 همچنین کتاب به موضوعاتی مانند آماده‌سازی داده‌ها، ارزیابی مدل‌ها، جنبه‌های اخلاقی و اقتصادی و آینده‌ی همکاری انسان و ماشین در پزشکی می‌پردازد و نتیجه می‌گیرد که هدف هوش مصنوعی، جایگزینی پزشک نیست بلکه کمک به او برای تصمیم‌گیری دقیق‌تر و سریع‌تر است.

📚 #کتاب
🤖  @Veterinary_AI  🐎

🟦 پارامترهای قابل اندازه‌گیری توسط هوش مصنوعی در دامپزشکی (بخش اول)

1⃣ داده‌های ساده‌ی فارم

🔹 پارامترهای فیزیولوژیک و ویژگی‌های بدنی که برای پیش‌بینی مقاومت یا حساسیت به بیماری‌ها استفاده می‌شوند:

- شمارش تخم انگل در مدفوع (FEC)
- حجم سلولی بسته‌بندی‌شده (PCV)
- امتیاز رنگ ملتحمه چشم (Famacha©)
- وزن بدن و امتیاز وضعیت بدنی (BCS)
- جنسیت، سن و مزرعه‌ی نگهداری حیوان

☑️ کاربرد: پیش‌بینی مقاومت به انگل‌های گوارشی با مدل‌های ML و ANN

2⃣ پارامترهای تصویری و آسیب‌شناسی

🔹 تحلیل خودکار تصاویر بافتی یا کالبدی برای تشخیص بیماری‌ها (مانند ضایعات ریوی یا پوستی):

- الگوهای بافتی و توزیع ضایعات
- شدت و تغییرات رنگ و بافت
- نوع بافت (ریه راست یا چپ)
- زاویه، نور و وضوح تصویر

☑️ کاربرد: تشخیص و تفکیک دقیق بیماری‌های ریوی (AIP، BRD، BIP)

3⃣ پارامترهای انگل‌شناسی و میکروسکوپی

🔹 تشخیص خودکار انگل‌ها از روی اسمیر خونی یا نمونه‌های بافتی با مدل‌های بینایی ماشین:

- شکل، اندازه و رنگ انگل
- مورفولوژی و تراکم سلولی
- موقعیت انگل در میدان دید
- مرحله رشدی (تروفوزوئیت، شیزونت، گامتوسیت)

☑️ کاربرد: شناسایی Toxoplasma، مالاریا و کنه‌ها با مدل‌های CNN و YOLO

4⃣ پارامترهای رفتاری و حرکتی

🔹 تحلیل رفتار حیوانات از ویدئو و تصاویر متوالی با بینایی ماشین:

- موقعیت بدن و مسیر حرکتی در هر فریم
- زاویه بدن و سرعت حرکت
- نوع تعامل (بازی، درگیری، تماس اجتماعی)
- مدت، فراوانی و الگوی تکرار رفتار
- شاخص‌های تعامل گروهی (ارتباط اجتماعی، استرس، انزوا)

☑️ کاربرد: تحلیل رفتارهای اجتماعی، استرس و رفاه حیوانات (مثل شامپانزه‌ها یا گاوها)

5⃣ پارامترهای تصویری در نورورادیولوژی

🔹 تحلیل تصاویر MRI یا CT برای تشخیص تومورهای مغزی:

- شدت سیگنال قبل و بعد از تزریق ماده حاجب
- شکل، مرز و یکنواختی بافت تومور
- حجم و موقعیت دقیق ضایعه
- الگوهای تقویت پس از تزریق

☑️ کاربرد: تفکیک مننژیوما و گلیوم با دقت بالا (CNN، GoogleNet)

6⃣ پارامترهای محیطی و تولیدی در آبزی‌پروری

🔹 داده‌های رفتاری، فیزیولوژیک و محیطی در مزارع پرورش ماهی:

- الگوی شنا و واکنش به غذا
- نرخ رشد و ضریب تبدیل غذایی (FCR)
- دما، شوری، اکسیژن محلول، pH آب
- اندازه بدن، تراکم جمعیت، رفتارهای استرسی
- مقدار مصرف غذا و زمان تغذیه

☑️ کاربرد: پایش سلامت و مدیریت هوشمند تغذیه (Aquabyte، Tidal، Umitron)

7⃣ پارامترهای آموزشی و نگرشی

🔹 داده‌های پرسشنامه‌ای برای سنجش سطح سواد هوش مصنوعی در جامعه‌ی دامپزشکی:

- نمره آگاهی از مفاهیم AI و ML
- درصد نگرش مثبت یا منفی نسبت به کاربرد AI
- میزان آموزش رسمی یا تجربی در این زمینه
- تمایل کمی به شرکت در دوره‌های مرتبط

☑️ کاربرد: سنجش آمادگی آموزشی و فرهنگی برای پذیرش فناوری‌های نو

8⃣ پارامترهای ژنتیکی و مولکولی

🔹 تحلیل داده‌های ژنومی و میکروبیومی برای انتخاب و تشخیص دقیق:

- توالی‌های ژنی مرتبط با رشد، مقاومت یا تولید
- میزان بیان ژن‌ها و سطح پروتئین‌ها
- ترکیب و تنوع میکروبیوم روده
- غلظت متابولیت‌های زیستی در بافت‌ها

☑️ کاربرد: اصلاح نژاد، تشخیص ژنتیکی بیماری‌ها، طراحی واکسن

9⃣ پارامترهای مدیریتی و شناسایی دام

🔹 داده‌های بینایی و موقعیتی برای شناسایی خودکار دام‌ها:

- تشخیص چهره یا بدن دام از تصویر
- موقعیت فضایی در محیط مزرعه
- مسیر حرکتی در زمان واقعی (Real-time tracking)

☑️ کاربرد: جایگزینی تگ RFID با شناسایی بصری و نظارت هوشمند دام‌ها

🔟 پارامترهای بیماری و اپیدمیولوژی

🔹 مدل‌سازی داده‌های بیماری برای پیش‌بینی و کنترل اپیدمی‌ها:

- نرخ بروز و شیوع
- الگوهای زمانی و مکانی گسترش
- عوامل محیطی و آب‌وهوایی مرتبط
- تغییرات جمعیتی در میزبان‌ها

☑️ کاربرد: پیش‌بینی شیوع، ردیابی منبع و کنترل بیماری‌های واگیر دامی

🔺 جمع‌بندی نهایی

🔹در پژوهش‌های دامپزشکی، هوش مصنوعی می‌تواند از داده‌های زیر برای تحلیل، پیش‌بینی و پایش استفاده کند:

📸 تصاویر (رادیوگرافی، MRI، میکروسکوپی، کالبدی)
🩺 داده‌های فیزیولوژیک و خونی
🧬 داده‌های ژنتیکی و مولکولی
🐄 داده‌های تغذیه‌ای و تولیدی
🐠 داده‌های رفتاری و محیطی
📊 داده‌های اپیدمیولوژیک و مدیریتی
🧠 داده‌های آموزشی و نگرشی

🔗 منابع:
🧩 https://news.1rj.ru/str/Veterinary_AI/366
🧩 https://news.1rj.ru/str/Veterinary_AI/365
🧩 https://news.1rj.ru/str/Veterinary_AI/362
🧩 https://news.1rj.ru/str/Veterinary_AI/346
🧩 https://news.1rj.ru/str/Veterinary_AI/335
🧩 https://news.1rj.ru/str/Veterinary_AI/324
🧩 https://news.1rj.ru/str/Veterinary_AI/313
🧩 https://news.1rj.ru/str/Veterinary_AI/304
🧩 https://news.1rj.ru/str/Veterinary_AI/287
🧩 https://news.1rj.ru/str/Veterinary_AI/280
🧩 https://news.1rj.ru/str/Veterinary_AI/269
🧩 https://news.1rj.ru/str/Veterinary_AI/254
🧩 https://news.1rj.ru/str/Veterinary_AI/235

✅ #مرور_مقالات
🤖  @Veterinary_AI  🐎

🟦 گسترش سرمایه‌گذاری عظیم شرکت‌ها در AI

🔹 در ماه‌های اخیر موجی از سرمایه‌گذاری‌های کلان در زیرساخت و توسعهٔ هوش مصنوعی شکل گرفته است. شرکت‌های بزرگ فناوری مثل آمازون، مایکروسافت، گوگل و OpenAI میلیاردها دلار برای ساخت ابررایانه‌ها و مدل‌های زبانی بزرگ اختصاص داده‌اند.

🔹 هدف این شرکت‌ها، تسلط بر بازار پردازش ابری هوش مصنوعی و ایجاد بسترهایی است که دیگران بتوانند مدل‌های خود را روی آن بسازند.

🔹 گزارش AP News نشان می‌دهد که این رقابت نه‌فقط فنی، بلکه ژئو‌اقتصادی است؛ زیرا کشورها نیز برای حفظ برتری فناوری و داده، سرمایه‌گذاری‌های موازی انجام می‌دهند.

🔹 از سوی دیگر، افزایش این هزینه‌ها موجب نگرانی‌هایی درباره‌ی مصرف انرژی، انحصار بازار و فشار بر منابع سخت‌افزاری شده است.

🔹 برخی تحلیلگران معتقدند که این سرمایه‌گذاری‌ها می‌تواند تا چند سال آینده ساختار اقتصاد دیجیتال را دگرگون کند و زمینه‌ساز «عصر صنعتی AI» شود.

🔗 منبع
🤖  @Veterinary_AI  🐎

🔹 HappyDoc 🔹

🔹 دستیار هوش مصنوعی برای کلینیک‌های دامپزشکی

✔️ تبدیل گفتار به گزارش بالینی (SOAP Notes): هوش مصنوعی HappyDoc مکالمات و توضیحات دامپزشک را به صورت خودکار به گزارش‌های ساختارمند و قابل ثبت تبدیل می‌کند.

✔️ افزایش دقت و کاهش خطا: یادداشت‌های تولیدشده از نظر سازگاری، کامل بودن و وضوح اطلاعات بهینه‌سازی می‌شوند.

✔️ صرفه‌جویی در زمان: فرآیند مستندسازی تا ۸۰٪ سریع‌تر انجام می‌شود، در نتیجه دامپزشک می‌تواند زمان بیشتری را صرف مراقبت از بیماران کند.

✔️ قابلیت یکپارچگی با سیستم‌های مدیریت کلینیک (PIMS): داده‌ها مستقیماً در پرونده الکترونیک بیمار ذخیره می‌شوند.

☑️ نرم‌افزار مشابه
☑️ HappyDoc.ai

#ابزار
🤖  @Veterinary_AI  🐎

🟦 شناسایی ویژگی‌های خاص مزرعه مرتبط با بروز Fasciola hepatica به وسیله مدل‌سازی اپیدمیولوژیک

🔹 در این مطالعه، یک رویکرد داده‌محور مبتنی بر یادگیری ماشین با استفاده از الگوریتم Random forest بکار گرفته شد. داده‌های مورد استفاده شامل ویژگی‌های مزرعه، شیوه‌ مدیریت و جنبه‌های مرتبط با کشاورزان در دو منطقه متفاوت شیری در آلمان بودند. هدف این بود که عوامل مرتبط با بروز Fasciola hepatica شناسایی شده و بتوان از آن‌ها برای پیش‌بینی مثبت بودن شیر در مخزن‌های عمده در سطح مزرعه استفاده نمود.

🔹 مدل‌های به دست آمده عوامل کلیدی مرتبط با Fasciola hepatica را در هر منطقه شناسایی کردند. در منطقه شمال، عوامل مربوط به عملکرد تولید (میزان شیر، درصد چربی و پروتئین شیر)، بهداشت پاها، وضعیت بدنی و دسترسی به چراگاه اهمیت داشتند. در منطقه جنوب، علاوه بر دسترسی به چراگاه، مواردی مانند شیوع لنگش، درصد بروز ضایعات در مفاصل، اندازه گله، تعداد دوره‌های تولید و درصد چربی شیر نقش مهمی داشتند. مدل‌سازی منطقه‌ای به درک بهتر عوامل داخلی مؤثر بر بروز انگل کمک می‌کند.

☑️ فایل pdf مقاله در کامنت

🔗 منبع

#خلاصه_مقاله
🤖  @Veterinary_AI  🐎

🟦 هوش مصنوعی چقدر شبیه ایرانی ها فکر می‌کند؟

🔹 پژوهش تازه‌ای در دانشگاه هاروارد پرسشی اساسی را درباره‌ی هوش مصنوعی مطرح کرده است: وقتی می‌گوییم که هوش مصنوعی مانند انسان فکر می‌کند، منظورمان کدام انسان است؟

🔹 بر اساس پژوهش دانشگاه هاروارد، بررسی داده‌های جهانی درباره‌ی باورها و ارزش‌های فرهنگی نشان می‌دهد که هوش مصنوعی‌هایی مانند «چت‌جی‌پی‌تی» بیشتر الگوی فکری انسان‌هایی را بازتاب می‌دهند که در کشورهای غربی و ثروتمند زندگی می‌کنند، کشورهایی مانند ایالات متحده، هلند، فنلاند و سوئد.

🔹 به گفته‌ی محققان، شیوه‌ی تصمیم‌گیری این مدل‌ها بیشتر «تحلیلی و فردگرایانه» است؛ یعنی بر پایه‌ی منطق شخصی و استدلال فردی عمل می‌کند، نه بر اساس روابط اجتماعی و بافت فرهنگی. این ویژگی با الگوی رایج در جوامع غربی هم‌خوانی دارد.

🔹 در مقابل، مردم کشورهایی چون ایران، ترکیه یا پاکستان معمولاً نگرشی «جمع‌گرا و رابطه‌محور» دارند و تصمیم‌های خود را در پیوند با خانواده، جامعه و احساسات می‌گیرند. از همین‌رو، پژوهشگران می‌گویند: «هوش مصنوعی غربی، خروجی غربی می‌دهد.»

🔗 منبع
🤖  @Veterinary_AI  🐎