En savoir plus

Notre utilisation de cookies

« Cookies » désigne un ensemble d’informations déposées dans le terminal de l’utilisateur lorsque celui-ci navigue sur un site web. Il s’agit d’un fichier contenant notamment un identifiant sous forme de numéro, le nom du serveur qui l’a déposé et éventuellement une date d’expiration. Grâce aux cookies, des informations sur votre visite, notamment votre langue de prédilection et d'autres paramètres, sont enregistrées sur le site web. Cela peut faciliter votre visite suivante sur ce site et renforcer l'utilité de ce dernier pour vous.

Afin d’améliorer votre expérience, nous utilisons des cookies pour conserver certaines informations de connexion et fournir une navigation sûre, collecter des statistiques en vue d’optimiser les fonctionnalités du site. Afin de voir précisément tous les cookies que nous utilisons, nous vous invitons à télécharger « Ghostery », une extension gratuite pour navigateurs permettant de les détecter et, dans certains cas, de les bloquer.

Ghostery est disponible gratuitement à cette adresse : https://www.ghostery.com/fr/products/

Vous pouvez également consulter le site de la CNIL afin d’apprendre à paramétrer votre navigateur pour contrôler les dépôts de cookies sur votre terminal.

S’agissant des cookies publicitaires déposés par des tiers, vous pouvez également vous connecter au site http://www.youronlinechoices.com/fr/controler-ses-cookies/, proposé par les professionnels de la publicité digitale regroupés au sein de l’association européenne EDAA (European Digital Advertising Alliance). Vous pourrez ainsi refuser ou accepter les cookies utilisés par les adhérents de l'EDAA.

Il est par ailleurs possible de s’opposer à certains cookies tiers directement auprès des éditeurs :

Catégorie de cookie

Moyens de désactivation

Cookies analytiques et de performance

Realytics
Google Analytics
Spoteffects
Optimizely

Cookies de ciblage ou publicitaires

DoubleClick
Mediarithmics

Les différents types de cookies pouvant être utilisés sur nos sites internet sont les suivants :

Cookies obligatoires

Cookies fonctionnels

Cookies sociaux et publicitaires

Ces cookies sont nécessaires au bon fonctionnement du site, ils ne peuvent pas être désactivés. Ils nous sont utiles pour vous fournir une connexion sécuritaire et assurer la disponibilité a minima de notre site internet.

Ces cookies nous permettent d’analyser l’utilisation du site afin de pouvoir en mesurer et en améliorer la performance. Ils nous permettent par exemple de conserver vos informations de connexion et d’afficher de façon plus cohérente les différents modules de notre site.

Ces cookies sont utilisés par des agences de publicité (par exemple Google) et par des réseaux sociaux (par exemple LinkedIn et Facebook) et autorisent notamment le partage des pages sur les réseaux sociaux, la publication de commentaires, la diffusion (sur notre site ou non) de publicités adaptées à vos centres d’intérêt.

Sur nos CMS EZPublish, il s’agit des cookies sessions CAS et PHP et du cookie New Relic pour le monitoring (IP, délais de réponse).

Ces cookies sont supprimés à la fin de la session (déconnexion ou fermeture du navigateur)

Sur nos CMS EZPublish, il s’agit du cookie XiTi pour la mesure d’audience. La société AT Internet est notre sous-traitant et conserve les informations (IP, date et heure de connexion, durée de connexion, pages consultées) 6 mois.

Sur nos CMS EZPublish, il n’y a pas de cookie de ce type.

Pour obtenir plus d’informations concernant les cookies que nous utilisons, vous pouvez vous adresser au Déléguée Informatique et Libertés de l’INRA par email à cil-dpo@inra.fr ou par courrier à :

INRA
24, chemin de Borde Rouge –Auzeville – CS52627
31326 Castanet Tolosan cedex - France

Dernière mise à jour : Mai 2018

Menu Logo Principal

AgriBEA-Bien-Etre-Animal

Réseau Agri Bien-Etre Animal

(AgriBEA)

Page Web SWIM – Salmon welfare index model

Un index basé sur un modèle sémantique représentant le bien-être des saumons

Cette page de l' Institute of Marine Research ( Norway ) présente la méthode SWIM d'évaluation du bien-être des saumons d'élevage

Choice of Method

By overall assessment of welfare (OWA) we mean a systematic attempt to assess the welfare status of animals based on observations of the animals, their biological and physical environments, and available scientific knowledge (Bracke et al., 1999abc; Anon. 2001). There are two major approaches of creating a welfare assessment method; risk analysis and semantic modelling (Bracke et al. 2008). The prime objectives of risk analysis are to identify hazards, their consequence and probability of occurrence, and to find critical control points in the production process to avoid welfare and production risks like suffering and disease. In semantic modelling (SM) welfare is defined as the quality of life as perceived by the animals themselves and both positive and negative aspect of welfare are considered, and is therefore a risk benefit analysis (Bracke et al., 1999abc). SM has been designed for the purpose of formalized assessment of animal welfare based on available scientific information, including scientific knowledge and scientific descriptions of housing systems in terms of both environment-based and animal-based measures (Bracke et al., 2008). It was originally developed for assessment of housing systems for dry sows (Bracke et al., 2002ab), but it has also been applied to poultry (DeMol et al. 2006), to tail biting in pigs (Bracke et al., 2004) and to assess enrichment materials for pigs (Bracke, 2008).

Semantic Modelling

The first step of welfare assessment by semantic modelling approach is to collect a list of the species’ basic needs, and to collect a list of scientific statements, obtained from a systematic literature review using the criterion that the statements are somehow relevant to assess welfare in aquaculture. The second step is to create a list of measurable or observable attributes (“animal-based and environmental welfare indicators”) from the scientific statements that can be linked to at least one need, to ensure that all attributes in the model are relevant to welfare from the animal’s point of view. The attribute scores are then divided into levels that are mutually exclusive and cover the model’s domain. As a result, all characteristics of a farming system, including the animals living there, are described by exactly one level of each attribute. This ensures that a generic calculation rule can be used such that any welfare advantage to for instance a cage system accrues to all systems with the same descriptive property, and only to them.
Each attribute level is linked to at least one scientific statement that provides the scientific basis of the model. The scientific evidence is used to rank the levels within each attribute and to construct weighting scores (WS) using weighting categories (WC) which relate to the different scientific paradigms to measure welfare scientifically. Scientific statements can be used to determine the weight of an attribute level since they identify relationships between the level and welfare performance criteria. When the scientific evidence is not conclusive, one or more levels are disqualified until all attribute levels and their rankings have a scientific basis. WC’s classify welfare performance criteria, e.g. pain, illness, survival, fitness, abnormal behaviour, preference and more. The calculation rules for an overall welfare index suggested in Bracke et al. (2002a) calculates the welfare index on a scale from 0 to 10 as a weighted average score from attribute scores and weighting factors. When there is scientific evidence available more complex rules of interaction between attributes can be included into the calculation rules. We hypothesise that by using semantic modelling we will be able to create a science-based model for assessing salmon welfare in aquaculture, and that we will identify deficiencies in available knowledge, i.e. attributes, where there is not enough information to specify/divide it into sufficient levels, attribute levels where there is little, or no, information available, and attribute levels where the information is contradictory.