Using sparse dose–response data for wildlife risk assessment
Notice bibliographique
Résumé
Hazard quotients based on a point-estimate comparison of exposure to a toxicity reference value (TRV) are commonly used to characterize risks for wildlife. Quotients may be appropriate for screening-level assessments but should be avoided in detailed assessments, because they provide little insight regarding the likely magnitude of effects and associated uncertainty. To better characterize risks to wildlife and support more informed decision making, practitioners should make full use of available dose-response data. First, relevant studies should be compiled and data extracted. Data extractions are not trivial--practitioners must evaluate the potential use of each study or its components, extract numerous variables, and in some cases, calculate variables of interest. Second, plots should be used to thoroughly explore the data, especially in the range of doses relevant to a given risk assessment. Plots should be used to understand variation in dose-response among studies, species, and other factors. Finally, quantitative dose-response models should be considered if they are likely to provide an improved basis for decision making. The most common dose-response models are simple models for data from a particular study for a particular species, using generalized linear models or other models appropriate for a given endpoint. Although simple models work well in some instances, they generally do not reflect the full breadth of information in a dose-response data set, because they apply only for particular studies, species, and endpoints. More advanced models are available that explicitly account for variation among studies and species, or that standardize multiple endpoints to a common response variable. Application of these models may be useful in some cases when data are abundant, but there are challenges to implementing and interpreting such models when data are sparse.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».