MétaCan
Menu
Retour à la cohorte
Enregistrement W1991116279 · doi:10.1080/19440049.2011.571714

Levels of total mercury in predatory fish sold in Canada in 2005

2011· article· en· W1991116279 sur OpenAlexaffabout
Robert Dabeka, Arthur D Mckenzie, D. S. Forsyth

Notice bibliographique

RevueFood Additives & Contaminants Part A · 2011
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMercury impact and mitigation studies
Établissements canadiensHealth Canada
Organismes subventionnairesnon disponible
Mots-clésSwordfishFisheryTunaPredatory fishMercury (programming language)Sea bassGrouperBass (fish)Animal scienceBiologyFish <Actinopterygii>

Résumé

récupéré en direct d'OpenAlex

Total mercury was analysed in 188 samples of predatory fish purchased at the retail level in Canada in 2005. The average concentrations (ng g(-1), range) were: sea bass 329 (38-1367), red snapper 148 (36-431), orange roughy 543 (279-974), fresh water trout 55 (20-430), grouper 360 (8-1060), black cod 284 (71-651), Arctic char 37 (28-54), king fish 440 (42-923), tilefish 601 (79-1164) and marlin 854 (125-2346). The Canadian standard for maximum total mercury allowed in the edible portions of fish sold at the retail level is 1000 ng g(-1) for shark, swordfish, marlin, orange roughy, escolar and both fresh and frozen tuna. The standard is 500 ng g(-1) for all other types of fish. In this study, despite the small number of samples of each species, the 1000 ng g(-1) maximum was exceeded in five samples of marlin (28%). The 500 ng g(-1) maximum was exceeded by six samples of sea bass (20%), four of tilefish (50%), five of grouper (24%), six of king fish (40%) and one of black cod (13%).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,664
Score d'incertitude au seuil0,996

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,034
Tête enseignante GPT0,239
Écart entre enseignants0,204 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2011
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFood Additives & Contaminants Part AMême sujetMercury impact and mitigation studiesTravaux en français237 207