Congener-Based Aroclor Quantification and Speciation Techniques: A Comparison of the Strengths, Weaknesses, and Proper Use of Two Alternative Approaches
Notice bibliographique
Résumé
This paper compares two previously published methods, an Aroclor estimation method and a mixing model method, that relate Aroclor contamination to congener specific data in environmental samples. The Aroclor estimation method, which is consistent with U.S. EPA Method 8082, uses a limited set of congener specific data to estimate Aroclor contributions to the sample, while the mixing model method uses the full congener data to model sample compositions as linear combinations of Aroclors. The performance of these methods are compared, using 181 samples at a variety of trophic levels, in terms of (a) total PCB concentrations, (b) compositional modification levels from original Aroclors, and (c) determination of the Aroclor mixture or mixtures best describing the sample (Aroclor speciation). We find that the two methods agree in all three terms for samples of low trophic level, but disagree for samples of higher tropic levels. Most significantly, the comparison reveals systematic overestimation of total PCB content by the Aroclor estimation method for samples at high trophic levels. The implication is that Aroclor determinations using persistent congeners cannot reliably be used as surrogates for total PCB concentration. The strengths and weaknesses of each method are detailed.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».