Pesticide assessment: Protecting public health on the home turf
Notice bibliographique
Résumé
Pesticide regulation is examined in the context of Health Canada's Pest Management Regulatory Agency's assessment of the chlorophenoxy herbicide 2,4-dichlorophenoxyacetic acid (2,4-D) for turf. 2,4-D is the most common herbicide used to kill weeds in grass.The medical literature does not uniformly indicate harms from herbicides. However, the balance of epidemiological research suggests that 2,4-D can be persuasively linked to cancers, neurological impairment and reproductive problems. These may arise from 2,4-D itself, from breakdown products or dioxin contamination, or from a combination of chemicals.Regulators rely largely on toxicology, but experiments may not replicate exposures from 2,4-D application to lawns because environmental breakdown products (eg, 2,4-dichlorophenol) may not accumulate and selected herbicides are possibly less contaminated. Dioxins are bioaccumulative chemicals that may cause cancer, harm neurological development, impair reproduction, disrupt the endocrine system and alter immune function. No dioxin analyses were submitted to the Pest Management Regulatory Agency, and the principal contaminants of 2,4-D are not among the 17 congeners covered in pesticide regulation. Independent assessment of all dioxins is needed, in tissues and in the environment.The 2,4-D assessment does not approach standards for ethics, rigour or transparency in medical research. Canada needs a stronger regulator for pesticides. Potentially toxic chemicals should not be registered when more benign solutions exist, risks are not clearly quantifiable or potential risks outweigh benefits. Until landscaping pesticides are curtailed nationally, local bylaws and Quebec's Pesticide Code are prudent measures to protect public health. Physicians have a role in public education regarding pesticides.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; un appel candidat d’une seule tête enseignante, 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 ».