Existing technologies to reduce specific toxicant emissions in cigarette smoke
Notice bibliographique
Résumé
BACKGROUND: The World Health Organization Tobacco Product Regulation (TobReg) study group has proposed emissions level performance standards for nine toxicants (NNN, NNK, acetaldehyde, acrolein, 1,3-butadiene, CO, BaP, benzene and formaldehyde, all expressed as micrograms per milligram nicotine as measured under the Canadian intensive method) in cigarette smoke for parties to the FCTC in conjunction with regular monitoring of emissions of nine other toxicants of interest, nicotine and nicotine-free dry particulate matter (NFDPM, or "tar"). METHODS: We examined the published literature and publicly available tobacco industry documents to determine the extent to which existing available technologies can be applied to reduce the emissions of the specified toxicants in cigarette smoke. RESULTS: Agricultural practices (for example, fertilisers, curing), plant characteristics (for example, protein content, nicotine content), tobacco blending (for example, American blend vs Virginia blend) and cigarette design (for example, additives, filters, paper) issues all have roles in the generation and reduction of specific smoke toxicants. The tobacco industry has explored a number of technologies, including selective filtration, changes to curing practices and rod additives to reduce specific toxicants. CONCLUSIONS: Technologies exist to reduce the toxicants identified by TobReg. The extent to which the industry is able to simultaneously reduce toxicants, however, is unknown.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».