Finding toxicological information: An approach for occupational health professionals
Notice bibliographique
Résumé
BACKGROUND: It can be difficult for occupational health professionals to assess which toxicological databases available on the Internet are the most useful for answering their questions. Therefore we evaluated toxicological databases for their ability to answer practical questions about exposure and prevention. We also propose recommended practices for searching for toxicological properties of chemicals. METHODS: We used a systematic search to find databases available on the Internet. Our criteria for the databases were the following: has a search engine, includes factual information on toxic and hazardous chemicals harmful for human health, and is free of charge. We developed both a qualitative and a quantitative rating method, which was used by four independent assessors to determine appropriateness, the quality of content, and ease of use of the database. Final ratings were based on a consensus of at least two evaluators. RESULTS: Out of 822 results we found 21 databases that met our inclusion criteria. Out of these 21 databases 14 are administered in the US, five in Europe, one in Australia, and one in Canada. Nine are administered by a governmental organization. No database achieved the maximum score of 27. The databases GESTIS, ESIS, Hazardous Substances Data Bank, TOXNET and NIOSH Pocket Guide to Chemical Hazards all scored more than 20 points. The following approach was developed for occupational health professionals searching for the toxicological properties of chemicals: start with the identity of the chemical; then search for health hazards, exposure route and measurement; next the limit values; and finally look for the preventive measures. CONCLUSION: A rating system of toxicological databases to assess their value for occupational health professionals discriminated well between databases in terms of their appropriateness, quality of information, and ease of use. Several American and European databases yielded high scores and provide a valuable source for occupational health professionals.
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 | 0,183 | 0,204 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,032 | 0,016 |
| Études des sciences et des technologies | 0,008 | 0,009 |
| Communication savante | 0,014 | 0,017 |
| Science ouverte | 0,008 | 0,018 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».