Assessment of occupational risks to extremely low frequency magnetic fields: Validation of an empirical non-expert approach
Notice bibliographique
Résumé
The expert method of exposure assignment involves relying on chemists or hygienists to estimate occupational exposures using information collected on study subjects. Once the estimation method for a particular contaminant has been made available in the literature, it is not known whether a non-expert, briefly trained by an expert remaining available to answer ad hoc questions, can provide reliable exposure estimates. We explored this issue by comparing estimates of exposure to extremely low frequency magnetic fields (ELF-MF) obtained by an expert to those from a non-expert. Using a published exposure matrix, both the expert and non-expert independently calculated a weekly time-weighted average exposure for 208 maternal jobs by considering three main determinants: the work environment, magnetic field sources, and duration of use or exposure to given sources. Agreement between assessors was tested using the Bland-Altman 95% limits of agreement. The overall mean difference in estimates between the expert and non-expert was 0.004 μT (standard deviation 0.104). The 95% limits of agreement were - 0.20 μT and + 0.21 μT. The work environments and exposure sources were almost always similarly identified but there were differences in estimating exposure duration. This occurred mainly when information collected from study subjects was not sufficiently detailed. Our results suggest that following a short training period and the availability of a clearly described method for estimating exposures, a non-expert can cost-efficiently and reliably assign exposure, at least to ELF-MF.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».