Exploring REACH as a potential data source for characterizing ecotoxicity in life cycle assessment
Notice bibliographique
Résumé
Toxicity models in life cycle impact assessment (LCIA) currently only characterize a small fraction of marketed substances, mostly because of limitations in the underlying ecotoxicity data. One approach to improve the current data situation in LCIA is to identify new data sources, such as the European Registration, Evaluation, Authorisation, and Restriction of Chemicals (REACH) database. The present study explored REACH as a potential data source for LCIA based on matching reported ecotoxicity data for substances that are currently also included in the United Nations Environment Programme/Society for Environmental Toxicology and Chemistry (UNEP/SETAC) scientific consensus model USEtox for characterizing toxicity impacts. Data are evaluated with respect to number of data points, reported reliability, and test duration, and are compared with data listed in USEtox at the level of hazardous concentration for 50% of the covered species per substance. The results emphasize differences between data available via REACH and in USEtox. The comparison of ecotoxicity data from REACH and USEtox shows potential for using REACH ecotoxicity data in LCIA toxicity characterization, but also highlights issues related to compliance of submitted data with REACH requirements as well as different assumptions underlying regulatory risk assessment under REACH versus data needed for LCIA. Thus, further research is required to address data quality, pre-processing, and applicability, before considering data submitted under REACH as a data source for use in LCIA, and also to explore additionally available data sources, published studies, and reports. Environ Toxicol Chem 2017;36:492-500. © 2016 SETAC.
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 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».