Forensic analysis of latent fingermarks by silver‐assisted LDI imaging MS on nonconductive surfaces
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Silver-assisted laser desorption ionization (AgLDI) imaging mass spectrometry (IMS) has been demonstrated to be a useful technology for fingermark analysis allowing for the detection of several classes of endogenous as well as exogenous compounds. Ideally, in IMS analyses, the fingermarks are deposited under controlled conditions on metallized conductive target slides. However, in forensic investigations, fingermarks are often found on a variety of nonconductive surfaces. A sputtered silver layer renders the target surface conductive, which allows the analyses of insulating surfaces by time-of-flight IMS. Ultimately, the major consideration when developing analytical methods for the analysis of latent fingermarks is their capability to be incorporated within forensic standard operational procedures. To demonstrate the potential of AgLDI IMS for forensic applications, fingermarks deposited on nonconductive surfaces commonly found during an investigation, including paper, cardboard, plastic bags and lifting tape, were first revealed by the Sûreté du Québec by using forensic enhancement techniques prior to the IMS analyses. Numerous endogenous compounds including fatty acids, cholesterol, squalene, wax esters, triglycerides and several exogenous substances were detected and imaged. Here, we show that silver sputtering can provide visual enhancements of fingerprint patterns after FET procedures through different scenarios in which AgLDI IMS can contribute to forensic investigations. Copyright © 2017 John Wiley & Sons, Ltd.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle