MétaCan
Menu
Retour à la cohorte
Enregistrement W2788509855 · doi:10.1108/bfj-05-2017-0291

Declining harmonization in maximum residue levels for pesticides

2018· article· en· W2788509855 sur OpenAlexaff
May T. Yeung, William A. Kerr, Blair Coomber, Matthew Lantz, Alyse McConnell

Notice bibliographique

RevueBritish Food Journal · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural safety and regulations
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésHarmonizationBusinessAgricultureOriginalityFood securityFood safetyContext (archaeology)International tradePolitical scienceLawGeographyFood science

Résumé

récupéré en direct d'OpenAlex

Purpose Maximum residual limits (MRLs) for pesticides are based on science. This is true both for MRLs devised by national governments and multilaterally through the Codex. Science-based Codex MRLs are internationally harmonized to facilitate trade. Since the 1990s, an increasing number of countries have devised national MRLs and eschewed those of the Codex. These differing national standards are becoming important barriers to trade. The purpose of this paper is to explore the ramifications of these diverging MRLs for food security, investigate the reasons for the rise of national standards, and explore the role of science in regulatory processes. Design/methodology/approach The approach is an examination of the scientific basis for MRLs in the context of food safety outcomes. Findings It finds that there is no improvement in food safety from the move to national MRLs, only a loss of the benefits of trade. As all countries, along with the Codex, claim that their MRLs are based on science, suggesting that there is a need for an examination of the role of science in the making of public policy. Originality/value This study identifies a potential risk to food security for food policy makers. Given future food security challenges and that pesticides are used almost universally in conventional agriculture, trade barriers based on divergent interpretations of science need to be addressed by food policy makers.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,931
Score d'incertitude au seuil0,412

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,045
Tête enseignante GPT0,250
Écart entre enseignants0,204 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBritish Food JournalMême sujetAgricultural safety and regulationsTravaux en français237 207