Levels of heavy metals in selected facial cosmetics marketed in Dar es Salaam, Tanzania
Notice bibliographique
Résumé
The aim of this study was to determine the levels of heavy metals: lead, cadmium, copper, zinc, arsenic and mercury in facial cosmetics (lipstick, lip glossy, facial powder, foundation, eyeliner, eye shadow and mascara) which were purchased randomly in Dar es Salaam, Tanzania. The levels of lead, cadmium, copper and zinc were determined using Atomic Absorption Spectrometry (AAS). The levels of arsenic were determined using Hydride Generation Atomic Absorption Spectrometry (HGAAS), and levels of mercury were determined using Cold Vapour Atomic Absorption Spectrometry. Prior to determination of the concentration of heavy metals, the samples were acid digested. The average order of concentration of heavy metals in the sample was found to be zinc > lead > cadmium > copper >arsenic > mercury (foundation), zinc > cadmium > lead > arsenic > copper > mercury (powder), copper > lead > cadmium > zinc > arsenic > mercury > (eye shadows), zinc > copper > lead > cadmium > mercury > arsenic (eyeliners), zinc > cadmium > mercury > copper > lead >arsenic (mascaras), zinc > lead > cadmium > arsenic > copper > mercury (lipsticks), lead > cadmium > zinc > copper >arsenic > mercury (lip glossy). The observed higher percentage concentrations of heavy metals beyond limits of Canadian standards for cosmetics were as follows: lead 62.79%, cadmium 16.28%, arsenic 34.88% and mercury 6.98%.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».