Expostats: A Bayesian Toolkit to Aid the Interpretation of Occupational Exposure Measurements
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
INTRODUCTION: Interpretation of exposure measurements has evolved into a framework based on the lognormal distribution. Most available practical tools are based on traditional frequentist statistical procedures that do not satisfactorily account for censored data and are not amenable to simple probabilistic risk statements. Bayesian methods offer promising solutions to these challenges. Such methods have been proposed in the literature but are not widely and freely available to practitioners. METHODS: A set of computer applications were developed aimed at answering typical inferential questions that are important to occupational health practitioners: Is a group of workers compliant with an occupational exposure limit? Are some individuals within this group likely to experience substantially higher exposure than its average member? How does an intervention influence the distribution of exposures? These questions were addressed using Bayesian models, simultaneously accounting for left, right, and interval-censored data with multiple censoring points. The models are estimated using the JAGS Gibbs sampler called through the R statistical package. RESULTS: The Expostats toolkit is freely available from www.expostats.ca as four tools accessible through a Web application, an offline standalone application or algorithms. The tools include a variety of calculations and graphical outputs useful according to current practices in analysis and interpretation of exposure measurements collected by occupational hygienists. Tool1 and its simplified version Tool1 Express focus on inferences from data from a similarly exposed group. Tool2 evaluates within- and between-worker components of variability, as well as the probability that an individual worker might be overexposed. Tool3 compares exposure data across groups, e.g. evaluates the effect of an intervention. Uncertainty management includes the calculation of credible intervals and produces probabilistic statements about the exposure metrics (e.g. probability that over 5% of exposures are above a limit). DISCUSSION: Expostats is the first freely available toolkit that leverages the flexibility of Bayesian analysis to perform an extensive list of calculations recommended in several international guidelines on the practice of occupational hygiene.
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 | 0,000 | 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 | 0,000 |
| 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) | 0,000 | 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 découle