TITTLE DEVELOPING MODLES OF RESIDENTIAL AND PARAOCCUPATIONAL EXPOSURE TO PESTICIDES FOR AGRICULTURAL FAMILIES
Notice bibliographique
Résumé
Background and Aims: CAREX Canada is a national occupational and environmental surveillance project estimating the number of Canadian exposed to carcinogens. Agricultural pesticide estimates are being developing to calculate cancer risks across the country. To facilitate these risk assessments, we examined the state of the literature on residential and para-occupational exposure and its implications for pesticide risk assessment. Methods: A search was undertaken in the published literature for data on exposures in farm homes as well for spouses and children of farmers and farmworkers, including exposure assessments and epidemiologic studies. Papers were limited to research from North America. Environmental and biological sampling and epidemiological data from these studies (n=42) were critically examined and catalogued in a matrix. Results: Para-occupational and residential pesticide exposures are clearly documented in North America. The studies showed increased exposures for farm children compared to non-farm children. A smaller increase was seen in some studies of farm spouses. Major sources of exposure included workers’ boots, clothes and vehicles. Children who were present during spraying showed even higher levels of exposure. Proximity of the home to spraying locations explained some, but not all, of the home exposure reported. Epidemiologic studies showed higher rates and risks of cancer and decreased neurobehavioral performance in children whose parents had occupational exposure to pesticides. We propose the need for a stratified farm community risk assessment model, with low (farm spouse), medium (children not present for spraying) and high (children present for spraying) exposure categories. Conclusions: (Arial, 8pt, bold) text (Arial, 8pt) dummy text, dummy text, dummy text, text, dummy text, dummy text, dummy text, dummy text, text, dummy text, dummy text, text, dummy text, dummy text, text, dummy text, dummy text, text, dummy text, dummy text, text, dummy text, dummy text, text, dummy text, dummy text, text, dummy text, dummy text, text.
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 | 0,000 |
| 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 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 ».