Best Practices for Derivation and Application of Thresholds for Metals Using Bioavailability-Based Approaches
Notice bibliographique
Résumé
The primary goal of the present study is to provide a broad view of best practices for evaluating bioavailability models for metals for use in the protection of aquatic life. We describe the state of the science regarding 1) the evaluation and selection of ecotoxicity data, 2) the selection of bioavailability models for use in normalization, and 3) subsequent application of bioavailability models. Although many examples of normalization steps exist worldwide, a scheme is proposed to evaluate and select a model that takes account of its representativeness (water chemistry and taxonomic coverage of the ecotoxicity data set) and validation performance. Important considerations for a suitable model are the quantity of inputs needed, accuracy, and ease of use, all of which are needed to set protective values for aquatic life and to use these values to evaluate potential risks to organisms in receiving waters. Although the end results of different model application approaches may be broadly similar, the differences in these application frameworks ultimately come down to a series of trade-offs between who needs to collect the data and use the bioavailability model, the different requirements of spatial scales involved (e.g., regional vs site-specific values), and model predictiveness and protectiveness. Ultimately, understanding the limits and consequences of these trade-offs allows for selection of the most appropriate model and application framework to best provide the intended levels of aquatic life protection. Environ Toxicol Chem 2019;39:118-130. © 2019 SETAC.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,040 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,010 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,011 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,005 |
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 source (Gemma direct ou Codex distillé), 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 ».