Describing water treatment process performance: Why average log-reduction can be a misleading statistic
Notice bibliographique
Résumé
The degree to which a technology used for drinking water treatment physically removes or inactivates pathogenic microorganisms is commonly expressed as a log-reduction (or log-removal) and is of central importance to the provision of microbiologically safe drinking water. Many evaluations of water treatment process performance generate or compile multiple values of microorganism log-reduction, and it is common to report the average of these log-reduction values as a summary statistic. This work provides a cautionary note against misinterpretation and misuse of averaged log-reduction values by mathematically proving that the average of a set of log-reduction values characteristically overstates the average performance of which the set of log-reduction values is believed to be representative. This has two important consequences for drinking water and food safety as well as other applications of log-reduction: 1) a technology with higher average log-reduction does not necessarily have higher average performance, and 2) risk analyses using averaged log-reduction values as point estimates of treatment efficiency will underestimate average risk-sometimes by well over an order of magnitude. When analyzing a set of log-reduction values, a summary statistic called the effective log-reduction (which averages reduction or passage rates and expresses this as a log-reduction) provides a better representation of average performance of a treatment technology.
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 | 0,058 | 0,268 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,006 | 0,012 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».