Modeling microbial growth in carpet dust exposed to diurnal variations in relative humidity using the “Time‐of‐Wetness” framework
Notice bibliographique
Résumé
Resuspension of microbes in floor dust and subsequent inhalation by human occupants is an important source of human microbial exposure. Microbes in carpet dust grow at elevated levels of relative humidity, but rates of this growth are not well established, especially under changing conditions. The goal of this study was to model fungal growth in carpet dust based on indoor diurnal variations in relative humidity utilizing the time-of-wetness framework. A chamber study was conducted on carpet and dust collected from 19 homes in Ohio, USA and exposed to varying moisture conditions of 50%, 85%, and 100% relative humidity. Fungal growth followed the two activation regime model, while bacterial growth could not be evaluated using the framework. Collection site was a stronger driver of species composition (P = 0.001, R2 = 0.461) than moisture conditions (P = 0.001, R2 = 0.021). Maximum moisture condition was associated with species composition within some individual sites (P = 0.001-0.02, R2 = 0.1-0.33). Aspergillus, Penicillium, and Wallemia were common fungal genera found among samples at elevated moisture conditions. These findings can inform future studies of associations between dampness/mold in homes and health outcomes and allow for prediction of microbial growth in the indoor environment.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».