A stepwise integrated risk-assessment framework in aquaculture: the case of sea lice tolerance to freshwater treatments on salmon farms
Notice bibliographique
Résumé
Aquaculture studies are often faced with data limitations when carrying out a quantitative risk assessment. Consolidating results from a literature search of potentially applicable methods, we propose a stepwise integrated methods approach that incorporates foundations from an antimicrobial resistance framework, the Office International Epizooties risk model, quantitative microbial risk assessment and infectious disease transmission models. We suggest that an initial ranking profile can be used to prioritize more in-depth qualitative and quantitative risk assessments, when data are available. The ranking method was done using a software that provides practical and interactive graphics for visualizing the impact of different factors and their respective weights on the likelihood of undesirable events (hazards) occurring. For this step, we illustrate how to include available data to obtain ranking results for decision makers using information from a recent sea lice freshwater tolerance literature review (Groner et al. 2019) that identified a gap in quantitative data. In our case example, for copepodid sea lice life stages, hypothetically changing how much experts believe that location and time are important factors revealed the most impact on the ranking for different degrees of freshwater tolerance evolution (no evolution, various partial options, known evolution). The factors ‘location’ and ‘time’, as well as ‘freshwater treatment’, have the greatest impact on the ranking for the preadult sea lice life-stages model. Results from our proposed ranking method can help to drive decisions around interpreting the various factors as they apply to mitigation planning and prioritizing those that should be included in further research. Additionally, we identify where quantitative data could be incorporated, as they become available, into a full risk assessment model with suggested models for a freshwater tolerance risk analysis framework.
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 | 0,021 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».