Recommended best practices for collecting, analyzing, and reporting microplastics in environmental media: Lessons learned from comprehensive monitoring of San Francisco Bay
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Microplastics are ubiquitous and persistent contaminants in the ocean and a pervasive and preventable threat to the health of marine ecosystems. Microplastics come in a wide variety of shapes, sizes, and plastic types, each with unique physical and chemical properties and toxicological impacts. Understanding the magnitude of the microplastic problem and determining the highest priorities for mitigation require accurate measures of microplastic occurrence in the environment and identification of likely sources. The field of microplastic pollution is in its infancy, and there are not yet widely accepted standards for sample collection, laboratory analyses, quality assurance/quality control (QA/QC), or reporting of microplastics in environmental samples. Based on a comprehensive assessment of microplastics in San Francisco Bay water, sediment, fish, bivalves, stormwater, and wastewater effluent, we developed recommended best practices for collecting, analyzing, and reporting microplastics in environmental media. We recommend factors to consider in microplastic study design, particularly in regard to site selection and sampling methods. We also highlight the need for standard QA/QC practices such as collection of field and laboratory blanks, use of methods beyond microscopy to identify particle composition, and standardized reporting practices, including suggested vocabulary for particle classification.
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découle