Open Science in regulatory environmental risk assessment
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
Abstract A possible way to alleviate the public skepticism toward regulatory science is to increase transparency by making all data and value judgments used in regulatory decision making accessible for public interpretation, ideally early on in the process, and following the concepts of Open Science. This paper discusses the opportunities and challenges in strengthening Open Science initiatives in regulatory environmental risk assessment (ERA). In this discussion paper, we argue that the benefits associated with Open Science in regulatory ERA far outweigh its perceived risks. All stakeholders involved in regulatory ERA (e.g., governmental regulatory authorities, private sector, academia, and nongovernmental organizations), as well as professional organizations like the Society of Environmental Toxicology and Chemistry, can play a key role in supporting the Open Science initiative, by promoting the use of recommended reporting criteria for reliability and relevance of data and tools used in ERA, and by developing a communication strategy for both professionals and nonprofessionals to transparently explain the socioeconomic value judgments and scientific principles underlying regulatory ERA. Integr Environ Assess Manag 2021;17:1229–1242. © 2021 The Authors. Integrated Environmental Assessment and Management published by Wiley Periodicals LLC on behalf of Society of Environmental Toxicology & Chemistry (SETAC) KEY POINTS Open Science is important to increase transparency and trust in regulatory Environmental Risk Assessment (ERA). Open Science requires that data, tools, and value judgments used in decision making are made accessible for public interpretation. Benefits associated with Open Science outweigh its perceived risks. Open Science in regulatory ERA is supported by promoting the use of reporting criteria for reliability and relevance of data and tools.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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