Big Data Impacting Dynamic Food Safety Risk Management in the Food Chain
Notice bibliographique
Résumé
Foodborne pathogens are a major contributor to foodborne illness worldwide. The adaptation of a more quantitative risk-based approach, with metrics such as Food safety Objectives (FSO) and Performance Objectives (PO) necessitates quantitative inputs from all stages of the food value chain. The potential exists for utilization of big data, generated through digital transformational technologies, as inputs to a dynamic risk management concept for food safety microbiology. The industrial revolution in Internet of Things (IoT) will leverage data inputs from precision agriculture, connected factories/logistics, precision healthcare, and precision food safety, to improve the dynamism of microbial risk management. Furthermore, interconnectivity of public health databases, social media, and e-commerce tools as well as technologies such as blockchain will enhance traceability for retrospective and real-time management of foodborne cases. Despite the enormous potential of data volume and velocity, some challenges remain, including data ownership, interoperability, and accessibility. This paper gives insight to the prospective use of big data for dynamic risk management from a microbiological safety perspective in the context of the International Commission on Microbiological Specifications for Foods (ICMSF) conceptual equation, and describes examples of how a dynamic risk management system (DRMS) could be used in real-time to identify hazards and control Shiga toxin-producing Escherichia coli risks related to leafy greens.
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 | 0,011 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,011 | 0,015 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».