Big Data Impacting Dynamic Food Safety Risk Management in the Food Chain
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
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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