MétaCan
Menu
Retour à la cohorte
Enregistrement W4213283308 · doi:10.1002/ecy.3666

Chemistry of surface water, precipitation, throughfall, leaves, sediment, soil, and air near a gold mining region in <scp>P</scp>eru

2022· article· en· W4213283308 sur OpenAlexaff
Jacqueline R. Gerson, Natalie Szponar, Arianna Agostini, Rand Alotaibi, Bridget A. Bergquist, Arabella Chen, Luis E. Fernandez, Kelsey N. Lansdale, Anne H Lee, Maria F. Machicao, Melissa J. Marchese, Simon Topp, Cláudia M. Vega, Emily S. Bernhardt

Notice bibliographique

RevueEcology · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMercury impact and mitigation studies
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNational Science Foundation of Sri LankaDuke UniversityGeological Society of America
Mots-clésThroughfallSedimentPrecipitationEnvironmental scienceEnvironmental chemistrySurface waterHydrology (agriculture)Soil waterChemistryGeologySoil scienceGeographyGeomorphologyEnvironmental engineeringMeteorology

Résumé

récupéré en direct d'OpenAlex

Artisanal and small-scale gold mining (ASGM) is the primary global source of anthropogenic mercury (Hg) emissions and a large source of landscape change. ASGM occurs throughout the world, including in the Peruvian Amazon. This data set contains measurements of surface water, precipitation, throughfall, leaves, sediment, soil, and air samples from across the Madre de Dios region of Peru, in locations near and remote from ASGM. These data were collected to determine the fate and transport of Hg across the landscape. Samples were collected in 2018 and 2019. Data predominantly included total Hg and methyl Hg concentrations in surface water, precipitation, throughfall, leaves, sediment, soil, and air. Additional water and soil parameters were also measured to better characterize their chemistry. There are no copyright restrictions; please cite this data paper when the data are used in publication.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,031
Score d'incertitude au seuil0,062

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,238
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEcologyMême sujetMercury impact and mitigation studiesTravaux en français237 207