Methods for assessing the toxicological significance of metals in aquatic ecosystems: bio-accumulation–toxicity relationships, water concentrations and sediment spiking approaches
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 Although the published literature abounds with studies showing contamination of aquatic environments by metals, there are very few data which actually demonstrate the biological impact of this contamination. Biological impacts such as alteration of in situ communities and demonstration of toxicity in environmental samples often occur at sites with elevated metal concentrations, but this does not prove that metals are actually responsible for these effects. Correlation is not proof of cause and effect. Metal-induced biological effects cannot usually be inferred from measured environmental concentrations because metal bio-availability can vary dramatically from site to site. Differences in metal bio-availability lead to differences in metal bio-accumulation, which in turn lead to differences in metal-induced effects. On the other hand, metal concentrations in biota are often much better indicators of potential biological impact than concentrations in the environment, because differences in metal bio-availability are automatically taken into account. Measurement of the body concentration of metals is a powerful tool for predicting metal effects, especially for non-essential and non-regulated metals. The body burden approach is more limited when applied to essential metals such as copper and zinc. Alternate methods which provide useful information on metal bio-availability, especially for copper and zinc, include measurement of metals in the overlying water during sediment toxicity tests, and sediment spiking with additional metal.
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 | 0,010 | 0,000 |
| 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