MétaCan
Menu
Retour à la cohorte
Enregistrement W4281485614 · doi:10.3389/frans.2022.857880

Sensitive and Representative Extraction of Petroleum-Based Ignitable Liquids From Fire Debris For Confirmatory Analysis of Canine-Selected Exhibits

2022· article· en· W4281485614 sur OpenAlexafffund
Robin J. Abel, James J. Harynuk

Notice bibliographique

RevueFrontiers in Analytical Science · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueForensic Fingerprint Detection Methods
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversity of Alberta
Mots-clésContext (archaeology)DebrisChromatographyFire investigationEnvironmental scienceForensic engineeringEngineeringChemistryGeography

Résumé

récupéré en direct d'OpenAlex

Fire debris analysis is focused on the recovery and identification of ignitable liquids to provide context for fire investigation. Investigators use a variety of methods to select suspicious debris for analysis, with ignitable liquid detection canines being one of the most popular. When properly trained and certified, ignitable liquid detection canines offer continuous sampling with high sensitivity and the ability to discriminate between irrelevant and suspicious odours to rapidly locate debris which may contain ignitable liquid residues. However, canine indications are presumptive as they cannot be sufficiently scrutinised by the legal process without confirmatory laboratory analysis. Standard debris analysis methods detect very small amounts of ignitable liquid residue (∼1-0.1 μL) without maximising sensitivity which minimises the risk from false positives and from detection of background petroleum which is ubiquitous in our environment. For canine-selected debris, the goal of the laboratory analysis should be to provide data to confirm or refute the validity of the canine indication. For such confirmatory analysis to be useful, analytical sensitivity should approximate the sensitivity of the canine. The sensitivity of fire debris analysis is most influenced by the selection of the extraction device and tuning of extraction conditions. Non-destructive extractions are preferred for forensic analyses, and solid phase microextraction (SPME) offers an excellent option. However, the original SPME fibres are fragile and tend to skew the chromatographic profile which can lead to high costs and a risk of ignitable liquid misclassification. Herein, we present an optimised SPME extraction method suited to confirmatory analysis of canine-selected exhibits. The method is non-destructive and non-exhaustive, is easily applied to cans of debris, and yields chromatographic profiles equivalent to those obtained by the gold-standard passive headspace sampling (PHS) methods based on activated carbon. Fibre selection, debris temperature, fibre temperature, and extraction time were optimised to yield chromatographic profiles with maximum comparability to reference samples collected as neat liquids or standard PHS extracts. The optimised method is applied to samples recovered from another study which estimated the threshold of the canine’s sensitivity, with the laboratory result compared to the canine result for each sample.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,002

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 Opus0,021
Tête enseignante GPT0,345
Écart entre enseignants0,324 · 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'étudeExpérimental (laboratoire)
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

Citations1
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFrontiers in Analytical ScienceMême sujetForensic Fingerprint Detection MethodsTravaux en français237 207