Taking control of microplastics data: A comparison of control and blank data correction methods
Notice bibliographique
Résumé
Although significant headway has been achieved regarding method harmonisation for the analysis of microplastics, analysis and interpretation of control data has largely been overlooked. There is currently no consensus on the best method to utilise data generated from controls, and consequently many methods are arbitrarily employed. This study identified 6 commonly implemented strategies: a) No correction; b) Subtraction; c) Mean Subtraction; d) Spectral Similarity; e) Limits of detection/ limits of quantification (LOD/LOQ) or f) Statistical analysis, of which many variations are possible. Here, the 6 core methods and 45 variant methods (n = 51) thereof were used to correct a dummy dataset using control data. Most of the methods tested were too inflexible to account for the inherent variation present in microplastic data. Only 7 of the 51 methods tested (six LOD/LOQ methods and one statistical method) showed promise, removing between 96.3 % and 100 % of the contamination data from the dummy set. The remaining 44 methods resulted in deficient corrections for background contamination due to the heterogeneity of microplastics. These methods should be avoided in the future to avoid skewed results, especially in low abundance samples. Overall, LOD/LOQ methods or statistical analysis comparing means are recommended for future use in microplastic studies.
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 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 | 0,003 | 0,001 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».