Bridging the lab to field divide: Advancing oil spill biological effects models requires revisiting aquatic toxicity testing
Notice bibliographique
Résumé
Oil fate and exposure modeling addresses the complexities of oil composition, weathering, partitioning in the environment, and the distributions and behaviors of aquatic biota to estimate exposure histories, i.e., oil component concentrations and environmental conditions experienced over time. Several approaches with increasing levels of complexity (i.e., aquatic toxicity model tiers, corresponding to varying purposes and applications) have been and continue to be developed to predict adverse effects resulting from these exposures. At Tiers 1 and 2, toxicity-based screening thresholds for assumed representative oil component compositions are used to inform spill response and risk evaluations, requiring limited toxicity data, analytical oil characterizations, and computer resources. Concentration-response relationships are employed in Tier 3 to quantify effects of assumed oil component mixture compositions. Oil spill modeling capabilities presently allow predictions of spatial and temporal compositional changes during exposure, which support mixture-based modeling frameworks. Such approaches rely on summed effects of components using toxic units to enable more realistic analyses (Tier 4). This review provides guidance for toxicological studies to inform the development of, provide input to, and validate Tier 4 aquatic toxicity models for assessing oil spill effects on aquatic biota. Evaluation of organisms' exposure histories using a toxic unit model reflects the current state-of the-science and provides an improved approach for quantifying effects of oil constituents on aquatic organisms. Since the mixture compositions in toxicity tests are not representative of field exposures, modelers rely on studies using single compounds to build toxicity models accounting for the additive effects of dynamic mixture exposures that occur after spills. Single compound toxicity data are needed to quantify the influence of exposure duration and modifying environmental factors (e.g., temperature, light) on observed effects for advancing use of this framework. Well-characterized whole oil bioassay data should be used to validate and refine these models.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,004 | 0,008 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».