Adopting a toxic unit model paradigm in design, analysis and interpretation of oil toxicity testing
Notice bibliographique
Résumé
The lack of a conceptual understanding and unifying quantitative framework to guide conduct and interpretation of laboratory oil toxicity tests, has led investigators to divergent conclusions that can confuse stakeholders and impede sound decision-making. While a plethora of oil toxicity studies are available and continue to be published, due to differences in experimental design, results between studies often cannot be compared. Furthermore, much resulting data fails to advance quantitative effect models that are critically needed for oil spill risk and impact assessments. This paper discusses the challenges posed when evaluating oil toxicity test data based on traditional, total concentration-based exposure metrics and offers solutions for improving the state of practice by adopting a unifying toxic unit (TU) model framework. Key advantages of a TU framework is that differences in test oil composition, sensitivity of the test organism/endpoint, and toxicity test design (i.e., type of test) can be taken into quantitative account in predicting aquatic toxicity. This paradigm shift is intended to bridge the utility of laboratory oil toxicity tests with improved assessment of effects in the field. To illustrate these advantages, results from literature studies are reassessed and contrasted with conclusions obtained based on past practice. Using instructive examples, model results are presented to explain how dissolved oil composition and concentrations and resulting TUs vary in WAFs prepared using variable loading or dilution test designs and the important role that unmeasured oil components contribute to predicted oil toxicity. Model results are used to highlight how the TU framework can serve as a valuable aid in designing and interpreting empirical toxicity tests and provide the data required to validate/refine predictive toxicity models. To further promote consistent exposure and hazard assessment of physically and chemically dispersed oil toxicity tests recommendations for advancing the TU framework are presented.
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 | 0,021 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».