Advancing exposure assessment approaches to improve wildlife risk assessment
Notice bibliographique
Résumé
The exposure assessment component of a Wildlife Ecological Risk Assessment aims to estimate the magnitude, frequency, and duration of exposure to a chemical or environmental contaminant, along with characteristics of the exposed population. This can be challenging in wildlife as there is often high uncertainty and error caused by broad-based, interspecific extrapolation and assumptions often because of a lack of data. Both the US Environmental Protection Agency (USEPA) and European Food Safety Authority (EFSA) have broadly directed exposure assessments to include estimates of the quantity (dose or concentration), frequency, and duration of exposure to a contaminant of interest while considering "all relevant factors." This ambiguity in the inclusion or exclusion of specific factors (e.g., individual and species-specific biology, diet, or proportion time in treated or contaminated area) can significantly influence the overall risk characterization. In this review, we identify four discrete categories of complexity that should be considered in an exposure assessment-chemical, environmental, organismal, and ecological. These may require more data, but a degree of inclusion at all stages of the risk assessment is critical to moving beyond screening-level methods that have a high degree of uncertainty and suffer from conservatism and a lack of realism. We demonstrate that there are many existing and emerging scientific tools and cross-cutting solutions for tackling exposure complexity. To foster greater application of these methods in wildlife exposure assessments, we present a new framework for risk assessors to construct an "exposure matrix." Using three case studies, we illustrate how the matrix can better inform, integrate, and more transparently communicate the important elements of complexity and realism in exposure assessments for wildlife. Modernizing wildlife exposure assessments is long overdue and will require improved collaboration, data sharing, application of standardized exposure scenarios, better communication of assumptions and uncertainty, and postregulatory tracking. Integr Environ Assess Manag 2024;20:674-698. © 2023 SETAC.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».