Quantifying the uncertainty and errors between common analytical methods for measuring airborne microplastics
Notice bibliographique
Résumé
In recent years airborne microplastics have emerged as a ubiquitous pollutant worldwide, with negative implications for ecosystems, climate and human health. The differing sampling and analysis techniques used amongst micro- and nanoplastic research groups limits our understanding of the global distribution of airborne microplastics and nanoplastics. We present plans and progress for an ongoing coordinated inter-laboratory experiment, designed to elucidate strengths and weaknesses of individual analysis methods. Daily active pumped air samples were collected in a controlled manner at a remote site in Canterbury, New Zealand, alongside weekly deposition samples. All samples were divided evenly, using specific contamination controls, into four sample sets for interlaboratory method comparisons, and distributed to participating research groups in New Zealand, Germany and the UK. Samples will be analysed using common microplastic analysis techniques: micro-Fourier transform infrared spectroscopy (µFTIR), micro-Raman spectroscopy (µRaman), fluorescence microscopy, pyrolysis – gas chromatography/mass spectrometry (Py-GC/MS), and thermal desorption – proton transfer reaction – mass spectrometry (TD-PTR-MS). The results will allow quantification of the relative uncertainties and biases associated with each individual method, and inform how future airborne microplastics studies performed with different analytical methods should be interpreted.
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 | 0,102 | 0,162 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».