Monitoring contaminants of emerging concern in aquatic systems through the lens of citizen science
Notice bibliographique
Résumé
Global urbanization trends have led to the widespread increasing occurrence of contaminants of emerging concern (CECs) such as pharmaceuticals, personal care products, pesticides, and micro- and nano-plastics in aquatic systems. Even at low concentrations, these contaminants pose a threat to aquatic ecosystems. To better understand the effects of CECs on aquatic ecosystems, it is important to measure concentrations of these contaminants present in these systems. Currently, there is an imbalance in CEC monitoring, with more attention to some categories of CECs, and a lack of data about environmental concentrations of other types of CECs. Citizen science is a potential tool for improving CEC monitoring and to establish their environmental concentrations. However, incorporating citizen participation in the monitoring of CECs poses some challenges and questions. In this literature review, we explore the landscape of citizen science and community science projects which monitor different groups of CECs in freshwater and marine ecosystems. We also identify the benefits and drawbacks of using citizen science to monitor CECs to provide recommendations for sampling and analytical methods. Our results highlight an existing disparity in frequency of monitoring different groups of CECs with implementing citizen science. Specifically, volunteer participation in microplastic monitoring programs is higher than volunteer participation in pharmaceutical, pesticide, and personal care product programs. These differences, however, do not necessarily imply that fewer sampling and analytical methods are available. Finally, our proposed roadmap provides guidance on which methods can be used to improve monitoring of all groups of CECs through citizen science.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,008 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».