An analysis on control banding-based methods used for occupational risk assessment of nanomaterials
Notice bibliographique
Résumé
Despite all benefits of nanomaterials, their unique characteristics made them an emerging hazard in workplaces, which need to be assessed for their potential risks. So, the aim of this study was to review all the studies conducted on the risk assessment of activities involving nanomaterials with CB-based methods.This study is based on a literature review on databases including Web of science, Scopus, PubMed, and SID. After reviewing and screening studies according to PRISMA, the collected data were meta-analyzed by Comprehensive Meta-Analysis Software. Also, Newcastle-Ottawa checklist was used for quality assessment of the studies. To determine similarity of methods, Cohen's Kappa was used. Sensitivity analysis was used to determine the role of each factor in the risk assessment by using the Crystal Ball tool.There are eight validated methods for risk assessment. Also, some authors used a self-deigned tool based on CB approach. The results of meta-analysis showed that the odds ratio for the risk of activities involved with nanomaterials was 0.654 (high risk). Results of simulation for Nanotool showed that the mean risk level of activities involved with nanomaterials, with a certainty of 95.07%, is moderate (RL3). Moreover, sensitivity analysis showed that the risk was depended on "Hazard band" in all methods except ISO method.The obtained results can be useful in improving existing methods and suggesting new methods. Also, there is a need to design and propose specific methods for risk assessment of incidental and natural nanomaterials.
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 | 0,107 | 0,283 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,023 |
| Bibliométrie | 0,012 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».