Notice bibliographique
Résumé
Consumer products are important sources of exposure to harmful chemicals. Product composition is of en a mystery to users, however, due to gaps in the laws governing ingredient disclosure. A unique data set that the California Air Resources Board (CARB) uses to determine how volatile organic chemicals (VOCs) from consumer products af ect smog formation holds a partial solution. By analyzing CARB data on VOCs in consumer products, researchers identif ed and quantif ed emissions of volatile chemicals regulated under the California Safe Drinking Water and Toxic Enforcement Act ("Prop 65"). Study highlights individual chemicals as well as consumer product categories that people are likely to be exposed to as individual consumers, in the workplace, and at the population level. Of the 33 Prop 65-listed chemicals that appear in the CARB emissions inventory, 18 were classif ed as "top tier priorities for elimination." Among these, methylene chloride and N-methyl-2pyrrolidone were most prevalent in products across all three population groups. Of 172 consumer product categories, 105 contained Prop 65-listed chemicals. Although these chemicals are known carcinogens and reproductive/developmental toxicants, and remain in widespread use. Manufacturers and regulators should prioritize product categories containing Prop 65-listed chemicals for reformulation or redesign to reduce human exposures and associated health risks. In the home, general cleaners, laundry detergent, dishwashing soap and nail coatings had the largest number of toxic chemicals present. Adhesives, autocare products, cleaners and lubricants rose to the top of concerning workplace exposures. Many known toxic chemicals could be found in use across these categories, meaning people could experience exposures from multiple sources.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,011 |
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 ».