Air Quality Sensor Experts Convene: Current Quality Assurance Considerations for Credible Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Air sensors can provide valuable non-regulatory and supplemental data as they can be affordably deployed in large numbers and stationed in remote areas far away from regulatory air monitoring stations. Air sensors have inherent limitations that are critical to understand before collecting and interpreting the data. Many of these limitations are mechanistic in nature, which will require technological advances. However, there are documented quality assurance (QA) methods to promote data quality. These include laboratory and field evaluation to quantitatively assess performance, the application of corrections to improve precision and accuracy, and active management of the condition or state of health of deployed air quality sensors. This paper summarizes perspectives presented at the U.S. Environmental Protection Agency's 2023 Air Sensors Quality Assurance Workshop (https://www.epa.gov/air-sensor-toolbox/quality-assurance-air-sensors#QAworkshop) by stakeholders (e.g., manufacturers, researchers, air agencies) and identifies the most pressing needs. These include QA protocols, streamlined data processing, improved total volatile organic compound (TVOC) data interpretation, development of speciated VOC sensors, and increased documentation of hardware and data handling. Community members using air sensors need training and resources, timely data, accessible QA approaches, and shared responsibility with other stakeholders. In addition to identifying the vital next steps, this work provides a set of common QA and QC actions aimed at improving and homogenizing air sensor QA that will allow stakeholders with varying fields and levels of expertise to effectively leverage air sensor data to protect human health.
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.
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 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle