Advancing Human Health Risk Assessment Through a Stochastic Methodology for Mobile Source Air Toxics
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
Mobile source air toxics (MSATs) are major contributors to urban air pollution, especially near high-traffic roadways, where populations face elevated pollutant exposures. Traditional human health risk assessments, based on deterministic methods, often overlook variability in exposure and the vulnerabilities of sensitive subpopulations. This study introduces and applies a new stochastic modeling approach, utilizing Monte Carlo simulations to evaluate cumulative cancer risks from MSATs exposure through inhalation and ingestion pathways. This method captures variability in exposure scenarios, providing detailed health risk assessments, particularly for vulnerable groups such as children and the elderly. This approach was demonstrated in a case study conducted in Saint Paul, Minnesota, using 2019 traffic data. Deterministic models estimated cumulative cancer risks for adults at 6.24E-02 (unitless lifetime cancer risk), while stochastic modeling revealed a broader range, with the 95th percentile reaching 4.98E-02. The 95th percentile, used in regulatory evaluations, identifies high-risk scenarios overlooked by deterministic methods. This research advances the understanding of MSATs exposure risks by integrating spatiotemporal dynamics, identifying high-risk zones and vulnerable subpopulations, and supporting resource allocation for targeted pollution control measures. Future applications of this methodology include expanding stochastic modeling to evaluate ecological risks from mobile emissions.
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 | 0,000 |
| 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 | 0,001 | 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) | 0,001 | 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