Summary of discussions from the 2022 OECD CRP-sponsored conference on innovating microbial pesticide testing
Notice bibliographique
Résumé
Microbial pesticides are a class of biopesticide that includes microorganisms, such as bacteria, fungi, viruses, and protozoa, that are applied for pest control. Mammalian (human health) and non-target organism hazard testing are required to support registrations of microbial pesticides; however, developers and regulators of microbial pesticides face both new and old challenges for testing. New challenges include how to design or adapt new approach methodologies (NAMs), typically developed for chemicals, to mammalian health testing for microbial pesticides. Older challenges involve need for improved guidance for hazard testing with non-target organisms. Both are viewed as potential barriers to the development and adoption of microbial pesticides, which are potential alternatives to chemical pesticides. The 2022 conference, Innovating Microbial Pesticide Testing (hereafter, “the Conference”), sponsored by the Organisation for Economic Cooperation and Development (OECD) Cooperative Research Program (CRP), brought together experts on these topics from academic, industry, government, and non-governmental organizations to discuss the above challenges and establish plans to address them. Speakers presented on their perspectives of the challenges and potential solutions, which informed and guided panel discussions. This paper summarizes the contributions from presentations and panel discussions toward the conference conclusions and resulting workplans.
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 | 0,013 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,001 |
| Communication savante | 0,011 | 0,004 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,010 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,043 | 0,017 |
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 ».