Summary of discussions from the 2022 OECD CRP-sponsored conference on innovating microbial pesticide testing
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
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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