Transforming the Evaluation of Agrochemicals: A Conceptual Model
Notice bibliographique
Résumé
Globally, regulatory authorities face the challenge of integrating advances in science and technology into existing frameworks for agrochemical risk assessment. Addressing this challenge is critical to meeting the demands of food safety and quality for a growing population. To support this shift, the Health and Environmental Sciences Institute (HESI) convened a multi-stakeholder committee of international scientists. Through a problem formulation-led strategy, the committee developed the Transforming the Evaluation of Agrochemicals (TEA) conceptual model to guide the adoption of new methods, best practices, and technologies into regulatory practice for agrochemical safety. The core of the model incorporates the well-established tiered approach routinely used for identifying and characterizing hazards and assessing exposures; however, the model strategically identifies three sequential elements: exposure-led, adaptability, and inclusion of new science. The central core is then surrounded by layers with additional elements, namely: fit-for-purpose over time, adapt to global need, adapt to local need, create incentives, data sharing and transparency, and build trust. Collectively, these ten elements and their intersections result in a novel, TEA conceptual model with elements that have not been simultaneously implemented in any regulatory data package to date. In providing guiding principles, two examples of regulatory applications, and a concise summary of how this model supports an opportunity to go beyond next generation risk assessments focused primarily on alternative approaches to animal testing, we demonstrate the utility of the TEA conceptual model as a tool and mechanism supporting a structured and systematic application towards the intended transformation of agrochemical evaluations.
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 | 0,000 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».