Text Mining and Machine Learning-Based Data Extraction for Environmental Pollutants (PPDs and PPDs-Q): Machine Learning-Enabled Global Aqueous Concentration Compilation and Potential Biotic Risk Implications
Notice bibliographique
Résumé
p-Phenylenediamine antioxidants (ppDs) and their quinone derivatives (ppDs-Q) are key additives in rubber products with strong toxicity, persistence, and increasing aquatic concentrations, though global data scarcity hinders risk assessment. Thisstudy addressed limitations of manual data extraction by using a python-based toolkit integrating ocR and Spacy neural networks to eficiently extract key information (concentrations,locations, media) from unstructured literature, compiling globaldata via Web of science, scopus, and pubMed. ppDs/ppDs-Q show significant concentration differences across global aquaticmedia: in artificial water, 6ppD in road runoff reaches 80019,000 ng/L (Seattle, UsA) and 907 ng/L (china's Greater Bay Area)with lower levels in wastewater effluents; in natural water, 6ppD-Q varies regionally (2003,500 ng/L in Us rivers, 290890 ng/lin Canadian rivers, 0.2611.3 ng/L in chinese rivers); snowmelt water shows high 6ppD.Q (19.0 g/L in seattle, 367 ng/L aver.age in Canadian cold cities,. species sensitivity follows patterns: salmoniformes are most sensitive to 6PPD/6PPD-Q (LC/EC5O <0.001 mg/L), followed by echinoderms/mollusks, with lower sensitivity in lower trophic organisms. Coupled analysis showsUS river 6PpD-Q exceeds ultra-sensitive organisms' thresholds, chinese rivers pose subchronic risks to benthic organisms,and widespread detection in human fluids indicates continuous exposure. This "ocR-neural network" framework resolvesmanual extraction bottienecks, provlding an extensible paradigm for other bolutants, wnle conclusons support regulationsecological protection,and risk management for PPDs.
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 | 0,001 | 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 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».