Forever chemicals: Heterogeneity in expert's beliefs about PFAS and what to do about it
Notice bibliographique
Résumé
The associated health risks of persistent, mobile and toxic chemicals - found to accumulate in both humans and the environment - are receiving growing media attention, prompted by high profile films and documentaries such as The Devil We Know (2018) and Dark Waters (2019). As such, the public are becoming increasingly aware of the risks of exposure to chemicals like per- and poly-fluoroalkyls substances (PFAS), and regulators are turning to the experts for advice on where PFAS is found, and how to avoid it. But how much do the experts agree with one another on this rapidly emerging global pollutant crisis? We collected data from N = 40 experts (i.e., chemists and epidemiologists specializing in such substances) regarding: a) the sorts of everyday products that they believe PFAS are found in, b) how essential these everyday products are deemed to be for personal and societal functioning, and c) how easily PFAS can be substituted in these products for PFAS-free alternatives. While analysis is ongoing at the time of abstract submission (Feb, 2022), our findings already demonstrate a surprising level of heterogeneity for all outcomes across our expert sample. A lay sample is currently being collected so that perceptions of PFAS prevalence and substitutability, and product essentiality can be compared across experts and non-experts. Such comparisons will allow us to identify critical knowledge gaps in the public’s understanding of PFAS pollution and risks. Building on insights from the climate change literature, we will discuss implications for designing clear messaging and advice for lay and policy audiences when heterogeneity among the experts is prevalent. In particular, we use our findings to discuss obstacles and solutions for overcoming expert heterogeneity in specific cases, for example, when essentiality is generally perceived to be high but substitutability is low (e.g., PFAS in facemasks recommended by policy-makers to reduce the spread of SARS-CoV-2), and ask what effective, tailored communication might look like across different demographics.
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 | 0,017 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».