Exploring the use of the RISK21 approach for Indigenous community-based human health risk assessments: two case studies
Notice bibliographique
Résumé
Indigenous peoples in North America are disproportionately exposed to environmental contaminants and may face elevated health risks related to unique socio-cultural ties to the land. Conventional human health risk assessment (HHRA) methods do not account for these unique contexts. Regulators (i.e., Health Canada, US EPA) have called for the development of more ethical and efficient HHRA approaches, but to our knowledge no such approaches have been designed in consideration of Indigenous community contexts. RISK21 is a new HHRA approach gaining regulatory attention. We present two case studies piloting RISK21’s use in collaboration with three unique communities (Cold Lake First Nations, Chipewyan Prairie First Nation, Apsáalooke/Crow Nation). Our objectives are first, reflect upon the benefits and challenges of using RISK21 in these contexts; second, compare RISK21-based to conventional assessments; and third, ideate adaptations and improvements to the approach. The RISK21-based analyses had similar descriptive results to the original conventional assessments, including when using less information. We found RISK21 useful for rapid chemical assessment and visually representing data from multiple sources. We recommend areas where RISK21 (and other next-generation HHRA approaches) might be improved for Indigenous community contexts, including increasing the community relevance of communication tools and incorporating holistic and non-conventional information.
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 | 0,041 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,015 | 0,007 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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 ».