Proceedings of the 10th annual TRU Undergraduate and Innovation Conference
Notice bibliographique
Résumé
Antibacterial agents are extremely common in everyday personal care products, such as toothpastes, facial cleansers, hand soaps, body washes, cosmetics, and numerous other products.Due to their widespread use, the active antibacterial agents in these products have been detected in public water samples, such as from pools and rivers.One antibacterial agent under scrutiny at this time is triclosan.Although its effects on human health are controversial and largely unknown, it has been reported to have an effect on the endocrine system.It should also be noted that industries are now avoiding the use of triclosan since very minute quantities can pose a severe risk to marine life in aquatic ecosystems.The purpose of this research was to develop a sensitive, rapid liquid chromatography-mass spectrometry (LC/MS) method to detect triclosan in personal care products and public water samples.The experimental conditions, such as column temperature, solvents, flow rate, analyte extraction methods, and experimental procedure, were all optimized to find the best experimental conditions for detecting triclosan in the samples.The ability to detect triclosan in personal care products, as well as in pool and river water samples, will hopefully encourage consumers to reduce or avoid the use of triclosan containing products.Using the optimized method developed, the average concentration of triclosan in the personal care product samples ranged from 10 ppm to 4741 ppm.The average concentrations in the pool water and river water samples were 49 ppb and 72 ppb, respectively. AcknowledgementsI would like to thank my supervisor, Dr. Kingsley Donkor, for giving me the opportunity to conduct research under his guidance, as well as for proposing research that is in an
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».