MétaCan
Menu
Retour à la cohorte
Enregistrement W7133285097

Modelling and predicting ecosystem exposure to in-feed drugs discharged from marine fish farm operations : an Initial perspective

2023· other· en· W7133285097 sur OpenAlexaboutno aff
F. H. Page, M. P. A. O'Flaherty-Sproul, S. P. Haigh, B. D. Chang, D. K. H. Wong, M. J. Beattie

Notice bibliographique

RevueFederal Open Science Repository of Canada / Le Dépôt fédéral de science ouverte du Canada · 2023
Typeother
Langueen
Domaine
Thématique
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)Deposition (geology)Benthic zoneAquatic ecosystemEcosystemHydrographyConceptual modelAquatic environment
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This document focuses on modelling in relation to the discharge of active ingredients associated with in-feed drugs used in marine net-pen aquaculture farming operations in Canada. The document includes an overview of the context and associated conceptual processes to be modelled, specific modelling challenges, a review of modelling efforts to date, and a description of some simple models for potential use. In general, modelling for in-feed drug discharges and depositions is in an early stage of development. Few models have been developed specifically to predict the benthic deposition of in-feed drugs and these range in complexity. Model results are sensitive to input parameters, including treatment details, hydrographic conditions, drug partitioning specifics, and sinking rates and timing of discharges. Many of these parameters are poorly understood, difficult to measure, and hence, not well quantified. Thus, determining the quantification of uncertainties and sensitivities of model results remain challenging. Many models for predicting the deposition of organic waste produced by net-pen fish farms have been developed. Although similarities exist between the underlying assumptions of these models and those for in-feed drugs, their adaptation to use for modelling the deposition of in feed drugs is not necessarily simple or straightforward. Of particular importance is the inclusion of drug partitioning specifics which is necessary in order to correctly model in-feed drug deposition dynamics; simple conversion factors between organic waste deposition and in-feed drug deposition are likely not a suitable approach as the ratio between carbon and drug in the released feces varies with time. The objectives of modelling must be specified before a model is selected and assessed for its adequacy and sufficiency. Once models have been selected and/or developed, models must be validated before being used. In general, existing models of in-feed drug deposition have not been extensively calibrated or validated. Of the few validations that have been done, the literature suggests that, regardless of complexity, existing models give, at best, an order of magnitude estimate of seabed drug concentrations. Despite the uncertainties surrounding model precision and validity, models can be useful for regulatory decision support. Model selection depends on the decision maker’s objectives. Precision and accuracy of the model cannot be estimated until the chosen model is verified and validated. Existing validation studies indicate that available models are only able to provide order of magnitude estimates of in-feed drug depositions. At this time, simple models may be sufficient for decision support. This sentiment may change as science better characterizes model inputs and processes, and conducts more validation studies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,840
Score d'incertitude au seuil0,317

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0030,002
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,245
Écart entre enseignants0,233 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFederal Open Science Repository of Canada / Le Dépôt fédéral de science ouverte du CanadaTravaux en français237 207