Lier la spéciation chimique du cérium à sa biodisponibilité sous différentes conditions environnementales
Bibliographic record
Abstract
L’étude qui suit porte sur l’évaluation du risque écotoxicologique du cérium, l’élément le plus exploité de la famille des lanthanides. La présence grandissante de ce métal dans notre quotidien rend possible son relargage dans l’environnement. Il est donc primordial de comprendre l’impact qu’il aura sur les organismes vivant dans un système aquatique. Une approche centrée sur le modèle du ligand biotique a été utilisée pour évaluer adéquatement l’interaction entre le cérium et un ligand biotique à la surface de l’algue unicellulaire Chlamydomonas reinhardtii. Pour mener une étude sur le risque écotoxicologique d’un élément métallique il faut, avant tout, comprendre la spéciation (répartition sous ses différentes formes chimiques) de l’élément en question. Les premières sections du mémoire vont donc traiter des expériences qui ont été menées pour évaluer la spéciation du cérium dans les conditions expérimentales d’exposition à C. reinhardtii. Il sera question de faire la distinction entre la forme particulaire du métal et sa forme dissoute, de caractériser ces changements par spectroscopie ainsi que d’évaluer le pouvoir complexant de la matière organique naturelle. Les résultats montrent une importante déplétion du métal dissout en solution à pH neutre et basique et une forte interaction avec la matière organique naturelle, peu importe le pH de la solution. Ensuite, les expériences de bioaccumulation seront expliquéesen comparant l’effet du pH, de la présence d’un ion compétiteur et de la présence de matière organique naturelle sur les paramètres d’internalisation du cérium. Les résultats indiquent qu’à pH acide, le comportement du cérium est plus prévisible qu’à pH neutre. Néanmoins, en tenant compte de la complexité des milieux naturels, l’interaction du métal avec les molécules complexantes va diminuer son risque d’interaction avec un organisme vivant.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.019 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".