Microbial pesticides [data requirements for \n environmental risk assessment]
Bibliographic record
Abstract
De afzetmarkt voor microbiele pesticiden is groeiende. Derhalve wordt in de nabije toekomst naar verwachting meer onderzoek uitgevoerd met dergelijke pesticiden, niet alleen om economische en agronomische, maar ook om milieu-redenen. Omdat steeds meer chemische pesticiden van de markt worden gehaald, kunnen microbiele middelen een interessant alternatief voor boeren en tuinders worden, temeer ook daar ze een meer milieuvriendelijk imago hebben. Bij de toelating betrokken instanties dienen een consistent raamwerk op te zetten wat betreft de gegevens die aangeleverd moeten worden door de firma's. Een dergelijk raamwerk bestaat in de VS en Canada, maar niet in Europa. Wel werkt de Europese Commissie (EC) momenteel een voorstel uit. Al deze raamwerken gaan vooral over de aan te leveren gegevens in het algemeen en in mindere mate over testprotocollen (VS en Canada uitgezonderd), de wijze van rapportage en de kwaliteit van de gegevens. Ook bestaan er geen richtlijnen hoe een risicobeoordeling uitgevoerd moet worden op grond van de aangeleverde gegevens. Het wordt derhalve aanbevolen om een specifiek Nederlands raamwerk - betreffende data vereisten en vervolgens de milieu-risicobeoordeling - op te zetten als aanvulling op het EC voorstel. Dit rapport bevat een beknopt overzicht van de door de overheid gevraagde gegevens bij de toelating van microbiele pesticiden in de VS, Canada, Denemarken, Nederland en Groot-Brittannie. Deze worden vergeleken met het EC voorstel van januari 1997. Dit rapport bevat eveneens diverse aanbevelingen met betrekking tot de verdere ontwikkeling van een Nederlands raamwerk voor de te vragen gegevens, de risicobeoordeling en het risicomanagement.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.021 | 0.057 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.007 | 0.006 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.006 | 0.003 |
| Research integrity | 0.004 | 0.002 |
| Insufficient payload (model declined to judge) | 0.036 | 0.045 |
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; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".