Peces como animales de experimentación
Bibliographic record
Abstract
La utilización de los peces como animales de experimentación se conoce desde hace mucho tiempo, y se evidencia un incremento notable en los últimos años debido al desarrollo y aplicación de modelos transgénicos que los posicionan en alternativas de elección de vertebrados para realizar estudios en reemplazo de especies tradicionales.En la actualidad el uso de los peces está orientado a las investigaciones biomédicas y ambientales y por lo tanto es importante elaborar directrices que sean útiles para el investigador principal y el personal responsable del cuidado, cría y manejo de los peces, como también de ayuda a los miembros de los Comités Institucionales de Cuidado y Uso de Animales de Laboratorio (CICUALes) cuando se evalúen protocolos en los que se usen estas especies. \nDurante los últimos 10 años, el uso de peces en la investigación ha ido en aumento debido a la amplia gama de posibilidades para utilizarse como modelos animales por sus propiedades biológicas particulares. También ha aumentado la concientización sobre la salud de los mismos como un factor que afecta al medio ambiente y como agentes indicadores de contaminación ambiental, de manera que la investigación sobre los peces y, más específicamente, la investigación en acuicultura permite abordar cuestiones relacionadas con la contaminación ambiental, la conservación y la protección del medio marino y de estuarios de agua dulce (Canadian Council on Animal Care, 2005; Håstein y col., 2005; Spence y col., 2008).
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 | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 0.003 |
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".