Impact des mélanges de pesticides sur les organismes d’eau douce au Québec
Bibliographic record
Abstract
La perte de biodiversité en eau douce est un enjeu environnemental majeur. Parmi les différentes sources de perturbation environnementale, la contamination des eaux par les pesticides est un facteur aggravant de la perte de biodiversité. Notamment, au Québec, les concentrations de pesticides dans les eaux douces dépassent fréquemment les critères de protection de la vie aquatique. L’évaluation du risque environnemental des pesticides se base généralement sur des études menées avec un seul pesticide et où les organismes sont exposés uniquement par l’eau. Or, en eau douce, les pesticides sont communément retrouvés en mélanges et les voies d’exposition comprennent l’eau, mais aussi l’alimentation. Il est alors possible que le risque environnemental associé aux pesticides soit sous-estimé. Pour vérifier cette hypothèse, nous planifions de tester la toxicité de mélanges de pesticides constitués à partir des données issues des suivis environnementaux réalisés dans les cours d’eau du Québec sur différents organismes d’eau douce : l’escargot Lymnaea stagnalis et la moule Elliptio complanata. Les effets des mélanges seront comparés aux effets individuels des pesticides les composant. En exposant les organismes à des concentrations décroissantes de ces mélanges, nous simuleront l'impact d'une diminution des pesticides dans les écosystèmes aquatiques. De plus, du biofilm algal cultivé en laboratoire sera contaminé par ces mélanges puis donné comme nourriture aux organismes d’étude afin d’évaluer le rôle de la voie trophique dans la contamination par les pesticides. Ces résultats ont pour vocation de contribuer à la prise de décision en matière de régulation de l'usage des pesticides en agriculture.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".