MétaCan
Menu
← Back to cohort
Record W7133274096

Modélisation et prévision de l'exposition des écosystèmes aux médicaments administrés dans la nourriture rejetés par les exploitations de pisciculture marine : un premier aperçu

2023· other· fr· W7133274096 on OpenAlexaboutno aff
F. H. Page, M. P. A. O'Flaherty-Sproul, S. P. Haigh, B. D. Chang, D. K. H. Wong, M. J. Beattie

Bibliographic record

VenueFederal Open Science Repository of Canada / Le Dépôt fédéral de science ouverte du Canada · 2023
Typeother
Languagefr
Field
Topic
Canadian institutionsnot available
Fundersnot available
KeywordsAnimal productionForest regenerationAnimal wasteRural development
DOInot available

Abstract

fetched live from OpenAlex

Le présent document porte sur la modélisation du rejet des principes actifs des médicaments administrés par voie alimentaire dans les exploitations de pisciculture marine en parcs en filet au Canada. Il donne un aperçu du contexte et des processus conceptuels à modéliser et de certains problèmes de modélisation, et présente un examen des efforts de modélisation menés jusqu’à présent ainsi qu’une description de quelques modèles simples qui pourraient être utilisés. En général, la modélisation des rejets et des dépôts de médicaments administrés par voie alimentaire en est à ses débuts. Peu de modèles ont été mis au point spécialement pour prédire le dépôt benthique des médicaments administrés par voie alimentaire, et leur complexité varie. Les résultats des modèles sont sensibles aux paramètres d’entrée, notamment les détails du traitement, les conditions hydrographiques, les spécificités de la répartition des médicaments, ainsi que les vitesses de chute et la période des rejets. Nombre de ces paramètres sont mal compris, difficiles à mesurer et donc mal quantifiés. Ainsi, il est encore difficile de déterminer la quantification des incertitudes et des sensibilités des résultats des modèles. De nombreux modèles ont été élaborés pour prédire le dépôt des déchets organiques produits par les exploitations de pisciculture marine en parcs en filet. Malgré les similitudes qui existent entre les hypothèses sous-jacentes de ces modèles et celles concernant les médicaments administrés par voie alimentaire, il n’est pas forcément simple ou facile de les adapter à la modélisation du dépôt des médicaments administrés par voie alimentaire. Il est particulièrement important d’inclure les spécificités de la répartition des médicaments, qui est nécessaire pour modéliser correctement la dynamique du dépôt des médicaments administrés par voie alimentaire; il n’est probablement pas approprié d’appliquer de simples facteurs de conversion entre le dépôt de déchets organiques et le dépôt de médicaments administrés par voie alimentaire, car le rapport entre le carbone et le médicament dans les matières fécales rejetées varie dans le temps. Il faut définir les objectifs de la modélisation avant de sélectionner un modèle et d’évaluer s’il est adéquat et suffisant. Une fois que les modèles ont été sélectionnés ou élaborés, il faut les valider avant de les utiliser. En général, les modèles existants de dépôt des médicaments administrés par voie alimentaire n’ont pas été étalonnés ou validés de manière approfondie. Parmi les quelques validations qui ont été effectuées, on constate dans la documentation que, quelle que soit leur complexité, les modèles existants donnent, au mieux, une estimation de l’ordre de grandeur des concentrations de médicaments dans le fond marin. Malgré les incertitudes entourant leur précision et leur validité, les modèles peuvent être utiles pour appuyer les processus décisionnels réglementaires. Le choix du modèle dépend des objectifs du décideur. Il n’est pas possible d’estimer la précision et l’exactitude du modèle avant d’avoir vérifié et validé le modèle choisi. D’après les études de validation existantes, les modèles disponibles ne peuvent produire que des estimations de l’ordre de grandeur des dépôts de médicaments administrés par voie alimentaire. Pour l’instant, des modèles simples peuvent suffire pour l’aide à la décision. Ce sentiment pourrait changer à mesure que la science caractérisera mieux les intrants et les processus des modèles et mènera davantage d’études de validation.

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 imitation

Not 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.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.001
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: Simulation or modeling
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.652
Threshold uncertainty score0.693

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.001
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0010.001
Science and technology studies0.0010.001
Scholarly communication0.0020.001
Open science0.0010.001
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0030.000

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.

Opus teacher head0.014
GPT teacher head0.261
Teacher spread0.248 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designSimulation or modeling
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2023
Admission routes1
Has abstractyes

Explore more

Same venueFederal Open Science Repository of Canada / Le Dépôt fédéral de science ouverte du Canada→French-language works237,207→