Bibliographic record
Abstract
À cause de leurs propriétés antibactériennes, les nanoparticules d’argent sont couramment utilisées dans un grand nombre de produits tels les tissus, les savons et les produits médicaux. Dans cette industrie en pleine croissance, ces nanoparticules sont produites en grandes quantités et s’accumuleront éventuellement dans l’environnement. Pour comprendre le destin, le transport et la biodisponibilité des nanomatériaux, il est essentiel de comprendre leurs propriétés physicochimiques. Entre autres, il est particulièrement important de quantifier la dissolution des nanoparticules à l’aide de mesures de spéciation chimique. En effet, l’objectif de cette recherche est de déterminer la spéciation chimique des nanoparticules d’argent dans différents sols. Pour y parvenir, différentes concentrations de nanoparticules d’argent ont été incorporées dans un sol et après un certain laps de temps, la forme ionique a été mesurée à l’aide d’une électrode sélective d’argent tandis que l’argent total est mesuré par absorption atomique ou par ICP-MS. L’analyse de la spéciation dans trois sols différents révèle que les caractéristiques des sols influencent grandement la spéciation chimique, plus particulièrement la quantité de matière organique ainsi que le pH du sol. Ainsi, la tendance des résultats semble indiquer que plus un sol est acide, il y aura plus d’ions argent libres tandis que la matière organique adsorbe fortement les ions argent les rendant ainsi moins disponibles en solution. L’observation de la spéciation chimique à long terme indique aussi que les nanoparticules tendent à éventuellement se dissocier et ainsi émettre un plus grand nombre d’ions dans l’environnement. Ces résultats ont des implications importantes dans la détermination des risques environnementaux des nanoparticules métalliques.
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 | 0.000 | 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 | 0.001 |
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".