- ข้อความ
- ประวัติศาสตร์
MLLE is developed for epidemiologic
MLLE is developed for epidemiological studies, human and ecological risk assessments [68,69].
MLLE as adapted by the US Natural Resource Management (NRM) [70] is mainly used to explore
cause-effect relationships [71].
BBN is a probabilistic model that represents a set of random variables and their conditional interdependencies via a directed acyclic graph (DAG).
For example, a BBN could represent the probabilistic relationships between diseases and symptoms. Given symptoms, the network can be used to compute the probabilities of various diseases.
BBN is a method for the integration of the best possible data from a variety of sources [62,66].
Furthermore, as in any monitoring programme, efforts are needed to reduce uncertainties during data collection and data analysis.
There are many sources of uncertainty in an IEHM programme which can generally be divided into two groups, quantitative uncertainty and qualitative uncertainty [33].
Quantitative uncertainty may derive from a lack of precision (e.g., variation in measurement due to insufficient number of observations, random sampling error) or a lack of accuracy (e.g., inaccuracies in observations, deriving from structural measurement errors, inappropriate extrapolation, confounding, etc.).
Qualitative uncertainty indicates things that we do not know, but that cannot be captured in a statistical sense, e.g., how to quantify differences of opinion between scientists, differences in the framing of a problem, or inconsistencies in the scientific knowledge base? [33].
By linking to our structural work process in an IEHM programme, the quantitative uncertainty would be most likely restricted to step 2 to step 5 above, while qualitative uncertainties would be found at all steps.
All types of uncertainty require handling with appropriate techniques and there are a broad set of tools to do so. In summary, three types of techniques can be used for analysing uncertainties in the IEHM programmes: (i) Data quality assessment: Methods (e.g., Aguila tool [72], the Numerical, Unit, Spread, Assessment and Pedigree (NUSAP) system [73,74]) for a data
quality assessment can be used to deal with the quantitativeuncertainty, by evaluating whether data are fit for purpose.
Such assessment involves “the scientific and statistical evaluation of data to determine whether they
meet the objectives of the project, and thus are of the right type, quality, and quantity to support their intended use [75]”; (ii) Expert elicitation: this approach can be used to deal with qualitative uncertainty by consulting experts as a means to derive preliminary estimates
for information about which scientific knowledge is as yet incomplete or inconsistent [33,75,76]; (iii) Methods based upon a typology of uncertainty: a typology of uncertainty can help to structure the different types of uncertainties (e.g., contextual uncertainty, model structure uncertainty, parameter uncertainty, input data uncertainty, etc.) [33,70]. This can in turn help to identify useful methods and techniques to deal with the uncertainties, ranging from stakeholder discussion to sensitivity and decision analyses [33,70].
Sensitivity and decision analyses can help to identify which sources of uncertainty mostly affect
the final results [78-80] and the relative importance of each uncertain element. Once the major sources of uncertainty are known and prioritization is finished, suitable tools can be selected for further analysis. The uncertainty tool catalogue by Van der Sluijs et al.
[81] provides guidance for selecting appropriate methods that match the characterization of the uncertainty in the typology.
Refsgaard et al. [82] also describe various methods for dealing with uncertainties, and explain which purposesthey may serve.
Finally, Quality assurance/Quality control (QA/QC) is one of the most critical components of an IEHM programme, and should make use of standard operating procedures (SOP) to provide data of known quality.
The generation of reliable field and analytical data is best achieved through the development and implementation of a QA/QC plan [83,84].
Development of a rigorous QA/QC plan should be done in cooperation with all stakeholdersthroughout the entire monitoring period [85].
The fundamental elements of a QA/QC plan are: (1) Data quality objectives (DQOs) [86] are used to establish performance and acceptance criteria for field and laboratory measurement processes and set levels of acceptable measurement error. DQO is usually established for five aspects of data quality: representativeness, completeness, comparability, accuracy, and precision; (2)
Auditing: Undertaking regular audits of field, laboratory and data management operations provides valuable feedback on the adequacy, implementation, and effectiveness of existing quality systems. Regular quality audits allow for the information gained to be used to make improvements to the quality system or plan and provide a benchmark for maintaining a level of competence; (3)
Data generation and acquisition: In accordance with established DQOs, the generation and acquisition of high-quality monitoring data relies on the adherence to quality control measures during field sampling operations and laboratory analyses.
Typically, quality control is maintained during field work operations by adhering to standardized sampling protocols, analysis of QA/QCsamples, and the regular calibration and maintenance of
field instrumentation; (4) Data validation and usability: The quality review and validation of data can be readily undertaken by assessing all data for compliance with the project’s DQOs. Quality checks are also undertaken along all data flow paths, particularly at data entry steps.
If data are found to fall outside the accepted DQO limits, then corrective actions (e.g., re-analyse suspect samples, re-sampling and reanalysis, accept data with an acknowledged level of bias and imprecision, discard data, etc.) may be undertaken; and (5) Data Management: Data quality through the various data generation, acquisition, assessment and storage processes should be managed by a series of quality control measures.
These can include managing the chain of custody; defined data flow paths, the use of standard field data sheets and laboratory reports, and information management (database) systems.
In addition, QA/QA and uncertainties are closely linked. For example, QA/QC requirements can improve accuracy and reduce uncertainty, while in turn, reducing uncertainty can improve data of known quality.
In practice, the assessment of uncertainty and QA/QC may need to be implemented in parallel, e.g., laboratories should report an estimate of the uncertainties associated with each measurement.
Discussion
The approaches to IEHM for IEHIA outlined in this paper combine two main components: an approach for designing and carrying out a realistic IEHM programme of complex, systematic E&H problems (IEHM conceptual framework); and a qualitative approach for integrated data from existingmultiple monitoring programmes (IEHM structural workprocess, data integration-uncertainty-QA/QC methods).
Neither of these approaches is without its limitations and challenges.
The former relate to the design/operation challenges of an IEHM programme; the latter implies the ability to integrate data from multiple monitoring sources.
Challenges
Following the IEHM framework and IEHM work process, a realistic IEHM programme may need to integrate existing monitoring programmes. This may generate a constraint on the harmonizing measurement techniques [52].
For instance, many of the standard design rules and methods used in the establishment of a new IEHM programmecannot be easily applied since existing E&H monitoring programmes often have specific monitoring objectives with different measurement protocols and sampling designs.
These constraints on the form and function of an IEHM programme may compromise and complicate some key design issues, but in some respects this makes it even more important that design issues are fully considered at the onset [52].
In the design process, the expectations of end-users also need to be considered [52]. Unlike purely researchorientatedactivities, an IEHM programme should also provide input data for policy makers and other stakeholders. In this context, partial information from an IEHM programme may not be relevant if policy needs require information to be valid at higher levels of integration and harmonization. Data from an IEHM programme musttherefore be defensible against criticism, e.g., representativeness, precision, consistency and reproducibility.
These goals can be achieved by thorough planning and early stakeholders’ participation in all the steps of the IEHM design process [52].
Combining the DPSEEA (cause-effect approach) with natural-eco-anthropogenic systems (systematic approach), an IEHM programme has to be highly interdisciplinary and must therefore be designed taking into account the priorities, perspective and expertise of stakeholders at different
levels.
When support for decisions-making is needed, the issues underlying operational choices should
be understandable to their intended audience, which could be a significant challenge, but could be achieved by the ‘analytical-deliberative’ approach of the National Research Council in the USA [13] and the extended peer community approach [87,88].
In addition, the procedure that includes a diversity of actors for selection of hot-spots for human biomonitoring research in Belgium developed by Keune et al. (2010) [89], could also be considered to develop and inform the programme design. Given the inherent complexity of E&H problems, it may be one of the first disciplines to benefit from the current paradigm shift from multi-disciplinary science to transdisciplinary science to tackle complex societal issues. In addition, current data from E&H monitoring programmesface many challenges: (i) fragmentation o
MLLE as adapted by the US Natural Resource Management (NRM) [70] is mainly used to explore
cause-effect relationships [71].
BBN is a probabilistic model that represents a set of random variables and their conditional interdependencies via a directed acyclic graph (DAG).
For example, a BBN could represent the probabilistic relationships between diseases and symptoms. Given symptoms, the network can be used to compute the probabilities of various diseases.
BBN is a method for the integration of the best possible data from a variety of sources [62,66].
Furthermore, as in any monitoring programme, efforts are needed to reduce uncertainties during data collection and data analysis.
There are many sources of uncertainty in an IEHM programme which can generally be divided into two groups, quantitative uncertainty and qualitative uncertainty [33].
Quantitative uncertainty may derive from a lack of precision (e.g., variation in measurement due to insufficient number of observations, random sampling error) or a lack of accuracy (e.g., inaccuracies in observations, deriving from structural measurement errors, inappropriate extrapolation, confounding, etc.).
Qualitative uncertainty indicates things that we do not know, but that cannot be captured in a statistical sense, e.g., how to quantify differences of opinion between scientists, differences in the framing of a problem, or inconsistencies in the scientific knowledge base? [33].
By linking to our structural work process in an IEHM programme, the quantitative uncertainty would be most likely restricted to step 2 to step 5 above, while qualitative uncertainties would be found at all steps.
All types of uncertainty require handling with appropriate techniques and there are a broad set of tools to do so. In summary, three types of techniques can be used for analysing uncertainties in the IEHM programmes: (i) Data quality assessment: Methods (e.g., Aguila tool [72], the Numerical, Unit, Spread, Assessment and Pedigree (NUSAP) system [73,74]) for a data
quality assessment can be used to deal with the quantitativeuncertainty, by evaluating whether data are fit for purpose.
Such assessment involves “the scientific and statistical evaluation of data to determine whether they
meet the objectives of the project, and thus are of the right type, quality, and quantity to support their intended use [75]”; (ii) Expert elicitation: this approach can be used to deal with qualitative uncertainty by consulting experts as a means to derive preliminary estimates
for information about which scientific knowledge is as yet incomplete or inconsistent [33,75,76]; (iii) Methods based upon a typology of uncertainty: a typology of uncertainty can help to structure the different types of uncertainties (e.g., contextual uncertainty, model structure uncertainty, parameter uncertainty, input data uncertainty, etc.) [33,70]. This can in turn help to identify useful methods and techniques to deal with the uncertainties, ranging from stakeholder discussion to sensitivity and decision analyses [33,70].
Sensitivity and decision analyses can help to identify which sources of uncertainty mostly affect
the final results [78-80] and the relative importance of each uncertain element. Once the major sources of uncertainty are known and prioritization is finished, suitable tools can be selected for further analysis. The uncertainty tool catalogue by Van der Sluijs et al.
[81] provides guidance for selecting appropriate methods that match the characterization of the uncertainty in the typology.
Refsgaard et al. [82] also describe various methods for dealing with uncertainties, and explain which purposesthey may serve.
Finally, Quality assurance/Quality control (QA/QC) is one of the most critical components of an IEHM programme, and should make use of standard operating procedures (SOP) to provide data of known quality.
The generation of reliable field and analytical data is best achieved through the development and implementation of a QA/QC plan [83,84].
Development of a rigorous QA/QC plan should be done in cooperation with all stakeholdersthroughout the entire monitoring period [85].
The fundamental elements of a QA/QC plan are: (1) Data quality objectives (DQOs) [86] are used to establish performance and acceptance criteria for field and laboratory measurement processes and set levels of acceptable measurement error. DQO is usually established for five aspects of data quality: representativeness, completeness, comparability, accuracy, and precision; (2)
Auditing: Undertaking regular audits of field, laboratory and data management operations provides valuable feedback on the adequacy, implementation, and effectiveness of existing quality systems. Regular quality audits allow for the information gained to be used to make improvements to the quality system or plan and provide a benchmark for maintaining a level of competence; (3)
Data generation and acquisition: In accordance with established DQOs, the generation and acquisition of high-quality monitoring data relies on the adherence to quality control measures during field sampling operations and laboratory analyses.
Typically, quality control is maintained during field work operations by adhering to standardized sampling protocols, analysis of QA/QCsamples, and the regular calibration and maintenance of
field instrumentation; (4) Data validation and usability: The quality review and validation of data can be readily undertaken by assessing all data for compliance with the project’s DQOs. Quality checks are also undertaken along all data flow paths, particularly at data entry steps.
If data are found to fall outside the accepted DQO limits, then corrective actions (e.g., re-analyse suspect samples, re-sampling and reanalysis, accept data with an acknowledged level of bias and imprecision, discard data, etc.) may be undertaken; and (5) Data Management: Data quality through the various data generation, acquisition, assessment and storage processes should be managed by a series of quality control measures.
These can include managing the chain of custody; defined data flow paths, the use of standard field data sheets and laboratory reports, and information management (database) systems.
In addition, QA/QA and uncertainties are closely linked. For example, QA/QC requirements can improve accuracy and reduce uncertainty, while in turn, reducing uncertainty can improve data of known quality.
In practice, the assessment of uncertainty and QA/QC may need to be implemented in parallel, e.g., laboratories should report an estimate of the uncertainties associated with each measurement.
Discussion
The approaches to IEHM for IEHIA outlined in this paper combine two main components: an approach for designing and carrying out a realistic IEHM programme of complex, systematic E&H problems (IEHM conceptual framework); and a qualitative approach for integrated data from existingmultiple monitoring programmes (IEHM structural workprocess, data integration-uncertainty-QA/QC methods).
Neither of these approaches is without its limitations and challenges.
The former relate to the design/operation challenges of an IEHM programme; the latter implies the ability to integrate data from multiple monitoring sources.
Challenges
Following the IEHM framework and IEHM work process, a realistic IEHM programme may need to integrate existing monitoring programmes. This may generate a constraint on the harmonizing measurement techniques [52].
For instance, many of the standard design rules and methods used in the establishment of a new IEHM programmecannot be easily applied since existing E&H monitoring programmes often have specific monitoring objectives with different measurement protocols and sampling designs.
These constraints on the form and function of an IEHM programme may compromise and complicate some key design issues, but in some respects this makes it even more important that design issues are fully considered at the onset [52].
In the design process, the expectations of end-users also need to be considered [52]. Unlike purely researchorientatedactivities, an IEHM programme should also provide input data for policy makers and other stakeholders. In this context, partial information from an IEHM programme may not be relevant if policy needs require information to be valid at higher levels of integration and harmonization. Data from an IEHM programme musttherefore be defensible against criticism, e.g., representativeness, precision, consistency and reproducibility.
These goals can be achieved by thorough planning and early stakeholders’ participation in all the steps of the IEHM design process [52].
Combining the DPSEEA (cause-effect approach) with natural-eco-anthropogenic systems (systematic approach), an IEHM programme has to be highly interdisciplinary and must therefore be designed taking into account the priorities, perspective and expertise of stakeholders at different
levels.
When support for decisions-making is needed, the issues underlying operational choices should
be understandable to their intended audience, which could be a significant challenge, but could be achieved by the ‘analytical-deliberative’ approach of the National Research Council in the USA [13] and the extended peer community approach [87,88].
In addition, the procedure that includes a diversity of actors for selection of hot-spots for human biomonitoring research in Belgium developed by Keune et al. (2010) [89], could also be considered to develop and inform the programme design. Given the inherent complexity of E&H problems, it may be one of the first disciplines to benefit from the current paradigm shift from multi-disciplinary science to transdisciplinary science to tackle complex societal issues. In addition, current data from E&H monitoring programmesface many challenges: (i) fragmentation o
0/5000
คือพัฒนา MLLE ความศึกษา ประเมินความเสี่ยงของมนุษย์ และระบบนิเวศ [68,69]ส่วนใหญ่มีใช้ MLLE ดัดแปลงโดยเราทรัพยากรธรรมชาติการจัดการ (NRM) [70] การสำรวจสาเหตุผลความสัมพันธ์ [71] BBN เป็นแบบ probabilistic ที่แสดงถึงชุดของตัวแปรสุ่มและการกันตามเงื่อนไขทางกราฟ acyclic โดยตรง (พื้นที่) ตัวอย่าง BBN สามารถแสดงความสัมพันธ์ probabilistic ระหว่างโรคและอาการ ให้อาการ เครือข่ายสามารถใช้เพื่อคำนวณกิจกรรมของโรคต่าง ๆ BBN เป็นวิธีการรวมข้อมูลได้ดีที่สุดจากแหล่ง [62,66]นอกจากนี้ ในหลักสูตรการตรวจสอบ ความจำเป็นเพื่อลดความไม่แน่นอนในระหว่างการรวบรวมข้อมูลและวิเคราะห์ข้อมูล มีหลายแหล่งที่มาของความไม่แน่นอนในการโปรแกรม IEHM ซึ่งโดยทั่วไปสามารถแบ่งออกเป็น 2 กลุ่ม ความไม่แน่นอนเชิงปริมาณ และเชิงคุณภาพความไม่แน่นอน [33] ความไม่แน่นอนเชิงปริมาณอาจมาจากการขาดของความแม่นยำ (เช่น ความผันแปรในวัดเนื่องจากมีจำนวนไม่เพียงพอสังเกต ข้อผิดพลาดในการสุ่มตัวอย่างแบบสุ่ม) หรือการขาดความถูกต้อง (เช่น ผิดพลาดใด ๆ ในการสังเกตการณ์ บริษัทฯ จากวัดโครงสร้างข้อผิดพลาด ไม่เหมาะสม extrapolation, confounding ฯลฯ)สิ่งที่เราไม่ทราบ แต่ที่ไม่สามารถ บ่งชี้ความไม่แน่นอนคุณภาพจับในแง่สถิติ เช่น วิธีวัดปริมาณความแตกต่างของความคิดเห็นระหว่างนักวิทยาศาสตร์ ผลต่างในรูปแบบของปัญหา หรือไม่สอดคล้องกันในฐานความรู้ของวิทยาศาสตร์ [33] โดยการเชื่อมโยงของกระบวนการทำงานโครงสร้างในโปรแกรม IEHM การ ความไม่แน่นอนเชิงปริมาณจะมักจำกัดในขั้นที่ 2 ขั้นตอนที่ 5 ข้างต้น ในขณะที่คุณภาพไม่แน่นอนมักพบในทุกขั้นตอนทุกชนิดของความไม่แน่นอนต้องจัดการ ด้วยเทคนิคที่เหมาะสม และมีชุดเครื่องมือดังกล่าวกว้าง สรุป เทคนิคสามชนิดสามารถใช้สำหรับการวิเคราะห์ความไม่แน่นอนในโปรแกรม IEHM: (i) ประเมินคุณภาพข้อมูล: วิธี (เช่น Aguila มือ [72] ตัวเลข หน่วย การแพร่กระจาย การประเมิน และเลือด (NUSAP) ระบบ [73,74]) สำหรับข้อมูลสามารถใช้ประเมินคุณภาพการศึกษาในการจัดการกับ quantitativeuncertainty โดยประเมินว่าข้อมูลมีความเหมาะสมสำหรับวัตถุประสงค์ การประเมินดังกล่าวเกี่ยวข้องกับ "การประเมินทางวิทยาศาสตร์ และสถิติข้อมูลเพื่อตรวจสอบว่าพวกเขาตรงตามวัตถุประสงค์ของโครงการ และดังนั้นจึง มีชนิด คุณภาพ และปริมาณเพื่อสนับสนุนการใช้ [75] (ii) ผู้เชี่ยวชาญ elicitation: วิธีการนี้สามารถใช้เพื่อจัดการกับความไม่แน่นอนคุณภาพ โดยการปรึกษาผู้เชี่ยวชาญเพื่อมาประเมินเบื้องต้นสำหรับข้อมูลเกี่ยวกับความรู้ทางวิทยาศาสตร์เป็นที่ยังไม่สมบูรณ์ หรือไม่สอดคล้องกัน [33,75,76]; (iii) วิธีขึ้นจำแนกความไม่แน่นอน: จำแนกความไม่แน่นอนสามารถช่วยให้โครงสร้างชนิดของความไม่แน่นอน (เช่น ความไม่แน่นอนตามบริบท แบบจำลองโครงสร้างความไม่แน่นอน พารามิเตอร์ความไม่แน่นอน ความไม่แน่นอนของข้อมูลที่ป้อนเข้า ฯลฯ) [33,70] ได้นี้จะสามารถช่วยระบุประโยชน์วิธีการและเทคนิคการจัดการกับความไม่แน่นอน ผู้สนทนาตั้งแต่การวิเคราะห์ความไวและการตัดสินใจ [33,70] ความไวและการตัดสินใจวิเคราะห์สามารถช่วยระบุแหล่งที่มาของความไม่แน่นอนส่วนใหญ่มีผลต่อผลสุดท้าย [78-80] และความสำคัญของแต่ละองค์ประกอบไม่แน่นอน เมื่อทราบว่าแหล่งมาหลักของความไม่แน่นอน และระดับเสร็จสมบูรณ์ สามารถเลือกเครื่องมือที่เหมาะสมสำหรับการวิเคราะห์เพิ่มเติม ความไม่แน่นอนเครื่องมือแคตตาล็อกโดย Van der Sluijs et al[81] ให้คำแนะนำสำหรับการเลือกวิธีที่เหมาะสมที่ตรงกับคุณสมบัติของความไม่แน่นอนในการจำแนกRefsgaard et al. [82] นอกจากนี้ยังอธิบายวิธีต่าง ๆ ในการจัดการกับความไม่แน่นอน และอธิบาย purposesthey ซึ่งอาจให้บริการการควบคุมคุณภาพ/ประกันคุณภาพ (QA/QC) เป็นส่วนประกอบสำคัญที่สุดของโปรแกรม IEHM การอย่างใดอย่างหนึ่ง และควรทำมาตรฐานขั้นตอนการปฏิบัติ (SOP) ใช้เพื่อให้ข้อมูลมีคุณภาพรู้จักการ การสร้างเขตข้อมูลที่เชื่อถือได้และการวิเคราะห์ข้อมูลสามารถทำได้ดีผ่านการพัฒนาและดำเนินการตามแผนประกันคุณภาพ [83,84] การพัฒนาแผนการตรวจสอบคุณภาพอย่างเข้มงวดควรทำร่วมกับ stakeholdersthroughout ทั้งหมดระยะเวลาตรวจสอบทั้งหมด [85]องค์ประกอบพื้นฐานของแผนการประกันคุณภาพ: (1) ข้อมูลคุณภาพวัตถุประสงค์ (DQOs) [86] ใช้ในการสร้างประสิทธิภาพและการยอมรับเงื่อนไขสำหรับเขตข้อมูลและห้องปฏิบัติการกระบวนการประเมิน และกำหนดระดับการประเมินเป็นที่ยอมรับข้อผิดพลาด มักจะมีการก่อตั้ง DQO ในห้าด้านคุณภาพข้อมูล: representativeness ความสมบูรณ์ ความ ความแม่นยำ และ แม่นยำ (2)ตรวจสอบ: ปกติกิจการตรวจสอบของฟิลด์ ห้องปฏิบัติการและข้อมูลการดำเนินการจัดการแสดงผลป้อนกลับที่มีคุณค่าเพียงพอ ใช้งาน และประสิทธิผลของระบบคุณภาพที่มีอยู่ การตรวจสอบคุณภาพปกติอนุญาตให้ข้อมูลที่ได้รับไปใช้ในการปรับปรุงระบบคุณภาพการวางแผน และมีเกณฑ์มาตรฐานสำหรับการรักษาระดับของความสามารถ (3)สร้างข้อมูลและซื้อ: ตาม DQOs ขึ้น สร้างและซื้อข้อมูลการตรวจสอบคุณภาพอาศัยติดกับมาตรการควบคุมคุณภาพในฟิลด์การดำเนินการสุ่มตัวอย่างและการวิเคราะห์ทางห้องปฏิบัติการ โดยปกติ ควบคุมคุณภาพไว้ในฟิลด์การดำเนินงาน โดยยึดมั่นการโพรโทคอลการสุ่มตัวอย่างมาตรฐาน การวิเคราะห์ คุณภาพ/QCsamples และปกติเทียบ และบำรุงรักษาฟิลด์ใช้เครื่องมือ (4) ตรวจสอบข้อมูลและการใช้งาน: ตรวจสอบคุณภาพและการตรวจสอบข้อมูลสามารถจะพร้อมดำเนินการ โดยการประเมินข้อมูลทั้งหมดสำหรับการปฏิบัติตามของโครงการ DQOs ตรวจสอบคุณภาพยังทำตามทั้งหมดข้อมูลกระแสเส้นทาง โดยเฉพาะอย่างยิ่งในขั้นตอนของรายการข้อมูลถ้าพบข้อมูลจะตกอยู่นอกขีดจำกัด DQO ยอมรับ แล้วการดำเนินการแก้ไข (เช่น การวิเคราะห์ตัวอย่างสงสัย การสุ่มตัวอย่าง และยอมรับข้อมูลพร้อมรับการการยอมรับระดับของความโน้มเอียง และ imprecision reanalysis ละทิ้งข้อมูล ฯลฯ) อาจจะดำเนินการ และการจัดการข้อมูล (5): ควรจัดการคุณภาพข้อมูล โดยข้อมูลสร้าง ซื้อ การประเมิน และการจัดเก็บกระบวนการต่าง ๆ ชุดของมาตรการควบคุมคุณภาพ เหล่านี้สามารถรวมการจัดการห่วงโซ่ของบุตร กำหนดเส้นทางการไหลข้อมูล ใช้แผ่นข้อมูลฟิลด์มาตรฐานรายงานห้องปฏิบัติการ และระบบข้อมูลการจัดการ (ฐานข้อมูล)นอกจากนี้ QA/QA และแนวใกล้ชิดเชื่อมโยง ตัวอย่าง QA/QC ต้องสามารถปรับปรุงความแม่นยำ และลดความไม่แน่นอน ในขณะที่ใช้ ลดความไม่แน่นอนสามารถปรับปรุงข้อมูลคุณภาพชื่อดัง ในทางปฏิบัติ การประเมินความไม่แน่นอนและตรวจสอบคุณภาพอาจจำเป็นต้องดำเนินการควบคู่กัน เช่น ห้องปฏิบัติควรรายงานการประเมินความไม่แน่นอนเกี่ยวข้องกับแต่ละการประเมินสนทนาวิธีการ IEHM สำหรับ IEHIA ที่ระบุไว้ในเอกสารนี้รวมคอมโพเนนต์หลักที่สอง: วิธีการออกแบบ และดำเนินโครงการ IEHM จริงซับซ้อน ระบบ E และ H ปัญหา (IEHM แนวคิดกรอบ); และวิธีเชิงคุณภาพสำหรับรวมข้อมูลจาก existingmultiple ตรวจสอบโปรแกรม (IEHM workprocess โครงสร้าง วิธีข้อมูลรวมความไม่แน่นอน-QA/QC)วิธีเหล่านี้ไม่ไม่เป็นข้อจำกัดและความท้าทาย ในอดีตที่เกี่ยวข้องกับความท้าทายการออกแบบ/การดำเนินงานของโครงการ IEHM หลังหมายถึงความสามารถในการรวมข้อมูลจากหลายแหล่งที่ตรวจสอบความท้าทายต่อ IEHM กรอบและกระบวนการทำงาน IEHM โครงการ IEHM จริงอาจจำเป็นต้องรวมอยู่ในการตรวจสอบโปรแกรม นี้อาจสร้างข้อจำกัดบนเทคนิควัด harmonizing [52]ตัวอย่าง กฎการออกมาตรฐานและวิธีการที่ใช้ในการก่อตั้งของ programmecannot กับ IEHM ใหม่ได้ใช้ตั้งแต่อยู่ E และ H ตรวจสอบโปรแกรมมักจะมีวัตถุประสงค์ในการตรวจสอบเฉพาะโพรโทคอวัดอื่นและออกแบบการสุ่มตัวอย่าง ข้อจำกัดเหล่านี้บนแบบฟอร์มและฟังก์ชันของโปรแกรม IEHM อาจประนีประนอม และ complicate ปัญหาออกแบบคีย์บาง ได้ในบางประการ ซึ่งทำให้ความสำคัญมากขึ้นว่า ปัญหาออกแบบเต็มกำลังอย่าง [52]ในการออกแบบ ความต้องการของผู้ใช้ยังต้องการพิจารณา [52] ซึ่งแตกต่างจาก researchorientatedactivities เพียงอย่างเดียว มีโปรแกรม IEHM ควรให้ข้อมูลป้อนเข้าสำหรับผู้กำหนดนโยบายและผู้มีส่วน ในบริบทนี้ ข้อมูลบางส่วนจากโครงการ IEHM ไม่ได้เกี่ยวข้องถ้านโยบายจำเป็นต้องการข้อมูลที่ถูกต้องในระดับสูงรวมและปรองดอง ข้อมูลจาก musttherefore การโปรแกรม IEHM defensible กับวิจารณ์ เช่น representativeness ความแม่นยำ ความสอดคล้อง และ reproducibility ได้ เป้าหมายเหล่านี้สามารถทำได้โดยการวางแผนอย่างละเอียดก่อนเสียมีส่วนร่วมในทุกขั้นตอนของกระบวนการออกแบบ IEHM [52]รวม DPSEEA (วิธีการสาเหตุผล) กับระบบธรรมชาติสิ่งแวดล้อมมาของมนุษย์ (ระบบวิธี), การโปรแกรม IEHM ต้องอาศัยสูง และต้องดังออกแบบคำนึงถึงลำดับความสำคัญ มุมมอง และความเชี่ยวชาญของเสียที่แตกต่างกันระดับการ เมื่อมีสนับสนุนสำหรับการตัดสินใจทำเป็นสิ่งจำเป็น ปัญหาต้นตัวเลือกในการดำเนินงานควรจะเข้าใจฟังตั้งใจ ซึ่งอาจเป็นความท้าทายที่สำคัญ แต่ไม่สามารถทำได้ โดยวิธี 'วิเคราะห์อภิปราย' ของสภาวิจัยแห่งชาติในสหรัฐอเมริกา [13] และวิธีการชุมชนขยายเพียร์ [87,88]ขั้นตอนที่มีความหลากหลายของนักแสดงเลือกร้อนจุดวิจัย biomonitoring มนุษย์ในเบลเยียมที่พัฒนาโดย Keune et al. (2010) [89], อาจได้รับการพิจารณาพัฒนา และแจ้งการออกแบบโปรแกรม กำหนดความซับซ้อนของปัญหา E และ H โดยธรรมชาติ มันได้สาขาแรกจะได้รับประโยชน์จากการปัจจุบันกระบวนทัศน์จากหน่วยวิทยาศาสตร์กับวิทยาศาสตร์ transdisciplinary ปัญหาซับซ้อนนิยมเล่นงานอย่างใดอย่างหนึ่ง นอกจากนี้ ข้อมูลปัจจุบันจาก E และ H programmesface ตรวจสอบความท้าทายมาก: (i) การกระจายตัวของ o
การแปล กรุณารอสักครู่..
Mlle ได้รับการพัฒนาสำหรับการศึกษาทางระบาดวิทยาของมนุษย์และการประเมินความเสี่ยงของระบบนิเวศ [68,69].
เป็น Mlle ดัดแปลงโดยสหรัฐอเมริกาจัดการทรัพยากรธรรมชาติ (NRM) [70] ส่วนใหญ่จะใช้ในการสำรวจ
ความสัมพันธ์ที่ทำให้เกิดผลกระทบ [71].
BBN เป็นความน่าจะเป็น รูปแบบที่แสดงให้เห็นถึงชุดของตัวแปรสุ่มและการประมูลตามเงื่อนไขของพวกเขาผ่านชี้นำวัฏจักรกราฟ (DAG).
ตัวอย่างเช่น BBN จะเป็นตัวแทนของความน่าจะเป็นความสัมพันธ์ระหว่างโรคและอาการ ได้รับอาการเครือข่ายที่สามารถนำมาใช้ในการคำนวณความน่าจะเป็นโรคต่าง ๆ . BBN เป็นวิธีการรวมตัวกันของข้อมูลที่ดีที่สุดจากแหล่งต่างๆ [62,66]. นอกจากนี้ในขณะที่โปรแกรมการตรวจสอบใด ๆ ความพยายามที่มีความจำเป็น เพื่อลดความไม่แน่นอนระหว่างการรวบรวมข้อมูลและการวิเคราะห์ข้อมูล. มีหลายแหล่งที่มาของความไม่แน่นอนในโปรแกรม IEHM ซึ่งโดยทั่วไปสามารถแบ่งออกเป็นสองกลุ่มมีความไม่แน่นอนและความไม่แน่นอนเชิงปริมาณเชิงคุณภาพ [33]. ความไม่แน่นอนเชิงปริมาณอาจเป็นผลมาจากการขาดความแม่นยำ (เช่น การเปลี่ยนแปลงในการวัดเนื่องจากจำนวนไม่เพียงพอของการสังเกตความผิดพลาดการสุ่มตัวอย่าง) หรือขาดความถูกต้อง (เช่นความไม่ถูกต้องในการสังเกตที่เกิดจากข้อผิดพลาดในการวัดโครงสร้างการคาดการณ์ที่ไม่เหมาะสมรบกวนอื่น ๆ ). ความไม่แน่นอนเชิงคุณภาพชี้ให้เห็นสิ่งที่เราไม่ทราบว่า แต่ที่ไม่สามารถจับภาพในความหมายทางสถิติเช่นวิธีการที่จะหาจำนวนของความคิดเห็นที่แตกต่างกันระหว่างนักวิทยาศาสตร์แตกต่างในกรอบของปัญหาหรือไม่สอดคล้องกันในฐานความรู้ทางวิทยาศาสตร์? [33]. โดยการเชื่อมโยงกับกระบวนการมีโครงสร้างการทำงานของเราในโปรแกรม IEHM, ความไม่แน่นอนเชิงปริมาณจะถูก จำกัด มากที่สุดมีแนวโน้มที่จะไปขั้นตอนที่ 2 ขั้นตอนที่ 5 ข้างต้นในขณะที่ความไม่แน่นอนเชิงคุณภาพจะพบในทุกขั้นตอน. ทุกประเภทของความไม่แน่นอนต้องมีการจัดการที่เหมาะสม เทคนิคและมีชุดในวงกว้างของเครื่องมือที่จะทำเช่นนั้น โดยสรุปสามประเภทของเทคนิคสามารถนำมาใช้ในการวิเคราะห์ความไม่แน่นอนในโปรแกรม IEHM: (i) การประเมินคุณภาพของข้อมูล: วิธีการ (เช่นเครื่องมือ Aguila [72], ตัวเลข, หน่วยกระจาย, การประเมินและโคตร (NUSAP) ระบบ [ 73,74]) สำหรับข้อมูลการประเมินคุณภาพสามารถนำมาใช้ในการจัดการกับ quantitativeuncertainty โดยประเมินว่าข้อมูลที่เหมาะสำหรับวัตถุประสงค์. การประเมินดังกล่าวเกี่ยวข้องกับ "การประเมินผลทางวิทยาศาสตร์และสถิติของข้อมูลเพื่อตรวจสอบว่าพวกเขาตอบสนองวัตถุประสงค์ของโครงการ และทำให้มีประเภทสิทธิที่มีคุณภาพและปริมาณที่จะรองรับการใช้งานของพวกเขาตั้งใจ [75] "; (ii) การสอบถามผู้เชี่ยวชาญ: วิธีการนี้สามารถนำมาใช้ในการจัดการกับความไม่แน่นอนเชิงคุณภาพโดยผู้เชี่ยวชาญด้านการให้คำปรึกษาเป็นวิธีการให้ได้มาซึ่งประมาณการเบื้องต้นสำหรับข้อมูลเกี่ยวกับความรู้ทางวิทยาศาสตร์ที่ยังไม่สมบูรณ์หรือไม่สอดคล้องกัน [33,75,76]; (iii) ขึ้นอยู่กับวิธีการจำแนกประเภทของความไม่แน่นอน: การจำแนกประเภทของความไม่แน่นอนสามารถช่วยในการจัดโครงสร้างที่แตกต่างกันของความไม่แน่นอน (เช่นความไม่แน่นอนบริบทความไม่แน่นอนของโครงสร้างรูปแบบ, ความไม่แน่นอนพารามิเตอร์ความไม่แน่นอนของการป้อนข้อมูลและอื่น ๆ ) [33,70] นี้สามารถช่วยในการเปิดการระบุวิธีการและเทคนิคในการจัดการกับความไม่แน่นอนตั้งแต่การอภิปรายของผู้มีส่วนได้ส่วนเสียมีความไวและการตัดสินใจวิเคราะห์ [33,70]. ความไวและการตัดสินใจการวิเคราะห์สามารถช่วยในการระบุแหล่งที่มาของความไม่แน่นอนส่วนใหญ่จะส่งผลกระทบต่อผลสุดท้าย [ 78-80] และความสำคัญของแต่ละองค์ประกอบมีความไม่แน่นอน เมื่อแหล่งที่มาหลักของความไม่แน่นอนเป็นที่รู้จักและจัดลำดับความสำคัญเสร็จสิ้นเครื่องมือที่เหมาะสมสามารถเลือกสำหรับการวิเคราะห์ต่อ แคตตาล็อกเครื่องมือที่ไม่แน่นอนโดยแวนเดอร์ Sluijs et al. [81] ให้คำแนะนำสำหรับการเลือกวิธีการที่เหมาะสมที่ตรงกับลักษณะของความไม่แน่นอนในการจำแนกประเภท. Refsgaard et al, [82] นอกจากนี้ยังอธิบายถึงวิธีการต่างๆในการจัดการกับความไม่แน่นอนและอธิบาย purposesthey ซึ่งอาจจะทำหน้าที่. ในที่สุดการประกันคุณภาพ / ควบคุมคุณภาพ (QA / QC) เป็นหนึ่งในองค์ประกอบที่สำคัญที่สุดของโปรแกรม IEHM และควรจะใช้ประโยชน์จากการดำเนินงานมาตรฐาน ขั้นตอน (SOP) เพื่อให้ข้อมูลที่มีคุณภาพเป็นที่รู้จักกัน. รุ่นของสนามที่เชื่อถือได้และการวิเคราะห์ข้อมูลที่จะประสบความสำเร็จที่ดีที่สุดผ่านการพัฒนาและการดำเนินงานของ QA / QC แผน [83,84]. การพัฒนาอย่างเข้มงวด QA / QC แผนควรจะทำ ในความร่วมมือกับทุก stakeholdersthroughout ระยะเวลาการตรวจสอบทั้งหมด [85]. องค์ประกอบพื้นฐานของ QA / QC แผนคือ (1) วัตถุประสงค์ด้านคุณภาพข้อมูล (DQOs) [86] ถูกนำมาใช้เพื่อสร้างเกณฑ์การปฏิบัติงานและการยอมรับสำหรับเขตข้อมูลและกระบวนการตรวจวัดในห้องปฏิบัติการ และการตั้งค่าระดับของการวัดความผิดพลาดที่ยอมรับได้ DQO จะจัดตั้งขึ้นมักจะเป็นเวลาห้าด้านของข้อมูลที่มีคุณภาพ: มูลครบถ้วนเปรียบเทียบความถูกต้องและแม่นยำ; (2) การตรวจสอบ: ประกอบการตรวจสอบปกติของสนามในห้องปฏิบัติการและการดำเนินงานการจัดการข้อมูลให้ข้อเสนอแนะที่มีคุณค่าเกี่ยวกับความเพียงพอการดำเนินงานและประสิทธิภาพของระบบคุณภาพที่มีอยู่ การตรวจสอบคุณภาพปกติอนุญาตให้มีการได้รับข้อมูลที่ถูกนำมาใช้จะทำให้การปรับปรุงระบบคุณภาพหรือวางแผนและจัดให้มีมาตรฐานในการรักษาระดับของความสามารถ; (3) การสร้างข้อมูลและการได้มา:. ตามที่จัดตั้งขึ้น DQOs, การสร้างและการเข้าซื้อกิจการของข้อมูลการตรวจสอบที่มีคุณภาพสูงขึ้นอยู่กับการปฏิบัติตามมาตรการการควบคุมคุณภาพในระหว่างการดำเนินการเก็บตัวอย่างภาคสนามและการวิเคราะห์ในห้องปฏิบัติการโดยปกติการควบคุมคุณภาพจะยังคงอยู่ในระหว่างการดำเนินงานภาคสนาม โดยยึดมั่นในมาตรฐานโปรโตคอลการสุ่มตัวอย่างการวิเคราะห์ QA / QCsamples และการสอบเทียบปกติและการบำรุงรักษาเครื่องมือวัดสนาม (4) ตรวจสอบข้อมูลและการใช้งาน: การตรวจสอบและการตรวจสอบคุณภาพของข้อมูลที่สามารถดำเนินการได้อย่างง่ายดายโดยการประเมินข้อมูลทั้งหมดเพื่อให้สอดคล้องกับ DQOs โครงการ การตรวจสอบคุณภาพนอกจากนี้ยังจะดำเนินการไปตามเส้นทางการไหลของข้อมูลทั้งหมดโดยเฉพาะอย่างยิ่งในขั้นตอนการป้อนข้อมูล. ถ้าข้อมูลจะพบว่าอยู่นอกได้รับการยอมรับข้อ จำกัด DQO แล้วการดำเนินการแก้ไข (เช่น re-วิเคราะห์ตัวอย่างผู้ต้องสงสัยอีกครั้งการสุ่มตัวอย่างและการ reanalysis ยอมรับข้อมูลที่มี ได้รับการยอมรับในระดับของการมีอคติและไม่แน่ชัดข้อมูลทิ้ง ฯลฯ ) อาจจะดำเนินการ; . และ (5) การจัดการข้อมูล: ข้อมูลที่มีคุณภาพผ่านการสร้างข้อมูลต่างๆได้มาประเมินและกระบวนการจัดเก็บควรได้รับการจัดการโดยชุดของมาตรการการควบคุมคุณภาพเหล่านี้สามารถรวมการจัดการห่วงโซ่ของการดูแล; ข้อมูลการกำหนดเส้นทางการไหลของการใช้งานของแผ่นข้อมูลภาคสนามที่ได้มาตรฐานและรายงานการตรวจทางห้องปฏิบัติการและการจัดการข้อมูล (ฐานข้อมูล) ระบบ. นอกจากนี้ QA / ควบคุมคุณภาพและความไม่แน่นอนมีการเชื่อมโยงอย่างใกล้ชิด ตัวอย่างเช่น QA / QC ต้องการสามารถปรับปรุงความถูกต้องและลดความไม่แน่นอนในขณะที่ในทางกลับกันการลดความไม่แน่นอนสามารถปรับปรุงข้อมูลที่มีคุณภาพเป็นที่รู้จักกัน. ในทางปฏิบัติการประเมินของความไม่แน่นอนและ QA / QC อาจจะต้องมีการดำเนินการในแบบคู่ขนานเช่นห้องปฏิบัติการควร . รายงานประมาณการของความไม่แน่นอนที่เกี่ยวข้องกับการวัดแต่ละคำอธิบายวิธีการ IEHM สำหรับ IEHIA ที่ระบุไว้ในบทความนี้รวมสององค์ประกอบหลัก: วิธีการสำหรับการออกแบบและดำเนินการโปรแกรม IEHM จริงที่ซับซ้อนปัญหาระบบ E & H (IEHM กรอบแนวคิด); และเชิงคุณภาพแบบบูรณาการข้อมูลจากโปรแกรมการตรวจสอบ existingmultiple (IEHM workprocess โครงสร้างการรวมข้อมูลความไม่แน่นอน-QA / QC วิธีการ). ทั้งวิธีการเหล่านี้เป็นโดยไม่มีข้อ จำกัด และความท้าทายของ. อดีตที่เกี่ยวข้องกับการท้าทายในการออกแบบ / การดำเนินงานของ IEHM โปรแกรม; หลังที่แสดงถึงความสามารถในการรวมข้อมูลจากแหล่งข้อมูลหลาย ๆ การตรวจสอบ. ความท้าทายตามกรอบ IEHM IEHM และขั้นตอนการทำงานของโปรแกรม IEHM จริงอาจจะต้องบูรณาการการตรวจสอบโปรแกรมที่มีอยู่ นี้อาจสร้างข้อ จำกัด เกี่ยวกับเทคนิคการวัดที่สอดคล้องกัน [52]. ตัวอย่างเช่นหลายกฎการออกแบบมาตรฐานและวิธีการที่ใช้ในการจัดตั้ง IEHM ใหม่ programmecannot ถูกนำไปใช้อย่างง่ายดายตั้งแต่ที่มีอยู่ E & H โปรแกรมการตรวจสอบมักจะมีวัตถุประสงค์การตรวจสอบเฉพาะที่มีการวัดที่แตกต่างกัน โปรโตคอลและการออกแบบการสุ่มตัวอย่าง. ข้อ จำกัด เหล่านี้ในรูปแบบและการทำงานของโปรแกรม IEHM อาจประนีประนอมและซับซ้อนบางประเด็นการออกแบบที่สำคัญ แต่ในบางประการนี้ทำให้ยิ่งมีความสำคัญมากขึ้นว่าปัญหาการออกแบบได้รับการพิจารณาอย่างเต็มที่ที่เริ่มมีอาการ [52]. ใน ขั้นตอนการออกแบบ, ความคาดหวังของผู้ใช้ขั้นปลายยังต้องได้รับการพิจารณา [52] ซึ่งแตกต่างอย่างหมดจด researchorientatedactivities โปรแกรม IEHM ควรให้การป้อนข้อมูลสำหรับผู้กำหนดนโยบายและผู้มีส่วนได้เสียอื่น ๆ ในบริบทนี้ข้อมูลบางส่วนจากโปรแกรม IEHM อาจจะไม่เกี่ยวข้องหากความต้องการนโยบายที่ต้องการข้อมูลที่ถูกต้องในระดับที่สูงขึ้นของการรวมและการประสานกัน ข้อมูลจากโปรแกรม IEHM musttherefore เป็นยุทธศาสตร์ต่อต้านการวิจารณ์เช่นมูลความแม่นยำสม่ำเสมอและการทำสำเนา. เป้าหมายเหล่านี้สามารถทำได้โดยการวางแผนอย่างละเอียดและมีส่วนร่วมของผู้มีส่วนได้เสียในช่วงต้นในทุกขั้นตอนของกระบวนการออกแบบ IEHM [52]. รวม DPSEEA (วิธีการทำให้เกิดผลกระทบ) กับระบบธรรมชาติเชิงนิเวศของมนุษย์ (ระบบ) โปรแกรม IEHM จะต้องมีสหวิทยาการสูงและดังนั้นจึงต้องได้รับการออกแบบโดยคำนึงถึงลำดับความสำคัญของมุมมองและความเชี่ยวชาญของผู้มีส่วนได้เสียที่แตกต่างกันระดับ. เมื่อได้รับการสนับสนุนการตัดสินใจ -making เป็นสิ่งจำเป็นปัญหาพื้นฐานทางเลือกในการดำเนินงานควรจะเข้าใจให้กับผู้ชมเป้าหมายของพวกเขาซึ่งอาจจะเป็นความท้าทายที่สำคัญ แต่ไม่สามารถทำได้โดยวิธีการ 'วิเคราะห์-อภิปรายของสภาวิจัยแห่งชาติในสหรัฐอเมริกา [13] และ วิธีการขยายชุมชนของเพียร์ [87,88]. นอกจากนี้ขั้นตอนที่มีความหลากหลายของนักแสดงสำหรับการเลือกจุดร้อนสำหรับการวิจัย biomonitoring มนุษย์ในเบลเยียมพัฒนาโดย Keune et al, (2010) [89] นอกจากนี้ยังอาจได้รับการพิจารณาในการพัฒนาและแจ้งการออกแบบโปรแกรม ได้รับความซับซ้อนโดยธรรมชาติของปัญหา E & H, มันอาจจะเป็นหนึ่งในสาขาแรกที่จะได้รับประโยชน์จากการเปลี่ยนกระบวนทัศน์ในปัจจุบันจากวิทยาศาสตร์หลายทางวินัยกับวิทยาศาสตร์ transdisciplinary เพื่อรับมือกับปัญหาสังคมที่ซับซ้อน นอกจากนี้ข้อมูลปัจจุบันจาก E & H ตรวจสอบความท้าทายหลาย programmesface: (i) การกระจายตัว o
เป็น Mlle ดัดแปลงโดยสหรัฐอเมริกาจัดการทรัพยากรธรรมชาติ (NRM) [70] ส่วนใหญ่จะใช้ในการสำรวจ
ความสัมพันธ์ที่ทำให้เกิดผลกระทบ [71].
BBN เป็นความน่าจะเป็น รูปแบบที่แสดงให้เห็นถึงชุดของตัวแปรสุ่มและการประมูลตามเงื่อนไขของพวกเขาผ่านชี้นำวัฏจักรกราฟ (DAG).
ตัวอย่างเช่น BBN จะเป็นตัวแทนของความน่าจะเป็นความสัมพันธ์ระหว่างโรคและอาการ ได้รับอาการเครือข่ายที่สามารถนำมาใช้ในการคำนวณความน่าจะเป็นโรคต่าง ๆ . BBN เป็นวิธีการรวมตัวกันของข้อมูลที่ดีที่สุดจากแหล่งต่างๆ [62,66]. นอกจากนี้ในขณะที่โปรแกรมการตรวจสอบใด ๆ ความพยายามที่มีความจำเป็น เพื่อลดความไม่แน่นอนระหว่างการรวบรวมข้อมูลและการวิเคราะห์ข้อมูล. มีหลายแหล่งที่มาของความไม่แน่นอนในโปรแกรม IEHM ซึ่งโดยทั่วไปสามารถแบ่งออกเป็นสองกลุ่มมีความไม่แน่นอนและความไม่แน่นอนเชิงปริมาณเชิงคุณภาพ [33]. ความไม่แน่นอนเชิงปริมาณอาจเป็นผลมาจากการขาดความแม่นยำ (เช่น การเปลี่ยนแปลงในการวัดเนื่องจากจำนวนไม่เพียงพอของการสังเกตความผิดพลาดการสุ่มตัวอย่าง) หรือขาดความถูกต้อง (เช่นความไม่ถูกต้องในการสังเกตที่เกิดจากข้อผิดพลาดในการวัดโครงสร้างการคาดการณ์ที่ไม่เหมาะสมรบกวนอื่น ๆ ). ความไม่แน่นอนเชิงคุณภาพชี้ให้เห็นสิ่งที่เราไม่ทราบว่า แต่ที่ไม่สามารถจับภาพในความหมายทางสถิติเช่นวิธีการที่จะหาจำนวนของความคิดเห็นที่แตกต่างกันระหว่างนักวิทยาศาสตร์แตกต่างในกรอบของปัญหาหรือไม่สอดคล้องกันในฐานความรู้ทางวิทยาศาสตร์? [33]. โดยการเชื่อมโยงกับกระบวนการมีโครงสร้างการทำงานของเราในโปรแกรม IEHM, ความไม่แน่นอนเชิงปริมาณจะถูก จำกัด มากที่สุดมีแนวโน้มที่จะไปขั้นตอนที่ 2 ขั้นตอนที่ 5 ข้างต้นในขณะที่ความไม่แน่นอนเชิงคุณภาพจะพบในทุกขั้นตอน. ทุกประเภทของความไม่แน่นอนต้องมีการจัดการที่เหมาะสม เทคนิคและมีชุดในวงกว้างของเครื่องมือที่จะทำเช่นนั้น โดยสรุปสามประเภทของเทคนิคสามารถนำมาใช้ในการวิเคราะห์ความไม่แน่นอนในโปรแกรม IEHM: (i) การประเมินคุณภาพของข้อมูล: วิธีการ (เช่นเครื่องมือ Aguila [72], ตัวเลข, หน่วยกระจาย, การประเมินและโคตร (NUSAP) ระบบ [ 73,74]) สำหรับข้อมูลการประเมินคุณภาพสามารถนำมาใช้ในการจัดการกับ quantitativeuncertainty โดยประเมินว่าข้อมูลที่เหมาะสำหรับวัตถุประสงค์. การประเมินดังกล่าวเกี่ยวข้องกับ "การประเมินผลทางวิทยาศาสตร์และสถิติของข้อมูลเพื่อตรวจสอบว่าพวกเขาตอบสนองวัตถุประสงค์ของโครงการ และทำให้มีประเภทสิทธิที่มีคุณภาพและปริมาณที่จะรองรับการใช้งานของพวกเขาตั้งใจ [75] "; (ii) การสอบถามผู้เชี่ยวชาญ: วิธีการนี้สามารถนำมาใช้ในการจัดการกับความไม่แน่นอนเชิงคุณภาพโดยผู้เชี่ยวชาญด้านการให้คำปรึกษาเป็นวิธีการให้ได้มาซึ่งประมาณการเบื้องต้นสำหรับข้อมูลเกี่ยวกับความรู้ทางวิทยาศาสตร์ที่ยังไม่สมบูรณ์หรือไม่สอดคล้องกัน [33,75,76]; (iii) ขึ้นอยู่กับวิธีการจำแนกประเภทของความไม่แน่นอน: การจำแนกประเภทของความไม่แน่นอนสามารถช่วยในการจัดโครงสร้างที่แตกต่างกันของความไม่แน่นอน (เช่นความไม่แน่นอนบริบทความไม่แน่นอนของโครงสร้างรูปแบบ, ความไม่แน่นอนพารามิเตอร์ความไม่แน่นอนของการป้อนข้อมูลและอื่น ๆ ) [33,70] นี้สามารถช่วยในการเปิดการระบุวิธีการและเทคนิคในการจัดการกับความไม่แน่นอนตั้งแต่การอภิปรายของผู้มีส่วนได้ส่วนเสียมีความไวและการตัดสินใจวิเคราะห์ [33,70]. ความไวและการตัดสินใจการวิเคราะห์สามารถช่วยในการระบุแหล่งที่มาของความไม่แน่นอนส่วนใหญ่จะส่งผลกระทบต่อผลสุดท้าย [ 78-80] และความสำคัญของแต่ละองค์ประกอบมีความไม่แน่นอน เมื่อแหล่งที่มาหลักของความไม่แน่นอนเป็นที่รู้จักและจัดลำดับความสำคัญเสร็จสิ้นเครื่องมือที่เหมาะสมสามารถเลือกสำหรับการวิเคราะห์ต่อ แคตตาล็อกเครื่องมือที่ไม่แน่นอนโดยแวนเดอร์ Sluijs et al. [81] ให้คำแนะนำสำหรับการเลือกวิธีการที่เหมาะสมที่ตรงกับลักษณะของความไม่แน่นอนในการจำแนกประเภท. Refsgaard et al, [82] นอกจากนี้ยังอธิบายถึงวิธีการต่างๆในการจัดการกับความไม่แน่นอนและอธิบาย purposesthey ซึ่งอาจจะทำหน้าที่. ในที่สุดการประกันคุณภาพ / ควบคุมคุณภาพ (QA / QC) เป็นหนึ่งในองค์ประกอบที่สำคัญที่สุดของโปรแกรม IEHM และควรจะใช้ประโยชน์จากการดำเนินงานมาตรฐาน ขั้นตอน (SOP) เพื่อให้ข้อมูลที่มีคุณภาพเป็นที่รู้จักกัน. รุ่นของสนามที่เชื่อถือได้และการวิเคราะห์ข้อมูลที่จะประสบความสำเร็จที่ดีที่สุดผ่านการพัฒนาและการดำเนินงานของ QA / QC แผน [83,84]. การพัฒนาอย่างเข้มงวด QA / QC แผนควรจะทำ ในความร่วมมือกับทุก stakeholdersthroughout ระยะเวลาการตรวจสอบทั้งหมด [85]. องค์ประกอบพื้นฐานของ QA / QC แผนคือ (1) วัตถุประสงค์ด้านคุณภาพข้อมูล (DQOs) [86] ถูกนำมาใช้เพื่อสร้างเกณฑ์การปฏิบัติงานและการยอมรับสำหรับเขตข้อมูลและกระบวนการตรวจวัดในห้องปฏิบัติการ และการตั้งค่าระดับของการวัดความผิดพลาดที่ยอมรับได้ DQO จะจัดตั้งขึ้นมักจะเป็นเวลาห้าด้านของข้อมูลที่มีคุณภาพ: มูลครบถ้วนเปรียบเทียบความถูกต้องและแม่นยำ; (2) การตรวจสอบ: ประกอบการตรวจสอบปกติของสนามในห้องปฏิบัติการและการดำเนินงานการจัดการข้อมูลให้ข้อเสนอแนะที่มีคุณค่าเกี่ยวกับความเพียงพอการดำเนินงานและประสิทธิภาพของระบบคุณภาพที่มีอยู่ การตรวจสอบคุณภาพปกติอนุญาตให้มีการได้รับข้อมูลที่ถูกนำมาใช้จะทำให้การปรับปรุงระบบคุณภาพหรือวางแผนและจัดให้มีมาตรฐานในการรักษาระดับของความสามารถ; (3) การสร้างข้อมูลและการได้มา:. ตามที่จัดตั้งขึ้น DQOs, การสร้างและการเข้าซื้อกิจการของข้อมูลการตรวจสอบที่มีคุณภาพสูงขึ้นอยู่กับการปฏิบัติตามมาตรการการควบคุมคุณภาพในระหว่างการดำเนินการเก็บตัวอย่างภาคสนามและการวิเคราะห์ในห้องปฏิบัติการโดยปกติการควบคุมคุณภาพจะยังคงอยู่ในระหว่างการดำเนินงานภาคสนาม โดยยึดมั่นในมาตรฐานโปรโตคอลการสุ่มตัวอย่างการวิเคราะห์ QA / QCsamples และการสอบเทียบปกติและการบำรุงรักษาเครื่องมือวัดสนาม (4) ตรวจสอบข้อมูลและการใช้งาน: การตรวจสอบและการตรวจสอบคุณภาพของข้อมูลที่สามารถดำเนินการได้อย่างง่ายดายโดยการประเมินข้อมูลทั้งหมดเพื่อให้สอดคล้องกับ DQOs โครงการ การตรวจสอบคุณภาพนอกจากนี้ยังจะดำเนินการไปตามเส้นทางการไหลของข้อมูลทั้งหมดโดยเฉพาะอย่างยิ่งในขั้นตอนการป้อนข้อมูล. ถ้าข้อมูลจะพบว่าอยู่นอกได้รับการยอมรับข้อ จำกัด DQO แล้วการดำเนินการแก้ไข (เช่น re-วิเคราะห์ตัวอย่างผู้ต้องสงสัยอีกครั้งการสุ่มตัวอย่างและการ reanalysis ยอมรับข้อมูลที่มี ได้รับการยอมรับในระดับของการมีอคติและไม่แน่ชัดข้อมูลทิ้ง ฯลฯ ) อาจจะดำเนินการ; . และ (5) การจัดการข้อมูล: ข้อมูลที่มีคุณภาพผ่านการสร้างข้อมูลต่างๆได้มาประเมินและกระบวนการจัดเก็บควรได้รับการจัดการโดยชุดของมาตรการการควบคุมคุณภาพเหล่านี้สามารถรวมการจัดการห่วงโซ่ของการดูแล; ข้อมูลการกำหนดเส้นทางการไหลของการใช้งานของแผ่นข้อมูลภาคสนามที่ได้มาตรฐานและรายงานการตรวจทางห้องปฏิบัติการและการจัดการข้อมูล (ฐานข้อมูล) ระบบ. นอกจากนี้ QA / ควบคุมคุณภาพและความไม่แน่นอนมีการเชื่อมโยงอย่างใกล้ชิด ตัวอย่างเช่น QA / QC ต้องการสามารถปรับปรุงความถูกต้องและลดความไม่แน่นอนในขณะที่ในทางกลับกันการลดความไม่แน่นอนสามารถปรับปรุงข้อมูลที่มีคุณภาพเป็นที่รู้จักกัน. ในทางปฏิบัติการประเมินของความไม่แน่นอนและ QA / QC อาจจะต้องมีการดำเนินการในแบบคู่ขนานเช่นห้องปฏิบัติการควร . รายงานประมาณการของความไม่แน่นอนที่เกี่ยวข้องกับการวัดแต่ละคำอธิบายวิธีการ IEHM สำหรับ IEHIA ที่ระบุไว้ในบทความนี้รวมสององค์ประกอบหลัก: วิธีการสำหรับการออกแบบและดำเนินการโปรแกรม IEHM จริงที่ซับซ้อนปัญหาระบบ E & H (IEHM กรอบแนวคิด); และเชิงคุณภาพแบบบูรณาการข้อมูลจากโปรแกรมการตรวจสอบ existingmultiple (IEHM workprocess โครงสร้างการรวมข้อมูลความไม่แน่นอน-QA / QC วิธีการ). ทั้งวิธีการเหล่านี้เป็นโดยไม่มีข้อ จำกัด และความท้าทายของ. อดีตที่เกี่ยวข้องกับการท้าทายในการออกแบบ / การดำเนินงานของ IEHM โปรแกรม; หลังที่แสดงถึงความสามารถในการรวมข้อมูลจากแหล่งข้อมูลหลาย ๆ การตรวจสอบ. ความท้าทายตามกรอบ IEHM IEHM และขั้นตอนการทำงานของโปรแกรม IEHM จริงอาจจะต้องบูรณาการการตรวจสอบโปรแกรมที่มีอยู่ นี้อาจสร้างข้อ จำกัด เกี่ยวกับเทคนิคการวัดที่สอดคล้องกัน [52]. ตัวอย่างเช่นหลายกฎการออกแบบมาตรฐานและวิธีการที่ใช้ในการจัดตั้ง IEHM ใหม่ programmecannot ถูกนำไปใช้อย่างง่ายดายตั้งแต่ที่มีอยู่ E & H โปรแกรมการตรวจสอบมักจะมีวัตถุประสงค์การตรวจสอบเฉพาะที่มีการวัดที่แตกต่างกัน โปรโตคอลและการออกแบบการสุ่มตัวอย่าง. ข้อ จำกัด เหล่านี้ในรูปแบบและการทำงานของโปรแกรม IEHM อาจประนีประนอมและซับซ้อนบางประเด็นการออกแบบที่สำคัญ แต่ในบางประการนี้ทำให้ยิ่งมีความสำคัญมากขึ้นว่าปัญหาการออกแบบได้รับการพิจารณาอย่างเต็มที่ที่เริ่มมีอาการ [52]. ใน ขั้นตอนการออกแบบ, ความคาดหวังของผู้ใช้ขั้นปลายยังต้องได้รับการพิจารณา [52] ซึ่งแตกต่างอย่างหมดจด researchorientatedactivities โปรแกรม IEHM ควรให้การป้อนข้อมูลสำหรับผู้กำหนดนโยบายและผู้มีส่วนได้เสียอื่น ๆ ในบริบทนี้ข้อมูลบางส่วนจากโปรแกรม IEHM อาจจะไม่เกี่ยวข้องหากความต้องการนโยบายที่ต้องการข้อมูลที่ถูกต้องในระดับที่สูงขึ้นของการรวมและการประสานกัน ข้อมูลจากโปรแกรม IEHM musttherefore เป็นยุทธศาสตร์ต่อต้านการวิจารณ์เช่นมูลความแม่นยำสม่ำเสมอและการทำสำเนา. เป้าหมายเหล่านี้สามารถทำได้โดยการวางแผนอย่างละเอียดและมีส่วนร่วมของผู้มีส่วนได้เสียในช่วงต้นในทุกขั้นตอนของกระบวนการออกแบบ IEHM [52]. รวม DPSEEA (วิธีการทำให้เกิดผลกระทบ) กับระบบธรรมชาติเชิงนิเวศของมนุษย์ (ระบบ) โปรแกรม IEHM จะต้องมีสหวิทยาการสูงและดังนั้นจึงต้องได้รับการออกแบบโดยคำนึงถึงลำดับความสำคัญของมุมมองและความเชี่ยวชาญของผู้มีส่วนได้เสียที่แตกต่างกันระดับ. เมื่อได้รับการสนับสนุนการตัดสินใจ -making เป็นสิ่งจำเป็นปัญหาพื้นฐานทางเลือกในการดำเนินงานควรจะเข้าใจให้กับผู้ชมเป้าหมายของพวกเขาซึ่งอาจจะเป็นความท้าทายที่สำคัญ แต่ไม่สามารถทำได้โดยวิธีการ 'วิเคราะห์-อภิปรายของสภาวิจัยแห่งชาติในสหรัฐอเมริกา [13] และ วิธีการขยายชุมชนของเพียร์ [87,88]. นอกจากนี้ขั้นตอนที่มีความหลากหลายของนักแสดงสำหรับการเลือกจุดร้อนสำหรับการวิจัย biomonitoring มนุษย์ในเบลเยียมพัฒนาโดย Keune et al, (2010) [89] นอกจากนี้ยังอาจได้รับการพิจารณาในการพัฒนาและแจ้งการออกแบบโปรแกรม ได้รับความซับซ้อนโดยธรรมชาติของปัญหา E & H, มันอาจจะเป็นหนึ่งในสาขาแรกที่จะได้รับประโยชน์จากการเปลี่ยนกระบวนทัศน์ในปัจจุบันจากวิทยาศาสตร์หลายทางวินัยกับวิทยาศาสตร์ transdisciplinary เพื่อรับมือกับปัญหาสังคมที่ซับซ้อน นอกจากนี้ข้อมูลปัจจุบันจาก E & H ตรวจสอบความท้าทายหลาย programmesface: (i) การกระจายตัว o
การแปล กรุณารอสักครู่..
mlle ถูกพัฒนาขึ้นสำหรับการศึกษาระบาดวิทยาของมนุษย์ และการประเมินความเสี่ยงต่อระบบนิเวศ [ 68,69 ] .
mlle ที่ดัดแปลงโดยเราการจัดการทรัพยากรธรรมชาติ ( nrm ) [ 70 ] ส่วนใหญ่จะใช้เพื่อสำรวจ
เพราะผลความสัมพันธ์ [ 71 ]
bbn เป็นแบบจำลองที่แสดงถึงความน่าจะเป็นของตัวแปรสุ่มและชุดของเงื่อนไข interdependencies ผ่านกราฟอวัฏจักรระบุทิศทาง ( ลูกไม้ )
ตัวอย่างเป็น bbn สามารถแสดงความสัมพันธ์ระหว่างความน่าจะเป็นของโรคและอาการ ระบุอาการ เครือข่ายสามารถใช้เพื่อคำนวณค่าความน่าจะเป็นของโรคต่าง ๆ
bbn เป็นวิธีที่ดีที่สุดที่เป็นไปได้สำหรับการบูรณาการข้อมูลจากแหล่งข้อมูลที่หลากหลาย [ 62,66 ] .
นอกจากนี้ ในการตรวจสอบโครงการความพยายามที่จำเป็นในการลดความไม่แน่นอนในระหว่างการเก็บรวบรวมข้อมูลและการวิเคราะห์ข้อมูล
มีหลายแหล่งที่มาของความไม่แน่นอนในโปรแกรม iehm ซึ่งโดยทั่วไปสามารถแบ่งออกเป็นสองกลุ่ม ความไม่แน่นอนและความไม่แน่นอนเชิงคุณภาพเชิงปริมาณ [ 33 ]
ความไม่แน่นอนเชิงปริมาณอาจจะสืบทอดมาจากขาดความแม่นยำ ( เช่นการเปลี่ยนแปลงในการวัดจากจำนวนไม่เพียงพอของการสังเกตสุ่มตัวอย่างข้อผิดพลาด ) หรือ ขาดความระมัดระวัง เช่น ความไม่ถูกต้องในการสังเกต อันเกิดจากข้อผิดพลาดการวัดโครงสร้างไม่เหมาะสมทำไม confounding , ฯลฯ ) .
ความไม่แน่นอนเชิงคุณภาพพบว่า สิ่งที่เราไม่รู้ แต่ที่ไม่สามารถจับในความรู้สึกทางสถิติ เช่น วิธีการวัดความแตกต่างของความคิดเห็นระหว่างนักวิทยาศาสตร์ ความแตกต่างใน กรอบของปัญหาหรือความไม่สอดคล้องกันในฐานความรู้ทางวิทยาศาสตร์ ? [ 33 ]
โดยการเชื่อมโยงกระบวนการงานโครงสร้างในโครงการ iehm ความไม่แน่นอนเชิงปริมาณจะมากที่สุดเฉพาะขั้นตอนที่ 2 ขั้นตอนที่ 5 ข้างต้น ในขณะที่ความไม่แน่นอนเชิงคุณภาพจะพบในทุกขั้นตอน
ทุกประเภทของความไม่แน่นอนต้องมีการจัดการด้วยเทคนิคที่เหมาะสม และมีชุดของเครื่องมือที่จะทำเช่นนั้นสรุป สามประเภทของเทคนิคที่สามารถใช้ในการวิเคราะห์ความไม่แน่นอนใน iehm โปรแกรม : ( ฉัน ) การประเมินคุณภาพข้อมูล : วิธีการ ( เช่น AGUILA เครื่องมือ [ 72 ] , ตัวเลข , หน่วย , กระจาย , การประเมินและสายเลือด ( nusap ) ระบบ [ 73,74 ] ) สำหรับข้อมูล
ประเมินคุณภาพ สามารถใช้จัดการ กับ quantitativeuncertainty โดยประเมินว่าข้อมูลที่เหมาะสำหรับวัตถุประสงค์
การประเมินดังกล่าวเกี่ยวข้องกับการ " การประเมินทางวิทยาศาสตร์และสถิติของข้อมูลเพื่อตรวจสอบว่าพวกเขา
ตามวัตถุประสงค์ของโครงการ จึงมีประเภท คุณภาพ ถูกต้อง และปริมาณเพื่อสนับสนุนการใช้งาน [ 75 ] " ; ( 2 ) ผู้เชี่ยวชาญด้านการ : วิธีการนี้สามารถใช้เพื่อจัดการกับความไม่แน่นอนเชิงคุณภาพโดยผู้เชี่ยวชาญที่ปรึกษา เป็นวิธีการที่จะได้รับการประมาณการ
เบื้องต้นสำหรับข้อมูลเกี่ยวกับความรู้ทางวิทยาศาสตร์ยังไม่สมบูรณ์หรือไม่ [ 33,75,76 ] ; ( iii ) วิธีการขึ้นอยู่กับรูปแบบของความไม่แน่นอน : รูปแบบของความไม่แน่นอนสามารถช่วยให้โครงสร้างแตกต่างกันประเภทของความไม่แน่นอน ( เช่น บริบท ความไม่แน่นอน โครงสร้างแบบจำลองความไม่แน่นอน และความไม่แน่นอน ข้อมูลไม่แน่นอน ฯลฯ ) [ 33,70 ]
mlle ที่ดัดแปลงโดยเราการจัดการทรัพยากรธรรมชาติ ( nrm ) [ 70 ] ส่วนใหญ่จะใช้เพื่อสำรวจ
เพราะผลความสัมพันธ์ [ 71 ]
bbn เป็นแบบจำลองที่แสดงถึงความน่าจะเป็นของตัวแปรสุ่มและชุดของเงื่อนไข interdependencies ผ่านกราฟอวัฏจักรระบุทิศทาง ( ลูกไม้ )
ตัวอย่างเป็น bbn สามารถแสดงความสัมพันธ์ระหว่างความน่าจะเป็นของโรคและอาการ ระบุอาการ เครือข่ายสามารถใช้เพื่อคำนวณค่าความน่าจะเป็นของโรคต่าง ๆ
bbn เป็นวิธีที่ดีที่สุดที่เป็นไปได้สำหรับการบูรณาการข้อมูลจากแหล่งข้อมูลที่หลากหลาย [ 62,66 ] .
นอกจากนี้ ในการตรวจสอบโครงการความพยายามที่จำเป็นในการลดความไม่แน่นอนในระหว่างการเก็บรวบรวมข้อมูลและการวิเคราะห์ข้อมูล
มีหลายแหล่งที่มาของความไม่แน่นอนในโปรแกรม iehm ซึ่งโดยทั่วไปสามารถแบ่งออกเป็นสองกลุ่ม ความไม่แน่นอนและความไม่แน่นอนเชิงคุณภาพเชิงปริมาณ [ 33 ]
ความไม่แน่นอนเชิงปริมาณอาจจะสืบทอดมาจากขาดความแม่นยำ ( เช่นการเปลี่ยนแปลงในการวัดจากจำนวนไม่เพียงพอของการสังเกตสุ่มตัวอย่างข้อผิดพลาด ) หรือ ขาดความระมัดระวัง เช่น ความไม่ถูกต้องในการสังเกต อันเกิดจากข้อผิดพลาดการวัดโครงสร้างไม่เหมาะสมทำไม confounding , ฯลฯ ) .
ความไม่แน่นอนเชิงคุณภาพพบว่า สิ่งที่เราไม่รู้ แต่ที่ไม่สามารถจับในความรู้สึกทางสถิติ เช่น วิธีการวัดความแตกต่างของความคิดเห็นระหว่างนักวิทยาศาสตร์ ความแตกต่างใน กรอบของปัญหาหรือความไม่สอดคล้องกันในฐานความรู้ทางวิทยาศาสตร์ ? [ 33 ]
โดยการเชื่อมโยงกระบวนการงานโครงสร้างในโครงการ iehm ความไม่แน่นอนเชิงปริมาณจะมากที่สุดเฉพาะขั้นตอนที่ 2 ขั้นตอนที่ 5 ข้างต้น ในขณะที่ความไม่แน่นอนเชิงคุณภาพจะพบในทุกขั้นตอน
ทุกประเภทของความไม่แน่นอนต้องมีการจัดการด้วยเทคนิคที่เหมาะสม และมีชุดของเครื่องมือที่จะทำเช่นนั้นสรุป สามประเภทของเทคนิคที่สามารถใช้ในการวิเคราะห์ความไม่แน่นอนใน iehm โปรแกรม : ( ฉัน ) การประเมินคุณภาพข้อมูล : วิธีการ ( เช่น AGUILA เครื่องมือ [ 72 ] , ตัวเลข , หน่วย , กระจาย , การประเมินและสายเลือด ( nusap ) ระบบ [ 73,74 ] ) สำหรับข้อมูล
ประเมินคุณภาพ สามารถใช้จัดการ กับ quantitativeuncertainty โดยประเมินว่าข้อมูลที่เหมาะสำหรับวัตถุประสงค์
การประเมินดังกล่าวเกี่ยวข้องกับการ " การประเมินทางวิทยาศาสตร์และสถิติของข้อมูลเพื่อตรวจสอบว่าพวกเขา
ตามวัตถุประสงค์ของโครงการ จึงมีประเภท คุณภาพ ถูกต้อง และปริมาณเพื่อสนับสนุนการใช้งาน [ 75 ] " ; ( 2 ) ผู้เชี่ยวชาญด้านการ : วิธีการนี้สามารถใช้เพื่อจัดการกับความไม่แน่นอนเชิงคุณภาพโดยผู้เชี่ยวชาญที่ปรึกษา เป็นวิธีการที่จะได้รับการประมาณการ
เบื้องต้นสำหรับข้อมูลเกี่ยวกับความรู้ทางวิทยาศาสตร์ยังไม่สมบูรณ์หรือไม่ [ 33,75,76 ] ; ( iii ) วิธีการขึ้นอยู่กับรูปแบบของความไม่แน่นอน : รูปแบบของความไม่แน่นอนสามารถช่วยให้โครงสร้างแตกต่างกันประเภทของความไม่แน่นอน ( เช่น บริบท ความไม่แน่นอน โครงสร้างแบบจำลองความไม่แน่นอน และความไม่แน่นอน ข้อมูลไม่แน่นอน ฯลฯ ) [ 33,70 ]
การแปล กรุณารอสักครู่..
ภาษาอื่น ๆ
การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.
- 복사해
- เข้าใจมั้ย?
- Teelak, i want ask something, what u lik
- บางเดื่อ
- ก็นึกว่าไมอยากได้
- Colur
- ฉันอายุ21ปี
- บางเดื่อ
- ฉันอยู่คนเดียวได้โดยไม่มีคุณ
- กรมขาวทหารอากาศ เขตดอนเมือง กทม.10210
- เมื่อฉันเติบโต เป็นผู้ใหญ่ฉันจะมีภรรยา
- เครื่อง
- Pls kindly check attached,beijing shippe
- where are you trying to get to
- เมื่อฉันเติบโต เป็นผู้ใหญ่ฉันจะมีภรรยา
- ให้เพื่อนยืมหนังสือ
- ฉันอายุ21ปี
- TouristsServicesBargainsVacancies
- Because the CCT40 is aconverter for an a
- Dear Khun Supaporn, Please check the pri
- TouristsServicesBargainsVacancies
- I don't know all the cities of our count
- ซึ่งสารละลายดูดความชื้นจะดูดซับความชื้นจ
- I REALLY I ADMIRE YOU ARE
