Corrigendum: GRETNA: a graph theoretical network analysis toolbox for imaging connectomics
Notice bibliographique
Résumé
A General Commentary on GRETNA: a graph theoretical network analysis toolbox for imaging Connectomics by Wang J, Wang X, Xia M, Liao X, Evans A and He Y (2015) GRETNA: a graph theoretical network analysis toolbox for imaging connectomics. Front. Hum. Neurosci. 9:386. doi: 10.3389/fnhum.2015.00386Here, we would like to correct the two points as follows.1) The updated Table 1: Table 1. Summary of neuroscience connectomics tools 2) Discussion: “Specifically, compared with the recent developed GraphVar (Kruschwitz et al., 2015), GRETNA has distinct features in parallel computing, capability to preprocess R-fMRI data.” We would like to further clarify the description as “Specifically, compared with the recent developed GraphVar (Kruschwitz et al., 2015), GRETNA has distinct features in parallel computing. The GraphVar (beta v0.611) can assign several jobs to different CPUs by calling Matlab's parallel computing toolbox. The GRETNA can assign parallel tasks by calling the PSOM toolbox (Bellec et al., 2012), which helps GRETNA to record and manage the data generated during fMRI preprocessing or graph-based network analyses and to restart the pipeline from the failure steps.”
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,013 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,073 | 0,065 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».