Notice bibliographique
Résumé
Abstract Functional magnetic resonance imaging (FMRI) is an analytical method for measuring brain activity while it occurs. FMRI was first demonstrated in 1992, but it has since become the most popular neuroimaging method. Its temporal resolution is of the order of seconds and hence superior to positron emission tomography (PET). Its spatial resolution is on the order of millimeters which makes it superior to both PET and electrophysiological methods such as electroencephalography (EEG). Furthermore, FMRI is noninvasive in the sense that no external contrast agent has to be used. FMRI contrast is based on the intrinisic blood oxygenation changes that occur at the site of brain activity in response to a specific task. The exact mechanism that links activity and signal change is currently not well understood and is an area of active research. FMRI is subject to many experimental difficulties, however. A vexing problem is that of physiological (heartbeat and breathing) and gross motion. Gross motion is often coupled to the presentation of the stimulus and hence especially prone to producing artefactual activation. The analysis of the experimental data is not a standard procedure at present. While past research has generally used paradigmatic methods of analysis (hypothesis testing), nonparadigmatic (data driven) methods like fuzzy clustering analysis (FCA) or independent component analysis (ICA) have become important tools. A more complete understanding of the physiological mechanisms leading to the activation signal, and a better grasp of the proper statistical treatment of the data, are likely to increase the power of FMRI even further.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,000 |
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 tête enseignante, 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 ».