Harmonization: a methodology for advancing research in multiple sclerosis
Notice bibliographique
Résumé
Decreasing research funding is in conflict with the increasing need to conduct large studies to examine rare risk factors and interactions between risk factors. As a result, investigators are searching for strategies to stretch research funds and to design studies that will maximize investments already made. Multiple sclerosis (MS) is generally accepted as a multifactorial disease, and the assessment of interactions between risk factors and the desire to assess risk factors within particular sub-groups requires a large number of participants. Harmonization is a methodology that may help address this problem. Harmonization is a methodological approach that aims to systematize the process of combining individual data that are collected in several observational studies. Combining data will increase sample size, but the quality of the harmonized result is only as high as the quality of the individual studies and the comparability of the constructs measured. In this short report, we introduce the concept of harmonization and provide examples where harmonization may be advantageous in MS research.
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 | 0,515 | 0,645 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,007 | 0,010 |
| Bibliométrie | 0,023 | 0,027 |
| Études des sciences et des technologies | 0,007 | 0,020 |
| Communication savante | 0,017 | 0,017 |
| Science ouverte | 0,009 | 0,029 |
| Intégrité de la recherche | 0,006 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».