MétaCan
Menu
Retour à la cohorte
Enregistrement W2089020727 · doi:10.1192/bjp.bp.106.031195

Extracting spurious messages from noise and risk of schizophrenia-spectrum disorders in a prodromal population

2007· article· en· W2089020727 sur OpenAlexaff
Ralph E. Hoffman, Scott W. Woods, Keith A. Hawkins, Brian Pittman, Mauricio Tohen, Adrian Preda, Alan Breier, Jill Glist, Jean Addington, Diana O. Perkins, Thomas H. McGlashan

Notice bibliographique

RevueThe British Journal of Psychiatry · 2007
Typearticle
Langueen
DomaineNeuroscience
ThématiqueNeuroscience and Music Perception
Établissements canadiensUniversity of Calgary
Organismes subventionnairesEli Lilly and Company
Mots-clésSpurious relationshipSchizophrenia spectrumSchizophrenia (object-oriented programming)Noise (video)Spectrum (functional analysis)PopulationNoise spectrumMedicineComputer sciencePsychiatryEnvironmental healthArtificial intelligencePhysicsPsychosisNoise reductionMachine learning

Résumé

récupéré en direct d'OpenAlex

Atendency to extract spurious, message-like meaning from meaningless noise was assessed as a risk factor leading to schizophrenia-spectrum disorders by assessing word length of speech illusions elicited by multispeaker babble in 43 people with prodromal symptoms. These individuals were randomised to olanzapine v. placebo groups during year 1 followed by no pharmacological treatment for those with no disorder conversion during year 2. A time-dependent Cox regression analysis of conversion to schizophrenia-spectrum disorder revealed a significant interaction between condition (olanzapine v. no drug) and length of speech illusion, with the latter strongly predicting subsequent conversion during medication-free intervals but not during olanzapine treatment.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,351
Score d'incertitude au seuil0,458

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,253
Écart entre enseignants0,243 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations73
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe British Journal of PsychiatryMême sujetNeuroscience and Music PerceptionTravaux en français237 207