Motivation and synthesis of the FIAC experiment: Reproducibility of fMRI results across expert analyses
Notice bibliographique
Résumé
The Functional Imaging Analysis Contest (FIAC) culminated in the FIAC Workshop held at the 11th Annual Meeting of the Organization for Human Brain Mapping in Toronto in 2005. This special issue summarizes various analyses used by contestants with a single functional magnetic resonance imaging (fMRI) study, a cortical-language study using sentence repetition. The results from the cognitive neuroscientists who developed the test-base language study, and report their data analysis, are complemented by expert analyses of the same test-base data by most of the major groups actively developing fMRI software packages. Analyses include many variants of the general linear model (GLM), cutting-edge spatial- and temporal-wavelets, permutation-based, and ICA approaches. A number of authors also include surface-based approaches. Several articles describe the important emerging areas of diagnostics for GLM analysis, multivariate predictive modeling, and functional connectivity analysis. While the FIAC did not achieve all of its goals, it helped identify new activation regions in the test-base data, and more important, through this special issue it illustrates the significant methods-driven variability that potentially exists in the literature. Variable results from different methods reported here should provide a cautionary note and motivate the Human Brain Mapping community to explore more thoroughly the methodologies they use for analyzing fMRI data.
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 | 0,114 | 0,322 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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; 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 ».