Notice bibliographique
Résumé
The past few decades have seen a promising trend in point-of-care diagnostics, with microfluidic technologies at the cornerstone of this emerging field. Microfluidic devices are platforms the size of a microscope slide, or smaller, that are comprised of various circuits connected by miniature tubing systems. These technologies can be coupled to many common analytical detection techniques and promise rapid simultaneous analyses and automatic reporting, while utilizing minute volumes of samples and reagents (1). Microfluidic chips are typically made out of a transparent polymer, polydimethylsiloxane, through a process called photolithography. A silicon plate is covered with a printed “photomask.” With exposure to UV light, the pattern on the photomask is transferred to a light-sensitive chemical “photoresist” on the silicon substrate. The photoresist resists subsequent chemical treatments, allowing an inverse image of the photomask pattern to be engraved into the silicon. This engraved image serves as a mold for the chip. Polydimethylsiloxane is poured over the mold and hardened to create the final chip. More recently, 3D printing has been employed to create microfluidic chips, which has greatly simplified the process of creating 3D chips. A 3D printer builds the shape of the circuits with plastic and is then submerged in polydimethylsiloxane to produce the chip.
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 | 0,022 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,015 |
| Communication savante | 0,009 | 0,022 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,009 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,007 |
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 ».