MétaCan
Menu
Retour à la cohorte
Enregistrement W2801401754 · doi:10.1017/s0952523817000244

Animal models of amblyopia

2018· review· en· W2801401754 sur OpenAlexaff
Donald E. Mitchell, Frank Sengpiel

Notice bibliographique

RevueVisual Neuroscience · 2018
Typereview
Langueen
DomaineNeuroscience
ThématiqueMemory and Neural Mechanisms
Établissements canadiensDalhousie University
Organismes subventionnairesBiotechnology and Biological Sciences Research Council
Mots-clésTimelineAnimal speciesComputer sciencePsychologyAnimal modelCognitive psychologyData scienceCognitive scienceBiologyGeographyEvolutionary biology

Résumé

récupéré en direct d'OpenAlex

Unquestionably, the last six decades of research on various animal models have advanced our understanding of the mechanisms that underlie the many complex characteristics of amblyopia as well as provided promising new avenues for treatment. While animal models in general have served an important purpose, there nonetheless remain questions regarding the efficacy of particular models considering the differences across animal species, especially when the goal is to provide the foundations for human interventions. Our discussion of these issues culminated in three recommendations for future research to provide cohesion across animals models as well as a fourth recommendation for acceptance of a protocol for the minimum number of steps necessary for the translation of results obtained on particular animal models to human clinical trials. The three recommendations for future research arose from discussions of various issues including the specific results obtained from the use of different animal models, the degree of similarity to the human visual system, the ability to generate animal models of the different types of human amblyopia as well as the difficulty of scaling developmental timelines between different species.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0030,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,002
Science ouverte0,0020,001
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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 Opus0,389
Tête enseignante GPT0,455
Écart entre enseignants0,066 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

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

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

En bref

Citations24
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueVisual NeuroscienceMême sujetMemory and Neural MechanismsTravaux en français237 207